Analisis y Diseño

UNIVERSIDAD NACIONAL DEL ALTIPLANO - PUNO
Facultad de Ciencias Agrarias

Facultad de Ingeniera Estadstica e Informtica
R.C.
R.R./Ho:
Aceptar
Ho:
R.R./Ho:
ANLISIS Y DISEO DE
EXPERIMENTOS
PREPARADO POR:
VLADIMIRO IBAEZ QUISPE, Dr.
Puno, Abril del 2009
- ii -
V. Ibaez Q. - Docente FINESI - UNA - Puno
VLADIMIRO IBAEZ QUISPE

Ingeniero Estadstico, UNA - Puno - Per.
M.Sc. en Informtica
Dr. en Administracin
Profesor Principal - Facultad de Ingeniera Estadstica e
Informtica.
Derechos Reservados:
Ninguna parte de este gua puede ser reproducida sin
la autorizacin del autor. viq_ibanez@hotmail.com
2009, Editorial Universitaria.
Primera Edicin: 2009
Impreso en Puno - Per.
Ciudad Universitaria. Apartado 291. Fax (054) 352992.
Puno - Per
Diagramacin y Composicin:
Vladimiro Ibaez Quispe
Anlisis y Diseo de Experimentos - iii -
PRESENTACIN
La presente publicacin Anlisis y Diseo de Experimentos est

dirigido a los estudiantes de pre-grado y post-grado, muy especialmente
a estudiantes de la Escuela Profesional de Ingeniera Agroindustrial y
reas afines que necesitan de las herramientas estadsticas para poder
aplicarlo en el proceso de la investigacin cientfica, y sea una ayuda
para generar conocimientos en la ingeniera. En los procesos industriales
se trabaja bastante con factores cuantitativos, lo que obliga a desarrollar
metodologas orientadas y adecuadas para resolver los problemas de la
investigacin, tales como el anlisis de regresin, los diseos
experimentales bsicos, experimentos factoriales (dos factores
cuantitativos), superficie de respuesta (diseo central compuesto, diseo
de Placket-Burman, EVOP, etc.).
Estas metodologas necesitan ensayar en un proceso en el cual interviene
los diferentes factores en estudio, lo que a veces se convierte muy complejo
resolver en forma manual, y necesariamente se recurre a los software
estadsticos adecuados para realizar los anlisis respectivos. Actualmente
existen varios software estadsticos con diferentes bondades, por lo que
el investigador, se debe adaptar paulatinamente para el procesamiento
de la informacin entre ellos podemos mencionar: Statistica,
Statgraphics, Minitab, Stata, SPSS, SAS, etc., lo importante es que nos
permite manipular la informacin recopilada (crudo) y posteriormente
sta informacin se convierte en conocimiento. Espero que esta
publicacin les permita orientar en el uso de las metodologas estadsticas
para el proceso de la investigacin, despertar a la mente y motivar en la
conduccin de la investigacin acorde a nuestro medio. El autor estar
plenamente agradecido y se sentir mejor para publicar otros textos, si
los interesados observan cualquier error, redaccin, frmulas, etc. y las
sugerencias se reciben en viq_ibaez@hotmail.com
El autor
Abril, 2009
- iv -
Anlisis y Diseo de Experimentos - v -
NDICE
Pg.
CAPTULO 1: ANLISIS DE REGRESIN
1.1. Regresin Lineal Simple (RLS)......................................................... 02
Propiedades del modelo....................................................................
Diagrama de dispersin....................................................................
Estimacin de la ecuacin de regresin..........................................
Interpretacin del coeficiente de regresin $ 1 ...............................
Prueba de hiptesis para ( 1 ).........................................................
Intervalo confidencial (IC) para ( 1 )..............................................
Intervalo de confianza para la prediccin........................................
i) Intervalo de confianza para la respuesta media E ( Yh ) ...................
ii) Intervalo de Confianza para la prediccin o futura
03
03
04
07
10
11
11
11
Yh ( New ) ......... 12
1.2. Correlacin........................................................................................
Coeficiente de correlacin de Pearson .............................................
Prueba de hiptesis para la correlacin ( )...................................
Intervalo confidencial (IC) para ( )..............................................
Coeficiente de Determinacin R2, R2ajustado ........................................
Anlisis grfico de residuos ............................................................
Ejercicios .......................................................................................
28
28
29
30
30
31
36
1.3. Regresin Lineal Mltiple (RLM)..................................................... 40

Estimacin de los parmetros del modelo........................................
Estimacin de los parmetros ( 0 , 1 ,L , k )(Forma matricial).......
Consecuencias de la Estimacin.......................................................
Prueba de Hiptesis en Regresin Lineal Mltiple............................
Pruebas sobre coeficientes individuales del modelo...........................
Intervalos de Confianza y prediccin en Regresin Lineal Mltiple...
a) Intervalo Confidencial (IC) para j ..............................................
41
42
46
46
48
49
49
b) IC para la respuesta media de E ( Y0 ) dado el vector X'0 .............. 50
- vi -

Pg.
c) ICpara la prediccin de nuevas observaciones Yh ( new ) ................... 52
Correlaciones Parciales .................................................................. 61
Prueba de hiptesis parciales........................................................... 61
Ejercicios ....................................................................................... 80
1.4. Regresin Curvilineal o no lineales.................................................... 83

A) Caso exponencial: Y = abX.......................................................... 83
B) Funcin potencial o curva geomtrica: Y = aXb........................... 87
C) Caso parablico (Funcin de Segundo Grado)............................. 91
CAPTULO 2: ASPECTOS GENERALES DEL DISEO
2.1. Qu es un experimento?..............................................................
2.2. Objetivos de un experimento.........................................................
2.3. Unidad experimental (UE)............................................................
2.4. Qu es un tratamiento? ..............................................................
2.5. Error experimental (EE)...............................................................
2.6. Principios bsicos del diseo experimental....................................
95
96
96
96
96
97
CAPTULO 3: DISEO COMPLETAMENTE AL AZAR (DCA, DIA)

3.1. Diseo completamente al azar (balanceado o equilibrado)..............
Caractersticas .............................................................................
Arreglo de campo ........................................................................
Modelo estadstico lineal ..............................................................
Esquema del diseo ......................................................................
Ventajas .......................................................................................
Desventajas .................................................................................
Descomposicin de la suma de cuadrados total .............................
Anlisis de Varianza (ANOVA) ....................................................
3.2. Diseo Completamente al azar (desbalanceado).............................
Metodologa de la forma matricial.................................................
103
103
104
104
105
105
105
106
107
115
122
Intervalo Confidencial (IC)
i j ........................................ 124
Ejercicios.....................................................................................
3.3. Diseo completo al azar con igual numero de subunidades
por unidad experimental...............................................................
Caractersticas .............................................................................
Casos ilustrativos .........................................................................
129
131
131
131
Anlisis y Diseo de Experimentos - vii Pg.

Muestreo aleatorio.......................................................................
Anlisis estadsticos....................................................................
Anlisis de varianza.....................................................................
Ejercicio......................................................................................
3.4. Diseo Completamente al azar con submuestreo (desbalanceado)..
Forma matricial ............................................................................
132
132
133
137
137
143
CAPTULO 4: DISEO BLOQUE COMPLETO AL AZAR (DBCA)

4.1. Diseo bloque completo al azar ...................................................
Caractersticas .............................................................................
Ventajas .......................................................................................
Desventajas .................................................................................
Esquema del diseo bloque compelto al azar...............................
Modelo lineal aditivo ...................................................................
Anlisis de Varianza (ANOVA) ....................................................
4.2. Diseo bloque completo al azar con submuestreo...........................
4.3. Anlisis funcional de la varianza ..................................................
4.4. Curva de respuesta ........................................................................
4.5. Ajuste de la funcin de respuesta ..................................................
Ejercicios .....................................................................................
151
151
153
154
155
155
157
164
170
180
185
192
CAPTULO 5: PRUEBAS DE COMPARACIN MLTIPLE DE MEDIAS

5.1. Prueba t de Student ....................................................................... 194
5.2. Diferencia Lmite Significativa (DLS)........................................... 199
5.3. Prueba de Comparaciones mltiples de Duncan............................. 202
5.4. Prueba de comparacin mltiple Tukey......................................... 209
5.5. Prueba de comparacin de Dunnett.............................................. 213
5.6. Prueba de comparacin mltipl de Studente-Newman-Keuls (SNK). 216
5.7. Prueba de Scheffe........................................................................ 219
5.8. Transformacin de datos ............................................................... 220
CAPTULO 6: DISEO CUADRADO LATINO (DCL)
6.1. Caractersticas del diseo..............................................................
Ventajas ........................................................................................
Desventajas .................................................................................
Modelo estadstico lineal...............................................................
Hiptesis.....................................................................................
Estimacin de los parmetros del modelo.....................................
224
225
225
225
226
227
- viii -

Pg.
Anlisis de Varianza (ANOVA).................................................... 228

Ejercicios ..................................................................................... 236
6.2. Diseo Cuadrado Grecolatino (DCGL) .......................................... 238
CAPTULO 7: EXPERIMENTOS FACTORIALES
Introduccin.................................................................................
Objetivos.....................................................................................
Ventajas.....................................................................................
Desventajas.................................................................................
Eleccin de los factores................................................................
Tipos de factores............................................................................
Clasificacin de los factores..........................................................
7.1. Experimento factorial de la serie 2n............................................
7.1.1. Experimento factorial bajo el DCA.................................
Mtodo 1: Ajuste de la funcin de respuesta...................
Mtodo 2: Ajuste de la funcin de respuesta...................
7.1.2. Experimento factorial bajo del DBCA...............................
Ejercicios ......................................................................
7.2. Experimento factorial de la serie 3n............................................
7.2.1. Experimento factorial bajo el DCA.................................
7.2.2. Experimento factorial bajo el DBCA.................................
7.2.3. Experimentos con factores cuantitativos (dos factores) .......
Ejercicios ......................................................................
245
246
246
246
247
247
248
238
252
265
267
269
274
276
277
287
298
306
CAPTULO 8: MTODOS Y DISEO DE SUPERFICIE DE RESPUESTA

Diseo para ajustar modelos de segundo orden ........................... 310
Diseo Compuesto Central (DCC) ............................................... 311
Diseos rotatorios para mejorar superficie de respuesta................ 315
Determinacin de en el Diseo Central Compuesto (CCD)...... 316
Estimacin del modelo para diseo rotables y compuestos............. 320
Anlisis de varianza para diseos rotables y compuestos................ 326
Soluciones ptimas ...................................................................... 333
Aplicaciones con software estadstico ........................................... 336
Ejercicios ..................................................................................... 351
CAPTULO 9: DISEO Y ANLISIS DE PARCELAS DIVIDIDAS
9.1. Diseo de parcela dividida (Split plot design) ............................. 355
Caractersticas del diseo de parcela dividida ............................... 355
Anlisis y Diseo de Experimentos - ix Pg.

Ventajas y desventajas ..................................................................
Aleatorizacin ............................................................................
Arreglo de campo .......................................................................
9.1.1. Diseo de parcela dividida bajo el DCA...........................
Ajuste para comparacin de medias..................................
9.1.2. Diseo de parcela dividida bajo el DBCA.........................
9.2. Diseo de parcela subdivididas (Split split plot design) ...............
9.3. Diseo de parcelas en franja ........................................................
Ejercicios .....................................................................................
356
357
357
358
361
363
380
387
395
CAPTULO 10: ANLISIS DE COVARIANZA (ANCOVA)

Usos del anlisis de covarianza ....................................................
Suposiciones del anlisis de covarianza ........................................
Modelos estadsticos para el anlisis de covarianza ......................
ANCOVA bajo el diseo completo al azar .....................................
ANCOVA en un arreglo factorial ..................................................
Anlisis de Covarianza Mltiple..................................................
Ejercicios .....................................................................................
397
398
399
400
415
421
426
Bibliografa consultada ........................................................................ 429

Tablas estadsticas ................................................................................. 433
Anlisis y Diseo de Experimentos - 1 -
1
ANLISIS DE REGRESIN
El trmino regresin viene del Latn regresio: que significa regreso, vuelta, retroceso y fue usado por primera vez como concepto estadstico en 1877 por Sir Francis
Galtn, quin efectu un estudio demostrando que la altura de los hijos de padres
altos tenda a retroceder o regresar, hacia la talla media de la poblacin; regresin
fue el nombre que le di al proceso general de predecir una variable (la talla de los
nios) a partir e otra (la talla de los padres). Ms tarde, los estadsticos acunaron la
expresin regresin mltiple para describir el proceso en virtud del cual se emplean
algunas variables para predecir otra.
Los mtodos de regresin, se utiliza para analizar datos que provienen de experimentos que no fueron diseados, este es el caso del estudio de fenmenos no controlados o de registros histricos. Los mtodos de regresion se usan para determinar la
mejor relacin funcional entre las variables, mientras que los mtodos de correlacin se utilizan para medir el grado de asociacin de las distintas variables. En pocas
palabras, regresin es la cantidad de cambio de una variable asociado a un cambio
nico de otra variable.
El principal objetivo del anlisis de la regresin es realizar predicciones. La regresin permite determinar si existe relacin entre las variables en estudio (X e Y),
para lo cual se utiliza el comportamiento de una variable (X = independiente), para
predecir el comportamiento de otra variable (Y = dependiente). Las dos caractersticas son medibles.
-2-
Usos de la Regresin:
- Para hacer predicciones futuras de Y, teniendo como base la X.
- Para ver si la variable (Y) depende de otra (X), estimando por consiguiente la
medida de dicha relacin o asociacin.
- Para determinar la forma de la curva de la regresin.
- Para conocer el error real implicado en un experimento, despus que haya sido
descontado el efecto de una variable relacionada.
- Sirve de base para el anlisis estadstico.
Como se manifest el objeto principal de la regresin es realizar predicciones
como:
- Predecir el tiempo meteorolgico basado en los datos del pasado.
- Predecir la performance de un toro basado en sus antepasados.
- Predecir la produccin de lana/ao, basado en los aos anteriores.
- Predecir la calidad gentica de una vaca, basado en sus antepasados.
- Predecir la produccin de semen en carneros basado en el tamao testicular.
- etc..
1.1. REGRESIN LINEAL SIMPLE (RLS).
Consideremos una variable dependiente Y con una sola variable independiente
X. Representemos una muestra aleatoria de tamao n de (X,Y) por el conjunto de
pares de datos: {(xi,yi)/i = 1,2,...,n}. La relacin entre variables es aquel que se considera nicamente dos variables, a estas designamos por Y y X, donde Y es la
variable dependiente variable de respuesta y X la variable independiente
predictor. El modelo de regresin lineal consiste en especificar la forma de la relacin lineal, es decir:
Yi = 0 + 1X i + i ,
i = 1,2,..., n
Donde:
Yi = Variable dependiente.
Xi = Variable independiente.
0 = Parmetro desconocido que indica la ordenada donde la lnea de

regresin lo intersecta.
1 = Parmetro desconocido que indica la pendiente de la lnea de mejor

ajuste, llamada tambin coeficiente de regresin poblacional.
i = Error de perturbacin que puede tomar valores positivos o negativos.
Anlisis y Diseo de Experimentos - 3 Propiedades del modelo:

a) Toda perturbacin aleatoria tiene de media cero, es decir:
i = 1,2,...,n.
( i ) = 0 ,
b) Todas las perturbaciones aleatorias tienen la misma varianza
(homoscedasticidad).
i = 1,2,...,n.
V( i ) = 2i
c) Las perturbaciones son independientes entre s:
cov( i , j ) = 0, i j
Yi
E(Y) = 0 + 1Xi
Yj
UV
W
.
UV
W
Yi
X1
X2
X3
X4
Xi
Suposiciones en regresin
Diagrama de dispersin.
Una vez recopilada la serie de n observaciones bidimensionales, cada par
de valores (X,Y) en el plano cartesiano o rectngular est representado por un punto,
y habra tantos puntos como parejas de observaciones que tenga. Esta representacin
da origen a una nube de puntos que se denomina diagrama de dispersin esparcimiento; este diagrama puede tener diferentes formas. Esta es la forma ms usual para
detectar si la funcin es lineal, exponencial, potencial, cuadrtica, cbica, etc. al cual
el experimentador ajustar su informacin recopilada, de tal forma que describa adecuadamente
la
relacin
entre
las
variables
en
estudio.
Eje Y
Eje Y
Eje Y
Eje Y
-4-
Eje X
Eje X
Eje X
Eje X
Lineal positiva
Lineal negativa
No Lineal
Ninguna relacin
Estimacin de la ecuacin de regresin.

En el anlisis de regresin lineal simple, se busca una lnea de tal forma que la
sumatoria de los errores de todas las observaciones con respecto a la lnea sea mnima, para lograr la estimacin de los parmetros desconocidos ( 0 y 1 ), se utiliza
el mtodo de Mnimos Cuadrados. Este mtodo consiste en encontrar los valores
0 y 1 de la ecuacin de regresin muestral, de manera que la suma de los cuadrados de todos los residuos i (suma de cuadrados del error: SCE) alrededor de la
lnea de regresin sea mnima. Para estimar los parmetros se partir del modelo
original, que est expresada en la siguiente ecuacin:
Yi = 0 + 1X i + i ,
i = 1,2,..., n
i = Yi 0 1X i
2i = Yi 0 1X i elevando al cuadrado.
= bY
n
2
i
i =1
1 X i
i =1
g aplicando sumatoria.
2
Para encontrar las Ecuaciones Normales se usan las derivadas parciales con
respecto a los parmetros desconocidos 0 y 1 , entonces tenemos:
n
2i
a)
i=1
=0
2i
y
b)
i=1
=0
Anlisis y Diseo de Experimentos - 5
1X i
i =1
De a)
n
LM bY
N
g OPQ
2
= 0 , entonces se tiene que:
2 Yi 0 1X i ( 1) = 0 , haciendo operaciones elementales se tiene la prii =1
mera ecuacin normal, pero por la propiedad de la sumatoria de una constantes es:
n
= n$ 0
i =1
i =1
i =1
n$ 0 + $ 1 X i = Yi
De b)
LM bY
N
n
1X i
i =1
g OPQ
2
L i)
= 0 , 2 Yi 0 1X i ( X i ) = 0 , igual que la
i =1
primera ecuacin, se encuentra, la segunda ecuacin normal.

n
i =1
i =1
i =1
$ 0 Xi +$ 1 X2i = Xi Yi
L ii)
En resumen de a) y b) se tiene las Ecuaciones Normales:

n
i =1
i =1
n$ 0 + $ 1 X i = Yi
n
i =1
i =1
i =1
$ 0 X i +$ 1 X i2 = X i Yi
El objetivo de estas ecuaciones normales es despejar los parmetros 0 y 1 ,
esto se consigue de la siguiente forma:
De a) n$ 0 + $ 1
X = Y , despejando
i
i =1
i =1
i =1
i =1
n$ 0 = Yi $ 1 X i y
n
dividiendo entre n a ambos miembros tenemos: $ 0 =
i =1
$ 1
X
i =1
-6-
$ 0 = Y $ 1X
$ 0 = Y $ 1X en la segunda Ecuacin Normal se tiene:
Reemplazando
Y $ 1 X
j
n
i =1
X i +$ 1 X 2i =
XY
i
i =1
i =1
, y haciendo ope-
raciones elementales de lgebra, se llega a encontrar $ 1 en dos formas siguientes

para facilitar el clculo.
n
$ 1 =
X Y Y X
i
i =1
n
X
i =1
cX
i =1
i =1
n
X Xi
2
i
$ 1 =
, $ 1 =
X Y
i =1
hc
cX
n
i =1
i =1
F I
G X J
H K
2
i
i =1
i =1
i =1
X Yi Y
X Y
i =1
X Y nXY
i
i =1
n
2
i
nX 2
i =1
Otra forma de encontrar $ 1 es usando la Regla de Cramer.

n
U|
V|
= X Y
|W
i =1
n
$ 0 X i +$ 1 X
i =1
i =1
i =1
n
2
i
i =1
n
n$ 0 + $ 1 X i = Yi
n
$ 1 =
X X Y
i
i =1
i =1
Xi
i =1
X
i =1
n
X2i
i =1
i =1
n
n X i Yi
i =1
n X 2i
i =1
Anlisis y Diseo de Experimentos - 7 n
$ 1 =
X iYi
i =1
n
X i2
i =1
X Y
i
i =1
i =1
FG X IJ
H K
n
i =1
Algunas veces, se expresa en trminos de desviaciones $ 1 , utilizando letras

minsculas para diferenciar de las observaciones que se denotan con letras maysculas, entonces en trminos de desviaciones se expresa:
n
$ 1 =
x y
i
i =1
n
2
i
Cov( X, Y) S XY
= 2
V ( X)
SX
i =1
La recta de regresin estimada es:

Donde
$ = $ + $ X
Y
i
0
1 i
$ es el estimador para la media de la observacin Yi, la cual corresY

i
ponde al valor Xi de la variable de prediccin.
$ = ( Y $ X) + $ X = Y + $ X $ X = Y + $ ( X X)
Y
i
1
1 i
1 i
1
1
i
$ Y = $ (X X)
Y
i
1
i
Esta es otra forma expresar la recta de regresin. Observar que la recta de
regresin contiene al punto ( x , y ) cuyos componentes son las medias X y de Y,
respectivamente.
Interpretacin del coeficiente de regresin $ 1
El valor constante $ 0 de la ecuacin de regresin muestral, es la ordenada
con el origen. El valor de la pendiente $ 1 es el cambio en
una unidad de medicin.
$ cuando Xi cambia
Y
i
-8-
Si $ 1 >0, entonces, la tendencia lineal es creciente, es decir, a mayores valores de X corresponden mayores valores de Y. Tambin, a menores valores de X corresponden menores valores de Y.
Si $ 1 <0, entonces, la tendencia lineal es decreciente, es decir, a mayores
valores de X corresponden menores valores de Y. Tambin, a menores valores de X
corresponden mayores valores de Y.
Si $ 1 =0, entonces, Y$ i = $ 0 , luego, Y permanece estacionario para cualquier
valor de X. Es decir, no hay regresin. Esta misma interpretacin es vlida para la
pendiente $ 1 en la ecuacin de regresin poblacional.
Grficamente se puede representar de la siguiente maner
Yi
$
i = Yi Y
i
(X,Y)
U| |V|
V| W
W
R
11
UV
W
Y2
UV
W
Y1
$0
UV
W S cX, Yh
RS
T
X1
UV
W
UV
W
UV
W
X2
X3
X4
X5
$ = $ + $ X
E(Y)
0
1 i
tg() =
$ 1 $
= 1
1
UV T 14243
W
1
10
U|
U| ||
|| |V Y U|
V| Y$ || ||
|| || V||
W W |W
U|
V|
W
U| $
V|
W
$ Y = $ X
Y
i
1 i
Xi
Esta grfica es una representacin que permite visualizar mejor la interpretacin de los parmetros estimados, la variable dependiente (Y) y la variable independiente (X), los errores o perturbacin, los valores de los errores se deben compensar
con los puntos que estn encima de la recta de regresin y los puntos que estn
debajo de la recta de regresin, el promedio de la variable (X) con el promedio de la
variable (Y) coinciden en un punto por donde pasa la lnea de regresin estimada.
Anlisis y Diseo de Experimentos - 9 Frmulas de trabajo:.

n
Xi
i =1
FG X IJ
H K
n
i =1
FG Y IJ
H K
n
n =
FG X IJ FG Y IJ
H KH K
n =
i =1
i i
i=1
XY
i =1
Yi
i =1
i =1
FGX IJFGY IJ
H KH K =
x y = XY
n
2
i
2
i
i =1
i =1
FG X IJ
H K
2
i
i =1
= X 2i
i=1
FG Y IJ
H K
y = Y
2
i
i=1
i=1
i =1
i =1
i =1
i i
i i
2
i
i =1
i =1
i =1
TABLA DE ANALISIS DE VARIANZA PARA REGRESION LINEAL SIMPLE

(en trminos de observaciones y desviaciones).
F. De V.
G.L.
Suma de Cuadrados (S.C.)
LM
FGX IJFGYIJ OP
H KH K P = $ x y
$ MXY
1
MM
PP
n
N
Q
LM F Y I OP L
FGX IJFGYIJ OP
G
JK M
H
P$ MXY H KH K P = y $ x y
M
n - 2 MY
PP
n
n P M
PP MN
MM
Q
Q
N
FGY IJ
n- 1
H K
n
Regresin
Error
i=1
2
i
i=1
i=1
Y
i=1
2
i
Fobs.
i=1
i=1
i i
i=1
i=1
i=1
SCR
1
CMR
CME
i i
Total
i=1
i=1
i i
i=1
C.M.
= y2i
i=1
2
i
i=1
i i
SCE
n2
- 10 -
Prueba de Hiptesis para ( 1 ).
H 0 : 1 = 0
H a : 1 0
1. Hiptesis Estadstica:
2. Elegir el nivel de significacin:
, ( =0.01, = 0.05, = 0.10).
3. Estadgrafo de Contraste, elegida para este caso, la prueba t-Student y cuya

funcin pivotal.
t=
$ 1 1
~ t ( n2)
s. e($ )
1
4. Establecer la Regin de decisin, determinando la regin crtica de la prueba.
1-
t 2 ,( n 2 )
RR/Ho:
t 2 ,( n 2 )
RR/Ho:
RA/Ha:
Valor
crtico
Valor
crtico
RA H o : - t 2 ,( n 2 ) t c t 2,(n-2)
RR H o : t c < -t 2,(n-2) t c > t 2,(n-2)

5. Valor experimental. Se obtiene reemplazando valores en la funcin pivotal.
tc =
$ 1 1 s.e.($ ) =
,
1
s. e($ )
1
s2
FGX IJ
H K
X
n
2
i
i=1
i=1
Anlisis y Diseo de Experimentos - 11 6. Si tc pertenece a RA H 0 : , aceptamos H0: y rechazamos la Ha:

Si tc pertenece a RR H 0 : , rechazamos H0: y aceptamos Ha:
7. Conclusin. Realizar la interpretacin en base al paso 4) y concluir de acuerdo
al tenor del problema.
Intervalo Confidencial (IC) para ( 1 ).
Pr $ 1 t ,( n 2 ) s. e.($ 1 ) 1 $ 1 + t ,( n2 ) s. e.($ 1 ) = 1
2
1 $ 1 t ,( n 2 ) s. e.($ 1 )
2
Intervalos de Confianza (IC) para la prediccin.

Una vez que se ha encontrado que existe regresin lineal simple poblacional
que la lnea de regresin muestral es vlida para realizar predicciones; entonces
podemos realizar las predicciones.
i) Intervalo de confianza para la respuesta media E ( Yh ) .
Sea
de
Xh
el valor de la media cuando X = X h X = X 0 y sea Y$h el valor
Y$h = $ 0 + $ 1 X , cuando X = X h entonces Y$h = $ 0 + $ 1 X h .

E ( Y$h ) = E ( $ 0 + $ 1 X h ) = $ 0 + $ 1 X h = Y
LM
MN
OP
PQ
Xh
1 ( X h X )2
S 2 ( Y$h ) = MSE +
n X i2 nX 2 , la distribucin muestral es:
LM
MN
2
Y$h Yh
$ ) = MSE 1 + ( X h X )
S
(
Y
~ t( n 2 ) ;
tc =
h
n X i2 nX 2
s( Y$h )
OP
PQ
- 12 -
Luego el intervalo confidencial del (1- )x100% para la respuesta media

se obtiene de la siguiente forma:
E ( Yh ) ,
Pr Y$h t 2 ,n 2 S ( Y$h ) E ( Yh ) Y$h + t 2 ,n 2 S ( Y$h ) = 1

ii) Intervalo de Confianza para la prediccin o futura
Para obtener un intervalo confidencial de un slo valor
Yh ( New ) .
Yh ( New ) de la variable
Yh = 0 + 1 X h , se considera a la diferencia y$h( New ) yh( New ) como un valor de

la variable aleatoria Y$h( New ) Yh( New ) . Primeramente se debe calcular: Y$h = $ 0 + $ 1 X h
LM
MN
S 2 ( Y$h( New ) ) = MSE 1 +
OP
PQ
LM
MN
OP
PQ
1 ( X h X )2
1 ( X h X )2
+
= S 2 1+ +
2
2
n X i nX
n X i2 nX 2 , la
distribucin muestral es:
tc =
Y$h( New ) Yh( New )

~ t( n 2 ) ;
S ( Y$
)
h ( New )
LM
MN
1 ( X h X )2
S ( Y$h( New ) ) = S 2 1 + +
n X i2 nX 2
OP
PQ
Luego el intervalo confidencial del (1- )x100% para una sola respuesta o futura
Yh ( New ) , se obtiene de la siguiente forma:

Pr Y$h t 2 ,n 2 S ( Y$h ( New ) ) Yh ( New ) Y$h + t 2 ,n 2 S ( Y$h( New ) ) = 1
EJEMPLO:
En la tabla siguiente se presenta los resultados promedio de la evaluacin sensorial de la naranja Valencia control a travs del tiempo de almacenamiento,
para este caso se establece el lmite de aceptabilidad del producto, considerando
un puntaje de 3.5 en la escala de: 6 (Excelente), 5 (Muy buena), 4 (buena), 3
(regular), 2 (mala) y 1 (inaceptable). Se presentan datos para el anlisis sensorial
de la naranja Washington Navel Hipobrico en s apariencia general externa.
Anlisis y Diseo de Experimentos - 13 Tiempo (das)

0
13
25
AGE (Puntaje) 5.50 4.25 4.00
AGE: Apariencia General Externa.
35
3.75
50
3.40
61
2.25
68
1.75
86
1.25
93
1.00
a) Trace el diagrama de dispersin, b) Obtener la ecuacin normal, c) Calcule la

ecuacin de regresin de Y sobre X, d) Grafique en el diagrama de dispersin la
ecuacin ajustada, e) Realice el ANVA, f) Pruebe la hiptesis para 1 0 , g) Encuentre los intervalos confidenciales e intreprete en cada uno de las preguntas.
SOLUCIN:
= 431, Yi = 27 .15, X i Yi = 913.25, X i2 = 28909 , Yi 2 = 10
X = 47 .89;
Y = 3.017
a) Diagrama de dispersin.
Apariencia general (puntaje)
6.00
5.00
4.00
3.00
2.00
1.00
0.00
0
20
40
60
Tiempo (das)
b) Obtener la ecuacin normal.
9$ 0 + 431$ 1 = 27.15
431$ + 28909$ = 913.25
0
80
100
- 14 -
c) Encuentre la ecuacin de regresin.

9
$ 1 =
X Y X Y
i i
i =1
i =1
2
i
i =1
n
=
i =1
FG X IJ
H K
9
913.25 ( 431 )( 27.15 ) 9

= 0.046793
28909 ( 431 )2 9
i =1
$ 0 = Y $ 1 X =
27 .15
9
b g = 5.257958559
0.046793872
Entonces, el modelo de regresin estimado es:
431
9
$ = $ + $ X , reemplazando
Y
i
0
1 i
se tiene:
Y$i = 5.25796 0.04679 X i

De acuerdo a la ecuacin estimada, se puede interpretar que por cada un da de
incremento en el tiempo, deber esperarse una reduccin en la apariencia general
externa en puntaje de 0.04679.
d) Obtener la grfica de la ecuacin de regresin ajustada.
Apariencia gral (puntaje)
6.00
0.04679 Xi
Y$i = 525796
.
5.00
4.00
3.00
2.00
1.00
0.00
0
20
40
60
Tiempo (das)
80
100
Anlisis y Diseo de Experimentos - 15 e) Procedimiento para efectuar el anlisis de varianza (ANOVA).

Grados de libertad (G.L.)
GLreg. = p - 1 = 2 - 1 = 1
GLerror = n - 2 = 9 - 2 = 7
GLtotal = n - 1 = 9 - 1 = 8
Sumas de Cuadrados (S.C. = S.S).
SSRm =
X Y d X id Y i
X d X i n
i i
2
i
913.25 (431)(27.15) 9
b g
28909 431
= 18.10610911
n=9
n =9
( Yi )2
i =1
SSTm = Yi 2
i =1
= 100.6225
( 27.15 )2
= 18.72
14
SSE = SSTm SSRm = 18.72 18.10610911 = 0.613890894

Tabla de Anlisis de Varianza.
F. de V.
G.L.
Debido a Regresin
1
Error residual
7
Total
8
S.S.
18.106109
0.613891
18.720000
M.S.
18.10611
0.08770
2.34000000
Fc.
206.46
Signif
**
En el ANOVA precedente, podemos afirmar que existe diferencia estadstica

altamente significativa (P 0.01), esto implica que la variable independiente X
(tiempo) influye sobre la variable dependiente Y (apariencia general), es decir las
dos variables en estudio son dependientes, esto afirma que el modelo es bueno y para
ratificar sta aseveracin se calcula el coeficiente de determinacin (R2).
R2 =
18.10610911
SSRm
x100 =
x100 = 96.72%
18.72
SSTm
MSE
0.087698699
~2
Rajust
x100 = 1x100 = 96.25%
. = 1
MSTm
2.34
- 16 -
El coeficiente de determinacin ajustado
~2
Rajust
. es alto por lo que existe una bondad
de ajuste bueno, es decir el modelo es confiable para realizar las predicciones hacia el
futuro, recomendar que el modelo se puede usar en diferentes lugares para este tipo
de evaluacin sensorial de la naranja, tal como afirma Gutierrez, H. y De la Vara, R.
(2004), para fines de prediccin se recomienda el coeficiente de determinacin ajustado
al menos de 0.7 para que el modelo sea aceptable y confiable.
Es importante indicar, si el modelo ajustado es confiable o no, para esto se realiza
la validacin del modelo ajustado y existen varias formas: i) la primera es realizar el
ANOVA en la cual debe ser significativo F(Regresin), ii) Se prueba a travs de la
prueba de hiptesis, y iii) se calcula el intervalo confidencial (IC).
f) Prueba de hiptesis para ( 1 ).
H 0 : 1 = 0
H a : 1 0
2. Elegir el nivel de significacin: = 0.05

funcin pivotal.
t=
$ 1 1
~ t ( n2)
s. e($ )
1
4. Establecer la Regin de aceptacin y rechazo. Se determina la regin crtica

de la prueba.
RA Ho : - 2.365 t c 2.365
RR Ho : t c < -2.365 t c > 2.365
1-
-2.365
t0.025,7 = 2.365
RR/Ho:
RA/Ha:
Valor
crtico
Valor
crtico
5. Valor experimental. Se obtiene

reemplazando valores en la funcin pivotal.
tc =
$ 1 1 0.046793872 0
=
= 14.36865 ,
0.003256664
s. e( $ 1 )
s 2 = CME = MSE = 0.087698699
RR/Ho:
Anlisis y Diseo de Experimentos - 17 V ( $ 1 ) =
s2
2
i
d X i
=
n
0.087698699
= 0.000010605
8268.888889
s.e( $ 1 ) = 0.003256664
6. Estadstica de decisin: Si tc =14.37 > t0.025,7 =2.365, entonces cae en la regin
de rechazo, y se rechaza H0: y se acepta la Ha:
7. Conclusin. Se puede interpretar que 1 es diferente de cero, es decir el
modelo tiene pendiente positiva.
g) Intervalo Confidencial (IC) para ( 1 ).
Pr $ 1 t ,( n 2 ) s. e.($ 1 ) 1 $ 1 + t ,( n 2 ) s. e.($ 1 ) = 1
2
Pr 0.046793872 ( 2.365 )( 0.003256664 ) 1 0.046793872 + ( 2 .365 )( 0.00325666
Pr 0.054495883 1 0.03909186 = 0.95

Se puede interpretar; de 100 muestras que se toma en el 95% el parmetro estimado
$ 1 estar comprendido entre el intervalo (-0.05449, -0.03909) y tan slo el 5%
de las muestras estar fuera del intervalo o no contendr en el intervalo.

h) Estime la respuesta media E ( Yh ) .
Con el ejemplo anterior, encuentre el intervalo confidencial para la respuesta
media, cuando X = 35 X h = 35, entonces:
i) Y$35 = $ 0 + $ 1 X h = 5.257958559 0.046793872( 35 ) = 3.61978769 .
LM
MNn
OP
PQ
LM
N9
OP
Q
2
2
ii) S 2 ( Y$35 ) = MSE 1 + ( X 352 X ) 2 = 0.087698699 1 + ( 35 47.89 ) = 0.011506486
Xi nX
S ( Y$35 ) = 0.10726829
.
8268888889
- 18 -
iii) Encuentre el Intervalo confidencial del 95% para la respuesta media E ( Yh ) ,

cuando Xh = 35 .
Pr Y$h t 2 ,n 2 S ( Y$h ) E ( Y35 ) Y$h + t 2 ,n 2 S ( Y$h ) = 1

Pr 3.61978769 ( 2.365 )( 0.10726829 ) E ( Y35 ) 3.61978769 + ( 2.365 )( 010726829
.
Pr 3.366098 E ( Y35 ) 3.877477 = 0.95
i) Intervalo Confidencial para observaciones futuras o individuales Yh ( New ) .

Se desea calcular el intervalo confidencial del 95% cuando X h = 100 .
i) Y$35 = $ 0 + $ 1 X h = 5.257958559 0.046793872( 100 ) = 0.57818597
LM
MN
1
n
ii) S 2 ( Y$h( New ) ) = MSE 1 + +
OP
PQ
LM
N
( X h X )2
1 (100 47.89 )2
= 0.087698699 1 + +
2
2
.
9 8268888889
Xi nX
OP
Q
= 0.12624271
S ( Y$h( New ) ) = 0.355306502

iii) El intervalo confidencial para la prediccin futura
Yh ( New ) es:
Pr Y$h t 2 ,n 2 S ( Y$h( New ) ) Yh( New ) Y$h + t 2 ,n 2 S ( Y$h( New ) ) = 1

Pr 0.57818597 ( 2.365 )( 0.355306502 ) Y100( New ) 0.57818597 + ( 2.365 )( 0.355306502
Pr 0.262113906 Y100( New ) 1.41848585 = 0.95
PROGRAMA EN SAS.
DATA AGROI;
OPTIONS NODATE NOCENTER NONUMBER;
INPUT X Y;
DATALINES;
0
13
25
35
50
61
68
86
93
5.50
4.25
4.00
3.75
3.40
2.25
1.75
1.25
1.00
;
PROC PRINT; RUN;
PROC REG;
MODEL Y = X/XPX I COVB CLB CLI CLM P;
RUN;
/* CALCULA EL COEFICIENTE DE CORRELACIN
PROC CORR;
VAR X Y;
RUN;
*/
- 20 -
SALIDA DEL SAS.

The REG Procedure
Model: MODEL1
Model Crossproducts XX XY YY
Variable
Intercept
X
Intercept
9
431
X
431
28909
Y
27.15
913.25
Variable
Intercept
X
Y
XX Inverse, Parameter Estimates, and SSE

Intercept
X
Y
0.3884574039
-0.005791454
5.257573233
-0.005791454
0.0001209352
-0.046793873
5.257573233
-0.046793873
0.6138908895
Source
Model
Error
Corrected Total
Root MSE
Dependent Mean
Coeff Var
Variable
Intercept
X
Variable
Intercept
X
Y
27.15
913.25
100.6225
DF
1
1
Analysis of Variance
Sum of
Mean
Squares
Square
18.10611
18.10611
0.61389
0.08770
18.72000
R-Square
0.9672
Adj R-Sq
0.9625
DF
1
7
8
0.29614
3.01667
9.81678
Parameter
Estimate
5.25757
-0.04679
F Value
206.46
Parameter Estimates
Standard
Error
t Value
Pr > |t|
0.18457
28.49
<.0001
0.00326
-14.37
<.0001
Pr > F
<.0001
95% Confidence Limits

4.82113
5.69402
-0.05449
-0.03909
Covariance of Estimates
Intercept
X
0.0340672087
-0.000507903
-0.000507903
0.0000106059
Output Statistics
Dep Var Predicted
Std Error
Obs
Y
Value Mean Predict
95% CL Mean
1
5.5000
5.2576
0.1846
4.8211
5.6940
2
4.2500
4.6493
0.1505
4.2933
5.0052
3
4.0000
4.0877
0.1237
3.7952
4.3802
4
3.7500
3.6198
0.1073
3.3661
3.8734
5
3.4000
2.9179
0.0990
2.6839
3.1519
6
2.2500
2.4031
0.1076
2.1488
2.6575
7
1.7500
2.0756
0.1185
1.7955
2.3557
8
1.2500
1.2333
0.1586
0.8583
1.6083
9
1.0000
0.9057
0.1770
0.4872
1.3243
Sum of Residuals
0
Sum of Squared Residuals
0.61389
Predicted Residual SS (PRESS)
0.97864
The CORR Procedure
Pearson Correlation Coefficients, N = 9
Prob > |r| under H0: Rho=0
X
Y
X
1.00000
-0.98347
<.0001
Y
-0.98347
1.00000
<.0001
95% CL Predict
4.4324
6.0827
3.8637
5.4348
3.3288
4.8466
2.8750
4.3646
2.1796
3.6562
1.6581
3.1482
1.3214
2.8298
0.4390
2.0276
0.0899
1.7215
Residual
0.2424
-0.3993
-0.0877
0.1302
0.4821
-0.1531
-0.3256
0.0167
0.0943
Anlisis y Diseo de Experimentos - 21 EJEMPLO:

En la tabla siguiente se presenta informacin sobre el nmero de horas de estudio
(X) para preparar un examen de matemticas, y la calificacin obtenida en dicho
examen (Y).
Nro. 1
X 1.0
Y
4
2
2.0
5
3
2.0
6
4
3.0
6
5
3.0
8
6
3.5
7
7
4.0
8
8
4.0
6
9
4.5
7
10
4.5
8
11
5.0
9
12
5.5
8
13
5.5
9
14
6.0
10
a) Trace el diagrama de dispersin, b) Obtener la ecuacin normal, c) Calcule la

ecuacin de regresin de Y sobre X, d) Grafique en el diagrama de dispersin la
ecuacin estimada, e) Realice el ANVA, f) Pruebe la hiptesis para 1 0 , g) Encuentre los intervalos confidenciales, h) Estime la respuesta media E(Yh), cuando
X = 7 horas de estudio y el intervalo confidencial, i) Realice la prediccin de una
observacin Y
, para X = 8 hrs, y el encuentre el intervalo confidencial.
h(new)
SOLUCIN:
= 535
. , Yi = 101, X iYi = 414.5, X i2 = 233.25, Yi 2 = 765
a) Diagrama de dispersin.
Calificacin obtenida (Y)
DIAGRAMA DE DISPERSIN
11
10
9
8
7
6
5
4
3
2
1
0
0
Horas de estudio (X)
b) Obtener la ecuacin normal.
14 $ 0 + 535
. $ 1 = 101
535
. $ + 233.25$ = 414.5
0
- 22 -
c) Calcule la ecuacin de regresin.

13
$ 1 =
X Y nX Y
i i
i =1
13
2
i
b gb g = 28.53571429 = 0.990700558
28.80357143
233.25 14b g
414.5 14
nX 2
53.5
14
101
14
53.5 2
14
i =1
$ 0 = Y $ 1 X =
101
14
b g = 3.428394296
0.990700558
53.5
14
Entonces, el modelo de regresin estimado es:
$ = $ + $ X , reemplazando
Y
i
0
1 i
se tiene: Y$i = 3.428 + 0.9907 X i

d) Obtener la grfica de la ecuacin de regresin estimada.
Calificacin (Y)
Recta de regresin lineal ajustada

Y$i = 3.428 + 0.9907 X i
11
10
9
8
7
6
5
4
3
2
1
0
0
e) Anlisis de varianza (ANOVA).

Grados de libertad (G.L.)
GLreg. = p - 1 = 2 - 1 = 1
GLerror = n - 2 = 14 - 2 = 12
GLtotal = n - 1 = 14 - 1 = 13
Sumas de Cuadrados (S.C. = S.S).
n
SSRm = $ 1 xi yi = $ 1
i =1
d X Y X Y ni
i i
Anlisis y Diseo de Experimentos - 23 = 0.99070055(414.5-(53.5)(101)/14)

= 28.27034806
n =14
SSTm =
n =14
( Yi )2
i =1
Yi 2
i =1
= 765
1012
= 36.35714286
14
SSE = SSTm SSRm = 36.35714286 28.27034806 = 8.086794798
Tabla de Anlisis de Varianza.

F. de V.
G.L.
S.S.
Regresin
1
28.270348
Error
12
8.086795
Total
13
36.357143
R2 =
M.S.
28.27035
0.67390
2.79670330
Fc.
41.95
Signif
**
28.270348
SSRm
x100 =
x100 = 77.76%
36.35714286
SSTm
MSE
0.673899566
~2
Rajust
x100 = 1x100 = 75.90%
. = 1
MSTm
2.796703297
f) Prueba de hiptesis para ( 1 ).

H 0 : 1 = 0
H a : 1 0
2. Elegir el nivel de significacin: = 0.05

funcin pivotal.
t=
$ 1 1
~ t ( n2)
s. e($ )
1
4. Establecer la Regin de decisin,

determinando la regin crtica de la
prueba.
RA H o : - 2.179 t c 2.179
RR Ho : t c < -2.179 t c > 2.179
1 -
2.179
t0.025,12 = 2179
.
RR/Ho:
RR/Ho:
RA/Ha:
Valor
crtico
Valor
crtico
5. Valor experimental. Se obtiene reemplazando valores en la funcin pivotal.
- 24 -
tc =
$ 1 1 0.990700558 0
=
= 6.4769 ,
015295878
.
s. e( $ 1 )
V ( $ 1 ) =
s2
2
i
d X i
.
s2 = CME = MSE = 0673899566
=
0.673899566
= 0.023396
28.80357143
s.e( $ 1 ) = 0152958
.
6. Estadstica de decisin: Si tc = 6.48 > t0.025,12 =2.179, entonces cae en la regin
de rechazo, y se rechaza H0: y se acepta la Ha:
7. Conclusin. Se puede interpretar que 1 es diferente de cero, es decir el
modelo tiene pendiente positiva.
g) INTERVALO CONFIDENCIAL (IC) PARA ( 1 ).
Pr $ 1 t ,( n 2 ) s. e.($ 1 ) 1 $ 1 + t ,( n 2 ) s. e.($ 1 ) = 1
2
Pr 0 .9907 ( 2 .179 )( 0 .152958 ) 1 0 .9907 + ( 2 .179 )( 0 .152958 ) = 0 .95
Pr 0.6574 1 132399
.
= 0.95
Se puede interpretar; de 100 muestras que se toma en el 95% el parmetro estimado

$ 1 estar comprendido entre el intervalo (0.657, 1.32) y tan slo el 5% de las muestras
estar fuera del intervalo o no contendr en el intervalo.

h) Estime la respuesta media E ( Yh ) .
Para el ejemplo anterior si el nmero de horas de estudio es X = 7, entonces:
Y$7 = $ 0 + $ 1 X h = 3.428 + 0.9907( 7 ) = 10.3629
LM
MN
OP
PQ
LM
N
OP
Q
. )2
1 ( X7 X )2
1 ( 7 382
S2 ( Y$7 ) = MSE +
.
.
=
+
= 02847293
06738996
n Xi2 nX 2
.
14 2880357
S( Y$7 ) = 0.53360037
Para el ejemplo anterior determinar el IC del 95% para la respuesta media
Anlisis y Diseo de Experimentos - 25 E ( Yh )
cuando X h = 7 .
Pr 10.3629 ( 2.179 )( 0.5336 ) E ( Y7 ) 10.3629 + ( 2.179 )( 0.5336 ) = 0.95
Pr 9.2 E ( Y7 ) 1153
. = 0.95
i) Prediccin del Intervalo confidencial cuando el parmetro es desconocido
Yh ( New ) .
Ser posible decir con una confianza del 95% de la calificacin obtenida de 11
puntos; si el nmero de horas de estudio fuese 8?. Entonces X = 8.
Y$8 = $ 0 + $ 1 X h = 3.428 + 0.9907( 8 ) = 113536

.
LM
MN
OP
PQ
LM
N
OP
Q
. )2
1 ( X 7 X )2
1 ( 8 382
S 2 ( Y$h( New ) ) = MSE 1 + +
.
= 0.6738996 1 + +
= 11308
2
2
n X i nX
.
14 2880357
S ( Y$8( New ) ) = 1063403
.
Luego el intervalo confidencial del (1- )x100% para la prediccin futura Yh ( New )
es:
Pr Y$h t 2 ,n 2 S ( Y$h( New ) ) E ( Yh ) Y$h + t 2 ,n 2 S ( Y$h( New ) ) = 1

Para el ejemplo, determinar el IC del 95% para la observacin futura.
Pr 113536
.
.
) Y8( New ) 11.3536 + ( 2.179 )( 10634
.
) = 0.95
( 2.179 )( 10634
Pr 9.0364 Y8( New ) 13.670755 = 0.95
- 26 -
PROGRAMA EN SAS.
DATA AGRO;
INPUT X Y;
DATALINES;
1.0
4
2.0
5
2.0
6
3.0
6
3.0
8
3.5
7
4.0
8
4.0
6
4.5
7
4.5
8
5.0
9
5.5
8
5.5
9
6.0
10
;
PROC PRINT; RUN;
PROC REG;
MODEL Y = X/XPX I COVB CLB CLI CLM P;
RUN;
/* CALCULA EL COEFICIENTE DE CORRELACIN
PROC CORR;
VAR X Y;
RUN;
*/
Anlisis y Diseo de Experimentos - 27 SALIDA DEL SAS.

Intercept
X
14
53.5
53.5
233.25
101
414.5
Variable
Intercept
X
Y
Variable
Intercept
X
Y
XX Inverse, Parameter Estimates, and SSE

Intercept
X
Y
0.5784252945
-0.13267204
3.4283942963
-0.13267204
0.0347179169
0.990700558
3.4283942963
0.990700558
8.0867947923
Source
Model
Error
Corrected Total
Root MSE
Dependent Mean
Coeff Var
Variable
Intercept
X
Variable
Intercept
X
Obs
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Y
101
414.5
765
DF
1
1
Sum of
Mean
DF
Squares
Square
F Value
Pr > F
1
28.27035
28.27035
41.95
<.0001
12
8.08679
0.67390
13
36.35714
0.82091
R-Square
0.7776
7.21429
Adj R-Sq
0.7590
11.37900
Parameter Estimates
Parameter
Standard
Estimate
Error
t Value
Pr > |t|
3.42839
0.62434
5.49
0.0001
2.06807
4.78871
0.99070
0.15296
6.48
<.0001
0.65743
1.32397
Intercept
X
0.3898005549
-0.08940763
-0.08940763
0.0233963891
Output Statistics
Dep Var Predicted
Std Error
Y
Value Mean Predict
95% CL Mean
4.0000
4.4191
0.4841
3.3643
5.4739
5.0000
5.4098
0.3546
4.6371
6.1824
6.0000
5.4098
0.3546
4.6371
6.1824
6.0000
6.4005
0.2528
5.8496
6.9514
8.0000
6.4005
0.2528
5.8496
6.9514
7.0000
6.8958
0.2248
6.4060
7.3857
8.0000
7.3912
0.2211
6.9095
7.8729
6.0000
7.3912
0.2211
6.9095
7.8729
7.0000
7.8865
0.2427
7.3577
8.4154
8.0000
7.8865
0.2427
7.3577
8.4154
9.0000
8.3819
0.2840
7.7632
9.0006
8.0000
8.8772
0.3377
8.1414
9.6131
9.0000
8.8772
0.3377
8.1414
9.6131
10.0000
9.3726
0.3990
8.5033
10.2419
Sum of Residuals
0
8.08679
10.46913
95% CL Predict
2.3426
6.4956
3.4614
7.3582
3.4614
7.3582
4.5290
8.2720
4.5290
8.2720
5.0414
8.7503
5.5388
9.2435
5.5388
9.2435
6.0214
9.7517
6.0214
9.7517
6.4893
10.2745
6.9432
10.8113
6.9432
10.8113
7.3839
11.3613
Residual
-0.4191
-0.4098
0.5902
-0.4005
1.5995
0.1042
0.6088
-1.3912
-0.8865
0.1135
0.6181
-0.8772
0.1228
0.6274
- 28 -
1.2. CORRELACIN.
Coeficiente de correlacin de Pearson.
La correlacin viene del latn cum: con y relatus: relacionado, la correlacin
lineal permite medir si hay asociacin entre dos variables o medir la intensidad de
dicha asociacin. Para ello es importante que la muestra bivariado sea tomada al
azar, tanto para la variable X como para la variable Y.
El coeficiente de correlacin de Pearson, se ajusta al tipo de informacin cuantitativa, esto con la finalidad de detectar y medir la asociacin entre variables o de
razn. Los valores del coeficiente de correlacin oscilan entre +1 y -1, y se explica de
la siguiente manera:
a) El valor de r = +1, indica una correlacin positiva perfecta o correlacin directa, cuando al aumentar disminuir el valor de la variable independiente, aumenta disminuye tambin el valor de la variable dependiente (pendiente positiva).
b) El valor de r = -1, expresa una correlacin inversa o relacin negativa perfecta:
cuando al aumentar disminuir el valor de la variable independiente, disminuye aumenta el valor de la variable dependiente (pendiente negativa).
c) El valor de r = 0, indica la ausencia absoluta de correlacin, es decir las dos
variables no estn correlacionadas o relacionadas.
El coeficiente de correlacin est definido por.
n
rxy =
X Y nXY
i i
LM X
N
i =1
i =1
2
i
nX 2
OP LM Y
QN
n
i =1
nY 2
OP
Q
Los rangos que del coeficiente de correlacin, se pueden interpretarse haciendo

uso de las siguientes expresiones:
r = 0.2 a r = 0.3
coeficiente de correlacin muy bajo.
r = 0.4 a r = 0.5
coeficiente de correlacin bajo.
r = 0.6 a r = 0.7
coeficiente de correlacin alto.
r = 0.8 a r = 1.0
coeficiente de correlacin muy alto.
Anlisis y Diseo de Experimentos - 29 Prueba de hiptesis para la correlacin.

H 0: = 0
Ha: 0
H0 : = 0
Ha : 0
(ausencia de correlacin entre las variables)

(existencia de correlacin entre las variables en forma directa).
2. Elegir el nivel de significacin: , ( =0.01, = 0.05, = 0.10).
3. Estadgrafo de Contraste.
t=
r - r n -2
,
=
Sr
1- r 2
1- r 2
n-2
Sr =
4. Establecer la Regin de decisin, determinando la regin crtica de la prueba.
RA H o : - t 2 ,( n 2 ) t c t 2,(n-2)
RR H o : t c < -t 2,(n-2) t c > t 2,(n-2)

5. Si tc pertenece a RA H 0 : , aceptamos H0: y rechazamos la Ha:
Si tc pertenece a RR H 0 : , rechazamos H0: y aceptamos Ha:
6. Conclusin. Realizar la interpretacin en base al paso 4) y concluir de acuerdo
al tenor del problema.
Fisher sugiere la transformacin de r en z, como sigue: Z r =
1 1+ r
, donde
ln
2 1 r
ln es el logaritmo natural. Es posible demostrar que Z , sigue una distribucin aproxi-
FG
H
IJ
K
1 1+
madamente normal, con: E ( Z r ) = = Z = ln
,
2 1
V(Z r ) =
1
n3
Para probar la hiptesis nula (Ho:) que indica que es igual a un valor diferente de cero, la estadstica de prueba es: Z c =
Z r Z
1
n3
que sigue una distribucin aproxi-
madamente normal con N(0,1).

En algunas situaciones, los datos disponibles para el anlisis no cumplen con las
suposiciones necesarias para el uso de los procedimientos estudiados. La prueba de
hiptesis respecto al coeficiente de correlacin de la poblacin. En tales circunstancias es conveniente utilizar la tcnica de correlacin de rango de Spearman.
- 30 -
INTERVALO DE CONFIANZA PARA

Para encontrar el intervalo de confidencial, se utiliza la transformacin de Fisher
del (1- )x100, para . Este procedimiento se calcula con la siguiente frmula para
el intervalo de confianza:
Pr tanh( Z r E 0 ) tanh( Z r + E 0 ) = 1
Donde:
FG IJ
H K
1 1+ r
Z r = ln
,
2 1 r
tanh( x) =
E0 =
eX e X
,
eX + eX
Z 2
n3
tanh: Tangente hiperblica
COEFICIENTE DE DETERMINACIN: R2 r2
El coeficiente de determinacin, R2, es el valor cuadrado del coeficiente r de
Pearson, y representa la proporcin de la varianza explicada por una variable respecto a la varianza total, tambin se conoce con el nombre de determinacin porque se
considera como la medida del grado de influencia de una variable frente a la otra
variable. El coeficiente de determinacin mide la proporcin de la variacin que se
explica por la variable independiente en el modelo de regresin, y est definido por:
R2 = r2 =
Varianza Explicada
SSRm
x100 =
x100
SSTm
Varianza Total
El valor complementario del coeficiente de determinacin, 1-R2, recibe el nombre de coeficiente de no determinacin coeficiente de alineacin, que indica la
varianza de una variable no explicada por otra.
~2 )
COEFICIENTE DE DETERMINACIN AJUSTADO ( R
El coeficiente de determinacin ajustado, se puede expresar con las siguientes
frmulas:
MSE
~
R2 = 1
MSTm

Calcular el coeficiente de correlacin de Pearson r y coeficiente de determinacin R2 del ejemplo 1, que corresponde a los datos para el anlisis sensorial de la
naranza Wasgington Navel hipobrico en su apariencia general externa. X= Tiempo
(das) e Y= Apariencia general externa (puntaje) El coeficiente de correlacin queda
definido por.
rxy =
X Y ( X )( Y ) n
( X ) n Y ( Y )
i i
2
i
91325
. ( 431)( 2715
. )9
( 28909 ( 431)2 9 )(1006225
.
. )2 9 )
( 2715
.
= 0983
Se ha encontrado una correlacin negativa y alta, es decir existe una directa

asociacin entre la variable sobre el tiempo en das y la apariencia general externa en
forma inversa.
Calculamos el Coeficiente de Determinacin R2.
R2 =
18.106109
SSRm
x100 = 96.72%
x100 =
18.72
SSTm
El 96.72% de la variacin de la apareiencia general externa (puntajes) est

explicado por la variacin del tiempo (das), y 3.28% est explicado por otros factores
externos o lo que no se puede controlar en el modelo.
Calculamos el Coeficiente de Determinacin Ajustada:
MSE
0.087698699
~2
Rajust
x100 = 1x100 = 96.25%
. = 1
MSTm
2.34
El 96.25% indica que el modelo tiene buen ajuste y es confiable para realizar
las predicciones futuras, asimismo se puede recomendar el uso de este modelo para
los estudios en otros lugares.
Anlisis grfico de Residuos.

Como complemento a lo que se ha desarrollado hasta el momento, un anlisis
adecuado de los residuos da informacin adicional sobre la calidad del ajuste del
modelo de regresin y de esta forma verificar si el modelo es adecuado. Las grficas
que se hacen para completar el diagnstico del modelo son: graficar los residuos en
papel de probabilidad normal, graficar los residuos contra los predichos, los residuos
contra cada variable regresora y contra alguna otra variable importante que no haya
sido incluido en el modelo. A continuacin presentamos la grfica de residuos con-
- 32 -
tra predicios ( i vs Y$i ) . Si el modelo es adecuado, se espera que en esta grfica los
puntos no sigan ningn patrn, y que por tanto estn distribuidos ms o menos
aleatoriamente a lo largo y ancho de la grfica. Cuando esto ocurre significa que el
modelo se ajusta de igual manera a lo largo de los valores de Y, si esto no ocurre
habr que ver cul es el tipo de patrn que se observa en la grfica y diagnosticar cul
es la falla que registra el modelo. La grfica que se muestra en seguida no muestra
ninguna anomala, por lo que esto es una evidencia ms en favor del modelo de
regresin lineal simple para nuestro ejemplo.
Probar la hiptesis para

0
H 0: = 0
H a: 0

Anlisis y Diseo de Experimentos - 33 2. Elegir el nivel de significacin:

3. Estadgrafo de Contraste: t =
= 0.05
r n-2
1- r 2
~ t n2 ,
4. Establecer la Regin de rechazo y aceptacin.
RA Ho : - 2.365 t c 2.365
RR Ho : t c < -2.365 t c > 2.365
5. Clculo del valor experimental.
t=
r n-2
1- r
0.98347 7
1- (-0.98347) 2
= 14.36865
6. Decisin:
Como tc =14.37 > t0.025,7 =2.365, entonces cae en la regin de rechazo,
aceptndose la Ha: y se rechaza la H0:.
7. Conclusin:
Existe suficiente evidencia para afirmar que 0 , es decir que la correlacin es diferente de cero. Esto corrobora a los resultados de la correlacin encontrada.
Calcular el intervalo confidencial para .
Para encontrar el Intervalo Confidencial, se utiliza la transformacin de
Fisher del (1- )x100 para . Cuya frmula es el siguiente:
Pr tanh( Zr E0 ) tanh( Zr + E0 ) = 1
Calcular el Intervalo Confidencial al 95% de confianza para con la informacin del ejmplo 1.
FG
H
IJ
K
1 1 + ( 0.98347 )
Zr = ln
= 2.3937 ,
2 1 ( 0.98347 )
E0 =
Z 2
n3
.
196
= 0.80
6
- 34 -
Reemplazando al Intervalo se obtiene el lmite inferior del intervalo y lmite

superior del intervalo:
Pr tanh( 2.3937 0.8 ) tanh( 2.3937 + 0.8 = 0.95
Pr tanh( 31937
.
) tanh( 15937
.
) = 0.95
tanh( 31937
.
)=
e 3.1937 e 3.1937 24.33744

=
= 0.9966
e 3.1937 + e 3.1937
24.41948
tanh( 15937
.
)=
e 1.5937 e1.5937
4.71875
=
= 0.9207
1.5937
1.5937
e
51250989
.
+e
Pr -0.9966 0.9207 = 0.95

Otra forma: Se puede encontrar usando tablas preparadas para la transformacin
de r a Z; los valores aparecen en el cuerpo de la tabla para valores correspondientes
de r, los coeficientes de correlacin estn en los mrgenes. Ubicar en el cuerpo de la
tabla el valor 3.1937 para el lmite inferior del intervalo, esto es 0.99 que debe ser
cambiado con signo menos, es decir -0.99. En forma similar para el lmite superior
del intervalo ubicar en el cuerpo de la tabla el valor 1.5937 que corresponde a 0.92
que debe ser cambiado de signo a -0.92.
EJEMPLO 4.
Calcular el coeficiente de correlacin de Pearson r y coeficiente de determinacin R2 para el ejemplo 2 que corresponde a la informacin sobre el nmero de horas
de estudio (X) para preparar un examen de matemticas, y la calificacin obtenida
en dicho examen (Y). El coeficiente de correlacin queda definido por.
rxy =
XY (X )(Y ) n
X (X ) n Y (Y )
i i
2
i
4145
. (535
. )(101) 14
( 23325
. (535
. )2 14)(765(101)2 14)
= 08818
.
Se ha encontrado una correlacin positiva y alta, es decir existe una directa

asociacin entre la variable sobre el nmero de horas de estudio para preparar
un examen y la calificacin obtenida en el examen.
Calculamos el Coeficiente de Determinacin R2.
R2 =
28.270348
SSRm
x100 =
x100 = 77.76%
36.35714286
SSTm
Anlisis y Diseo de Experimentos - 35 Se puede interpretar que el modelo tiene buen ajuste. El 77.76% de la variacin
en la calificacin obtenida (puntos) est explicado por la variacin del nmero de
horas de estudio para preparar un examen de matemticas, y 22.24% est explicado
por otros factores ajenos al modelo.
Calculamos el Coeficiente de Determinacin Ajustada:
MSE
0.673899566
~2
Rajust
x100 = 1x100 = 75.90%
. = 1
MSTm
2.796703297
Probar la hiptesis para

0
H 0: = 0
Ha: 0

2. Elegir el nivel de significacin:
3. Estadgrafo de Contraste: t =
= 0.05
r n-2
1- r 2
4. Establecer la Regin de rechazo y aceptacin.
RA Ho : - 2.179 t c 2.179
RR Ho : t c < -2.179 t c > 2.179
5. Clculo del valor experimental.
0.95
-2.179
RR/Ho:
r n-2
1- r
08818
.
12
1-0.88182
2.179
t
RR/Ho:
RA/Ha:
Valor
crtico
t=
0.05 2
0.05 2
Valor
crtico
.
= 647688
6. Decisin:
Como tc =6.477 > t0.025,12 =2.179, cae en la regin de rechazo, entonces se
acepta la Ha: y se rechaza la H0:.
7. Conclusin:
Se puede concluir que existe diferencia significativa entre la variable horas de estudio para preparar el examen y la calificacin obtenida en el
examen.
- 36 -

Calcular el intervalo confidencial para .
Zr =
FG
H
IJ
K
1 1 + 0.8818
= 13838
ln
.
,
2 1 0.8818
E0 =
Z 2
n3
196
.
= 0.59096
11
Pr tanh( Zr E0 ) tanh( Zr + E0 ) = 1
Pr tanh ( 1.3838 0 .59096 ) tanh ( 1.3838 + 0 .59096 ) = 0 .95
P r tanh ( 0 .79284 ) tanh ( 1.97476 ) = 0 .95

e 0.79284 e 0.79284
1757105
.
tanh( 0.79284 ) = 0.79284
=
= 0.660
0 .79284
e
+e
2.66222067
tanh( 197476
.
)=
e1.97476 e 1.97476
7.0660956
=
= 0.9622
1.97476
1.97476
e
7.34368489
+e
Pr 0.660 0.9622 = 0.95

EJERCICIOS:
Para cada uno de los siguientes ejercicios: a) Fijar el modelo de regresin lineal
simple, b) Graficar el diagrama de dispersin, c) Estimar la ecuacin de regresin, d)
graficar la ecuacin estimada, calcule los errores, y grafique e) Realice el ANOVA,
~2
R2, Rajust . f) Probar la hiptesis b1 0 , g) Calcule los intervalos confidenciales para
bi , h) Encontrar el intervalo confidencial para la respuesta media E(Y ), i) Calcule

h
el intervalo confidencial para la prediccin u observacin futura Y
, j) Calcule el
h(new)
coeficiente de correlacin de Pearson r, k) Pruebe la hiptesis para
0 al nivel
de significacin de 0.05, l) Construya el intervalo de confianza del 95% para e

interpretar en cada uno de las preguntas anteriores.
1.- Considere los datos de la tabla siguiente, en donde X = Gastos semanales de
publicidad, y Y = Ventas semanales. Pronostique las ventas para un gasto de
publicidad de $50 dlares.
Y ($) 1250
X ($) 41
1380
54
1425
63
1425
54
1450
48
1300
46
1400
62
1510
61
1575
64
1650
71
Anlisis y Diseo de Experimentos - 37 2.- En la tabla siguiente se muestran los tiempos requeridos de atencin a clientes en
las cajas de un supermercado y los valores de las compras. D un punto e intervalo de estimacin de 99% para Y si X = 3.0.
Tiempo requerido
de atencin (en minutos)
Valor de las compras (en $)
3.6
30.6
4.1
30.5
0.8
2.4
5.7
42.2
3.4
21.8
1.8
6.2
4.3
40.1
0.2
2
2.6
15.5
3.- Andrew Vazsony es el gerente de la cadena de supermercado Spendwise. A l le

gustara poder pronosticar las venas de libros en rstica (libros por semana), con
base en la cantidad de espacio disponible en los estantes (en pies). Andrew rene
datos para una muestra de 11 semanas.
Semana
N de libros vendidos Y
Pies de espacio en estante X
1
2
3
4
5
6
7
8
9
10 11
275 142 168 197 215 188 241 295 125 266 200
6.8 3.3 4.1 4.2 4.8 3.9 4.9 7.7 3.1 5.9 5
4.- En la siguiente tabla se presenta informacin de una empresa de rdenes por

correo, para las 12 ciudades. Pronostique las rdenes por correo recibidas cuando
se distribuyen 10000 catlogos.
Ciudad
N rdenes recibidas
por correo, Y (en miles)
N de catlogos
distribuidos, X (miles)
A
24
B
16
C
23
D
15
E
32
F
25
G
18
H
18
I
35
J
34
K
15
L
32
10
15
11
13
12
5.- En una regresin de inversiones sobre la tasa de inters, se observaron los resultados que se muetran en la tabla siguiente, para un perodo de 10 aos. Podemos
pronosticar la inversin anual si la tasa de inters dentro de 5 aos es del 4%?
Inversin anual (miles de dlares)
Tasa promedio de inters (%)
1060 940 920 1110 1590 2050 2070 2030 1780 142
4.8 5.1 5.9 5.1 4.8 3.8 3.7 4.5 4.9 6.2
6.- Los siguientes datos muestran la densidad ptica de cierta substancia en diferentes niveles de concentraicn.
Nivel de concentracin (X) 80 120 160 200 240 280 320 360 400 440 480
Densidad ptica (Y)
0.08 0.12 0.18 0.21 0.28 0.28 0.38 0.40 0.42 0.50 0.52
7.- Se recolectaron los siguientes datos a partir de un estudio de la relacin entre la

inteligencia y el nmero de hijos por familia.
N de nios en la familia
Inteligencia de todos los nios de la familia
1
2
3
4
5
6
7
105 102 104 100 97 101 95
8
93
9
97
- 38 -
8.- Las siguientes mediciones se efectuaron en 20 reas geogrficas. La variable X es

la medicin combinada de contaminacin del aire y agua en la zona, y Y es la
medicin del estado de salud de los residentes del rea. Entre mayor sea el valor
de X, hay mayor contaminacin y entre mayor sea el valor de Y, la salud es ms
precaria.
X
Y
X
Y
73
90
67
76
52
74
73
82
68
91
71
93
47
62
57
73
60
63
86
82
71
78
76
88
67
60
91
97
80
89
69
80
86
82
87
87
91
105
77
95
9. Los siguientes valores representan 15 lecturas que indican el volumen del trfico y
la concentracin de monxido de carbono tomados en un laboratorio para determinar la calidad del aire de cierta ciudad.
Volumen del trfico
(autos/hora) "X"
100 110 125 150 175 190 200 225 250 275 300 325 350 375 400
CO(PPM)
(Y)
8.8 9.0 9.5 10.0 10.5 10.5 10.5 10.6 11.0 12.1 12.1 12.5 13.0 13.2 14.5
10. Se espera que, por lo general, el nmero de horas de estudio (X) en la preparacin de un examen tenga una correlacin directa (positiva) con la calificacin (Y)
alcanzada en tal examen. En la tabla siguiente se presentan las horas de estudio as
como las calificaciones obtenidas por diez estudiantes seleccionados al azar de un
grupo.
Estudiante 1
10
Calificacin en el examen (Y) 51
2
6
36
3
15
67
4
11
63
5
7
44
6
19
89
7
17
80
8
3
26
9
13
50
10 TOTAL
17
118
85
591
11. Los datos muestran el aumento en la rapidez de lectura (Y), y el nmero de

semanas que se asisti a un curso para mejorarla (X), para ocho estudiantes:
X
Y
3
80
5
110
2
50
8
190
6
160
9
230
3
70
4
110
12. Las calificaciones de un grupo de estudiantes en su reporte de medio aos (X) y

en los exmenes finales (Y) fueron los siguientes:
X
Y
77
82.00
50
66.00
71
78.00
72
34.00
81
47.00
94
85.00
96
99.00
99
99.00
67
68.00
13. A un grupo de 20 estudiantes de un curso de computacin para principiantes se

les aplic una prueba de aptitud computacional con un puntaje X, y otra de aprovechamiento final con un puntaje Y (medida como un examen de conocimiento).
Anlisis y Diseo de Experimentos - 39 Los resultados fueron los siguientes:

X
Y
4
19
16
19
20
24
13
36
22
27
21
26
15
25
20
28
19
17
16
27
18
21
17
24
8
18
6
18
5
14
20
28
18
21
11
22
19
20
14
21
14. Los datos siguientes hacen referencia al nmero de horas invertidas para preparar un examen (X) y la calificacin recibida en este ltimo (Y) (esta ltima expresa en decenas).
X
Y
2
5
3
5
3
7
4
5
4
7
5
7
5
8
6
6
6
9
6
8
7
7
7 7 8 8
9 10 8 9
15. Se pregunt a 10 estudiantes de una muestra la distancia recorrida y el tiempo

que utilizaron para llegar a la Universidad el da anterior. Los datos reunidos se
tienen en la tabla siguiente:
Re c o rrid o (X )
T ie mp o (Y)
1
5
3
10
5
15
5
20
7
15
7
25
8
20
10
25
10
35
12
35
16. Se obtuvieron los siguientes datos para determinar la relacin entre cantidad de
fertilizante y produccin de papa por hectrea.
Sacos de fertilizante por hectrea
Rendimiento en quintales
3
45
4
48
5
52
6
55
7
60
8
65
9
68
10
70
11
74
12
76
17. Un comerciante minorista encarg un estudio para determinar la relacin entre

los gastos de publicidad semanal por radio y las ventas de sus productos. En la
quinta semana por diversos motivos no se pudo hacer el estudio. En el estudio se
obtuvieron los siguientes resultados:
Semana
Gastos de publicidad ($)
Ventas ($)
2
3
4
30 20 40
300 250 400
5
30
--
6
7
8
9 10 11
50 70 60 80 70 80
550 750 630 930 700 840
- 40 -
1.3. REGRESIN LINEAL MLTIPLE (RLM)

Muchos problemas de regresin involucran ms de una variable regresiva.
Tales modelos de regresin se denominan regresin mltiple. La regresin mltiple
es una de las tcnicas estadsticas ms ampliamente utilizadas en la actualidad. En
esta oportunidad se presenta las tcnicas bsicas de la estimacin de parmetros
conocido como el Mtodos de los Mnimos Cuadrados, adems se realizar la
estimacin del intervalo de confianza y de la verificacin de la suficiencia del modelo
para la regresin mltiple. Se presentar tambin algunos de los problemas encontrados
con frecuencia en el uso prctico de la regresin mltiple, incluyendo la construccin
del modelo y la seleccin de variables y la dependencia casi lineal entre los regresores.
El modelo de regresin que involucra ms de una variable regresora se llama modelo
de regresin mltiple; como un ejemplo, supngase Y la variabledependiente, X1 y
X2 son las variables independientes. Un modelo de regresin mltiple que podra
describir esta relacin es:
Y = 0 + 1 X 1 + 2 X 2 +
Donde:
Y = Representa la variable dependiente.
X1 y X2 = Son las variables independiente o regresoras.
0 ,1 , 2 = Son los parmetros desconocidos que ser estimado.

= Es el error residual o perturbacin.
El parmetro 0 define la ordenada al origen del plano. Algunas veces

llamamos a 1 y 2 coeficientes de regresin parciales, porque 1 mide el cambio
esperado en Y por cambio unitario en X1 cuando X2 se mantiene constante, y 2 mide
el cambio esperado en Y por cambio unitario en X2 cuando X1 se mantiene constante.
En general, sea X 1 , X 2 ,L , X k variables independientes o regresoras, ya sea
Y una variable de respuesta, entonces el modelo de regresin lineal mltiple con k
variables independientes es el polinomio de primer orden:
Yi = 0 + 1 X i 1 + 2 X i 2 + L + k X ik + i ; Y = X
Anlisis y Diseo de Experimentos - 41 Se denomina modelo de regresin lineal mltiple con k-variables
independientes. Los parmetros j , j = 0,1,K , k , se llaman coeficientes de regresin.
Este modelo describe un hiperplano en el espacio k-dimensional de las variables
regresoras Xi.
El trmino lineal del modelo de regresin se emplea debido a que la ecuacin
anterior es funcin lineal de los parmetros desconocidos 0 , 1 ,K , k . La
interpretacin de stos es muy similar a lo ya explicado para el caso de regresin
lineal simple: 0 es la ordenada al origen, y j mide el cambio esperado en Y por
cambio unitario de Xj cuando el resto de las variables regresoras se mantienen fijas o
constantes.
Estimacin de los parmetros del modelo.
Para estimar los parmetros de la regresin lineal mltiple se necesita contar
con n datos (n>k). El mtodo de Mnimos Cuadrados puede utilizarse para estimar
los coeficientes de regresin. Supngase que se dispone n>k observaciones, y djese
que Xij denote la observacin isima o el nivel de la variable Xj.
En trminos de los datos, el modelo de regresin lineal mltiple puede escribirse
de la siguiente manera:
Yi = 0 + 1 X i1 + 2 X i 2 + L + k X ik + i
k
= 0 + j X ij + i
i = 1,2 ,...., N
j =1
Para estimar por el mtodo de mnimos cuadrados, se despeja el error.

k
i = Yi 0 j X ij , elevamos al cuadrado ambos miembros se tiene:

j =1
i2 = (Yi 0 j X ij ) 2 aplicamos la sumatoria a ambos miembros:

j =1
i =1 i2 = i =1 (Yi 0 j X ij ) 2 a partir de esto, se realiza la derivada

n
j =1
parcial con respecto a los parmetros del modelo para encontrar las ecuaciones
normales.
- 42 -
e j
n
i =1
2
i
= 2i =1 (Yi 0 j X ij )(-1) = 0
n
j =1
$ 0 ,$ 1 ,L,$ k
i =1
i =1
i =1
i =1
n$ 0 + $ 1 X i1 + $ 2 X i 2 +L+$ k X ik = Yi
.................. (1)
e j
n
2
i =1 i
, ,3,..., k .....(2)
= 2i =1 (Yi 0 j Xij )(-Xij ) = 0; j = 12
n
j =1
$ 0 ,$ 1 ,L,$ k
Al simplificar la ecuacin (1) y (2), obtenemos las ecuaciones normales de

mnimos cuadrados:
n$ 0
$ 0Xi1 +
i=1
$1Xi21
+ $ 2Xi1Xi2 + L + $ k Xi1Xik =
i=1
n
i=1
$ 2Xi2
+ L +
i=1
n
i=1
i=1
i=1
$ k Xik
i=1
n
M M M
M
M
M
M
M
M M M
n
n
n
$ X + $ X X + $ X X + L +
0 ik
1 i1 ik
2 i2 ik
i=1
$1Xi1
i=1
M
n
$ X2
k ik
i=1
Y
i
i=1
n
X Y
i1 i
i=1
(3)
X Y
ik i
i=1
Ntese que hay p = k+1 ecuaciones normales, una para cada uno de los
coeficientes de regresin desconocidos. La solucin para las ecuaciones normales
sern los estimadores de mnimos cuadrados ordinarios de los coeficientes de regresin,
$ 0 , $ 1 ,K , $ k .
Ilustar el procedimiento de estimacin por mnimos cuadrados es ms sencillo

si se utiliza la notacin matricial. Daremos ahora un desarrollo matricial de las
ecuaciones normales que es similar al desarrollo de la ecuacin anterior. El modelo
en trminos de las observaciones, se puede escribir en notacin matricial o llamada
tambin forma compacta como: Y = X +
Si asignamos a X i 0 = 1 , entonces extendiendo en forma general para kvariables X tenemos:
LMY OP
Y
Y=M P
MM M PP
NY Q
LM X
X
X =M
MM M
NX
10
20
N Nx1
N0
LM OP
=M P
MM M PP
N Q
OP
PP
PQ
LM OP
=M P
MM M PP
N Q
OP
PP
PQ
N( k+1)
LM
MM
MN
X11 X12 L X1k

1 X11 X12 L X1k
X21 X22 L X2k
1 X21 X22 L X2k
=
M
M
M
M M
M
M
XN1 XN2 L XNk 1 XN1 XN2 L XNk
y
( k +1 ) x 1
, adems se sabe que: Y = X +

Nx 1
Propiedades:
a) E( ) = 0, E( Y ) = X, Y = E( Y ) + , = Y E( Y )
b) Var ( ) = E E ( ) E ( ) ' = E ( ' ) = 2 I N
c)
Cov( ei , e j ) = 0, i j
Estimacin de los parmetros ( 0 , 1 ,L , k )(Forma matricial).

Para estimar el parmetro , utilizamos el mtodo de los mnimos cuadrados,
es decir se debe minimizar el error de la siguiente forma:
N
2
i
=' = Y E ( Y ) ' Y E ( Y )
i =1
= ( Y X )' ( Y X )
= ( Y' ' X ' )( Y X )
= ( Y' Y
Y' X
123
' X ' Y + ' X ' X
( Y ' X )' = ' X ' Y
= ( Y' Y ' X ' Y ' X ' Y + ' X ' X

= Y' Y 2' X ' Y + ' X ' X
- 44 -

NOTA: Por propiedad se sabe que:
a) ( a' X ) = a ,
X
( X ' Y )'
= X' Y
b) ( X ' AX ) = 2 AX ,
X
( ' X ' X )
= 2 X ' X
Simplificando se tiene que X ' X$ = X ' Y , que son las ecuaciones normales de
mnimos cuadrados. Para resolver las ecuaciones normales, multiplquense ambos
lados de la ecuacin X ' X$ = X ' Y por la inversa de X'X. De tal modo, el estimador de
mnimos cuadrados de es:
( X ' X )1 X ' X$ = ( X ' X )1 X ' Y , $ = ( X ' X )1 X ' Y

Es fcil ver que la forma matricial de las ecuaciones normales es idntica a la
forma escalar. Al escribir completa la ecuacin X ' X$ = X ' Y obtenemos:
LM n
MM
MM X
MM M
MN X
X i1
i =1
n
i1
i =1
i =1
i =1
X
n
ik
Xi2
2
i1
i =1
Xi1 Xik
i =1
X
i =1
n
i1
Xi 2 L
Xi 2 Xik L
i =1
X
i =1
i =1
i1
X ik
M
n
Xik2
i =1
OP
L YO
$ O M P
L
PP M $ P M
PP
M
X
Y
PP MM M PP = M P
PP MMN$ PPQ MM M PP
MM X Y PP
PQ
Q
N
n
ik
i =1
i1 i
i =1
n
ik i
i =1
Cuando X ' X es de rango completo, la solucin de X ' X$ = X ' Y para $ puede

$ ( X' X )1 X' Y . Por otro lado si ( X ' X )1 no existe, entonces la solucin
ser escrito como =
de X ' X$ = X ' Y puede ser escrito en trminos de una inversa generalizada de X ' X .
Este es el caso de modelo de rango no completo. Por la naturaleza de X mostrada
anteriormente la matriz X ' X es cuadrada de orden (k+1), con los elementos que son
suma de cuadrados y productos, como se presenta a continuacin:
LM X
MM
X X
X' X = M
MM M
MMX X
N
n
2
i0
i =1
i0
i0
i =1
i=1
ik
i =1
n
2
i1
i =1
i0
i0
i1
Xi1
i =1
i1
i=1
i1
i2
i=1
i0
LMX Y OP L
MM PP MM Y
X' Y = M X Y P = M X Y
MM M PP MM
MMX Y PP MMNX Y
N Q
n
Xik
i =1
n
Xi2 L
i1
ik
i =1
Xik
OP
PP
X
X
PP,
M
P
X PPQ
n
Xi 2 L
i=1
n
i1 i
i =1
i =1
n
2
ik
i =1
i1 i
Xik L
i0 i
ik i
ik i
i =1
i =1
i =1
As X ' X es la matriz de suma de cuadrados y productos de los Xs observados

y X'Y es el vector de suma de productos de los Xs observados e Ys.
Adems, se sabe que las expresiones puede tomar la forma siguiente:
X i 0 = 1, i =1,2 ,...., N ,
LM n
MX
X' X = MX
MM M
MNX
i1
i2
ik
X
X
X X
X X X
X X X
i1
2
i1
i1 i2
M
Xi1Xik
i2
i1 i2
2
i2
2
i0
= N,
i0
Y = Yi = Y .
X i1 = X i1 = X .1
i1 i
L
L
L
M
Xi2 Xik L
X
X OP LM n X
X
X
X
X
X
X
P M
P
M
X
X
X
X
=
X
X
P M
.1
ik
i1 ik
i2
M
Xik2
ik
.1
.2
PP M M
Q MNX
.k
.2
2
i1
i1 i2
M
X
i1Xik
i1 i2
2
i2
L
L
L
M
X
i2 Xik L
X X PP
X X PP
X.k
i1 ik
i2
M
Xik2
ik
PP
Q
Los elementos de la diagonal de X ' X son las sumas de cuadrados de los

elementos en las columnas de X, y los elementos fuera de la diagonal son las sumas
de los productos cruzados de los elementos de las columnas de X. Adems, los
elementos de X ' Y son las sumas de los productos cruzados de las columnas de X y
las observaciones {Yi}.
El modelo de regresin ajustado es:
k
Y$ = X$ . En notacin escalar es:
y$i = $ 0 + $ j xij , i = 1,2 ,.., n

j =1
- 46 -
Consecuencias de la Estimacin.
-1
A continuacin presentamos algunas propiedades de $ = (X' X) X' Y , bajo el
supuesto de que ~ N ( 0 , 2 I n ) ,
E( ) = 0 , v( ) = 2 In .
a) Insesgamiento: Desde que $ es el BLUE de para V = 2 I n , este es insesgado

a partir de la definicin de valor esperado, se demuestra que
efecto:
E( $ ) = .
En
E ( $ ) = E (X' X) -1 X' Y = (X' X) -1 X' E(Y) = (X' X) -1 X' X =

b) Varianza de $ . La matriz de Varianzas-Covarianzas de $ est dado por:
V( $ ) = E[ $ E ($ )][ $ E ( $ )]'
m
= E m[(X' X)
= E [(X' X) -1 X' Y E ((X' X) -1 X' Y)][(X' X) -1 X' Y E ((X' X) -1 X'Y)]'

-1
m
= E m[(X' X)
X' (Y E (Y)][(X' X) -1 X' (Y E (Y)]'
r
]r
= E [(X' X) -1 X' ][(X' X) -1 X' ]'

-1
X' ][' X(X' X) -1
= (X' X) -1 X' E (' )X(X' X) -1
= (X' X) -1 X' X(X' X) -1 2 I

= (X' X) -1 2
Prueba de Hiptesis en Regresin Lineal Mltiple.

En esta seccin veremos la prueba de hiptesis sobre los parmetros del modelo
que son equivalentes a las realizadas para la regresin lineal simple, pero que ahora
son ms necesarias, dado que en regresin lineal mltiple tenemos ms parmetros
en el modelo, que por lo general es necesario evaluar su verdadera contribucin a la
explicacin de la respueta. En este caso, tambin requerimos de la suposicin adicio-
Anlisis y Diseo de Experimentos - 47 nal de que los errores deben distribuirse en forma normal, independientes, con medio cero y varianza constante
2 ( i ~ NID( 0, 2 ) . Una consecuencia de esta suposi-
cin es que las observaciones yi son NID 0 + j =1 j X ij , 2 .

k
1. Hiptesis Estadstica: H0 : 1 = 2 =L = k = 0
Ha : j 0 para al menos un j = 1,2,3,.., k

2. Nivel de significacin:
= 0.05
3. Estadstico de prueba.
F (Re g ) =
SSRm r 1 MSRm
=
~ Fnrr1,
SSE n r
MSE
4. Regin de rechazo aceptacin.
RA H0 :
F (Re g ) Fnrr1, entonces se acepta la Ho:
RR H0 :
F (Re g ) > Fnrr1, entonces se acepta la Ha:
5. ANOVA para la significacin del modelo de regresin lineal mltiple.

Fuentes de Variacin G.L.
Suma de Cuadrados
Cuadrados Medios
Regresin
r-1
SSRm = $' X' Y nY 2
SSRm
= MSRm
r 1
Error Residual
n- r
SSE =Y' Y $ ' X' Y
SSE
= MSE
r n
Total
n- 1
SSTm =Y' Y nY 2
Fobs.
F(Reg)=
MSRm
MSE
MSTm = SSTm n 1
El coeficiente de determinacin es: R 2 =
SSRm
MSE
~2
x100 , R Ajust
)x100
. = (1
SSTm
MSTm
Ambos coeficientes se interpretan de forma similar al caso de regresin lineal

simple, como el porcentaje de variabilidad de los datos que es explicada por el mode~
2
2
lo. Se cumple que 0 < R Ajust
. R < 1 ; en general para hablar de un modelo que tiene
un ajuste satisfactorio es necesario que ambos coeficientes tengan valores superiores
- 48 -
a 0.7. Cuando en el modelo hay trminos que no contribuyen de manera significativa

~
2
2
al modelo, el R Ajust
. tiende a ser menor que el R . Por ello es deseable depurar el
modelo y para ello las pruebas de hiptesis son de mucha utilidad.
Pruebas sobre coeficientes individuales del modelo.

Un aspecto muy importante y clave en un anlisis de regresin lineal mltiple es
valorar qu tanto contribuy cada trmino a la explicacin de la variable de respuesta, para de esta forma eliminar los que tienen una contribucin poco importante o
quiz pensar en agregar otras variables no consideradas. Las hiptesis para probar la
significancia de cualquier coeficiente individual de j , se especifica de la siguiente
manera:
Hiptesis: H0 : j = 0
Ha : j 0
j = 0,1,2,3,.., k
De acuerdo con la seccin anterior, el estimador de mnimos cuadrados $ es un

vector aleatorio, cuya distribucin es normal con media y matriz de varianzascovarianzas
(X' X) -1 2 .
Entonces, en resumen:
$ j ~ N[ j , 2 C j+1, j+1 ] . Donde
C j+1, j+1 es el elemento de la diagonal de la matriz (X' X) -1 correspondiente al

parmetro $ j . Otra forma alternativa es el siguiente: $ ~ N[ ,(X' X) -1 2 ] . El estimador de 2 es el cuadrado medio del error denotado por: MSE=CME (se encuentra en la tabla ANOVA), entonces el estadstico de prueba para probar la hiptesis es
el siguiente:
tc =
$ j j
MSE C j +1, j +1
$ j j
~ tn r
$
V( )
j
Se rechaza la hiptseis H o si tc > t 2,n r o en forma equivalente si pvalue= P( T > t c ) . A continuacin se presenta el resumen del anlisis sobre el
modelo de regresin basado sobre coeficientes individuales del modelo.
PARMETRO ESTIMACIN
ERROR ESTNDAR
Intercepcin
)
0
)
MSEC11 = V (0 )
)
1
)
MSEC22 = V(1)
)
2
)
MSEC33 = V (2 )
.
.
.
.
.
.
)
k
ESTADSTICO "t"
)
)
0
0
=
)
MSE C11
V ( 0 )
)
)
1
1
=
)
MSE C22
V ( 1 )
)
)
2
2
=
)
MSE C33
V ( 2 )
.
.
.
.
.
.
)
MSE Ck +1,k +1 = V ( k )
)
)
k
k
=
)
MSE Ck+1,k+1
V(k )
VALOR-p
Pr(T > tc )
Pr(T > tc )
Pr(T > tc )
.
.
.
Pr(T > tc )
Intervalos de Confianza y prediccin en Regresin Lineal Mltiple.

a) Intervalo Confidencial (IC) para j .
2
Para un j , su estimador $ j ~ N[ j , C j+1, j+1 ] donde C j+1, j+1 es el ele-
mento de la diagonal de la matriz
$ j j
2 C j+1, j+1
(X' X) -1 . Estandarizando se tiene:
~ N ( 0,1 ), pero se sabe que:
SSE
~ n2 r entonces:
2
SSE ( n r )$ 2
SSE ( n r )$ 2
$ 2 =
,
;
~ n2 r
=
nr
2
2
2
Se realiza el cambio de variable
cial para
t=
u=
(nr )$ 2
para obtener un intervalo confiden2
2
2
2 , es decir tendremos: Pr[ 2 u 1 2 ] = 1 .
$ j j
( n r )$ 2
2
2 C j+1, j+1
nr
$ j j
C j+1, j+1
$ 2
2
$ j j
$ C j+1, j+1
~ tnr
- 50 -
Pr t
2 ,n r
LM
MN
t t
Pr t 2 ,n r
= 1
2 ,n r
$ j j
$ C j+1, j+1
OP
PQ
t 2 ,n r = 1
Pr t 2 ,n r $ C j+1, j+1 $ j j t 2 ,n r $ C j+1, j+1 = 1 r estar $ j se

tiene:
Pr $ j t 2,nr$ C j+1, j+1 $/ j + $/ j j $ j + t 2,nr$ C j+1, j+1 =

Pr $ j + t 2 ,n r$ C j+1, j+1 j $ j t 2 ,n r$ C j+1, j+1 = 1
LM $
C
Pr t
MMN14442$444
3
2 ,n r
j+1, j+1
Lmite Inferior del Intervalo
En resumen:
Lmite Superior del Intervalo
LM
N
j $ j t 2 ,n r$ C j+1, j+1
OP
PPQ
$ j + t 2 ,n r $ C j+1, j+1 =
144424443
j $ j t 2 ,n r V( $ j )
OP
Q
b) Estimacin del Intervalo para la respuesta media de E ( Y0 ) dado el vector
X'0
Sean los valores de X 1 , X 2 , X 3 ,L , X k denotado por X 01 , X 02 , X 03 ,L , X 0 k
la respuesta media est denotado por E ( Y0 ) . Para estimar la respuesta media en este
punto defnase el vector X 0 como sigue:
X 0' = 1 X 01
X 02 L
X 0k
La respuesta media estimada correspondiente para X 0 es denotado por:
Y$0 = X 0' $
Y$h = X h' $ , entonces este estimador es insesgado:
Y$0 .
Anlisis y Diseo de Experimentos - 51 1) E ( Y$0 ) = E ( X 0' $ ) = X 0' E ( $ )

= X 0' E ( X ' X )1 X ' Y = X 0' ( X ' X )1 X ' E Y
= X 0' ( X ' X )1 X ' X = X 0' es insesgado.

2) La varianza es: V ( X 0' $ ) = X 0' V ( $ ) X 0 = X 0' ( X ' X )1 2 X 0 o su equivalente
es: S 2 ( Y$0 ) = MSE X 0' ( X ' X )1 X 0 , su estimador es:
E ( Y$0 ) = X 0' $ ~ N X 0' , X 0' ( X ' X )1 X 0 2 , entonces:
X '0 $ X '0
X '0 ( X ' X )1 X 0
SSE
entonces:
nr
~ N ( 0,1 ), pero: $ 2 =
( n r )$ 2
SSE
SSE
; entonces
~ 2n r
=
2
2
2
3) Para encontrar el Intervalo Confidencial para E ( Y0 ) , formamos la distribucin

de t de la siguiente manera:
t=
X '0 $ X '0 X '0 ( X ' X )1 X 0

$2
( n r )
2
nr
Pr t
LM
MN
2 ,n r
Pr t 2,nr
X '0 $ X '0
t t
X '0 ( X ' X )1 X 0
$2
2 ,n r
X'0 $ X'0
$ X'0 ( X' X )1 X0
X '0 $ X '0
$ X '0 ( X ' X )1 X 0
= 1
OP
PQ
t 2,nr = 1
Pr t 2,nr$ X'0 ( X' X )1 X0 X'0 $ X'0 t 2,nr$ X'0 ( X' X )1 X0 =

restar X'0 $ se tiene:
Pr X'0 $ t 2,nr$ X'0 ( X' X )1 X0 X'0 $ + X'0 $ X'0 X'0 $ + t 2,nr$ X'0 ( X' X )1 X0 =
Pr X'0 $ + t 2,nr$ X'0 ( X' X )1 X0 X'0 X'0 $ t 2,nr$ X'0 ( X' X )1 X0 = 1
- 52 -
LM
MN
Pr X '0 $ t 2 ,n r$ X '0 ( X ' X )1 X 0 X '0 X '0 $ + t 2 ,n r$ X '0 ( X ' X )1 X 0

144444
42444444
3
144444
42444444
3
Lmite Inferior
Lmite Superior
OP
PQ
Pr X 0' $ t 2 ,n r S ( Y$0 ) E ( Y0 ) X 0' $ + t 2 ,n r S ( Y$0 ) = 1

En resumen:
LM
MN
X '0 X '0 $ t 2 ,n r$ X '0 ( X ' X )1 X 0

12
3 123
Y0
Y$0
OP
PQ
LM
MN
Y0 X '0 $ t 2 ,n r S ( Y$
123
Y$0
c) Intervalo confidencial para la prediccin de nuevas observaciones Yh ( new ) .

Si X h = 1
'
X h1
X h2 L
X h , p 1 , con Y$h = X h' $ , entonces :
1) E ( Y$h ) = E ( X h' $ ) = X h' E ( $ )

= X h' E ( X ' X )1 X ' Y = X h' ( X ' X )1 X ' E Y
= X h' ( X ' X )1 X ' X = X h' es insesgado.

2) yh = X h' + eh
~y = X ' $ , donde X ' $ son usados ambos para la prediccin futura de

h
h
h
las observaciones correspondientes de X h'
'
'
1
1
E ( ~yh ) = E ( X h' $ ) = X h' E ( $ ) = X h E ( X ' X ) X ' Y = X h ( X ' X ) X ' E Y
= X h' ( X ' X )1 X ' X = X h'
yh ~
yh = yh X h' $ = X h' + eh X h' $ = X h' ( $ ) + eh , pero
cov( $ ,eh ) = 0
3) La varianza es:
v( yh ~yh ) = v( yh X h' $ )
= v( X h' + eh X h' $ ) = v [ X h' ( $ ) + eh ]
= v [ X h' ( $ )] + v( eh ) = X h' v( $ ) X h ] + 2
= X h' v ( $ ) X h + 2 = X h' ( X ' X )1 2 X h + 2
v( yh ~yh ) = [ X h' ( X ' X )1 X h + 1] 2

Entonces su estimadores es: X h' $ ~ N [ X h' ,( X h' ( X ' X )1 X h + 1) 2 ] y se
distribuye como:
X h' $ X h'
X h' ( X ' X )1 X h + 1 2
~ N ( 0,1 ) estandarizada.
Pero, se sabe que: $ 2 = SSE , ( n r )$ 2 = SSE dividiendo entre $ 2 a

nr
ambos miembros tenemos:
( n r )$ 2
SSE ( n r )$ 2
;
~ 2n r . Luego formamos la t, de
=
2
2
2
la siguiente manera:
X'h $ X'h
t=
X'h ( X' X )1 Xh + 1
$2
( nr )
2
nr
X 'h $ X 'h
X'h ( X ' X )1 Xh +1
$2
X'h $ X'h
$ X'h ( X' X )1 Xh
4) Una prediccin del intervalo con 1- de coeficiente confidencial para

una nueva observacin Yh ( new ) correspondiente a
X h , para el valor espe-
cificado de X variables, se construye en seguida. El intervalo confidencial

es:
Pr t
LM
MN
2 ,n r
Pr t 2 ,n r
t t
2 ,n r
= 1
X 'h $ X 'h
$ X 'h ( X ' X )1 X h + 1
OP
PQ
t 2 ,n r = 1
Pr t 2,nr$ X'h ( X' X )1 Xh +1 X'h $ X'h t 2,nr$ X'h ( X' X )1 Xh +1 =
- 54 -
restar X 'h $ se tiene:

Pr X'h $ t 2,nr$ X'h ( X' X )1 Xh +1 X'h $ + X'h $ X'h X'h $ + t 2,nr$ X'h ( X' X )1 Xh +1
Pr X'h $ + t 2,nr$ X'h ( X' X )1 X h + 1 X'h X'h $ t 2,nr$ X'h ( X' X )1 Xh + 1
LM
MN
O
Q
Pr X'h $ t 2 ,nr$ X'h ( X' X )1 Xh + 1 X'h X'h $ + t 2,nr$ X'h ( X' X )1 X h + 1

144444424444443
144444424444443
Lmite Inferior
Lmite Superior
En forma resumida:
Pr Xh' $ t 2,nr S( Y$h( new ) ) Yh( new ) Xh' $ + t 2,nr S( Y$h( new ) ) = 1
S 2 ( Y$h( New ) ) = MSE 1 + X h' ( X ' X )1 X h
S ( Y$h( New ) ) =
LM
MN
MSE 1 + X h' ( X ' X )1 X h
OP
PQ
X'h X'h $ t 2 ,nr$ X'h ( X' X )1 X h + 1

12
3 12
3
Yh( new )
Y$h
LM
MN
Yh( new ) X'h $ t 2 ,nr S( Y$h(

123
Y$h
EJEMPLO: En la provincia de Azngaro se obtuvieron la produccin de papa

(kg/ha) durante la campaa agrcola (Noviembre-Abril), para lo cual las se incorpor las variables independientes: tierra (ha) y semilla (kg/ha). Los datos se presentan
a continuacin:
Produc.
Q
3250
1675
1450
2450
3608
2350
2250
1800
3580
7345
3880
3880
3220
6860
3608
6450
Nro.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
TOTAL
Tierra
(Xi1)
1.00
0.70
0.60
1.00
1.00
0.50
0.50
0.50
1.00
2.00
1.00
1.00
1.00
2.00
1.00
2.00
Y = X
i
57656
i1
16.80
Semilla
(Xi2)
1500
780
800
1500
1600
810
820
750
1560
3130
1670
1620
1650
3200
1600
3240
i2
26230
Xi12
Xi22
1.00
0.49
0.36
1.00
1.00
0.25
0.25
0.25
1.00
4.00
1.00
1.00
1.00
4.00
1.00
4.00
2250000
608400
640000
2250000
2560000
656100
672400
562500
2433600
9796900
2788900
2624400
2722500
10240000
2560000
10497600
2
i1
21.60
2
i2
53863300
Xi1Xi2
Xi1Yi
Xi2Yi
3250
1172.5
870
2450
3608
1175
1125
900
3580
14690
3880
3880
3220
13720
3608
12900
4875000
1306500
1160000
3675000
5772800
1903500
1845000
1350000
5584800
22989850
6479600
6285600
5313000
21952000
5772800
20898000
1500
546
480
1500
1600
405
410
375
1560
6260
1670
1620
1650
6400
1600
6480
Yi2
10562500
2805625
2102500
6002500
13017664
5522500
5062500
3240000
12816400
53949025
15054400
15054400
10368400
47059600
13017664
41602500
X X = X Y = X Y = Y =
2
i1 i2
34056
i1 i
74028.5
i2 i
117163450
257238178
a) Fijar el modelo de Regresin Lineal Mltiple.

b) Encontrar las ecuaciones normales.
c) Estimar $ = ( X ' X )1 X ' Y
d) E ( Y$ ) = $ 0 + $ 1 X i1 + $ 2 X i 2
e) Calcular el ANOVA,
~2
R 2 , R Ajust
.
f) Calcular V ( $ ) = ( X ' X )1 2
g) Estimar los errores: e$ = Y Y$
h) Estimar los intervalos confidenciales para
i) Estimar la respuesta media E ( Yh ) y el intervalo confidencial.

j) Realice la prediccin de nuevas observaciones
SOLUCIN:
a) Y$ = $ 0 + $ 1 X i 1 + $ 2 X i 2
b) Ecuaciones normales ( X ' X )$ = X ' Y
Yh( new ) y el intervalo confidencial.
- 56 -
1
1
X = 1
M
1
1.0 1500
0.7 780
1
1
1 L
1
0.6 800
0.7 0.6 L 2.0
X' = 1.0
M
M ,
1500 780 800 L 3240
2.0 3240
LM
MM
N
1
1
1 L 1 1
1
X ' X = 1.0 0.7 0.6 L 2.0 1
1500 780 800 L 3240 M

1
X ' X = Xi1
Xi2
OP
PP
Q
1.0 1500
16.8
26230
0.7 780 16
34056
0.6 800 = 16.8 21.6
M
M 26230 34056 53863300
2.0 3240
X
X
X X X
X X X
16
16.8
26230

21.6
34056
i1 i 2 = 16.8
,
2
i 2 26230 34056 53863300
i1
2
i1
i1
i2
i2
Yi 57656
X ' Y = X i1Yi = 74028.5

,
X i 2Yi 117163450
16.8
26230 0 57656
16

16.8 21.6
34056 1 = 74028.5
26230 34056 53863300 117163450

2
16 0 + 16.81 + 26230 2 = 57656

16.8 + 21.6 + 34056 = 74028.5
0
26230 0 + 34056 1 + 53863300 2 = 117163450

c) Estimar $ = ( X ' X )1 X ' Y ,
A11
Adj ( X ' X ) = A12
A13
A21
A22
A23
( X ' X )1 =
Adj( X ' X )
det( X ' X )
A31
a11 a12
A32 X ' X = a21 a22
,
a31 a32
A33
a13
a23
a33
A11 = a22 a33 a23 a32 = 3636144
A22 = a11a33 a13a31 = 173799900
A12 = a21a33 a23 a31 = 11614560
A23 = a11a32 a12 a31 = 104232
A13 = a21a32 a22 a31 = 5572.8
A33 = a11a22 a12 a21 = 63.36
A11 A21 A31 3636144 11614560 5572.8

Adj( X ' X ) = A12 A22 A32 = 11614560 173799900 104232
A13 A23 A33 5572.8
104232
63.36
16.8
26230
16
16.8
21.6
34056
det( X ' X ) = 26230 34056 53863300 = 9228240 = D
16.8
26230
16
16.8
21.6
34056
0.394023562 1.258588853 0.000603885

Adj( X ' X )
= 1.258588853 18.83348287 0.011294894
(X ' X ) =
det( X ' X )
0.000603885 0.011294894 0.000006865
1
)
0.394023562 1.258588853 0.000603885 57656 0 = 299.68
)
= 1.258588853 18.83348287 0.011294894 74028.5 = 1 = 1699.
)
0.000603885 0.011294894 0.000006865 117163450 2 = 3.1038
Y$ = 299 .68 1699 .5543 X i 1 + 3.1038 X i 2

2 ~2
e) Calcular el ANOVA, R , R Ajust .
d)
i) Grados de libertad (GL).

GLRe g . = r 1 = 3 - 1 = 2
GLError = n r = 16 - 3 = 13
GLTotal = n 1 = 16 - 1 = 15
ii) Sumas de Cuadrados (SC SS).
- 58 -

57656
2
X 'Y nY 2 = [ 299.682028 1699.5543 3.10383528] 74028.5 16 57656
SSRm = '
16
117163450
= 255119061.1 - 207763396 = 47355665.14

2
57656
SSTm = Y ' Y nY 2 = 257238178 16
= 49474782
16
SSE = Y ' Y ' X ' Y = 257238178 255119061.1 = 2119116.86
SSE = SSTm SSRm = 49474782 47355665.14 = 2119116.86

Tabla de Anlisis de Varianza para la produccin de papa.
F. de V.
G.L.
S.S.
M.S.
Fc. Signif
Debido a Regresin
2
47355665.140 23677832.5700 145.25 **
Error residual
13
2119116.860
163008.9892
Total
15
49474782.000 3298318.8000
Clculo del Coeficiente de Determinacin:
R2 =
.
SSRm
4735566514
100 =
100 = 95.72%
SSTm
49474782
~2 )
Coeficiente de Determinacin ajustado ( R
MSE
163008.9892
~
R2 = 1
) 100 = 95.06%
= (1
MSTm
3298318.8
f) Calcular V ( $ ) = ( X ' X )1 2
LM
MM
N
OP
PP
Q
LM
MM
N
OP
PP
Q
0.394023562 -1.258588853 0.000603885

64229.38257 -205161.2968 98.43868346
V( $ ) = -1.258588853 18.83348287 -0.011294894 (1630089892
.
) = -205161.2968 3070027.006 -1841.169254
0.000603885 -0.011294894 0.000006865
98.43868346 -1841.169254 1.119056711
g) Estimar los errores: e$ = Y Y$ , Y$ = X$
LM3250 OP LM1
1675
MM1450
PP MM11
M P M
e$ = M 2450 P M1
MM M PP MMM
MM3608 PP MM1
N6450 Q N1
LM 5.8807 OP
OP
M 144 .0144 P
P
800 P L 299 .682028 O M 313.0177 P
M M PP
P
1500 P M 1699 .5543 P = M
M
P
PP
M P MN 3 .10383528 PQ M
M
M
P
1600 P
MM 41.7358 PP
3240 PQ
N 506 .9998 Q
1.0
1500
0 .7
780
0 .6
1.0
M
1.0
2 .0
h) Estimar los intervalos confidenciales para
LM
N
OP
Q
Pr $ i t ,( n r ) V ( $ i ) i $ i + t ,( n r ) V ( $ i ) = 1
2
Intervalo confidencial (IC) para
LM
N
0:
OP
Q
Pr $ 0 t ,( n r ) V ( $ 0 ) 0 $ 0 + t ,( n r ) V ( $ 0 ) = 1 0.05
2
Pr 299.682028 ( 216
. ) 64229.38257 0 299.682028+ ( 216
. ) 64229.38257 = 095
.
Pr -247.7379 0 847.10198 = 0.95
LM
N
1:
OP
Q
Pr $ 1 t ,( n r ) V ( $ 1 ) 1 $ 1 + t ,( n r ) V ( $ 1 ) = 1 0.05
2
Pr -1699.5543- ( 2.16 ) 3070027.006 1 -1699.5543 + ( 2.16 ) 3070027.006 = 0
Pr -5484.196687 1 2085.088 = 0.95
LM
N
2 :
OP
Q
Pr $ 2 t ,( n r ) V ( $ 2 ) 2 $ 2 + t ,( n r ) V ( $ 2 ) = 1 0.05
2
Pr 3.103835 ( 2.16 ) 1.1190567 2 3.103835 + ( 2.16 ) 1.1190567 = 0.95
Pr 0.81887 2 5.3888 = 0.95
i) Estimar la respuesta media E ( Yh ) y el intervalo confidencial.
X h' = 1 15
. 1640
- 60 -
LM
MM
N
OP
PP
Q
299.682028
$
Y$h = X = 1 15
. 1640 -1699.5543 = 2840.640437
3.10383528
'
h
V( Xh' $ ) = Xh' ( X' X )1 2 Xh = Xh' V( $ ) Xh S2 (Y$h ) = MSE[ Xh' ( X' X )1 Xh ]
LM
MM
N 98.43868346
OP LM OP
P M P
-1841.169254 1.119056711 QP MN1640PQ
L 1 OP
828.0621915 MM 15
. = 630447.3382
MN1640PPQ
64229.38257 -205161.2968 98.43868346

1
V ( X h' $ ) = 1 15
. 1640 -205161.2968 3070027.006 -1841.169254 15
.
= 8207312176
.
1380361636
.
S ( Y$h ) = 794.0071399
El intervalo Confidencial para la respuesta Media es:
Pr 2840.64 - (2.16)(794.007) E ( Yh ) 2840.64 + (2.16)(794.007) = 0.9
Pr 1125.585 E ( Yh ) 4555.6959 = 0.95

j) Prediccin de nuevas observaciones
X h' = 1 0.25 400
LM
MM
N
OP
PP
Q
299.682028
' $
$
Yh = X h = 1 0.25 400 -1699.5543 = 1116.327565
3.10383528
S 2 ( Y$h( New ) ) = MSE [1 + X 'h (X' X) -1 X h ] = MSE + X 'h (X' X) -1 MSE X h = MSE + X 'hV ( $
LM64229.38257
MM98.43868346
N
OP LM 1 OP
PM P
1.119056711 PQ MN400PQ
L1O
85.76905 MM0.25P = 206100.581
MN 400 PPQ
-205161.2968 98.43868346
.
. 400] -205161.2968 3070027.006 -1841.169254 025
.
S2(Y$h( New) ) =1630089892
+[1 025
-1841.169254
= 163008.9892 + [52314.53175 174122.2469
S ( Y$h( New ) ) = 453.9830184
Pr Y$h t ,( nr )S(Y$h( new) ) Yh( new) Y$h + t ,( nr )S(Y$h( new) ) = 1

2
Pr 1116.3276- (2.16)(453.983018) Yh( New ) 1116.3276 + (2.16)(453.983018) = 0.95
Pr 135.724 Yh ( New ) 2096.93088 = 0.95
Correlaciones Parciales:
r123 =
r132 =
r12 r13r23
(1 r )(1 r )
2
13
2
23
r13 r12r23
( 1 r )( 1 r )
2
12
2
23
.
.
)( 099327
.
)
096375
( 097676
2
2
(1 097676
.
)(1 099327
.
)
.
= 0259
0.97676 ( 0.96375 )( 0.99327 )

( 1 0.963752 )( 1 0.99327 2 )
= 0.63089
Correlacin Mltiple:
R1223 = 1
2119116.86
SSE
= 1
= 0.957 en forma equivalente.
49474782
SSTm
2
2
1 R1223 = 1 (1 r122 )(1 r1322 ) = 1 (1 096375
.
)(1 0630897
.
) = 1 004285
.
.
= 095714
Prueba de hiptesis parciales para el ejemplo anterior.

1) Hiptesis: H0 : 10 ,2 = 0
H0 : 20 ,1 = 0
Ha : 10 ,2 0
Ha : 20 ,1 0
2) Nivel de significacin: = 0.05

3) Estadgrafo de Contraste: F-Snedecor.
4) Regin de Rechazo y Aceptacin:
Si
numerador
Fc FglglError
Si
numerador
Fc > FglglError
, entonces se rechaza la Ho: y se acepta la Ha:
, entonces se acepta la Ho:
5) Clculo de ANOVA.
Adj( x' x )
SCRe g . ( 1 , 2 0 ) = $ ' x' y , $ = ( x' x )1 x' y ; ( x' x )1 =
x' x
- 62 -

x' x =
LM x
MN x x
x x
x
2
i1
i1 i 2
2
i2
i1 i 2
( X i1 )2
xi21 = X i21
x
2
i2
= X i22
( X i 2 )2
x = X i1 X i 2
= 216
.
( 16.8 )2
= 3.96
16
( X i1 )( X i 2 )
n
( Yi )2
n
OP
10862493.75Q
6514.5
= 53863300
i1 i 2
yi2 = Yi 2
OP = L 3.96
PQ MN6514.5
( 26230 )2
= 10862493.75
16
= 34056
= 257238178
( 16.8 )( 26230 )
= 6514.5
16
( 57656 )2
= 49474782
16
x' x = 3.96 10862493.75 6514 .5 6514.5 = 576765

( x' x )1 =
x' y =
LM
MN
1
xi 2
x' x xi1 xi 2
xi1 xi 2
xi21
OP = L 18.83348287
PQ MN0.011294894
0.011294894
0.000006865
LM x y OP = L 13489.7 O
MN x y PQ MN22643645PQ
OP
Q
i1 i
i2
y = X i1Yi
y = X i 2Yi
i1 i
i2 i
( X i1 )( Yi )
n
( X i 2 )( Yi )
n
= 74028.5
= 117163450
LM
N
( 16.8 )( 57656 )
= 13489.7
16
( 26230 )( 57656 )
= 22643645
16
OP LM OP
Q MN PQ
1699.55431
$
$ = ( x' x )1 x' y =
= 1
.
310383527
$ 2
k
$ 0 = Y $ j X j =Y $ 1 X 1 $ 2 X 2
j =1
= 3603.5 - (-1699.55431)(1.05) - 3.10383527x1639.375) = 299.6820798
SCRe g ( 1 , 2
0 )
.
= 1699.55431 310383527
LM 13489.7 OP = 473556
N22643645Q
SCR ( 2
0 )
( xi 2 yi )2
2
i2
( 22643645 )2
= 47202297.25
10862493.75
SCR( 1 0 ,2 ) = SCR( 1 ,2 0 ) SCR( 2 0 ) = 4735566622

. 47202297
= 153368.97
SCR ( 1
0 )
SCR ( 2
0 , 1 )
( xi1 yi )2
2
i1
= SCR ( 1 , 2
0 )
( 13489.7 )2
= 45952526.79
3.96
SCR ( 1
0 )
= 47355666.22 45952526
= 1403139.43
RESUMEN EN ANOVA:
F. de V.
GL:
R( 1 , 2 0 )
47355665.14
R( 2 0 )
47202297.25
R( 1 0 , 2 )
153368.97
R( 1 0 )
R( 2 0 ,1 )
Error Residual
Total
SC.
CM.
Fc
Signif. Tabla-F
153368.97
0.94
ns.
4.67
45952526.79
1
13
15
1403139.43 1403139.43
2119116.86 163008.9892
49474782.00
8.61
4.67
6) Decisin: Tiene dos partes para la decisin.

i) Para
es
1 , Fc = 0.94 < 4.67, por lo tanto no se rechaza la hiptesis Ho:, esto
10 ,2 = 0 ,
esto implica que no debe incluirse en el modelo
R( 1 0 , 2 )
ii) Para
2 , Fc = 8.61 4.67, por lo tanto se rechaza la Ho:, y se acepta la Ha:
20 ,1 0 , esto implica que aporta al modelo R( 2 0 , 1 ) . Luego el

modelo final debe ser calculado sin incluir
lo.
1 , ya que no aporta al mode-
- 64 -
Y$ = $ 0 + $ 2 X i 2 , $ 2 =
x y
x
i2 i
2
i2
22643645
= 2.08457
10862493.75
. 2.08457 1639.375 = 18610558

.
$ 0 = Y $ 2 X 2 = 36035
Y$ = 186.10558 + 2.08 X i 2 ,
X i 2 corresponde a la variable semilla
Para encontrar la bondad de ajuste, se debe calcular el coeficiente de determinacin ( R 2 )
R =
2
( xi 2 yi )2
2
i
2
i2
SCR( 2 / 0 )
SSTm
( 22643645 )2 10862493.75
=9
49474782
Se puede interpretar que el modelo tiene una buena bondad de ajuste y es confiable,
es decir el 95.41% de la variacin de la produccin de papa depende de la variacin
de semilla, y el 4.59% est explicado por otros factores ajenos al trabajo.
RESULTADOS CON EL SAS.
The REG Procedure
Model: MODEL1
Variable
Intercept
T
S
Q
XX Inverse,
Intercept
0.3940235625
-1.258588853
0.0006038855
299.68202648
Variable
Intercept
T
S
Q
Source
Model
Error
Corrected Total
Root MSE
Dependent Mean
Coeff Var
Variable
Intercept
T
S
Intercept
T
S
16
16.8
26230
16.8
21.6
34056
26230
34056
53863300
57656
74028.5
117163450
DF
1
1
1
Parameter Estimates, and SSE

T
S
-1.258588853
0.0006038855
18.833482874
-0.011294895
-0.011294895
6.8658813E-6
-1699.554261
3.1038352709
Sum of
Mean
DF
Squares
Square
2
47355667
23677833
13
2119115
163009
15
49474782
403.74355
R-Square
0.9572
3603.50000
Adj R-Sq
0.9506
11.20421
Parameter
Estimate
299.68203
-1699.55426
3.10384
Parameter Estimates
Standard
Error
t Value
Pr > |t|
253.43506
1.18
0.2582
1752.14853
-0.97
0.3498
1.05792
2.93
0.0116
F Value
145.25
Q
57656
74028.5
117163450
257238178
Q
299.68202648
-1699.554261
3.1038352709
2119115.0975
Pr > F
<.0001

-247.83113
847.19518
-5484.84102
2085.73249
0.81833
5.38934
Anlisis y Diseo de Experimentos - 65 Variable

Intercept
T
S
Intercept
T
64229.329229
-205161.1262
-205161.1262
3070024.4537
98.438677327
-1841.167854
S
98.438677327
-1841.167854
1.1191994321
Dependent Variable: Q
Output Statistics
Dep Var Predicted
Std Error
Obs
Q
Value Mean Predict
95% CL Mean
1
3250
3256
118.0793
3001
3511
2
1675
1531
324.4160 830.1275
2232
3
1450
1763
171.7940
1392
2134
4
2450
3256
118.0793
3001
3511
5
3608
3566
111.1248
3326
3806
6
2350
1964
170.3108
1596
2332
7
2250
1995
175.5158
1616
2374
8
1800
1778
151.3477
1451
2105
9
3580
3442
101.4901
3223
3661
10
7345
6616
230.5909
6117
7114
11
3880
3784
156.6888
3445
4122
12
3880
3628
121.3095
3366
3890
13
3220
3721
141.2293
3416
4027
14
6860
6833
217.5864
6363
7303
15
3608
3566
111.1248
3326
3806
16
6450
6957
221.2190
6479
7435
Sum of Residuals
0
2119115
3547767
95% CL Predict
2347
4165
412.0594
2650
815.1056
2711
2347
4165
2662
4471
1017
2911
1044
2946
846.2766
2709
2543
4341
5611
7620
2848
4719
2718
4539
2797
4646
5842
7824
2662
4471
5962
7952
Residual
-5.8807
144.0144
-313.0177
-805.8807
41.7358
385.9885
254.9502
22.2187
137.8892
729.4221
96.4673
251.6591
-501.4560
27.1536
41.7358
-506.9998
EJEMPLO:
Se tiene la informacin anual de trigo en una regin agrcola que se han registrado en los ltimos 10 aos, a las siguientes variables: Xi1: Area sembrada de trigo
en una regin agrcola (miles de has); Xi2: Lluvia cada en los meses de setiembre y octubre (mm); Y: Produccin de trigo de la regin (miles de tn).
Nro.
1
2
3
4
5
6
7
8
9
10
Total
Xi1
Yi
X i12
X i22
Xi1 Xi 2
X i 1Yi
X i 2Yi
43.127
16.653
92.322
38.084
61.939
92.376
24.373
74.029
70.772
68.749
582.424
615.5361
246.8041
212.5764
1158.7216
733.8681
2470.0900
414.9369
663.0625
1302.4881
786.8025
8604.8863
2116
1225
18225
121
3249
196
144
9216
1024
2025
37541
1141.26
549.85
1968.30
374.44
1544.13
695.80
244.44
2472.00
1154.88
1262.25
11407.350
1069.98087
261.61863
1346.05476
1296.37936
1677.92751
4591.0872
496.47801
1906.24675
2554.16148
1928.40945
17128.3440
1983.8420
582.8550
12463.4700
418.9240
3530.5230
1293.2640
292.4760
7106.7840
2264.7040
3093.7050
33030.5470
Xi2
24.81
46
15.71
35
14.58
135
34.04
11
27.09
57
49.70
14
20.37
12
25.75
96
36.09
32
28.05
45
276.19 483.00
SOLUCIN:
a) Y$ = $ 0 + $ 1 X i 1 + $ 2 X i 2
Yi 2
1859.938129
277.322409
8523.351684
1450.391056
3836.439721
8533.325376
594.043129
5480.292841
5008.675984
4726.425001
40290.2053
- 66 -
b) Estimar $ = ( X ' X )1 X ' Y ,
X ' X = Xi1
Xi2
( X ' X )1 =
Adj( X ' X )
det( X ' X )
X X
X X X
X X X
i1
2
i1
i1
10
276.19
483

i1 i2 = 276.19 8604.886 11407.35

,
2
11407.35 37541
i2 483
i2
i2
Yi 582.424
X 'Y = Xi1Yi = 17128.34402

,
Xi 2Yi 33030.5470
A11
Adj ( X ' X ) = A12
A13
A21
A22
A23
A31
A32
,
A33
A11 = a22 a33 a23a32 = 192908403
A22 = a11 a 33 a13 a 31 = 142121
A12 = a21a33 a23a31 = 4858698.7
A23 = a11a32 a12a31 = 19326.27
A13 = a21a32 a22a31 = 1005564
A33 = a11a22 a12a21 = 9767.9469
A11 A21 A31 192908402.6 4858698.74 1005564.086

Adj( X ' X ) = A12 A22 A32 = 4858698.74
142121
19326.27
A13 A23 A33 1005564.086 19326.27
9767.9469
276.19
483
10
276.19 8604.886 11407.35
det( X ' X ) = 483 11407.35

37541 = 101472566.9262
276.19
483
10
276.19 8604.886 11407.35
( X ' X )1 =
1.901089215 0.047881894 0.009909714

Adj( X ' X )
= 0.047881894 0.001400585 0.000190458
det( X ' X )
0.009909714 0.000190458 0.000096262
)
1.901089215 0.047881894 0.009909714 582.424 0 = 40.22083
)
= 0.047881894 0.001400585 0.000190458 17128.34402 = 1 = 2.3930792

)
0.009909714 0.000190458 0.000096262 33030.547 2 = 0.6701611
Y$ = 40.2208 + 2.393079 X i 1 + 0.67016 X i 2

2 ~2
d) Calcular el ANOVA, R , R Ajust .
c)
i) Grados de libertad (GL).

GLRe g . = r 1 = 3 - 1 = 2
GLError = n r = 10 - 3 = 7
GLTotal = n 1 = 10 - 1 = 9
ii) Sumas de Cuadrados (SC SS).

582.424
2
X 'Y nY 2 = [40.2208399 2.393079 0.67016116] 17128.34402 10 582.424
SSRm = '
10
33030.547
= 39699.69193 - 33921.77158 = 5777.920352

2
582.424
SSTm = Y 'Y nY 2 = 40290.20533 10
= 6368.433752
10
SSE = Y ' Y ' X ' Y = 40290.20533 39699.69193 = 590.5134002
SSE = SSTm SSRm = 6368.433752 5777.920352 = 590.5134002

Tabla de Anlisis de Varianza para la produccin de trigo.
F. de V.
G.L.
S.S.
M.S.
Fc. Signif
Debido a Regresin
2
5777.9203520 2888.96017600 34.25 **
Error residual
7
590.5134002
84.35905717
Total
9
6368.4337522 707.60375024
R2 =
SSRm
5777.920352
100 =
100 = 90.73%
SSTm
6368.4337522
~2 )
MSE
84 .359057
~
R2 = 1
) 100 = 88.08 %
= (1
MSTm
707 .60375
e) Calcular V ( $ ) = ( X ' X )1 2
- 68 -
V ( $ ) =
LM160.3740938
MM 4.03927
N 0.8359741
4.03927
0.118152
OP
P
0.00812057 PQ
0.8359741
0.01606686
0.01606686
f) Estimar los errores: e$ = Y Y$ , Y$ = X$

Y
43.127
16.653
92.322
38.084
e$ = Y Y$ =
61.939
92.376
24.373
74.029
70.772
68.749
X$
e$
49.9788697
20.83007573
85.14201192
48.61135074
-6.851869704
-4.177075732
7.179988085
-10.52735074
46.94811844
17.44796167
51.5522289
110.8251136
- 62.80686314 = -0.867863143
0.753186434
4.278544621
18.30594407
7.804881551
60.91617602
-11.70742208
137.0637317
3.181452478
10.12163987
11.68671466
136.5792995
0.000000 SSE= 590.51340
88.09745538
16.56811845
85.73642208
67.59054752
57.06228534
g) Estimar los intervalos confidenciales para
LM
N
e2
OP
Q
Pr $ i t ,( n r ) V ( $ i ) i $ i + t ,( n r ) V ( $ i ) = 1
2
0:
Pr -70.17094 0 10.27074 = 0.95
1:
Pr 1.58015177 1 3.2060067 = 0 .95
2 :
Pr 0.45704 2 0.88328 = 0.95
h) Estimar la respuesta media E ( Yh ) y el intervalo confidencial.
X h' = 1 49 .7 14
LM
MM
N
OP
PP
Q
40.2208399
$
Y$h = X = 1 49 .7 14 2 .393079257 = 88.359057
0.670161157
'
h
V ( X h' $ ) = X h' ( X' X )1 2 X h = X h' V ( $ ) X h S2 (Y$h ) = MSE[ X h' ( X' X )1 X h ]

V ( X h' $ ) = 1 49.7 14
LM160.3740938
MM 4.03927
N 0.8359741
4.03927
0118152
.
0.01606686
OP
P
0.00812057QP
0.8359741
LM 1 OP
MM PP
N 14 Q
0.01606686 49.7
= 51.25975347
S ( Y$ ) = 7 .1595917
h
El intervalo Confidencial para la respuesta Media es:

Pr 88.359057 - (2.365)(7.159591711) E ( Yh ) 88.359057 + (2.365)(7.159591711) = 0.9
Pr 71.16502 E ( Yh ) 105.029889 = 0.95

i) Prediccin de nuevas observaciones
X h' = 1 22.35 64
LM
MM
N
OP
PP
Q
40.2208399
' $
$
Yh = X h = 1 22.35 64 2.393079257 = 56154796
.
0.670161157
S 2 ( Y$h( New ) ) = MSE [1+ X 'h (X' X) -1 X h ] = MSE + X 'h (X' X) -1 MSE X h = MSE + X 'hV ( $
LM
MM 08359741
N .
OP
PP
.
000812057
Q
LM OP
MM 64 PP
N Q
.
.
.
403927
08359741
1603740938
1
.
. 64 403927
.
.
.
.
S2(Y$h( New) ) = 8435905718
+ 1 2235
2235
0118152
001606686
.
001606686
= 95.41857384
S ( Y$
) = 9 .76824313
h ( New )
Pr Y$h t ,( n r ) S ( Y$h( new ) ) Yh( new ) Y$h + t ,( n r ) S ( Y$h( new ) ) =

2
Pr 56.154796 - (2.365)(9.76824313) Yh( New ) 56.154796 + (2.365)(9.76824313) = 0.9
Pr 33.0529 Yh ( New ) 79 .25669 = 0.95
- 70 -
Correlaciones Parciales:
r123 =
r132 =
r12 r13r23
( 1 r132 )( 1 r232 )
r13 r12 r23
( 1 r122 )( 1 r232 )
= 0.93478
= 0.94215
Prueba de hiptesis parciales para el ejemplo anterior.

1) Hiptesis: H0 : 10 ,2 = 0
H0 : 20 ,1 = 0
Ha : 10 ,2 0
Ha : 20 ,1 0
2) Nivel de significacin: = 0.05

3) Estadgrafo de Contraste: F-Snedecor.
4) Regin de Rechazo y Aceptacin:
Si
numerador
Fc FglglError
Si
numerador
Fc > FglglError
, entonces se rechaza la Ho: y se acepta la Ha:
5) Clculo de ANOVA.
Adj( x' x )
SCRe g . ( 1 , 2 0 ) = $ ' x' y , $ = ( x' x )1 x' y ; ( x' x )1 =
x' x
x' x =
LM x
MN x x
x x
x
2
i1
i1 i 2
2
i2
i1 i 2
xi21 = X i21
x
( X i 1 )2
n
x = X i1 X i 2
i1 i 2
yi2 = Yi 2
OP = L976.79469
PQ MN1932.627
= 976.79469 ,
( X i1 )( X i 2 )
n
( Yi )2
n
x' x = 10147256.69
1932.627
14212.100
2
i2
OP
Q
= X i22
( X i 2 )2
n
= 1932.627
= 40290.2053
( 582.424 )2
= 6368.433723
10
= 14212.1
Anlisis y Diseo de Experimentos - 71 ( x' x )1 =
x' y =
LM
MN
1
xi 2
x' x xi1 xi 2
xi 1 xi 2
xi21
OP = L0.001400585
PQ MN0.000190458
0.000190458
0.0000962619
LM x y OP = L1042.375564O
MN x y PQ MN 4899.4678 PQ
OP
Q
i1 i
i2 i
y = X i1Yi
y = X i 2Yi
( X i 1 )( Yi )
i1 i
i2 i
( X i 2 )( Yi )
n
= 1042.375564 ,
= 4899.4678
LM
N
OP
Q
LM
MN
2.393079257
$
$ = ( x' x )1 x' y =
= 1
0.670161157
$ 2
OP
PQ
$ 0 = Y $ j X j =Y $ 1 X 1 $ 2 X 2 = 40.2208399
j =1
SCRe g( 1 , 2 0 ) = 2.393079257 0670161157

.
SCR ( 2
0 )
( xi 2 yi )2
2
i2
LM1042.375564OP = 5777.9
N 4899.46780 Q
( 4899.4678 )2
= 1689.038546
14212.1
SCR( 1 0 ,2 ) = SCR( 1 ,2 0 ) SCR( 2 0 ) = 5777920352

.
.
16890385
= 4088.881806
SCR( 1 0 ) =
SCR ( 2
0 , 1 )
( xi1 yi )2
= SCR ( 1 , 2
2
i1
0 )
= 4665.56089
(1042.375564 )2
= 1112.359463
976.79469
SCR ( 1
0 )
= 5777.920352 1112.3594
- 72 -
RESUMEN EN ANOVA:
F. de V.
GL:
R( 1 ,2 0 )
5777.92
R( 2 0 )
1689.038546
R( 1 0 ,2 )
4088.881806 4088.881806
R( 1 0 )
1112.359463
R( 2 0 ,1 )
1
7
9
Error Residua
Total
SC.
CM.
4665.56089 4665.56089
590.5134 84.35905717
6368.43
Fc
Signif. Tabla-F
48.47
**
12.2
55.31
**
12.2
6) Decisin: Tiene dos partes para la decisin.

i) Para
1 , Fc = 48.47 F71,0.01 = 12.2, por lo tanto se rechaza la hiptesis
Ho:, esto es
10 ,2 0 , esto implica que se debe incluirse en el modelo
R( 1 0 , 2 ) o aporta al modelo.
ii) Para
2 , Fc = 55.31 F71,0.01 = 12.2, por lo tanto se rechaza la Ho:, y se
acepta la Ha:
20 ,1 0 , esto implica que aporta al mode-
lo R( 2 0 , 1 ) . Luego el modelo final queda con los dos variables independientes en estudio, ya que aportan al modelo.
Y$ = 40.2208 + 2.393079 X i 1 + 0.67016 X i 2

SALIDA DEL SAS
Variable
Intercept
X1
X2
Y
Variable
Intercept
X1
X2
Y
Intercept
X1
X2
10
276.19
483
276.19
8604.8863
11407.35
483
11407.35
37541
582.424
17128.34402
33030.547
XX Inverse,
Intercept
1.9010892146
-0.047881894
-0.009909714
-40.22083991

X1
X2
-0.047881894
-0.009909714
0.0014005854
0.0001904581
0.0001904581
0.0000962619
2.3930792572
0.6701611574
Y
582.424
17128.34402
33030.547
40290.20533
Y
-40.22083991
2.3930792572
0.6701611574
590.51340023
Anlisis y Diseo de Experimentos - 73 Source

Model
Error
Corrected Total
Root MSE
Dependent Mean
Coeff Var
DF
2
7
9
9.18472
58.24240
15.76981
Squares
5777.92035
590.51340
6368.43375
R-Square
Adj R-Sq
Square
2888.96018
84.35906
F Value
34.25
Pr > F
0.0002
0.9073
0.8808
Parameter Estimates
Parameter
Standard
Variable
DF
Estimate
Error
t Value
Pr > |t|
Intercept
-40.22084
12.66389
-3.18
0.0156
-70.16618
-10.27550
X1
2.39308
0.34373
6.96
0.0002
1.58028
3.20588
X2
0.67016
0.09011
7.44
0.0001
0.45707
0.88325
Variable
Intercept
X1
X2
Intercept
X1
160.37409376
-4.039271472
-4.039271472
0.1181520674
-0.835974104
0.0160668638
X2
-0.835974104
0.0160668638
0.0081205671
Output Statistics
Dep Var Predicted
Std Error
Obs
43.1270
49.9789
Value Mean Predict

3.1014
42.6452
57.3125
27.0557
72.9020
-6.8519
16.6530
20.8301
5.6319
7.5126
34.1475
-4.6463
46.3064
-4.1771
92.3220
85.1420
7.2965
67.8886
102.3954
57.4045
112.8795
7.1800
38.0840
48.6114
4.1121
38.8878
58.3349
24.8156
72.4071
-10.5274
61.9390
62.8069
2.9893
55.7384
69.8754
39.9671
85.6466
-0.8679
92.3760
88.0975
7.1596
71.1677
105.0272
60.5601
115.6348
4.2785
24.3730
16.5681
5.8138
2.8206
30.3156
-9.1356
42.2719
7.8049
74.0290
85.7364
4.9458
74.0416
97.4313
61.0695
110.4034
-11.7074
70.7720
67.5905
3.8256
58.5446
76.6365
44.0636
91.1175
3.1815
10
68.7490
57.0623
2.9156
50.1680
63.9565
34.2759
79.8487
11.6867
Sum of Residuals
95% CL Mean
0
590.51340
1401.80989
Pearson Correlation Coefficients, N = 10

Prob > |r| under H0: Rho=0
Y
X1
X2
Y
1.00000
0.41793
0.51500
0.2294
0.1277
X1
0.41793
1.00000
-0.51870
0.2294
0.1245
X2
0.51500
-0.51870
1.00000
0.1277
0.1245
95% CL Predict
Residual
- 74 -
EJEMPLO:
En un estudio diseado para descubrir qu factores podran estar relacionados
con el peso al nacer, se obtuvieron los siguientes datos en 10 nios recin nacidos.
Peso al nacer Calificacin de condicin
Orden
en gramos (Y) socioeconmica (X1)
de nacimiento (X2)
1361
8
4
1588
7
3
1815
4
4
2087
5
3
2268
5
2
2404
4
2
3402
3
2
3629
3
1
3765
2
1
4083
1
1
a) Estimar la ecuacin de regresin ajustada, b) Construir la Tabla de ANOVA,

c) Encontrar los intervalos confidenciales para bi (betas) e interpretar.
SOLUCIN:
a) Estimar la ecuacin de regresin mltiple.
N
X ' X = X i1
X i 2
X
X
X X
i1
2
i1
i1
X
X X
X
i2
Yi 26402
X ' Y = X i1Yi = 93361

,
X i 2Yi 51354
A11
Adj ( X ' X ) = A12
A13
A21
A22
A23
10 42 23

218 114
i1 i 2 = 42
2
23 114 65
i2
i2
10 42 23
42 218 114
det( X ' X ) = 23 114 65 = 2006
10 42 23
42 218 114
A31 1174 108 226

A32 = 108 121 174
,
A33 226 174 416
a11 a12
X ' X = a21 a22
a31 a32
a13
a23
a33
A11 = a22 a33 a32 a23 = 1174
A21 = a12 a 32 a 32 a13 = 108
A12 = a 21 a33 a31 a 23 = 108
A22 = a11a33 a31a13 = 121
A13 = a21a32 a31a22 = 226
A23 = a11a23 a21a13 = 174
A31 = a21a32 a31a22 = 226

A32 = a11 a 32 a31 a12 = 174
A33 = a11a22 a21a12 = 416
(X ' X )1 =
1174 108 226 0.58524427 0.05383848 0.11266201

Adj(X ' X )
1
=
108 121 174 = 0.05383848 0.06031904 0.08673978
det(X ' X ) 2006
226 174 416 0.11266201 0.08673978 0.20737787
0.58524427 0.05383848 0.11266201 26402 4639.55932

= ( X ' X )1 X 'Y = 0.05383848 0.06031904 0.08673978 93361 = 244.432203
0.11266201 0.08673978 0.20737787 51354 422.932203
Y = 4639.55932 244.432203 X i1 422.932203 X i 2

b) Tabla de ANOVA
Grados de libertad (GL.)
GLreg = p - 1 = 3 - 1 = 2
GLerror = N - p = 10 - 3 = 7
GLtotal = N - 1 = 10 - 1 = 9
Sumas de Cuadrados (SS):
X ' Y NY 2
SSR m = '
26402
2
26402
= [4639.55932 244.432203 422.932203] 93361 10
= 824738
10
51354
2
26402
SSTm = Y ' Y NY 2 = 78536258 10
= 8829697.6
10
SSE = 8829697.6 - 8247389.51 = 582308.09
- 76 -
Tabla de Anlisis de Varianza para la Frecuencia Cardaca

F. de V.
G.L.
S.S.
M.S.
Fc. Signif
Debido a Regresin
2
8247389.510
4123694.7550 49.57 **
Error residual
7
582308.090
83186.8700
Total
9
8829697.600
981077.5111
R2 =
SSRm
8247389.51
x100 =
( 100 ) = 93.41%
SSTm
8829697.6
~2 )
V ( $ ) = ( X ' X )1 MSE
MSE
83186.87
~
R 2 = 1
. %,
= 1
= 9152
MSTm
981077.51
LM
MM
N
OP
PP
Q
LM
MM
N
OP
PP
Q
0.585244267 -0.053838485 -0.112662014

48684.63877 -4478.65501 -9372.00031
V( $ ) = -0.053838485 0.060319043 -0.086739781 (83186.87) = -4478.65501 5017.75238 -7215.61086
-0.112662014 -0.086739781 0.207377866
-9372.00031 -7215.61086 17251.11561
INTERVALO CONFIDENCIAL (IC) PARA ( i ).
LM
N
OP
Q
Pr $ i t ,( N r ) V ( $ i ) i $ i + t ,( N r ) V ( $ i ) = 1
2
LM
N
0:
OP
Q
Pr $ 0 t ,( N r ) V ( $ 0 ) 0 $ 0 + t ,( N r ) V ( $ 0 ) = 1 0.05
2
Pr 4639.559322(2.365) 48684.63877 0 4639.559322+(2.365) 48684.63877 =095

.
Pr 4117.731631 0 5161.387013 = 0.95
LM
N
1:
OP
Q
Pr $ 1 t ,( N r ) V ( $ 1 ) 1 $ 1 + t ,( N r ) V ( $ 1 ) = 1 0.05
2
Pr -244.4322034 ( 2.365 ) 5017.75238 1 -244.4322034 + ( 2.365 ) 5017.75238 =
Pr -411.9595684 1 -76.90483833 = 0.95
Anlisis y Diseo de Experimentos - 77 Intervalo confidencial (IC) para
LM
N
2 :
OP
Q
Pr $ 2 t ,( N r ) V ( $ 2 ) 2 $ 2 + t ,( N r ) V ( $ 2 ) = 1 0.05
2
Pr -422.9322034 ( 2.365 ) 17251.11561 2 -422.9322034 ( 2.365 ) 17251.11561 = 095

.
Pr -733.5595865 2 -112.3048203 = 0.95
Calcule el intervalo confidencial para la respuesta media E ( Yh ) .
X h' = 1 6 5
LM
MM
N
OP
PP
Q
4639.559322
' $
$
Yh = X h = 1 6 5 -244.4322034 = 1058.305085
-422.9322034
LM
MM-0.112662014
N
OPLM OP
PM P
0.207377866 QPNM5PQ
0.585244267 -0.053838485 -0.112662014 1

V( Xh' $ ) = (83186.87 ) 1 6 5 -0.053838485 0.060319043 -0.086739781 6 = 80201.09999
-0.086739781
S ( Y$h ) = 283.1979873
Pr 1058.305085-(2.365)(283.1979873) E( Yh ) 1058.305085+(2.365)(283.1979873) =
Pr 388.5418449 E ( Yh ) 1728.068325 = 0.95

Con la informacin anterior calcular Intervalo confidencia al 95%. X h' = 1 7 6
LM
MM
N
OP
PP
Q
4639.559322
Y$h = X h' $ = 1 7 6 -244.4322034 = 390.940678
-422.9322034
R|
S|
T
LM
MM
N
OPLM OPU|
PPMM PPV|
QN QW
0.585244267 -0.053838485 -0.112662014 1

S2(Y$h( New) ) = (83186.87 ) 1+ 1 7 6 -0.053838485 0.060319043 -0.086739781 7 =217505.0
-0.112662014 -0.086739781 0.207377866 6
S( Y$h( New ) ) = 466.3743683

Pr 390.940678 - (2.365)(466.3743683) Yh ( New ) 390.940678 + (2.365)(466.3743683) =
Pr -712.0347031 Yh( New ) 1493.916059 = 0.95
- 78 -
PROGRAMA EN SAS.
DATA REGG;
INPUT Y X1 X2;
DATALINES;
1361 8
4
1588 7
3
1815 4
4
2087 5
3
2268 5
2
2404 4
2
3402 3
2
3629 3
1
3765 2
1
4083 1
1
;
PROC PRINT; RUN;
PROC REG;
MODEL Y = X1 X2/XPX COVB CLB CLI CLM I P;
RUN;
PROC CORR;
VAR Y X1 X2;
RUN;
PROC CORR;
PARTIAL X2;
VAR Y X1;
RUN;

Model: MODEL1
Intercept
X1
10
42
42
218
23
114
26402
93361
Variable
Intercept
X1
X2
Y
XX Inverse,
Intercept
0.5852442672
-0.053838485
-0.112662014
4639.559322
Variable
Intercept
X1
X2
Y
Source
Model
Error
Corrected Total
Root MSE
Dependent Mean
Coeff Var
Variable
Intercept
X1
X2
Variable
Intercept
X1
X2
Obs
1
2
3
4
5
6
7
8
9
10
DF
1
1
1
X2
23
114
65
51354
Y
26402
93361
51354
78536258

X1
X2
-0.053838485
-0.112662014
0.0603190429
-0.086739781
-0.086739781
0.2073778664
-244.4322034
-422.9322034
Y
4639.559322
-244.4322034
-422.9322034
582308.09322
Sum of
Mean
DF
Squares
Square
2
8247390
4123695
7
582308
83187
9
8829698
288.42134
R-Square
0.9341
2640.20000
Adj R-Sq
0.9152
10.92422
Parameter
Estimate
4639.55932
-244.43220
-422.93220
Parameter Estimates
Standard
Error
t Value
Pr > |t|
220.64596
21.03
<.0001
70.83610
-3.45
0.0107
131.34350
-3.22
0.0147
Intercept
X1
48684.639043
-4478.65504
-4478.65504
5017.7524056
-9372.000361
-7215.610897
F Value
49.57
Pr > F
<.0001

4117.81454
5161.30411
-411.93295
-76.93145
-733.51024
-112.35417
X2
-9372.000361
-7215.610897
17251.115709
Output Statistics
Dep Var Predicted
Std Error
Y
Value Mean Predict
95% CL Mean
1361 992.3729
193.4039 535.0454
1450
1588
1660
166.8104
1265
2054
1815
1970
251.5586
1375
2565
2087
2149
109.0945
1891
2407
2268
2572
128.6318
2267
2876
2404
2816
95.9486
2589
3043
3402
3060
109.0945
2802
3318
3629
3483
148.9494
3131
3836
3765
3728
143.1283
3389
4066
4083
3972
169.7674
3571
4374
95% CL Predict
Residual
171.2252
1814 368.6271
871.8787
2448 -71.7373
1065
2875 -155.1017
1419
2878 -61.6017
1825
3318 -303.5339
2097
3535 -411.9661
2331
3790 341.6017
2716
4251 145.6695
2966
4489
37.2373
3181
4764 110.8051
- 80 -
EJERCICIOS.
Para cada uno de los siguientes ejercicios: a) Fijar el modelo de regresin mltiple,
b) Estimar la ecuacin de regresin, c) Calcule los errores e = Y Y$ , d) Realice el
~2
ANVA, R2, Rajust . e) Probar la hiptesis bi 0 , f) Calcule los intervalos confidenciales para bi , g) Intervalo confidencial del 95% para la respuesta media, h) Intervalo
confidencial del 95% para la prediccin.
1. A Jennifer Dahl, supervisora de la cadena Circle O, le gustara pronosticar el
tiempo que toma atender a un cliente en caja. Para ello, decide utilizar las siguientes variables independientes: monto de las compras y nmero de artculos
comprados. Jennifer rene una muestra de datos para 18 clientes. Calcule el punto de estimacin del tiempo de atencin si el cliente compra 14 artculos por un
monto de $70 dlares.
Cliente
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Tiempo de atencin (minutos) Y Monto (en dlares ) X2 Nmero de artculos X3

3
36
9
1.3
13
5
0.5
3
2
7.4
81
14
5.9
78
13
8.4
103
16
5
64
12
8.1
67
11
1.9
25
7
6.2
55
11
0.7
13
3
1.4
21
8
9.1
121
21
0.9
10
6
5.4
60
13
3.3
32
11
4.5
51
15
2.4
28
10
X' h= [1 40 18]
2. Un investigador reuni los siguientes datos sobre 15 nios. Estime para [1 3 35]
Calificacin de
Orden de
Edad de la madre al
inteligencia (Y) nacimiento (X1) nacimiento del producto (X2)
110
1
25
115
1
24
120
1
22
118
1
24
110
2
20
108
2
20
105
2
20
104
3
24
98
3
25
99
4
30
98
4
24
100
5
29
90
5
30
93
5
30
90
6
28
3. En un estudio acerca de los factores que se pensaba estaban relacionados con los
patrones de admisin a un hospital general grande, el administrador del hospital
obtuvo los siguientes datos de 10 comunidades dentro del rea de trabajo del
hospital. Estime para [1 6.5 7.5]
Personas por cada 1000

ndice de
admitidas durante
disponibilidad
el periodo de estudio de otros servicios ndice de
Comunidad
(Y)
de salud (X1) indigencia (X2)
1
61.6
6.0
6.3
2
53.2
4.4
5.5
3
65.5
9.1
3.6
4
64.9
8.1
5.8
5
72.7
9.7
6.8
6
52.2
4.8
7.9
7
50.2
7.6
4.2
8
44.0
4.4
6.0
9
53.8
9.1
2.8
10
53.5
6.7
6.7
- 82 -
4. El administrador de un hospital general obtuvo los siguientes datos de 20 pacientes para ciruga durante un estudio para determinar qu factores parecen estar
relacionados con la duracin de la estancia. Estime la respuesta media [1 5 6]
(Y) 6 6 11 9 16 16 4 8 11 13 13 9 17 17 12 6 5 12 8
(X1) 1 2 2 1 3 1 1 3 2 3 1 1 3 2 4 1 1 3 1
(X2) 1 1 2 3 3 5 1 1 2 2 4 2 3 4 1 1 1 2 2
Y (Tiempo de hospitalizacin postoperatorio); X1 (Nmero de problemas mdicos actuales);
X2 ( Tiempo de hospitalizacin preoperatorio)
9
2
2
5. Utilizar como referencia (correlacin). El investigador dispuso de infromacin

adicional sobre la calificacin obtenida por cada enfermera en una prueba de
aptitud realizada cuando la enfermera ingres a la escuela. Los datos completos
son los siguientes. Estime la respuesta media y prediccin para [1 95 98]:
(Y) 440 480 535 460 525 480 510 530 545 600 495 545 575 525 575 600 490 510 575 540 595 525 545 600 625
(X1) 87 87 87 88 88 89 89 89 89 89 90 90 90 91 91 91 92 92 92 93 93 94 94 94 94
(X2) 92 79 99 91 84 71 78 78 71 76 89 90 73 71 81 84 70 85 71 76 90 94 94 93 73
Y (Calificacin de la direccin estatal); X1 (Calificacin final); X2 (Calificacin en el examen de aptitud).
6. Se obtuvieron los siguientes datos a partir de una muestra aleatoria simple de 20

pacientes con hipertensin. Las variables fueron:
Y = presin arterial media (mm Hg); X1 = edad (aos); X2 = Peso (kg)
X3 = Area de superficie del cuerpo (m2); X4 = Duracin de la hipertensin (aos)
Paciente
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Y
105
115
116
117
112
121
121
110
110
114
114
115
114
106
125
114
106
113
110
122
X1
47
49
49
50
51
48
49
47
49
48
47
49
50
45
52
46
46
46
48
56
X2
85.4
94.2
95.3
94.7
89.4
99.5
99.8
90.9
89.2
92.7
94.4
94.1
91.6
87.1
101.3
94.5
87.0
94.5
90.5
95.7
X3
1.75
2.10
1.98
2.01
1.89
2.25
2.25
1.90
1.83
2.07
2.07
1.98
2.05
1.92
2.19
1.98
1.87
1.90
1.88
2.09
X4
5.1
3.8
8.2
5.8
7.0
9.3
2.5
6.2
7.1
5.6
5.3
5.6
10.2
5.6
10.0
7.4
3.6
4.3
9.0
7.0
Anlisis y Diseo de Experimentos - 83 Estime para la respuesta media y prediccin [1 55 88.5 1.99 8.5], usando software
estadstico disponible o adecuado.
7. El Seor Mike Wilde es presidente de una organizacin de profesores en el distrito escolar de Otsego. Al prepararse para futuras negociaciones. a Mike le gustara
investigar la estructura de sueldos de los profesores del distrito. Considera que
existen dos factores que afectan el sueldo de un profesor: aos de experiencia,
calificacin de la efectividad de la enseanza dada por el director. Una muestra
de 20 profesores di como resultado los datos que siguien:
Sueldo (miles de $): Y
Aos de exp. X1
Calific. Del Director X2
21.1 23.6 19.3 33.0 28.6 35.0 32.0 26.8 38.6 21.7 15.7 20.6 41.8 36.7 28.4 23.6 31.8 20.7 22.8 32.8
8
5
2 15 11 14 9 7 22 3 1 5 23 17 12 14 8 4 2 8
35 43 51 60 73 80 76 54 55 90 30 44 84 76 68 25 90 62 80 72
Xh = [1 24 92]
1.4. REGRESION CURVILINEAL O NO LINEALES.

A) CASO EXPONENCIAL: Y = abX
Esto es uno de los modelos no lineales que se utiliza sobre todo cuando se
desea calcular las tasas de crecimiento, esto implica tomar en cuenta la variable de
tiempo como variable independiente X, sin embargo se puede considerar cualquier
otra variable y ajustar la funcin sin hacer referencia a tasas de crecimiento, el modelo
es el siguiente: Y = abX
Como es una ecuacin no lineal, entonces primeramente se realiza la
linealizacin , para esto se usa los logartmos, esto es:
Log Y = Log a + X Log b .................................................... (a)
Aplicando sumatoria a ambos miembros de la ecuacin (a) se tiene:
n
LogY
= nLog a + Log b
i=1
n
Primera Ec. Normal.
i=1
X LogY = Log a X
i
i=1
i=1
+ Log b X2i Segunda Ec. Normal.

i=1
De la primera ecuacin normal, se debe despejar Log a, entonces se tiene:
- 84 -

n
LogY
= nLog a + Log b
i=1
i=1
LogY
i=1
Log a =
Log b X
................................................. (b)
reemplazando en la ecuacin (b) de la segunda ecuacin normal se obtiene:
F Log Y
I
G
J
X Log Y = G n X Log bJ X + Log b X
GGH
JJK
n
i=1
i =1
i=1
2
i
i =1
Realizando operaciones elementales y ordenando se obtiene:

n
X LogY X LogY
i
Log b =
i=1
i=1
n
X LogY
i
X2i X X i
i=1
Log b =
i=1
i=1
i=1
FG X IJ
H K
i=1
X LogY
2
i
i=1
i=1
Para realizar las predicciones se transforma al modelo original, esto se consigue

usando las propiedades de antilogaritmos.
Log Y = Log a + X Log b
antilog(Log Y) = antilog(Log a) + X antilog(Log b)
Llegamos al modelo estimado: Y = abX
n = 17
FG X IJ
H K
12
911.77
= 399.82
n
i=1
L o g Yi
=14132535.29
Log a =
= 49.18
R2 = 0.9359
i=1
12
Log X
i=1
Log b X
Anlisis y Diseo de Experimentos - 85 Aplicando las frmulas dadas anteriormente se puede encontrar los parmetros
estimados:
Log b = 0.00031
Log a = 2.29584
Antilog(Log b) =
Antilog(Log a) =
Log Y = Log a + X Log b,
1.000714 = b
197.625060 = a
Log Y = 2.29584 + 0.00031X
La siguiente ecuacin encontrada permitir realizar las estimaciones futuras

o proyecciones:
$ = 197.625060x1.000714X
Y
i
Total
Nro.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
17
sem. (Y) g.
203
203
266
266
294
336
336
371
406
406
448
490
532
532
560
574
574
Cons. Alim.
17
Log X
2.39
2.48
2.56
2.64
2.71
2.78
2.83
2.89
2.94
2.99
3.03
3.08
3.11
3.15
3.18
3.20
3.23
17
XLog Y
566.72
698.50
887.02
1056.71
1260.09
1506.20
1711.09
1978.49
2261.33
2527.14
2868.15
3204.56
3549.95
3827.40
4122.83
4401.02
4650.70
17
2
i
X
60319.36
91633.34
133809.64
189904.21
260610.25
355454.44
458735.29
592946.20
751515.61
938573.44
1170291.24
1418957.44
1695985.29
1971440.65
2250600.04
2544663.04
2841584.49
17
i=1
i=1
i=1
i=1
i=1
i=1
X = 15500.10 Yi = 6797.00 LogXi =49.18 XLogY =41077.92 X =17727023.97 Lo
17
(X) g.
245.60
302.71
365.80
435.78
510.50
596.20
677.30
770.03
866.90
968.80
1081.80
1191.20
1302.30
1404.08
1500.20
1595.20
1685.70
Peso Vivo
- 86 V. Ibaez Q. - Docente FINESI - UNA - Puno
Anlisis y Diseo de Experimentos - 87 B) FUNCION POTENCIAL O CURVA GEOMETRICA: Y = aXb

En una curva geomtrica la variable independiente X (o predictor) y la
variable dependiente Y aumentan o disminuyen en progresin geomtrica, por
esto los valores de X e Y son expresados en forma logartmica. Una tendencia
geomtrica es una curva, es decir los valores X e Y representado en un grfica
se aproximan a una curva, y a una recta respectivamente, la expresin exponencial
de la ecuacin es: Y = aXb.
Esta ecuacin se utiliza cuando se tiene pares de datos en donde las condiciones
son las siguientes:
(Xi, Yi), i = 1, 2, ...n, adems debe cumplir que: a > 0, Xi > 0 e Yi > 0.
Y = aXb
Primeramente hay que linealizar aplicando logartmos, y resulta de la siguiente
forma:
Log Y = Log a + b Log X
............................................................ a)
Aplicando sumatoria a la ecuacin a) a ambos miembros.

n
Log Yi = n Log a + b
i=1
Log X
1ra. Ec. Normal.
i=1
Aplicando Log X a la ecuacin a) a ambos miembros se tiene:

n
i =1
i =1
i =1
Log X i Log Yi =Log a Log X i + b Log X i
2da. Ec. Normal.
De la primera Ecuacin Normal despejamos Log a, esto es:

n
Log Yi = n Log a + b
i=1
n Log a = Log Yi b
i=1
Log X
i=1
n
Log X
i=1
- 88 -

n
Log Y
Log a =
i=1
b Log X i
................... 1)
i=1
Reemplazando 1) en la Segunda Ecuacin Normal obtenemos:

n
LogX i LogYi = Log a

i =1
i =1
i =1
LogXi + b LogX i
F LogY b LogX I
J
G
LogX LogY = G n n J LogX + bbLogX g
JJ
GG
K
H
n
i =1
i =1
i =1
i =1
LogX
i =1
LogYi =
LogY LogX
i =1
i =1
n
n
i =1
b LogX i
i =1
LogY LogX
i =1
LogXi LogYi =
i =1
i =1
2
n
+b Log
i =1
+b LogX2i
b LogX
i =1
i =1
Realizando operaciones elementales se llega a encontar b.
b$ =
LogX LogY
i
i =1
i =1
LogYi LogXi
i =1
bLogX g
n
LogX
i =1
2
i
i =1
Para realizar las proyecciones futuras, se debe regresar al modelo original,

haciendo uso de antilogartmos:
Anlisis y Diseo de Experimentos - 89 Log Y = Log a + bLog X

antilog(Log Y) = antilog(Log a) + b antilog(Log X)
Y = aX b
Adems se puede calcular el Coeficiente de Determinacin (R2) con la siguiente
frmula:
O
LM
LogX LogY P
PP
MM LogX LogY
n
PQ
MN
=
LM
FG LogX IJ OP LM
FG LogY IJ
H
K
K
MM LogX
PP MM LogY H
n
n
MM
PP MM
N
QN
n
i =1
i =1
i =1
2
i
i =1
i =1
2
i
i =1
i =1
OP
PP
PP
Q
Para demostrar los clculos de este modelo, realizamos usando la informacin

del ejemplo 1), en la siguiente tabla.
Total
Nro.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
17
Cons. Alim.
sem.(Y)g.
203
203
266
266
294
336
336
371
406
406
448
490
532
532
560
574
574
17
LogX
2.39
2.48
2.56
2.64
2.71
2.78
2.83
2.89
2.94
2.99
3.03
3.08
3.11
3.15
3.18
3.20
3.23
17
LogY
2.31
2.31
2.42
2.42
2.47
2.53
2.53
2.57
2.61
2.61
2.65
2.69
2.73
2.73
2.75
2.76
2.76
17
LogXxLogY
5.52
5.72
6.22
6.40
6.68
7.01
7.15
7.42
7.66
7.79
8.04
8.28
8.49
8.58
8.73
8.84
8.90
17
2
i
LogX
5.713
6.155
6.570
6.966
7.333
7.703
8.013
8.332
8.632
8.918
9.206
9.462
9.701
9.906
10.088
10.258
10.412
17
2
i
LogY
5.3245
5.3245
5.8801
5.8801
6.0927
6.3824
6.3824
6.6017
6.8044
6.8044
7.0293
7.2372
7.4306
7.4306
7.5525
7.6116
7.6116
i=1
i=1
i=1
i=1
i=1
i=1
i=1
X =15500.10 Y =6797.00 LogX =49.18 LogY =43.83 LogXLogY= 127.43 LogX =143.37 LogY = 113.38
17
PesoVivo
(X)g.
245.60
302.71
365.80
435.78
510.50
596.20
677.30
770.03
866.90
968.80
1081.80
1191.20
1302.30
1404.08
1500.20
1595.20
1685.70
Anlisis y Diseo de Experimentos - 91 n=
17,
X = 2.89
Y = 2.58,
LogY
Log a =
i=1
R2 = 0.9873723,
R2x100 = 98.74%
F LogX I
G
JJ
bG
GG n JJ
H
K
n
i=1
Realizando operaciones y sustituyendo en las frmulas dadas anteriormente

encontramos los parmetros estimados, como se muestra a continuacin:
b = 0.57185,
Log a = 0.92411, Antilog(Log a) = 8.396772 = a
Log Y = Log a + b Log X
LogY= 0.92411 + 0.57185 logX
La ecuacin encontrada permitir realizar las estimaciones futuras o
proyecciones, que es de la forma: Y = aXb
$ = 8.396772X0.57185
Y
C) CASO PARABLICO (Funcin de Segundo Grado).
La forma general de una ecuacin polinomial es:
Y = a + bX + cX2 + dX3 + .... + nXn

Cuando la ecuacin polinomial describe movimientos de tendencia no lineal
es usualmente necesario escribir en su forma ms simple. La cual es llamada ecuacin
polinomial de segundo grado, tambin denominada como la curva parablica.
Para encontrar las ecuaciones normales por el mtodo de Mnimos Cuadrados,
n
seguimos la metodologa descrita anteriormente; es decir
(Y Y ) debe ser un
2
i =1
mnimo; al sustituir Yc por su valor se tiene, (Yi a bX cX

i =1
2 2
, un mnimo; luego
se deriva con respecto a: a, b y c; y al igualar las derivadas a cero, despus de

simplificar, se llegar a las siguientes ecuaciones normales:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Total
Nro.
17
sem.(Y)g.
203
203
266
266
294
336
336
371
406
406
448
490
532
532
560
574
574
Cons. Alim.
17
i i
XY
49856.80
61450.13
97302.80
115917.48
150087.00
200323.20
227572.80
285681.13
351961.40
393332.80
484646.40
583688.00
692823.60
746970.56
840112.00
915644.80
967591.80
17
2
i
X
60319.36
91633.34
133809.64
189904.21
260610.25
355454.44
458735.29
592946.20
751515.61
938573.44
1170291.24
1418957.44
1695985.29
1971440.65
2250600.04
2544663.04
2841584.49
17
2
i i
XY
12244830.08
18601568.85
35593364.24
50514519.43
76619413.50
119432691.84
154135057.44
219983040.53
305115337.66
381060816.64
524290475.52
695289145.60
902264174.28
1048806423.88
1260336022.40
1460636584.96
1631069497.26
17
3
i
X
14814434.82
27738329.59
48947566.31
82756455.94
133041532.63
211921937.13
310701411.92
456586363.08
651488882.31
909289948.67
1266021063.43
1690262102.53
2208681643.17
2768060382.80
3376350180.01
4059246481.41
4790058974.79
17
4
i
X
3638425190.81
8396669750.95
17905019756.93
36063608368.03
67917702405.06
126347858915.71
210438066291.38
351585197161.74
564775712073.67
880920102273.43
1369581586420.74
2013440216531.35
2876366103896.38
3886578222278.05
5065200540048.00
6475309987142.04
8074602413808.56
i=1
i=1
i=1
i=1
i=1
i=1
i=1
X=15500.10 Y=6797.00 XY=7164962.70 X =17727023.97 XY=8895992964.13X =23005967690.52 X =32029067432312.90
17
(X)g.
245.60
302.71
365.80
435.78
510.50
596.20
677.30
770.03
866.90
968.80
1081.80
1191.20
1302.30
1404.08
1500.20
1595.20
1685.70
PesoVivo
Anlisis y Diseo de Experimentos - 93 En la tabla anterior aparecen los resultados en forma detallada, segn las
ecuaciones normales, para luego sustituir los valores de las constantes: a, b y
c.
n
i =1
i =1
i =1
Yi = na + b X i + c X 2i .............................. (1)
n
X Y = a X
i
i =1
i =1
X Y = a X
2
i
i =1
i =1
2
i
+ b X + c X 3i .................. (2)
2
i
i =1
i =1
i =1
i =1
+ b X 3i + c X 4i .................. (3)
Sustituyendo por los valores de las sumatorias se tiene:

6797 =
17a +
15500.1b + 17727023.9698c
7164962.7 =
15500.1a + 17727023.9698b + 23005967690.52c
8895992964.1254 = 17727023.9698a + 23005967690.52b + 32029067432313c
(1)
(2)
(3)
Se resuelven 1 y 2
-15500.1 -105354179.7 = -263501.7a 240253100.01b - 274770644234.3c
17 121804365.9 = 263501.7a + 301359407.4866b + 391101450738.85c
========================================================
16450186.2 = 0
61106307.4766b + 116330806504.55c
(4)
se resuelven 1 y 3
-17727023.9698 -120490581922.73 = -301359407.49a - 274770644234.3 b - 3.1424737882586E+14c
17 151231880390.13 = 301359407.49a+391101450738.85b+5.4449414634932E+14c
=============================================================
30741298467.40 =
0.00
116330806504.55b + 230246767523454.80 c (5)
Se resuelve 4 y 5
-116330806505
61106307.4766
-1.913663428E+18 = -7.108546031268E+18 - 1.3532856541999E+22c

1.8784872364E+18 = 7.1085460312679E+18+1.4069529771781E+22c
======================================================
-3.517619142E+16
0
5.3667322978245E+20c
c = -6.55E-05
- 94 -

Al sustituir este valor en (4)
16450186.2 = 61106307.4766b + 116330806504.55(-6.55E-05)
16450186.2 = 61106307.4766b -7624890.6973888
Despejamos:
b = 0.3939868
Al sustituir los valores de b y de c en (1) tenemos:

6797 = 17a + 15500.100000b + 17727023.9698
6797 = 17a + 6106.834381379 - 1161.9159552068(4944.9184261721)
Despejamos:
a = 108.94597
$ = a + bX + cX2
Y
Finalmente encontramos el Modelo Estimado:
$ = 108.94597 + 0.393986773X - 6.55448967174E-05X2

Y
2
CONCEPTOS BSICOS DEL
DISEO
2.1. Qu es un experimento?
Es el planeamiento que nos lleva a la obtencin de resultados sobre una ms
caractersticas de una poblacin o tambin a resultados que nos permitan comparar
con otros resultados anteriores.
2.1.1. Experimentos preliminares.- Son los experimentos en los cuales se
consideran todos los posibles tratamientos a ser aplicados a una poblacin con el objeto de seleccionar los mejores. Ejemplo: Productor de
papa (seleccionar el mejor).
2.1.2. Experimento crtico.- Son los experimentos en los cuales se considera
un nmero reducido de tratamientos que fueron seleccionados previamente a travs de un experimento preliminar.
Ejemplo: Variedades de papa, quinua, cebada, etc. (comparar con cualquiera de ellos).
2.1.3. Experimento demostrativo.- Son aquellos elementos que se usan para
comparar un nuevo lote de tratamientos para compararlos con trata-
- 96 -

mientos o procedimientos rutinarios.
Ejemplo: Variedades de papa: 50 variedades comparar todas entre s.
En mejoramiento: 1 nueva Var. - Comparo - Otra Var.: escoger la mejor variedad.
2.2.
Objetivos de un experimento.
Fundamentalmente son para alcanzar dos objetivos: a) Para probar hiptesis
entre dos o ms tratamientos, b) Para obtener resultados. Es la estimacin de
parmetros sobre los diferentes tratamientos de un experimento.
2.3.
Unidad experimental (U.E.).

Es la unidad material a la cual se le aplica un tratamiento. Es la divisin ms
pequea del material experimental. Denominada tambin parcela o unidad
elemental estadstica, es la parte del material experimental que es delimitada
y en donde se realizan las mediciones estadsticas. La unidad experimental
est sujeta al costo, manejo, disponibilidad del material, etc.
Ejemplo: U.E. (o parcela). Una planta por maceta, una parcela de 20 m2. un
animal, un grupo de personas, una superficie rea determinada, una mquina varias mquinas, un instrumento o varios instrumentos.
2.4. Qu es un tratamiento?.
Es una caracterstica cuyo efecto se quiere medir y comparar.
Ejemplo: Raciones, fertilizantes, dosis de un pesticida, diferentes mtodos
educativos, diferentes tipos de estmulos de un tratamiento psicolgico, tipos
de mquina.
2.5. El Error Experimental (E.E.).

El trmino error experimental, es aquel que describe la diferencia en los resultados producidos por dos o ms unidades experimentales que reciben el
mismo tratamiento. Es el grado de varianza variabilidad o cantidad de
variacin que existe entre las observaciones o repeticiones de un mismo tratamiento.
Ejemplo: dos vacas con la misma dosis alimentaria, dos parcelas con el mismo cultivo tratados o conducidos en idnticas condiciones, dos personas que
Anlisis y Diseo de Experimentos - 97 adolecen de la misma enfermedad y son tratadas con la misma terapia para su
recuperacin. Estas diferencias grandes o pequeas contribuyen a enmascarar los verdaderos efectos de los tratamientos bajo estudio. Fuentes de errores
experimentales.
1. Causas del error experimental.- Entre otras las principales son:
a) Variabilidad propia del material experimental.
b) Efecto combinado de factores extraos que no fueron controlados por
el experimentador.
c) Error en la conduccin del experimento, falta de uniformidad en la
conduccin del experimento.
d) Error de medicin y/u observacin.
2. Cmo reducir el Error Experimental?. La magnitud del error experimental se puede reducir utilizando:
a) En lo posible, material homogneo, o estratificado en grupos homogneos si el material es heterogneo.
b) Informacin disponible sobre otros factores no includos en el estudio.
c) Diseo experimental ms adecuado.
d) Conduciendo cuidadosamente el experimento.
El trmino error experimental no solo se refiere a las equivocaciones
involuntarias, sino que incluye todos los tipos de variacin extraa.
2.6. Principios bsicos de Diseo Experimental.

1.
Repeticiones y sus funciones.- Es el nmero de observaciones que se

tiene por tratamientos. La repeticin sirve para medir el grado de variacin que existe entre las observaciones de un tratamiento. Debe ser ms
de tres.
a) Medir el grado del error experimental.
b) Para incrementar el grado de precisin del experimento.
c) El rea de inferencia es mayor.
d) Controlar la varianza.
Ejemplo: Sean dos tipos de alimentos alfalfa (A1) y Concentrado (A2)
tratamientos. Se toma como unidad experimental una vaca siendo la
variable de estudio: Rendimiento de leche en un determinado perodo
(primer parto).
- 98 -

Si evaluamos el efecto de estos alimentos contando con una unidad experimental por cada uno de ellos, se tendr:
A1
A2
11
21
U.E
Al ser comparados A1 versus A2 en base a la informacin de slo estas

dos U.E., apenas nos dar una idea vaga con lo que no nos afirma a
tomar decisiones respecto al efecto de uno de los alimentos.
Al disponer de una segunda U.E. por cada tratamiento se observa:
U.E.
A1
A2
11
12
21
22
Se dice que se ha repetido el experimento por segunda vez, y si repetimos

por ejemplo cuatro veces, esto es; que se dispondrn de 4 U.E. (por cada
tratamiento), se tiene entonces:
U.E.
A1
A2
11
12
13
14
21
22
23
24
Donde el primer sub-ndice identifica al alimento y el segundo sub-ndice a la U.E. En este caso tenemos un experimento con dos tratamientos y
cuatro repeticiones por cada uno.
A esto es lo que se refiere la repeticin o reproduccin del experimento:
es la aplicacin de los tratamientos en tantas U.E. como sea posible. Las
conclusiones sern ms confiables en sta ltima con cuatro repeticiones
por cada tratamiento.
Se justifica repetir un experimento porque:
a) Provee una estimacin del error experimental: 2 , el cual es una unidad bsica de medida de la variabilidad de las observaciones.
b) Cualquiera que sea la fuente del error experimental, a mayor nmero
de repeticiones ms preciso ser el estimado del efecto de los tratamientos debido a que la variabilidad de medias de tratamientos est
2
dada por: , y =
2 2
=
donde: 2 representa el error experin
r
mental verdadero; n r: nmero de repeticiones por tratamiento.
2. Aleatorizacin.
Para que las pruebas de significacin (pruebas de hiptesis) sean vlidas,
es necesario que se cumplan ciertas condiciones, siendo la ms importante el obtener observaciones distribudas independientemente entre s.
Esta condicin puede considerarse como un hecho insatisfecho al no to-
- 100 -

mar muestras aleatorias de U.E. que sern destinadas a cada uno de los
tratamientos, o viceversa. Es decir, es fundamental en diseos experimentales, lo que implica que la asignacin de los tratamientos en las
unidades experimentales sea en forma aleatoria de acuerdo al tipo de
diseo experimental con que se trabaja.
La aleatorizacin se puede realizar mediante:
- Fichas o bolas de sorteo.
- Tablas de nmeros aleatorios.
- Generando nmeros aleatorios mediante un computador.
Recuerde que el muestreo aleatorio, en su forma ms simple, significa
que cada miembro de la poblacin tiene la misma probabilidad de aparecer en la muestra, independiente de los otros miembros que por suerte
cayeron en ella (Snedecor & Cochran). Una independencia absoluta de
las observaciones (o de sus errores) es ideal pero en la prctica no ocurre
esto; de modo que tanto para el alimento A1 como para el A2, en el ltimo
ejemplo con cuatro repeticiones, se considera como muestras aleatorias
de n1 = n2 = 4 cada una provenientes de una poblacin de ganado vacuno
con solamente el primer parto.
3. Cmo se puede controlar el Error Experimental?.

Se realiza el control del error experimental en la medida en que se pueda
formar grupos homogneos (estratos o bloques), cuando se tiene material experimental heterogneo con el objetivo de conseguir mayor eficiencia en el experimento, esto es; hacer ms poderosos los procedimientos de pruebas estadsticas y esto debido a que al efectuar un adecuado
bloqueo se reducir la magnitud del estimado del error experimental.
Existe gran variedad de diseos que comprenden diferentes ordenamientos
de la U.E. en los estratos. Los ms simples son: Diseo bloques Completos Aleatorizados, Cuadrado Latinos, etc. La relacin entre los principios bsicos de diseo experimental se observa en la siguiente grfica:
ALEATORIZACION
REPETICION
Estimar el
Error
Experimental
CONTROL
LOCAL
Disminuir el
Error
Experimental
Hacer vlidas
las estimaciones
conseguir
eficiencia en el
experimento
Otra forma de controlar el error experimental es a travs del diseo experimental.

a) Diseo Experimental.- Si aplicamos en forma adecuada al diseo experimental, a las unidades experimentales estaremos disminuyendo el error
experimental.
b) A travs de un mayor nmero de repeticiones, un menor error.
c) Variables concomitantes (covarianza: disminuir el error experimental).
d) Seleccionando adecuadamente el tamao y forma de una unidad experimental.
Otro concepto de Diseo Experimental (mtodo de muestreo).
Se llama diseo experimental a la distribucin de los tratamientos en las unidades experimentales o viceversa, teniendo en cuenta ciertas restricciones en
el azar, con fines especficos, que tiendan a disminuir el error experimental.
Se efecta esta distribucin con el propsito de obtener la informacin que sea
pertinente al problema bajo investigacin de modo que una vez hecho el anlisis de resultados, se obtenga a conclusiones vlidas. Es el conjunto de normas y reglas que nos permite obtener un buen resultado que puede ser inferido a la poblacin, es decir nos permite obtener mejores resultados a travs de
una muestra, reducir el error experimental.
Ejemplo: H 0 : A = B = C Versus Ha : i 0
- 102 -
3
DISEO COMPLETAMENTE
AL AZAR (DCA, DIA)
3.1. DISEO COMPLETAMENTE AL AZAR (Balanceado o equilibrado)
El Diseo Completamente al Azar, es aquel en el cual los tratamientos son
asigandos en forma aleatoria a las unidades experimentales, o viceversa, sin
ninguna restriccin; por lo tanto, se considera que es un diseo eficiente cuando
las unidades experimentales de los que se dispone son muy homogneas. Debido
a su simplicidad, el Diseo Completamente al Azar es usado frecuentemente.
Caractersticas:
a) Los tratamientos se distribuyen en forma aleatoria en todas las unidades experimentales, y el nmero de repeticiones o unidades por tratamiento puede ser
igual o diferente.
b) Este diseo es til cuando las unidades experimentales tienen una variabilidad uniformemente repartida.
c) El diseo completamente al azar proporciona el mximo nmero de grados de
libertad para la estimacin del error experimental; adems, no requiere esti-
- 104 -

mar datos faltantes, es decir, el diseo puede analizarse con diferente nmero
de repeticiones por tratamiento.
Arreglo de Campo:
Supongamos que se desea evaluar cuatro variedades de avena en un campo homogneo, con cuatro repeticiones. Al sortear aleatoriamente las cuatro variedades (A, B, C y D), cada una tiene la mismas posibilidades de ocupar cualquiera
de las unidades experimentales en que se divide el lote. Por ejemplo.
C
A
D
D
B
B
A
C
D
C
B
A
A
D
C
B
Modelo estadstico lineal.

En este diseo el valor de cada unidad experimental Yij se aplica segn el siguiente modelo estadstico lineal.
Yij = + i + ij
donde:
RSi = 1,2 ,....,t

T j = 1,2 ,...,r
Yij = Es una observacin en la j-sima unidad experimental, sujeto al i-simo tratamiento.
= Es el efecto del i-simo tratamiento.
= Es el efecto de la media general o constante comn.
ij = Efecto verdadero de la j-sima unidad experimental (replica), sujeta al i-simo

tratamiento (error experimental).
Anlisis y Diseo de Experimentos - 105 Esquema del diseo.

Repeticiones
(j)
1
2
3
.
.
.
r
Total (t)
Total (r )
1
Y11
Y12
Y13
....
....
....
Y1r
Y1.
n1.
2
Y21
Y22
Y23
....
....
....
Y2r
Y2.
n2.
Tratamientos (i)
3
Y31
Y32
Y33
....
....
....
Y3r
Y3.
n3.
....
....
....
....
....
....
....
....
....
....
t
Yt1
Yt2
Yt3
....
....
....
Ytr
Yt.
nt.
Total
Y.1
Y.2
Y.3
....
....
....
Y.r
Y..
n..
VENTAJAS:
a) Es simple de planificar.
b) El nmero de repeticiones puede variar de tratamiento a tratamiento.
c) Existe ms grados de libertad para estimar el error experimental.
d) Es flexible en cuanto al nmero de repeticiones y tratamientos.
e) Es til cuando las unidades experimentales tienen una variablidad uniforme
repartida.
f) Cuando se pierde alguna parcela experimental se puede considerar que se
tena diferente nmero de repeticiones por tratamiento.
g) El Error Experimental puede obtenerse separadamente para cada tratamiento
para comprobar la suposicin de Homogeneidad del Error.
DESVENTAJAS:
a) Es ms apropiado para pequeo nmero de tratamientos y para un material
experimental homogneo y uniformemente distribuido.
b) No se puede controlar el Error Experimental, por lo tanto, no es un Diseo
muy preciso.
c) Cuando se tiene diferente nmero de repeticiones por tratamiento, es necesario calcular un Error estndar por cada pareja de medias si se quiere comparar
sus diferencias.
- 106 -
Descomposicin de la suma de cuadrados del total.
Yij = + i + ij ,
i = 1,2,3,..., t; j = 1,2,3,...,r
Poblacin
Muestra
i = i
$ i = Yi Y
ij = Yij i
$ ij = Yij Yi
Yij = + ( i ) + ( Yij i )
Yij = Y + ( Yi Y ) + ( Yij Yi )
Entonces partimos de la muestra para encontrar las Sumas de Cuadrados:
Yij = Y + ( Yi Y ) + ( Yij Yi )
Yij Y = ( Yi Y ) + ( Yij Yi ) elevando al cuadrado ambos miembros.
( Yij Y )2 = [( Yi Y ) + ( Yij Yi )]2

( Yij Y )2 = ( Yi Y )2 + 2( Yi Y )( Yij Yi ) + ( Yij Yi )2
Aplicando doble sumatorias a ambos miembros, se obtiene:
t
(Y Y ) = (Y Y ) +2(Y Y )(Y Y )+ (Y Y )
ij
i =1 j =1
i =1 j =1
i =1
ij
j=1
ij
i =1 j =1
= r ( Yi Y )2 + ( Yij Yi )2 + 2( Yi Y )( Yij Yi )
i =1
i =1 j =1
j =1
1
1i =4444
24444
3
0
( Yij Y )2 = r ( Yi Y )2 + ( Yij Yi )2
i =1 j =1
i =1 j =1
1
4244
3 1
1
442443 1i =4
442443
SCTRATAMIENTOS
SCTOTAL
Demostrar que:
t
( Yij Y )2 = Yij2
i =1 j =1
i =1 j =1
Y2
tr , en efecto
SC ERROR
Anlisis y Diseo de Experimentos - 107 t
= [Yij2 2Yij Y + Y2 )]
i =1 j =1
t
= Yij2 2 YijY + Y2
i =1 j =1
i =1 j =1
i =1 j =1
= Yij2 2YY + trY2

i =1 j =1
t
= Yij2 2Y
i =1 j =1
SCTOTAL = Yij2
i =1 j =1
FG Y IJ + tr// FG Y IJ
H tr K H tr/ K
= Yij2 2
i =1 j =1
Y2 Y2
+
tr tr
Y2
tr
ANALISIS DE VARIANZA.
Es una tcnica matemtica que nos permite descomponer una Fuente de Variacin
Total en sus Componentes atribuibles a Fuentes de Variacin conocida.
TABLA ANVA: Frmulas:
F. de V.
G.L.
Tratamientos
t-1
S.C.
Yi .2
Y2
..
r
tr
i=1
Error Experimental t(r-1)
Total
CV =
CM error
Y..
C.M.
Yi.2
i =1 r
Yij2
i =1 j =1
i =1
j =1
2 + r
S C erro r
t ( r 1)
i =1
Y..2
tr
tr-1
2
ij
.100 ,
TC =
Y..2
,
tr
SC trat .
t 1
C.M.E.
Modelo I
Modelo II
Y.. = Gran Total
i2
t 1
2 + r 2
2
- 108 -
OBSERVACION:
a) MODELO I: Llamado tambin modelo de anlisis de variancia o de efectos fijos. Este modelo supone que los ti de una determinada subpoblacin son una
cantidad fija que el investigador fija a su criterio representa una variable no
aleatoria.
b) MODELO II:Llamado modelo de componentes de variancia o de efectos al azar.
Los tratamientos considerados dentro de un experimento se asumen como una
muestra al azar extrada desde una poblacin de tratamientos.
Procedimiento para la Prueba Estadstica.
i) La Hiptesis a probarse es:
H0 : i = 0
Ha : i 0 (al menos uno de los tratamientos es diferente de los otros).

ii) Nivel de Significancia:
iii) Estadstica de Prueba:
= 005
.
= 001
.
Fc =
CM trat .
CM error
iv) Regla de Decisin:

a) Si
Fc Fnn21, , no se rechaza la Ho:
b) Si
Fc > Fnn21,0.05 , se rechaza la Ho, representndose por un asterisco (*), lo
cual significa que la prueba es significativa.

c) Si
Fc > Fnn21,0.01 , se rechaza la Ho, representndose por dos asteriscos
(**); lo cual significa que la prueba es altamente significativa.

v) Conclusin: Se concluye en base al problema de estudio.

En un Centro de Investigacin se realiza un estudio para comparar varios tratamientos que al aplicarse previamente a los frijoles crudos reduzcan su tiempo de coccin.
Estos tratamientos son a base de bicarbonato de sodio (NaHCO3) y cloruro de sodio o
sal comn (NaCl). El primer tratamiento (T1) es el control, que consiste en no aplicar ningn tratamiento. El tratamiento (T2) es el remojo en agua con bicarbonato de
sodio, el T3 es en agua con sal comn y el T4 es en agua con una combinacin de
ambos ingredientes en proporciones iguales. La variable de respuesta es el tiempo de
coccin en minutos. Los datos se muestran en la siguiente tabla.
T1
213
214
204
208
212
200
207
1458
208.29
1
2
3
4
5
6
7
Yi.
Promedio
T2
76
85
74
78
82
75
82
552
78.86
T3
57
67
55
64
61
63
63
430
61.43
T4
84
82
85
92
87
79
90
599
85.57
3039
108.54
SOLUCIN:
1. Hiptesis:
Respecto a tratamientos:
H0 : i = 0 versus Ha : i 0
= 0.05
3. Prueba Estadstica de contraste: F ( Tratam. ) =
CM Tratam.
CM Error
4. Regin de Aceptacin y Rechazo:

S
F ( Tratam . ) Ft t( r 1 1 ),0 .05 entonces se acepta la Ho:
F ( Tratam . ) > Ft (t r 1 1 ),0 .05 , entonces se acepta la Ha:
5. Clculos:
a) Grados de libertad.
Tratamientos (muestras)
Error experimental
Total
:t-1
= 4-1
: t(r - 1) = 4x(7 - 1)
: tr - 1
= 4x7 - 1
=3
= 24
= 27
- 110 -

b)
Suma de Cuadrados (SC SS).

TC =
Y..2 ( 3039 )2
=
= 329840.0357
tr
4 x7
i) SC Tratam . =
4
ii)
1458 2 + 552 2 + 430 2 + 599 2

TC = 95041.25
7
7
SCTotal = Yij2 TC = ( 2132 + 214 2 +L+902 ) TC = 425369 - TC = 95528.96429

i =1 j =1
iii) SCerror exptal. = SCtotal - SCtrat.

= 95528.96429 - 95041.25 = 487.7142857
ANALISIS DE VARIANZA
F. de V.
G.L.
S.C.
C.M.
Fc.
Tratamientos
3
95041.25 31680.416667 1558.97
Error experimental 24 487.71429
20.321429
Total
27 95528.96429
CV =
CM error
Y..
100 =
Signif.
**
20.32143
100 = 4.15%
108.54
3
6. Decisin: Como F(tratam.) = 1558.97 > F24,0.01
= 4.72, entonces se acepta la
hiptesis alterna (Ha:), y se rechaza la Ho:

7. Conclusin: Se encontr diferencia estadstica altamente significativa (P 0.01)
entre los tratamientos (Control, bicarbonato de sodio, cloruro de sodio, agua con sal
con combinacin de ambos ingredientes), esto implica que el tiempo de coccin en
minutos son diferentes, esto nos obliga a realizar la prueba post ya que el ANVA es
significativo, y as obtener conclusiones verdaderas para tomar una decisin adecuada.
Prueba de comparacin de DUNNETT (Testigo o control)
1. Hiptesis: H0 : k = j k j Versus Ha : k j
2. Nivel de significacin: = 0.05
3. Encontrar el valor crtico de Dunnett, con los grados de libertad del Error
Experimental, con p = t - 1, el nmero de tratamientos sin incluir el grupo
control o testigo.
GLError = 24 , p = 3, t( DN ) = 2.53
ALS ( DN ) = SY t( DN ) = 2.40959 2.53 = 610
. ,
Anlisis y Diseo de Experimentos - 111 SY =
2CM Error
2 20.32143
=
= 2.409589
r
7
3. Obtener promedios de los tratamientos.
Promedios
T1
208.29
T2
78.86
T3
61.43
T4
85.57
4. Regla de decisin:
S Yi Yj ALS ( DN ) = 6.1 , entonces se acepta la Ho:
. , entonces se acepta la Ha:

S Yi Yj > ALS ( DN ) = 61
5. Realizar las comparaciones:
Comparaciones
Diferencia
ALS(DN) Hiptesis
Significacin
208.29 78.86
129.43
>
6.1
T1 T 2
.
208.29 6143
146.86
>
6.1
T1 T 3
.
208.29 8557
122.72
>
6.1
T1 T 4
6. Conclusin: Todo los tratamientos son diferentes con respecto al grupo

control o testigo.
PROGRAMA EN SAS.
DATA DCA;
INPUT TRAT $ REP COCCION;
DATALINES;
T1
1
213
T1
2
214
..
.
... (Completar la informacin)
T4
6
79
T4
7
90
;
PROC PRINT; RUN;
PROC ANOVA;
CLASS TRAT;
MODEL COCCION = TRAT;
MEANS TRAT /LSD DUNCAN TUKEY;
RUN;
- 112 -
SALIDA DEL SAS (OUTPUT)

The ANOVA Procedure
Class
Levels
Values
TRAT
4
T1 T2 T3 T4
Dependent Variable: COCCION
Source
TRATAMIENTOS
Error
Corrected Total
R-Square
Coeff Var
0.994895
4.153407
Number of observations
Sum of
DF
Squares
Mean Square
3
95041.25000
31680.41667
24
487.71429
20.32143
27
95528.96429
Root MSE
COCCION Mean
4.507930
108.5357
28
F Value
1558.97
Pr > F
<.0001
t Tests (LSD) for COCCION

This test controls the Type I comparisonwise error rate, not the experimentwise error rate.
Alpha
0.05
Error Degrees of Freedom
24
Error Mean Square
20.32143
Critical Value of t
2.06390
Least Significant Difference
4.9731
Means with the same letter are not significantly different.
t
Mean
N
TRAT
A
208.286
7
T1
B
85.571
7
T4
C
78.857
7
T2
D
61.429
7
T3
Duncans Multiple Range Test for COCCION
Alpha
0.05
24
Error Mean Square
20.32143
Number of Means
2
3
4
Critical Range
4.973
5.223
5.384
Mean
N
TRAT
A
208.286
7
T1
B
85.571
7
T4
C
78.857
7
T2
D
61.429
7
T3
Tukeys Studentized Range (HSD) Test for COCCION
Type II error rate than REGWQ.
Alpha
0.05
24
Error Mean Square
20.32143
Critical Value of Studentized Range 3.90126
Minimum Significant Difference
6.6471
Mean
N
TRAT
A
208.286
7
T1
B
85.571
7
T4
C
78.857
7
T2
D
61.429
7
T3
Dunnetts t Tests for COCCION
NOTE: This test controls the Type I experimentwise error for comparisons of all treatments
against a control.
Alpha
0.05
24
Error Mean Square
20.32143
Critical Value of Dunnetts t
2.50672
6.0402
Comparisons significant at the 0.05 level are indicated by ***.
TRAT
Comparison
T4
T2
T3
- T1
- T1
- T1
Difference
Between
Means
-122.714
-129.429
-146.857
Simultaneous 95%
Confidence Limits
-128.754
-135.469
-152.897
-116.674
-123.388
-140.817
***
***
***
Anlisis y Diseo de Experimentos - 113 EJEMPLO

Una Empresa Agrcola necesita establecer si le conviene fertilizar sus cultivos de
soja y si es as, seleccionar el mejor fertilizante. Para este propsito se realiz un
ensayo en un lote de 5 has, dividido en parcels de ha. Cada una, asignando los
tratamientos en forma aleatoria. Los rendimientos obtenidos (qq/ha) fueron los siguientes:
Rep
1
2
3
4
5
CONTROL FERT_A
23
30
20
32
22
29
20
35
21
33
106
159
21.20
31.80
Yi.
Promedio
FERT_B
28
36
31
32
34
161
32.20
FERT_C
27
25
24
28
26
130
26.00
Y.. = 556
27.80
SOLUCIN:
1. Hiptesis:
3. Prueba Estadstica de contraste: F ( Fertilizantes ) = CM Tratam.

CM Error

S
F ( Fert . ) Ft t(r11 ),0.05 entonces se acepta la Ho:
F ( Fert . ) > Ft t( r11 ),0.05 , entonces se acepta la Ha:
5. Clculos:
a) Grados de libertad (GL).
Fertilizantes
Error experimental
Total
b)
:t-1 = 4-1=3
: t(r - 1) = 4x(5-1) = 16
: tr - 1
= 4x5 - 1 = 19
TC =
Y..2 ( 556 )2
=
= 15456.800
4x5
tr
- 114 -

i) SCFert . =
1062 +159 2 + 1612 + 1302

TC = 410.8
5
4
=1
=1
Yij2 TC = ( 232 + 202 +L+262 ) TC = 15944 - TC = 487.200
ii) SCTotal =
i
j
iii) SCError = SCTotal SC Fert . = 487.2 - 410.8 = 76.4
F. de V.
G.L.
S.C.
Entre Fertilizantes 3
410.8
Error experimental 16
76.4
Total
19
487.2
C.M.
136.933333
4.775000
3
6. Decisin: Como F(Fert.) = 28.68 > F16,0.01
Fc.
28.68
Signif.
**
= 5.29, entonces se acepta la hiptesis
alterna (Ha:), y se rechaza la Ho:

7. Conclusin: Se puede afirmar que existe diferencia estadstica altamente
significativa (P 0.01) entre los diferentes tipos de fertilizantes en el cultivo de soja,
esto amerita realizar la prueba mltiple de comparacin de Duncan Tukey, para
obtener las conclusiones y tomar una decisin adecuada. Como ejercicio se deja al
estudiante para que realice la prueba de Duncan.
Prueba Mltiple de comparacin de DUNCAN
1. Hiptesis: H0 : C = F _ A = F _ B = F _ C Vs. Ha : i 0
3. Buscar en la Tabla de Duncan los valores de AES(D) con Grados de Libertad
del Error (GLerror = 16).
p:
A ES(D)
SY =
A LS(D)
ALS ( D ) = SY AES ( D ) , SY = CM Error =

r
3. Ordenar los promedios de mayor a menor.
Fertilizantes
F_B
F_A
F_C
CONTROL
Promedios
32.20
31.80
26.00
21.20
Duncan (P 0.05)
a
a
b
c
S Yi Yj ALS ( D ) , entonces se acepta la Ho:
S Yi Yj > ALS ( D ) , entonces se acepta la Ha:
3.2. DISEO COMPLETAMENTE AL AZAR CON DIFERENTE NUMERO

DE REPETICIONES POR TRATAMIENTO (desbalanceado).
En este tipo de diseo es frecuente encontrar en ganadera, agronoma, agrcola,
etc. con diferente nmero de observaciones por cada tratamiento. Las causas de prdida
de una unidad experimental o varias unidades experimentales es debido a factores
medio ambientales (fenmenos aleatorios), por ejemplo puede ocurrir variaciones
climticas, manejo inadecuado, sanidad, labores culturales, inundaciones, desborde
de ros, entre otros factores ajenos al experimento, por lo que el diseo se convierte
con diferente nmero de observaciones por tratamiento, es decir, el diseo no es
balanceado o no es equilibrado, por lo que el diseo es adecuado para contrastar las
hiptesis en estudio. El modelo aditivo lineal es el siguiente:
Yij = + i + ij ,
i = 1,2 ,L , t
j = 1,2 ,L , ri
donde:
Yij =
Es la variable de respuesta de la j-sima observacin sujeto al i-simo
tratamiento.
= Media general o poblacional.
i =
Es el efecto del i-simo tratamiento.
ij =
Es el error experimental no controlable ( ij ~ N I ( 0 , e2 )
- 116 -
Las estimaciones de parmetros, es similar al diseo completo al azar balanceado.

TABLA ANVA: Frmulas:
F. de V.
G.L.
S.C.
Y i .2
TC
ri
Tratamientos
t-1
i=1
ri
i =1 j =1
Y..
i =1
i =1
S C erro r
g l erro r
i2
t 1
2e + r0 2
2e
2e
i =1 j =1
F YI
GH JK
TC =
ri
i =1 j =1
ri
i
L r OP
1 M
Mr PP
r =
t 1M
MN r PQ
t
ij
.100,
2e + ri
TC
2
ij
CV . =
2
i.
CMerror
2
ij
C.M.E.
Modelo I
Modelo II
SC trat .
t 1
(r 1) Y Yr
Error Experimental
Total
C.M.
i =1
t
i =1
i =1
Frmulas de Clculo:
F YI
GH JK
a) Trmino o Factor de Correccin: TC =
t
ri
ij
i =1 j =1
b) Suma de Cuadrados del Total:
ri
SCtotal = Yij2 TC
i =1 j =1
Yi .2
=
TC
r
i =1
i
t
c) Suma de Cuadrados de Tratamientos:
SCtrat .
d) Suma de cuadrados Error Experimental: SCError = SCTotal - SCTrat.

Se realiza un experimento para determinar si cuatro temperaturas de coccin especficas afectan la densidad de cierto tipo de mermelada. El experimento conduce a los
datos siguientes: (Variable de respuesta: densidad).
Repetic.
1
2
3
4
5
6
7
Yi.
Promedio
100
21.8
21.9
21.7
21.6
21.7
21.5
21.8
152.00
21.71
Temperaturas F
125
150
21.7
21.9
21.4
21.8
21.5
21.8
21.5
21.6
21.5
86.10
21.53
108.60
21.72
175
21.9
21.7
21.8
21.7
21.6
21.8
130.50
21.75
477.20
21.69
SOLUCIN:
1. Hiptesis: H0 : i = 0 versus Ha : i 0
= 0.05
3. Prueba Estadstica de contraste: F ( Tratam. ) =
CM Tratam.
CM Error

S
1
F ( Tratam . ) FgltError
,0 .05 entonces se acepta la Ho:
1
F ( Tratam . ) > FgltError
,0 .05 , entonces se acepta la Ha:
5. Clculos:
a) Grados de Libertad:
GLtrat. = t -1 = 4 - 1 = 3
t =4
GLError = ( ri 1 ) = ( r1 1 ) + ( r2 1 ) + ( r3 1 ) + ( r4 1 ) = 6+3+4+5=18
i =1
t =4
GLTotal = ( ri ) 1 = ( r1 + r2 + r3 + r4 ) 1 = (7 + 4 + 5 + 6) - 1 = 21
i =1
- 118 -
b) Suma de Cuadrados (SC SS):
TC =
Y2
t =4
i =1 i
477.2 2
= 10350.90182
22
Yi2
. 2 108.62 1305
.2
1522 861
TC =
+
+
+
TC = 1035104093
.
TC = 013911039
.
r
7
4
5
6
i =1 i
4
i)
SCTrat . =
4
ri
2
. 2 + 219
. 2 +L+218
. 2 TC = 1035136
. TC = 0.458182
ii) SCTotal = Yij TC = 218
i =1 j =1
iii) SCError Exptal = SCtotal - SCtrat = 0.458182 -0.13911039 = 0.31907143

iv) CM trat =
SCtrat 0.13911039
=
= 0.04637013
3
t 1
v) CM Error Exp. =
vi) Fc =
SCError Exp.
18
0.31907143
= 0.01772619
18
CM Trat .
0.04637013
=
= 2.62
CM Error Exp. 0.01772619
TABLA DE ANALISIS DE VARIANZA (ANOVA)

F. de V.
Entre temperaturas
Error experimental
Total
CV =
G.L.
S.C.
C.M.
Fc Pr > F
3 0.139110390 0.04637013 2.62 0.08
18 0.319071430 0.01772619
21 0.458181820 0.02181818
CM Error
0.01772619
100 =
100 = 0.613%
Y ..
2169
.
Conclusin:
La prueba F de la tabla ANOVA nos muestra que la Fc = 2.62 F 3
=3.16,
18 ,0 .05
entonces se acepta la hiptesis nula (Ho:), es decir no existe diferencia estadstica
entre las temperaturas, para mejorar hay que aumentar el nivel de espaciamiento o
ampliar el intervalo entre las temperaturas.
Anlisis y Diseo de Experimentos - 119 PROGRAMA EN SAS.

DATA DCA2;
INPUT TEMPER REP DENSIDAD;
DATALINES;
100
1
21.8
PROC GLM;
100
2
21.9
CLASS TEMPER;
100
3
21.7
MODEL DENSIDAD = TEMPER;
100
4
21.6
RUN;
100
5
21.7
100
6
21.5
100
7
21.8
125
1
21.7
125
2
21.4
125
3
21.5
125
4
21.5
150
1
21.9
150
2
21.8
150
3
21.8
150
4
21.6
150
5
21.5
175
1
21.9
175
2
21.7
175
3
21.8
175
4
21.7
175
5
21.6
175
6
21.8
;
PROC PRINT; RUN;
SALIDA DEL SAS (OUTPUT).

The GLM Procedure
Class Level Information
Class
Levels
Values
TEMPER
4
100 125 150 175
22
Dependent Variable: DENSIDAD
Source
TEMPER
Error
Corrected Total
R-Square
Coeff Var
0.303614
0.613804
Sum of
DF
Squares
Mean Square
3
0.13911039
0.04637013
18
0.31907143
0.01772619
21
0.45818182
Root MSE
DENSIDAD Mean
0.133140
21.69091
F Value
2.62
Pr > F
0.0827
- 120 -
EJEMPLO:
Se ensay un experimento con cuatro raciones alimenticias para el engorde de cerdos
(incremento de peso en kg), dos de los tratamientos (B y C) tiene tres animales de
ensayo; mientras que el resto de los tratamientos tiene 5 animales por tratamiento.
La informacin se presenta a continuacin:
rep.
1
2
3
4
5
Total
ni
Raciones alimenticias
B
C
40
40
45
35
30
25
A
20
30
15
25
35
125
5
115
3
100
3
D
25
15
10
20
30
100
5
440
16
SOLUCIN:
= 0.05
3. Prueba Estadstica de contraste: F( Raciones ) = CMRaciones

CMError

S
1
F ( Tratam . ) FgltError
1
F ( Tratam . ) > FgltError
5. Clculos:
GLRACIONES = t -1 = 4 - 1 = 3
t =4
GLError = ( ri 1 ) = ( 5 1 ) + ( 4 1 ) + ( 4 1 ) + ( 5 1 ) = 4+2+2+4=12
i =1
t =4
GLTotal = ( ri ) 1 = ( 5 + 3 + 3 + 5 ) 1 = 15
i =1
Anlisis y Diseo de Experimentos - 121 b) Suma de Cuadrados (SC SS):
TC =
Y2
t =4
i =1 i
Y2 440 2
=
= 12100
16
N
Yi2
1252 1152 1002 1002
TC =
+
+
+
TC = 1286666667
TC = 766.666666
.
r
5
3
3
5
i =1 i
4
i)
SCRaciones =
4
ri
2
2
2
2
ii) SCTotal = Yij TC = 20 + 30 +L+30 TC = 13600 TC = 1500
i =1 j =1
iii) SCError Exptal = SCtotal - SCraciones = 1500 - 766.66666 = 733.33333

TABLA DE ANALISIS DE VARIANZA (ANOVA)
F. de V.
Entre raciones
Error experimental
Total
CV =
G.L.
S.C.
C.M.
Fc Signif.
3 766.6666660 255.55555533 4.18
*
12 733.3333330 61.11111108
15 1500.0000000 100.00000000
CM Error
100 =
Y ..
6111111
.
100 = 28.43%
27 .5
Conclusin:
Se ha encontrado que la prueba Fc = 4.18> F 3
=3.49, entonces se rechaza la
12 ,0 .05
hiptesis nula (Ho:), es decir existe diferencia estadstica significativa entre las raciones alimenticias en el incremento de peso vivo (kg) en cerdos, esto nos obliga a
realizar la prueba post-test (comparaciones mltiples), para encontrar las mejores
raciones que han tenido efecto sobre el incremento de peso en cerdos.
- 122 -
Metodologa de la forma matricial.

El modelo lineal expresado en forma matricial es:
LMY OP LM1OP LM1

MMYY PP MM11PP MM11
MMY PP MM1PP MM1
MMY PP MM1PP MM1
MMY PP MM1PP MM0
MMYY PP MM11PP MM00
MMY PP = MM1PP + MM0
MMY PP MM1PP MM0
MMY PP MM1PP MM0
MMYY PP MM11PP MM00
MMY PP MM1PP MM0
MMY PP MM1PP MM0
NY Q N1Q N0
OP
LM
0
P0P
MM
P
MM
0P
MM
0P
P0P
M
0P L O M
P
M
0P M P M
M P+
0P M P M
P M P M
0P N Q M
MM
0PP
MM
1P
P1P
MM
P1P
M
1P
MM
P1Q
N
11
0 0 0
11
12
0 0
12
13
0 0
14
0 0
15
0 0
21
1 0
22
1 0
23
1 0
31
0 1
32
0 1
33
0 1
41
0 0
42
0 0
43
0 0
44
0 0
45
0 0
13
14
15
21
22
23
31
32
33
41
42
43
44
45
OP
PP
PP
PP
PP
PP
PP
PPP
PP
PP
PP
PQ
Las ecuaciones normales generadas a partir del anterior modelo son: ( X ' X )b = X ' Y
LM16
MM 53
MM 3
MN 5
OP LM OP LMY OP
0P P Y P
M M
0P M P = MY P
P M P M P,
0P M P MY P
5PQ MN PQ MNY PQ
5 3 3 5
5 0 0
0 3 0
0 0 3
0 0 0
LM16
M5
X' X = M 3
MM 3
NM 5
5
5
0
0
0
3
0
3
0
0
3
0
0
3
0
LY OP LM440OP
PP MM125
P
= 115P
PP MM100PP
N PQ MN100PQ
OP
MMY
PP X ' Y = MY
PP ,
MMY
QP
MY
5
0
0
0
5
2
3
Debemos encontrar la b 0 = GX ' Y , donde G es la inversa generalizada. Por otro

lado se debe sacar una sub-matriz de XX, lo que denotaremos con M.
LM5
0
M =M
MM0
N0
0
3
0
0
0
0
3
0
OP
PP
PQ
LM
MM
MN
0
15
0
0
1
0 , encontrar la inversa de M. M =
0
5
0
sa generalizada es:
LM0
M0
G = M0
MM0
MN0
OP
PP
PP ,
PQ
0 0 0 0
15 0 0 0
0 13 0 0
0 0 13 0
0 0 0 15
entonces: b 0
LM0
0
M
= GX ' Y = M0
MM0
NM0
0
13
0
0
0
0
13
0
15
13
0
0
0
0
13
0
i) Suma de Cuadrados de Tratamientos de Regresin:
LM
N
SSRm = b0' X' Y NY 2 = 0
LM
N
= 0
1252
5
1152
3
125 115 100

5
3
3
1002
3
OP
Q
OP
PP
PQ
0
0
, entonces la inver0
15
OP LM440OP LM 0 OP
125 5
125
P
P
P
M
M
0 P M115P = M115 3P
P M P M P
0 P M100P M100 3P
1 5QP NM100QP NM100 5QP
0
LM440OP
125
100O M P
F 440I
M115P 16G J
P
H 16 K
5 Q M P
100
MM PP
N100Q
1002
12100 = 766.666666
5
ii) Suma de Cuadrados de Total:
SSTm = Y' Y NY 2 = 20 30 L 20
LM20OP
30
M
P F 440I
30 M M P 16G
MM20PP H 16 JK
MN30PQ
= 13600 12100 = 150
iii) Suma de Cuadrados de Error:
SSE = Y' Y b 0' X ' Y = 13600 12866.66667 = 733.33333

F. de V.
Entre raciones
Error experimental
Total
G.L.
S.C.
C.M.
Fc Signif.
3 766.6666660 255.55555533 4.18
*
12 733.3333330 61.11111108
15 1500.0000000 100.00000000
- 124 -

Se llega a los mismos resultados a travs de la forma matricial.
iv) Estimar:
$ A =
$ i = Yi Y
125 440
= 25 27.5 = 2 .5 , produce efecto desfavorable.

5
16
115 440
$ B =
= 38.33 27 .5 = 10.83 , produce efecto favorable.

3
16
$ C =
100 440
= 33.33 27 .5 = 5.83 ,
3
16
produce efecto favorable.
100 440
$ D =
= 20.0 27.5 = 7.50 , produce efecto desfavorable.

5
16
4
n $
i
= n1$ 1 + n2$ 2 + n3$ 3 + n4$ 4 = 5(-2.5)+3(10.83)+3(5.83)+5(-7.5)=0
i =1
Intervalo Confidencial (IC)
i j
Un intervalo de confianza de 100x(1- ) para la diferencia de los promedios de

dos tratamientos cualesquiera es el siguiente:
LM
MN
Pr (Yi Yj ) t 2,N t CMError
F 1 + 1 I
GH n n JK
i
(Yi Yj ) + t 2,Nt CMError
Intervalo Confidencial (IC) para
LM
MN
F 1 + 1 I OP = 1
GH n n JK P
Q
i
1 2
FG IJ
H K
FG IJ OP = 095
H K PQ .
1 1
1 1
Pr ( 25 38333
. ) 2179
.
61111
.
+ 1 2 ( 25 38333
. ) + 2179
.
61111
.
+
5 3
5 3
Pr( 25.77 1 2 0.893 ) = 0.95
LM
MN
FG 1 + 1IJ
H 5 3K
Pr ( 25 3333
. ) 2179
.
61111
.
FG 1 + 1IJ OP = 0.95
H 5 3K PQ
3 ( 25 3333
. ) + 2179
.
61111
.
Pr( 20.76989 1 3 4.10989 ) = 0.95
LM
N
1 3
Pr ( 25 20 ) 2.179
1 4
OP
Q
2 61111
.
2 61111
.
1 4 ( 25 20 ) + 2 .179
= 0.95
5
5
Pr( 5.77 1 4 15.77 ) = 0.95

Intervalo Confidencial (IC) para 2 3 ( 8.908, 18.908 )
Intervalo Confidencial (IC) para 2 4 ( 5.89 , 30.77 )
Intervalo Confidencial (IC) para 3 4 ( 0 .89 , 25.77 )
Forma general para el modelo: Yij = + i + ij ; i = 1,2 ,L ,t ; j = 1,2 ,L ,ni
LM n
MMnn
X' X = M
MMn
MNnM
OP
PP
P
0P ,
MP
P
nQ
n1 n2
n3 L nt
n1 0
0 n2
0
0
n3 L
M
0
M
0
M
0
L
L
O
L
0
0
LMY OP
Y
P
M
X ' Y = MY P
MM M PP ,
MNY PQ
LM0
M0
G = M0
MM M
MN0
L 0
L 0
L 0
O M
L 1 nt
0
0
1 n1
0
0 1 n2
M
M
0
0
OP
PP
PP
PQ
Debemos encontrar la b 0 = GX ' Y , donde G es la inversa generalizada.
LMn
0
M =M
MM M
N0
b0
OP
PP
PQ
LM
MM
MN
0 L 0
1 n1 0
n2 L 0
0 1 n2
M O M ,encontrar la inversa de M. M 1 =
M
M
0 L nt
0
0
LM0
M0
= GX ' Y = M0
MM M
MN0
0
1 n1
0
M
0
L
L
L
0
1 n2
M
O
0 L
OP LMY OP LM 0 OP LM 0 OP
0 P M Y P M Y n P MY P
0 P MY P = MY n P = MY P
P M P M P M P
M P MMP M M P MM P
1 n PQ MNY PQ MN Y n PQ MNY PQ
0
SUMAS DE CUADRADOS (SS SC)
LMY OP
MY P Y Y Y Y
MY P = + +L+ =
MM M PP n n n n
MNY PQ
a) SSR = b0' X' Y = 0 Y1 Y2 L Yt
2
1
2
2
2
t
2
i
i =1
OP
PP
PQ
L 0
L 0
,
O M
L 1 nt
- 126 -
b) SSR = SSR nY 2 =
m
FG IJ
H K
Yi 2
Y
n/
n/
i =1 ni
t
ni
c)
SSTm = Y' Y nY 2 = Yij2

i =1 j =1
d) SSE = Y' Y b 0' X ' Y =
ni
Yi 2 Y2
n
i =1 ni
t
Y2
n
Yi 2
i =1 ni
t
Yij2
i =1 j =1
F ( Rm ) =
SSRm t 1
SSE n t
b 0 es un estimador insesgado de Hb ms de . Comprobacin:

Y$ = Xb 0
LM0 0
M0 1 n
H = GX' X = M0 0
MMM M
MN0 0
R|b = G X' Y
|b = G X ' Y
S
||b = G X' Y
T M M
0
0
1 n2
M
0
0
1
0
2
0
3
L
L
L
O
L
1
2
OP
PP
PP
PQ
LM
MM
MM
MM
N
n
0
n1
0
n2
0
n3
M
M
1 nt
nt
n1
n1
0
0
M
0
n2
0
n2
0
M
0
L
L
L
L
O
L
n3
0
0
n3
M
0
OP
PP
PP
PP
Q
LM
MM
MM
MM
N
nt 0 0 0
0 1 1 0
0 1 0 1
=
0 1 0 0
M
M M M
nt 1 0 0
0
0
0
1
M
0
L
L
L
L
O
L
OP
PP
PP LMN
PP
Q
0
0
0
0 01t
=
0 0t1 Itt
M
1
OP
Q
Intervalo de confianza de 100x(1- ) para la diferencia de los promedios de dos

tratamientos cualesquiera es el siguiente:
LM
MN
Pr (Yi Yj ) t 2,Nt CMError
F 1 + 1 I
GH n n JK
i
(Yi Yj ) + t 2,N t CMError
F 1 + 1 I OP = 1
GH n n JK P
Q
i
EJEMPLO:
En los invernaderos del Programa de Papa, se llev a cabo un ensayo con tres
variedades de papas mejoradas, plntulas in vitro sembradas en macetas de 8 de
dimetro con la finalidad de evaluar el rendimiento de semilla pre-bsica (V1: variedad
Anlisis y Diseo de Experimentos - 127 Mara Huanca, V2: Molinera, y V3: Mariva). Rendimiento de tubrculo (g/planta)
de tres variedades de papa, plntulas in vitro, bajo condiciones de invernadero. La
informacin se presenta a continuacin:
rep.
1
2
3
4
5
6
7
8
9
10
Total
Promedio
ni
V1
225
225
250
250
200
150
200
150
150
200
2000
200.0
10
Variedades
V2
125
150
150
150
150
75
125
100
125
1150
127.8
9
V3
125
125
175
125
175
150
150
1025
146.4
7
4175
160.577
26
SOLUCIN:
= 0.05
3. Prueba Estadstica de contraste: F ( Varied . ) = CMVarried .

CM Error

S
1
F ( Varied . ) FgltError
1
F ( Varied . ) > FgltError
5. TABLA DE ANALISIS DE VARIANZA (ANOVA)

F. de V.
Entre Variedades
Error experimental
Total
CV =
G.L.
S.C.
C.M.
Fc Signif.
2 26625.0763100 13312.53815500 13.71 **
23 22341.2698400 971.35955826
25 48966.3461500 1958.65384600
97135956
.
100 = 19.41%
160.5769
- 128 -
En base al ANOVA, se ha encontrado que la Fc =13.71> F 2

=5.66, entonces
23,0.05
se rechaza la hiptesis nula (Ho:), y se acepta la hiptesis Ha:, esto nos demuestra
que existe diferencia estadstica altamente significativa (P 0.01) entre las variedades de papa en el rendimiento de tubrculo (g/planta), para obtener las conclusiones
se realiza la prueba post-test.
Prueba Mltiple de Significacin de Duncan.
F
GH
CM Error 1 1
+
2
ni n j
ALS ( D ) = AES ( D ) SY = AES ( D )
I
JK
i = j versus Ha: i j
2. Nivel de Significacin: = 0.05.
1. Hiptesis: Ho:
3. Buscar en la Tabla de Duncan, los valores de AES(D) con los grados de libertad del error. En nuetro ejemplo: GLerror = 23.
p
2
3
AES(D)
2.92
3.07
4. Ordenar los promedios en forma descendente.
Variedades
Mara Huanca (V1)
Mariva (V3)
Molinera (V2)
n
10
7
9
Promedio
200.00
146.43
127.78
Duncan (P 0.05)
a
b
b
Realizamos las comparaciones de promedios:

200 - 146.43 = 53.57 > 31.71, entonces existe diferencia entre V1 y V3.
LSV 1V 3 = 2.92
FG
H
IJ
K
.
97135956
1 1
+
= 3171
.
2
10 7
---------------------------------------------------------------------------------------146.43 - 127.78 = 18.65 32.43, entonces no hay diferencia entre V3 y V2

LSV 3V 2 = 2.92
FG
H
IJ
K
.
97135956
1 1
+
= 32.43
2
7 9
Conclusin: Se ha encontrado que el mejor rendimiento de tubrculo (g/planta)

es la variedad Mara Huanca (V1) frente a las variedades V3 y V2; sin embargo se
obtuvieron rendimientos similares con las variedades V3 y V2.
Anlisis y Diseo de Experimentos - 129 EJERCICIOS:

1. Un fabricante supone que existe diferencia en el contenido de calcio en lotes de
materia prima que son suministrados por su proveedor. Actualmente hay una
gran cantidad de lotes en la bodega. Cinco de stos son elegidos aleatoriamente.
Un qumico realiza cinco pruebas sobre cada lote y obtiene los siguientes datos:
Lote 1
23.46
23.48
23.56
23.39
23.40
Lote 2
23.59
23.46
23.42
23.49
23.50
Lote 3
23.51
23.64
23.46
23.52
23.49
Lote 4
23.28
23.40
23.37
23.46
23.39
Lote 5
23.29
23.46
23.37
23.32
23.38
a) Hay variacin significativa en el contenido de calcio de un lote a otro?. b) Interprete los resultados obtenidos.
2.- Se pide a cuatro qumicos que determinen el porcentaje de alcohol metlico en un
compuesto qumico. Cada uno realiza 3 determinaciones y los resultados son los
siguientes:
Qumico
1
2
3
4
Porcentaje de alcohol metlico

84.99
84.04
84.38
85.15
85.13
84.88
84.72
84.48
85.16
84.20
84.10
84.55
a) Difieren significativamente los resultados obtenidos por los qumicos?. Use = 0.05
b) Interprete los resultados encontrados en base al problema dado.
3.- En una forja se utilizan varios hornos para calentar muestras de metal. Se supone
que todos los hornos operan a la misma temperatura, aunque se sospecha que
quizs esto probablemente no es cierto. Se seleccionan aleatoriamente tres hornos y se anotan sus temperaturas en tres calentamientos sucesivos. Los datos se
muestran a continuacin:
Horno
1
2
3
491.50
488.50
490.10
498.30
484.65
484.80
Temperatura
498.10
493.50
479.90
477.35
488.25
473.00
493.60
471.85
478.65
a) Existe variacin significativa en la temperatura de los hornos?

b) Interprete los resultados obtenidos con criterio tcnico.
4.- Un experimento condujo a comparar tres mtodos de empaque para cierto alimento. El criterio fue el contenido de cido ascrbico (mg/100 g) despus de un
periodo de tiempo. Se obtuvieron los siguientes datos:
- 130 -
A
1 4 .2 9
1 9 .1 0
1 9 .0 9
1 6 .2 5
1 5 .0 9
1 6 .6 1
1 9 .6 3
M to do de e m pa qu e
B
2 0 .0 6
2 0 .6 4
1 8 .0 0
1 9 .5 6
1 9 .4 7
1 9 .0 7
1 8 .3 8
C
2 0 .0 4
2 6 .2 3
2 2 .7 4
2 4 .0 4
2 3 .3 7
2 5 .0 2
2 3 .2 7
Proporcionan estos datos la suficiente evidencia para indicar, a un nivel de significacin de 0.01, que hay una diferencia entre los mtodos de empaque?.
Anlisis y Diseo de Experimentos - 131 3.3. Diseo completo al azar con igual numero de subunidades por unidad experimental.
Este diseo es usado cuando se demandan unidades experimentales muy grandes debido a ello es posible dividirla en subunidades y ser estudiadas a partir de
muestras pequeas, tambin cuando se presentan experimentos donde es muy tedioso tomar toda la unidad experimental, siendo por esto necesario sacar subunidades
de cada unidad. En estas situaciones es permisible modificar el modelo original, lo
cual nos permitir cuantificar el efecto mediante muestras de cada unidad experimental. Lgicamente, la modificacin en la recoleccin de datos acarrear un error
extra al ya mencionado en el modelo; le denominaremos error de muestreo (EM).
Caractersticas:
Se debe tener claro que en este tipo de diseos existen dos tipos de anlisis:
referente a las unidades y otro referente a las subunidades. Los cuales generan dos
fuentes de variabilidades que contribuyen a formar la variancia para las comparaciones entre los promedios de los tratamientos, estas son:
- La variabilidad entre las subunidades de una misma unidad experimental.
El cuadrado medio de esta variabilidad se denomina Error de Muestreo
(EM).
- La variabilidad entre las unidades experimentales de un mismo tratamiento.
El cuadrado medio de esta variabilidad se denomina Error Experimental
(EE).
Casos ilustrativos:
Caso 1: Sea el experimento donde se evalan 4 tratamientos de ellos se pudieron
registrar varias observaciones por batera mediante la conexin de varios
medidores a cada batera. Estas observaciones por batera son llamados
"muestras dentro de unidades experimentales".
Caso 2: En un experimento de campo, el investigador puede no tener tiempo para
cosechar totalmente cada parcela experimental. De esta manera, podr seleccionar al azar varios cuadros por parcela y cosechar el grano en cada
cuadro seleccionado, de nuevo se describir esas observaciones como muestras dentro de unidades experimentales.
Caso 3: Tomemos parcelas de 20 surcos x 40 m de largo, por falta de tiempo para
cosechar, se realiza el muestreo para cada parcela (5 secciones de surco de 5
m).
- 132 -
Caso 4: En un experimento de caa de azcar en que se estudiaron rendimientos,

hay inters de conocer el porcentaje de sacarosa de las variedades, para esto
se puede sacar 4 muestras de caa por parcela.
Caso 5: Otra forma de realizar, es cuando ya est cosechada (forrajes), en el cual se
desea determinar el rendimiento en materia verde, porcentaje de humedad,
el muestreo se realiza en el montn y llevar al laboratorio para su respectivo
anlisis.
Muestreo aleatorio.
Las unidades elementales se asignan al azar a los tratamientos, pero dado que
existen unidades elementales ms grandes esas se subdividen tomndose al azar de
ella como una muestra de la unidad elemental.
Anlisis estadstico.
Teniendo en cuenta t niveles de un factor (tratamientos), r repeticiones y m
submuestras por repeticin Yijk (i = 1,2,...,t, j = 1,2,..., r, k = 1,2,...,s) se considera
como la observacin de una unidad experimental perteneciente a una poblacin cuya
media es
ijk . Entonces se generar tres poblaciones, las cuales se distribuirn nor-
malmente.
El modelo estadstico apropiado estar dada por:
Y ijk = +
ij
ijk
i = 1,2 , L , t
j = 1,2 , L , r
k = 1,2 , L , s
donde:
Yijk = Es la variable respuesta de la k-sima muestra (subunidad) de la j-sima
unidad experimental sujeta al i-simo tratamiento.
= La media general poblacional o constante comn.
i = Es el verdadero efecto del i-simo tratamiento.
ij
= Es el efecto verdadero de la j-sima unidad experimental sujeta al i-simo

tratamiento.
ijk = Es el verdadero efecto aleatorio del error muestral en la k-sima subunidad,

de la j-sima unidad experimental sujeta al i-simo tratamiento.
ij ~ D N I ( 0 , e2 ),
ijk ~ D N I ( 0 , e2 )
Anlisis y Diseo de Experimentos - 133 TABLA ANOVA: Frmulas.

F. de Variacin
G.L.
S.C.
t
Entre grupos
t-1
i =1
Unid. dentro de grupos t(r-1)
Yij2.
i =1 j =1
r
Yi ..2
j =1 rs
r
tr(s-1) Yijk
2
i =1 j =1 k =1
Total
Yi ..2
Y2
...
rs
trs
s
t
Error de muestreo
C.M.
trs-1
i =1 j =1
2
ijk
i =1 j =1 k =1
Fc.
S C tr a t .
t 1
CM t
C M ee
S C e .e x p
CM
CM
t ( r 1)
Yij2.
s
CME.
ee
em
SC em
tr ( s 1)
2 + n e2 + rs
2
i
t 1
2 + s 2e
Y...2
trs
EJEMPLO:
Los datos que se muestran a continuacin se refieren a producciones parciales de
forraje de maz en verde, tomadas como muestras ante la imposibilidad de medir la
produccin total de cada unidad experimental. Los tratamientos consisten en cantidades diferentes de estircol incorporado al suelo como mejorador.
D o s is
0
Y ij.
4 to n /h a
Y ij.
6 to n /h a
Y ij.
2 to n /h a
Y ij.
I
24
23
21
68
25
28
30
83
56
65
58
179
24
19
23
66
II
19
21
24
64
31
24
32
87
62
60
59
181
21
22
24
67
III
18
19
22
59
28
32
36
96
61
60
64
185
23
18
22
63
IV
23
22
20
65
34
33
29
96
62
60
61
183
19
21
23
63
Y...
Y i. .
256
362
728
259
1 6 05
- 134 -

Ho:
Hiptesis:
Ha:
Suma de cuadrados.
SCt =
= 0
256 2 + 362 2 + 728 2 + 259 2 16052
= 12469.895
12
48
SCe.exp. =
68 2 + 64 2 +L+632 + 632 16052
12469.895 = 67.916
3
48
SCtotal = 24 2 + 232 +L+22 2 + 232
16052
= 12765.812
48
SCem = 12765.812 12469.895 + 67.912 = 228

F. de V.
G.L.
Tratamientos
3
Error exptal (EE)
12
Error de muestreo (EM)
32
Total
47
S.C.
12469.896
67.917
228.000
12765.813
C.M.
4156.632
5.660
7.125
Fc.
734.42**
0.79ns.
Con base en lo anterior, y debido a que Fc = 734.42 > F(3,12,0.01) = 5.95, podemos
afirmar que rechazamos la hiptesis de igualdad de tratamientos, pero ser necesario
aplicar otro tipo de pruebas a fin de establecer conclusiones especficas acerca de este
trabajo en particular. Por otra parte, el ANVA slo indica una diferencia entre tratamientos, pero no especifica entre cul; as que efectuaremos una particin de la suma
de cuadrados de tratamientos, considerando los totales de tratamientos en funcin de
su peso.
Yi.
256
259
362
728
SC. = 12/2
C 1 : T1 v s . T 2
-1
1/9
C2 : T1 T2 vs. T3 T4
-1
-1
330625
C 3 : T3 vs. T4
-1
133956
24
5581.500
SCtratam. = 12469.896
2/24
0.375
48
6888.021
FG C
H
t
ij
Y i ..2
i =1
IJ
K
CM =
SCC j
gl
Fc =
CM Ci
CM ee
F 112 ,
2 rs C ij2
i =1
0.375
6888.021
5581.500
0.066ns.
0.05
0.01
1219.12**
987.87**
Lo anterior demuestra que los contrastes ortogonales permiten una mayor

explicacin acerca del efecto de los tratamientos, ya que en el primer contraste indica
la no significancia ( P 0.05) entre T1 y T2 . Por ltimo, cabe mencionar que la Fc para
los errores fue no significativo ( P 0.05) , lo cual nos indica que el error de muestreo
fue grande; as que podemos pensar en un mayor nmero de muestras o en otro
mtodo de muestreo que reduzca ese error.
PROGRAMA EN SAS.
DATA FORRAJE;
INPUT ESTIER PRODUC REP MAIZ;
CARDS;
0
1
1
24
0
1
2
23
0
1
3
21
....................................... (continuar con los siguientes datos)
2
4
2
21
2
4
3
23
;
PROC PRINT; RUN;
PROC GLM;
CLASS ESTIER PRODUC REP;
MODEL MAIZ = ESTIER PRODUC(ESTIER);
TEST H = ESTIER E = PRODUC(ESTIER);
LSMEANS ESTIER PRODUC(ESTIER) /PDIFF STDERR;
RUN; /* PRESIONE F3 PARA EJECUTAR EL PROGRAMA !!!!!! */
- 136 -
SALIDA DE RESULTADOS CON SAS

The GLM Procedure
Class
Levels
Values
ESTIER
4
0 2 4 6
PRODUC
4
1 2 3 4
REP
3
1 2 3
48
Dependent Variable: MAIZ
Source
Model
Error
Corrected Total
R-Square
0.982140
DF
15
32
47
Coeff Var
7.982862
Source
ESTIER
PRODUC(ESTIER)
Sum of
Squares
12537.81250
228.00000
12765.81250
Root MSE
2.669270
DF
3
12
Mean Square
835.85417
7.12500
F Value
117.31
Pr > F
<.0001
Mean Square
4156.63194
5.65972
F Value
583.39
0.79
Pr > F
<.0001
0.6530
MAIZ Mean
33.43750
Type I SS
12469.89583
67.91667
Tests of Hypotheses Using the Type III MS for PRODUC(ESTIER) as an Error Term
Source
DF
Type III SS
Mean Square
F Value
Pr > F
ESTIER
3
12469.89583
4156.63194
734.42
<.0001
The GLM Procedure

Least Squares Means
ESTIER
0
2
4
6
MAIZ LSMEAN
21.3333333
21.5833333
30.1666667
60.6666667
Standard
Error
0.7705518
0.7705518
0.7705518
0.7705518
Pr > |t|
<.0001
<.0001
<.0001
<.0001
LSMEAN
Number
1
2
3
4
Least Squares Means for effect ESTIER

Pr > |t| for H0: LSMean(i)=LSMean(j)
i/j
1
2
3
4
Dependent Variable: MAIZ

2
3
0.8200
<.0001
0.8200
<.0001
<.0001
<.0001
<.0001
<.0001
<.0001
1
4
<.0001
<.0001
<.0001
Anlisis y Diseo de Experimentos - 137 Ejercicio:

Suponga que se est estudiando la dureza de la superficie de un material de acuerdo
a 3 mquinas que se encuentran en 3 plantas de produccin diferentes. Estas mquinas
son operadas por 3 personas diferentes cada una que se escogieron de manera aleatoria.
Cada persona que opera la mquina toma 3 medidas para la dureza del material. Se
obtuvieron las siguientes respuestas:
Personas
1
2
3
1
78
61
75
Mquina 1
2
96
76
65
3
47
58
55
Mquina 2
2
86
80
90
1
93
100
90
3
74
66
80
1
88
75
67
Mquina 3
2
52
55
50
3
43
54
63
Calcule el ANOVA, e interprete los resultados.
3.4. Diseo Completamente al azar con submuestreo (Diferente N de repetic.)

TABLA ANOVA: Frmulas.
F. de Variacin
G.L.
S.C.
F YI
GH JK
rij
ri
t-1
j =1 k =1
SC trat .
gl trat .
TC
ri
i =1
ij
j =1
F YI
GH JK
rij
Error experimental ( ri
1)
i =1
F YI
GH JK
rij
ri
g l e .e xp .
ij
F Y I
GH JK

rij
Error de muestreo
(r
ij
i =1 j =1
Total
ri
ri
Yijk2
i =1 j =1 k =1
ri
ij
i =1 j =1
1)
rij
ri
ri
i =1 j =1
rij
2
ijk
i =1 j =1 k =1
CM t
C M ee
S C e .e xp
j =1 k =1
i =1
j =1
CME.
2e + k 2 2D + k 3 2t
ijk
k =1
i =1 j =1
rij
ri
ijk
ri
Fc.
ijk
Tratamientos
C.M.
ijk
k =1
rij
TC
CM
CM
ee
em
2e +k12D
S C em
g lem
2e
- 138 -
F r I
G J
r GG JJ
n
r
GH JK n.. n..
=
k =
ri
F
I
GH Y JK
TC =
t
rij
ri
ijk
i =1 j =1 k =1
t
ri
ri
ij
i =1 j =1
2
ij
i =1 j =1
glerror exp tal.
(r 1)
i
i =1
F r I r
G JJ
GG
J
GH r JK r
=
ri
ri
2
ij
2
ij
j =1
ri
ri
F I
GH r JK
ri
i =1
j =1
ij
i =1 j =1
t 1
ri
i =1 j =1
ij
j =1
ij
ri
i =1 j =1
ij
k2
ri
j =1
i =1 j =1
i =1
i =1
j =1
ri
ij
(Y ) 2
= ... ,
n..
ij
2
ij
ij
i =1 j =1
k3 =
t 1
EJEMPLO:
Se ha registrado la informacin que corresponde a las llamas del CIP - La Raya, para
lo cual se ha empadrado 7 hembras con 4 padres, registrndose el peso vivo al nacimiento. La informacin se presenta a continuacin.
Padres
Madres
1
2
3
P1
M1
8.0
9.3
Yij.
17.30
Yi..
17.30
M1
8.0
9.5
9.0
26.50
P2
M2
11.0
10.7
M3
8.5
9.5
M1
12.5
12.3
P3
M2
12.0
10.0
10.0
P4
M1
10.0
10.7
9.0
21.70
18.00
24.80
32.00
29.70
170
29.70
170
17
66.20
56.80
nij = rij
ni. = ri.
17
ni = ri
r1 = 1
r2 = 3
r3 = 2
r4 = 1
1. Hiptesis: H 0 : i = 0 Vs. H a : i 0
= 0.05
3. Estadgrafo de contraste: F =
CM Padres
1
~ FgltError
CM EE
Anlisis y Diseo de Experimentos - 139 4. Procedimiento de Clculo.

a)Grados de Libertad (GL).
GLTrat . = t 1 = 4 1 = 3
t =4
GLEE = ( ri 1 ) = ( 1 1 ) + ( 3 1 ) + ( 2 1 ) + ( 1 1 ) = 3
i =1
t =4 ri
r1 =1
r2 =3
r3 =2
r4 =1
i =1 j =1
j =1
j =1
j =1
j =1
GLEM = ( rij 1) = ( r1 j 1) + ( r2 j 1) + ( r3 j 1) + ( r4 j 1)
= ( r11 1) + ( r21 1) + ( r22 1) + ( r23 1) + ( r31 1) + ( r32 1) + ( r41 1)
= (2-1)+(3-1)+(2-1)+(2-1)+(2-1)+(3-1)+(3-1) = 10
t =4
ri
GLTotal = ( rij ) 1 = 2 + 3 + 2 + 2 + 2 + 3 + 3 1 = 17 1 = 16
i =1 j =1
b) Sumas de Cuadrados (SC. SS).

2
Y
TC =
t =4
ri
2
Y
1702
=
= 1700
r
17
ij
i =1 j =1
i)
F YI
GH JK
=
ri
t =4
SCTrat .
rij
ijk
ri
rij
r21 =3
11k
k =1
k =1
r11
j =1 k =1
j =1 k =1
r1 =1
r2 =3
r3 =2
r22 =2
r23 =2
r2 j
k =1
k =1
r21 + r22 + r23
r31=2
k =1
j =1 k =1
r4 =1
r32 =3
31k + Y32k
k =1
r31 + r32
TC
4j
j =1
IJ FG Y
K +H
4jk
r3 j
j =1
r4 =1 r4 j
3jk
j =1 k =1
21k + Y22k + Y23k
r3 =2 r3 j
2jk
j =1
FG Y IJ FG Y
H K +H
=
r2 =3 n2 j
r1 j
j =1
r11 =1
r1 =1 r1 j
1jk
j =1 k =1
i =1
F YI F YI F YI F YI
GH JK GH JK GH JK GH JK
TC =
+
+
+
j =1
IJ FG Y IJ
K + H K TC
2
r41=3
41k
k =1
r41
( Y111 + Y112 )2 (Y211 + Y212 + Y213 + Y221 + Y222 + Y231 + Y232 )2 (Y311 + Y312 + Y321 + Y322 + Y323 )2 (Y411 + Y412 + Y413 )2
+
+
+
TC
r11
r21 + r22 + r23
r31 + r32
r41
(17.3) 2 (66.2) 2 (56.8) 2 (29.7) 2

+
+
+
TC = 1714.985857 TC
2
7
5
3
= 14.9858571
- 140 -
F YI
GH JK
=
rij
t =4
ii) SCEE
F YI
GH JK
ijk
ri
rij
ijk
t =4
k =1
i =1 j =1
rij
ri
j =1 k =1
ri
i =1
ij
j =1
F YI
GH JK
=
r1j
1jk
r1 =1
r2j
r1 j
2jk
r2 =3
k =1
j =1
F YI
GH JK
+
k =1
r2 j
j =1
F YI
GH JK
+
43j
3jk
r3 =2
r4j
r3 j
4jk
r4 =1
k =1
j =1
F YI
GH JK
+
k =1
1714.985857
r4 j
j =1
FGY IJ FGY IJ FG Y IJ FG Y IJ FG Y IJ FG Y IJ FG Y IJ
H K +H K +H K +H K +H K +H K +H K 1714985857
=
.
2
r11=1
11k
k=1
r22 =2
21k
k=1
r23
r32 =3
31k
k=1
r22
r31=2
23k
k=1
r21
r23=2
22k
k=1
r11
r21=3
32k
k=1
r31
r32
n41=3
41k
k=1
r41
(Y111 +Y112 )2 (Y211 +Y212 +Y213 )2 (Y221 +Y222 )2 (Y231 +Y232 )2 (Y311 +Y312 )2 (Y321 +Y322 +Y323 )2 (Y411 +Y412 +Y413 )2
+
+
+
+
+
+
1714985857
.
r11
r21
r22
r23
r31
r32
r41
(17.3) 2 (26.5) 2 (21.7) 2 (18) 2 (24.8) 2 (32) 2 (29.7) 2

+
+
+
+
+
+
1714.985857
2
3
2
2
2
3
3
= 1724.056667 - 1714.985857 = 9.0708096
F YI
GH JK

rij
ri
rij
iii) SCEM = Yijk2

i =1 j =1 k =1
ri
i =1 j = 1
ijk
k =1
rij
= ( 82 + 9.32 +L+9 2 ) 1724.05667
= 1730.76 - 1724.056667 = 6.7033334
iv) SCTotal =
ri
rij
Y
i =1 j =1 k =1
2
ijk
TC = 1730.76 1700 = 30.76
Anlisis y Diseo de Experimentos - 141 RESUMEN EN LA TABLA ANOVA:

F. de V.
Entre Padres
Entre Madres/Padres
Cras/M/P = EM
Total
GL.
3
3
10
16
SC.
14.985857
9.070810
6.703333
30.760000
CM.
4.9952857
3.0236032
0.67033334
Fc
1.65
4.51
Estimacin de los Coeficientes: k1 , k 2 , k 3
F r I
G J
r GG JJ r
GH r JK
k =
=
2
ij
r1 =1
j =1
ri
ij
i =1 j =1
i =1
1j
j =1
r2 =3
r3 =2
r41 =1
j =1
j =1
j =1
+r2 j +r3 j + r4 j
ij
j =1
r1 =1
j =1
j =1
LMF r I F r
G JJ + GG
MG
MMG r J G r
MNGH JK GH
r1 =1
ri
t =4
ri
r2 =3
2
1j
j =1
r2 =3
1j
j =1
2
2j
2j
I F r I F r
JJ + GG JJ + GG
J G J G
KJ GH r JK GH r
r3 =2
r4 =1
2
3j
j =1
r3 =2
j =1
r4 =1
3j
j =1
j =1
( r1 1) + ( r2 1) + ( r3 1) + ( r4 1)
( r 1)
2
4j
4j
IO
JJ
JJ
KQ
i =1
LMr
Nr
OP
Q
k1 =
2
11
OP
Q
F r I F r I
F r I
GG JJ GG
G
JJ .
JJ
10 02857143 G
G
GG r JJ
GH r JJK GGH r JJK
H
K
=
=
ri
ri
2
ij
j =1
bi
i =1
i =1 j =1
ri
t
ij
ij
ij
i =1 j =1
i =1 j =1
t 1
F r +r
G
1002857143
.
G
GG r +r
H
==
r1 =1
r2 =3
2
1j
2
2j
j =1
r1 =1
j =1
r2 =3
1j
2j
j =1
j =1
4 1
I
JJ
F 2 + 3 +2 +2 + 2 +3 +3 IJ
+r +r JJ 1002857143
G
K= .
H 2+ 3+2 +2 + 2 +3+3 K = 249971989
.
r3 =2
r41 =1
j =1
r3 =2
j =1
r41 =1
+r32j +r42j
3j
j =1
ri
i =1
ij
i =1 j =1
ij
ri
rij
i =1 j =1
LMF I F I F I F I OP
GHr JK + GHr JK +GHr JK +GHr JK P
M
N
Q
17
2
r1
j =1
t ri
t 1
4j
j =1
F I
GHr JK
r
t
k3 =
2
ij
i =1 j =1
ri
t
j =1
ri
2
ij
t =4
k2
LM
N
22 32 + 22 + 22 22 + 32 32
r212 + r222 + r232 r312 + r322 r412
17
+
+
+
+
+
2
3+ 2 + 2
2+3 3
r21 + r22 + r23 r31 + r32 r41
11
= 2.3238095
=
3
(1 1) + ( 3 1) + ( 2 1) + (1 1)
17
1j
j =1
r2i
2j
j =1
r4
3j
j =1
17
4 1
r3
4j
j =1
- 142 -
17

r112 + ( r212 + r222 + r232 )2 + ( r312 + r322 )2 + r412
17
17
22 + ( 72 ) + 52 + 32
17
3
= 3960784
.
SALIDA CON SAS.

The GLM Procedure
Class
Levels
Values
PADRE
4
P1 P2 P3 P4
MADRE
3
M1 M2 M3
CRIA
3
1 2 3
17
Dependent Variable: PENAC
Source
Model
Error
Corrected Total
R-Square
Coeff Var
0.782076
8.187389
Sum of
DF
Squares
Mean Square
6
24.05666667
4.00944444
10
6.70333333
0.67033333
16
30.76000000
Root MSE
PENAC Mean
0.818739
10.00000
Source
PADRE
MADRE(PADRE)
DF
3
3
Source
DF
PADRE
3
MADRE(PADRE)
3
Tests of Hypotheses Using the
Source
DF
PADRE
3
The GLM Procedure
Least Squares Means
PADRE
P1
P2
P3
P4
PENAC LSMEAN
8.6500000
9.5611111
11.5333333
9.9000000
Type I SS
14.98585714
9.07080952
Mean Square
4.99528571
3.02360317
F Value
5.98
Pr > F
0.0069
F Value
7.45
4.51
Pr > F
0.0066
0.0301
Type III SS
Mean Square
F Value
Pr > F
16.14253525
5.38084508
8.03
0.0051
9.07080952
3.02360317
4.51
0.0301
Type III MS for MADRE(PADRE) as an Error Term
Type III SS
Mean Square
F Value
Pr > F
16.14253525
5.38084508
1.78
0.3238
Standard
Error
0.5789358
0.3151327
0.3737015
0.4726991
Pr > |t|
<.0001
<.0001
<.0001
<.0001
LSMEAN
Number
1
2
3
4
Least Squares Means for effect PADRE

i/j
1
2
3
4
1
0.1970
0.0019
0.1254
2
0.1970
0.0024
0.5641
3
0.0019
0.0024
0.0219
4
0.1254
0.5641
0.0219
NOTE: To ensure overall protection level, only probabilities associated with preplanned
comparisons should be used.
Anlisis y Diseo de Experimentos - 143 The NESTED Procedure

Coefficients of Expected Mean Squares
Source
PADRE
MADRE
Error
PADRE
3.96078431
2.49971989
1.00000000
MADRE
0.00000000
2.32380952
1.00000000
Error
0.00000000
0.00000000
1.00000000
Variance
Source
Total
Total
PADRE
MADRE
Error
Nested Random Effects Analysis of Variance for Variable PENAC

Sum of
Error
Variance Percent
DF
Squares F Value Pr > F Term
Mean Square
Component of
16
3
3
10
30.760000
14.985857
9.070810
6.703333
PENAC Mean
Standard Error of PENAC Mean
1.922500
4.995286
3.023603
0.670333
2.135836 100.0000
0.452825 21.2013
1.012678 47.4136
0.670333 31.3851
10.00000000
0.57133540
FORMA MATRICIAL
a) Modelo:
Yijk = + i + ij + ijk
Yijk : Es la k-sima observacin en el j-simo madre, sujeto al i-simo padre.

: La media poblacional o constante comn.
i : Es el efecto debido al i-simo padre de llamas.
ij : Es el efecto debido a la j-sima madre, sujeto al i-simo padre.

ijk : Es el trmino de error usual.
(padres), i = 1,2,3,..,a con a = 4 en la tabla de

datos. Para bi niveles del factor anidado dentro del factor (madres dentro de
Haciendo a niveles del factor
padres M/P), j = 1,2,3,..., bi con b1 = 1, b2 = 3, b3 = 2, b4 = 1. Y para

vaciones en el j-simo madre del i-simo padre, k = 1,2,3,.., nij .
nij obser-
- 144 -
b) Ecuaciones normales:
LMY
MMYY
MMY
MMY
MMY
MMYY
MMY
MMY
MMY
MMYY
MMY
MMY
MMYY
N
111
112
211
212
213
221
222
231
232
311
312
321
322
323
411
412
413
OP LM1
PP MM11
PP MM1
PP MM1
PP MM1
PP MM11
PP = MM1
PP MM1
PP MM1
PP MM11
PP MM1
PP MM1
PP MM11
Q N
OP
LM
0
P0P
MM
P LO M
0P M P M
0P M P M
P M P M
0P M P M
0P M P M
P M P M
0P M P M
0P MM PP + M
P M
0P M P M
P M P
0P M P MM
0P M P M
P M P M
0P M P M
0P M P M
P M P M
1P N Q M
MM
1P
P1P
MN
Q
1 0 0 0 1 0 0 0 0 0 0
111
1 0 0 0 1 0 0 0 0 0
112
0 1 0 0 0 1 0 0 0 0
0 1 0 0 0 1 0 0 0 0
0 1 0 0 0 1 0 0 0 0
0 1 0 0 0 0 1 0 0 0
0 1 0 0 0 0 1 0 0 0
0 1 0 0 0 0 0 1 0 0
0 1 0 0 0 0 0 1 0 0
0 0 1 0 0 0 0 0 1 0
0 0 1 0 0 0 0 0 1 0
0 0 1 0 0 0 0 0 0 1
0 0 1 0 0 0 0 0 0 1
0 0 1 0 0 0 0 0 0 1
0 0 0 1 0 0 0 0 0 0
0 0 0 1 0 0 0 0 0 0
0 0 0 1 0 0 0 0 0 0
211
212
213
221
222
231
11
232
21
311
22
312
23
321
31
322
32
323
411
412
413
OP
PP
PP
PP
PP
PP
PP
PP
PP
PP
PP
PP
PP
Q
LM17
MM 27
MM 5
MM 3
MM 2
MM 23
MM 2
MM 2
MM 3
N3
OP LM
P0P MM
P M
0P M
3P M
P M
0P M
0P M
P M
0P M
0P M
P M
0P M
M
0PP M
3PQ MN
2
2
7
0
5
0
3 2
0 2
3 2
0 0
2
0
2
0
3 3
0 0
0
0
0
7
0
0
0
5
0
0 0
0 0
3 0
3 2
0 0
0 0
2
0
0
0
2
0
0
3
0
2
0
0
3
0
0
0 2
0 0
0 0
3 0
0
0
0
0
0
0
0
0
0
0
2
2
0
0
0 0 0
0 0 0
2 0 0
3 0 0
0
0
0
0
2
0
0
0
0
2
0
0
0
0
2
0
0
0
0
3
0 0
3 0
0
1
0
2
0
3
0
4
0
11
0
21
0
22
0
23
0
31
0
32
0
41
OP L 170 O
PP MM17.3 PP
.2 P
PP MM66
P
.8 P
56
M
PP M29.7 P
PP = MM17.3 PP
26.5 P
PP MM 21
P
.7 P
M
PP M18.0 P
PP MM24 .8 PP
PP MM32.0PP
Q MN29.7 PQ
Los puntos representan ceros. La forma general de la ecuacin est dada por:
LMn
MMnn
MMn
MMn
MMn
MMnn
MMn
MMn
MMn
Nn
32
n1
n1
n11
41
2
3
4
11
21
22
23
31
OP
PP
PP
PP
PP
PP
PP
PP
PP
Q
LM
MM
MM
MM
MM
MM
MM
MM
MM
N
OP
PP
PP
PP
PP
PP
PP
PP
PP
Q
LM
MM
MM
MM
MM
MM
MM
MM
MM
N
Y
n2 n3 n4 n11 n21 n22 n23 n31 n32 n41
0
0
n11
Y1
1
0
Y2
n2 n21 n22 n23
2
n3 n31 n32
Y3
03
0
n4 n41
Y4
4
0
n11
Y
11
= 11
0
Y21
n21 n21
21
0
Y
n22 n22
22
22
Y23
n23 n23
023
n31 n31
Y31
031
0
n32 n32
Y32
32
0
n41 n41
Y41
41
OP
PP
PP
PP
PP
PP
PP
PP
PP
Q
c) Resolviendo la ecuacin normal.

r = r( X' X ) =1+a +b (1+a) =b b{
N de madres
=1+4+7(1+4) = 7; GLModelo =b 1= 71= 6
- 146 -
p = 1 + a + b = 1 + 4 + 7 = 12 , p r = 1 + a = 1 + 4 = 5
ij0 = Yij i , j b 0' = 0'1( 1+ a ) Y ' , donde Y ' = Vector de filas de promedio.
Y ' = Y11
Y21 Y22 Y23
b 0' = 0'1( 1+ 4 )
Y31 Y32
Y41 = 8.65 8.83 10.85 9 12.4 10
Y ' = 0 0 0 0 0 8.65 8.83 10.85 9 12.4 10
La inversa generalizada de XX es:
G=
LM0
N0
OP
Q
0
D( 1 nij ) para i = 1,2,...,a; j = 1,2,.., bi Donde D( 1 nij ) .
Para el ejemplo la diagonal principal no son ceros los elementos:
1 1 1 1 1 1 1
, , , , , y
2 3 2 2 2 3 3
d) Anlisis de Varianza (ANOVA).

R( ) = SSM = nY2 = 17
FG 170IJ
H 17 K
= 1700, TC =
2
Y
1702
=
= 1700
n
17
a bi
Yij2 b1 Y12j b2 Y22j b3 Y32j b4 Y42j
R( ,,: ) = SSR = b0' X' Y = = + + +
i=1 j=1 nij
j=1 n1j
j=1 n3 j
j=1 n2 j
j=1 n4 j
. 2 265
. 2 217
. 2 182 248
. 2 322 297
.2
Y112 Y212 Y222 Y232 Y312 Y322 Y412 173
+ +
+ + + +
=
+
+
+ +
+
+
n11 n21 n22 n23 n31 n32 n41
2
3
2
2
2
3
3
= 1724.056667
R( , : ) = R( , , : ) R( ) = 1724.056667 1700 = 24.05666

a
bi
nij
SST = Yijk2 =82 + 9.32 +L+9 2 = 1730.76

i =1 j =1 k =1
SSE = SST R( , , : ) = 1730.76 - 1724.056667 = 6.70333
Anlisis y Diseo de Experimentos - 147 ANOVA: Modelo Lineal General.

F. de V.
Debido a Media
G.L.
SS.
R( )=1700
R( ,: ) =24056666
.
Modelo
GLModelo = b 1= 6
Error Residual
GLError =Nb =177=10
SSE = 6.70333
N = 17
SST = 1730.76
Total
MS.
Fc
MSM = 1700
F(M)= 2536.05
MSRm =4009444
.
.
F( Rm ) =598
MSE = 0.670333
Como F ( M ) = 2536.05 > F101 ,0.01 = 10.04 entonces rechazamos la Ho: E ( Y ) = 0

Como F ( Rm ) = 5.98 > F106 ,0 .01 = 5.39 , entonces rechazamos la Ho:
A partir del ANOVA (Modelo Lineal General), se realizar la particin en dos
fuentes de variacin, lo que llamaremos Modelo Lineal General Completo.
a=4 2
Y
Y2 Y2 Y2 Y2 173
. 2 662
. 2 568
. 2 297
.2
R( , ) = i = 1 + 2 + 3 + 4 =
+
+
+
= 1714985857
.
n1 n2 n3 n4
2
7
5
3
i=1 ni
SSPadres = R( ) = R( , ) R( ) = 1724.056667 1700 = 14.98585

SSMadres/ Padres = R( : , ) = R( , ,: ) R( , ) = 1724.056667 1714985857
.
= 9.0708099
Para comprobar la suma de cuadrados del modelo:

SS Modelo = R( ,: ) = R( : , ) + R( ) = 9.0708099 + 14.985857 = 24.056
Suma de cuadrados del total corregido por la media.

SSTm = SST R( ) = 1730.76 1700 = 30.76
F ( Padres ) = F ( ) =
R( )
14 .9858571
=
= 7.45
( a 1 ) MSE 3 0.670333
F ( Madres: Padres ) = F ( : , ) =
F. de V.
Padres
G.L.
a-1 = 3
R( : , )
9.0708099
=
= 4.51
( b a ) MSE 3 0.670333
SS.
SSPadres =14.985857
Madres/Padres
.
GLM:P =b a = 74 = 3 SSM:P = 90708099
Error Residual
GLError = Nb =177=10
SSE = 6.70333
Total corregido
N - 1 = 16
SSTm = 30.76
MS.
Fc
MSPadres = 49952857
.
F(Padres) =7.4
MSM:P = 30236033
.
MSE = 0.670333
F(M:P) = 4.51
- 148 -
EJEMPLO:
En el Centro Experimental Chuquibambilla de la Universidad Nacional del Altiplano, se evaluaron los pesos de destete (kg) en ovinos criollos de la progenie de 8
hembras, las cuales fueron apareados a 3 padres. Cada padre fue apareado al azar
con diferente nmero de madres, de los cuales cada madre tiene diferente nmero de
cras (1984 - 1989). Con la informacin obtenida se estimaron los componentes de
varianza y la heredabilidad para esta caracterstica. Informacin de peso al destete
(kg) en ovinos criollos del Centro Experimental Chuquibambilla - UNA - Puno.
Padres
Madres
1
2
3
4
5
6
Yijk
nij
Yi..
M602
15
17
14
13
15
74
5
P1
M270
16
15
13
44
3
196
M694
17
19
18
24
78
4
P2
M268 M278
22
22
15
19
19
18
20
15
17
93
5
167
74
4
M246
15
17
18
22
20
17
109
6
P3
M249
16
17
20
18
71
4
290
M603
25
16
16
20
15
18
110
6
653
37
/* PROGRAMA EN SAS */
DATA CRIOLLO;
TITLEDISEO ANIDADO O JERARQUICO;
INPUT PADRE MADRE CRIA PEDE;
CARDS;
1 1 1 15
1 1 2 17
1 1 3 14
1 1 4 13
..................(ingrese los datos siguiente....)
3 3 3 16
3 3 4 20
3 3 5 15
3 3 6 18
;
PROC PRINT; RUN;
PROC GLM;
CLASS PADRE MADRE CRIA;
MODEL PEDE = PADRE MADRE(PADRE);
TEST H = PADRE E =MADRE(PADRE);
RUN; /* PRESIONE UD. F3 PARA EJECUTAR EL PROGRAMA */
Anlisis y Diseo de Experimentos - 149 SALIDA DE RESULTADOS CON SAS.

The GLM Procedure
Class
Levels
Values
PADRE
3
1 2 3
MADRE
3
1 2 3
CRIA
6
1 2 3 4 5 6
37
Dependent Variable: PEDE
Source
Model
Error
Corrected Total
R-Square
Coeff Var
0.311123
15.08633
Sum of
DF
Squares
Mean Square
7
92.8490991
13.2641570
29
205.5833333
7.0890805
36
298.4324324
Root MSE
PEDE Mean
2.662533
17.64865
Source
PADRE
MADRE(PADRE)
DF
2
5
Type I SS
31.79354354
61.05555556
Mean Square
15.89677177
12.21111111
F Value
1.87
Pr > F
0.1113
F Value
2.24
1.72
Pr > F
0.1243
0.1610
Tests of Hypotheses Using the Type III MS for MADRE(PADRE) as an Error Term
Source
DF
Type III SS
Mean Square
F Value
Pr > F
PADRE
2
30.34375550
15.17187775
1.24
0.3647
Least Squares Means

PADRE
1
2
3
PEDE LSMEAN
16.3222222
18.5500000
18.0833333
Standard
Error
0.7855015
0.8930406
0.6778477
Pr > |t|
<.0001
<.0001
<.0001
Least Squares Means for effect PADRE

Dependent Variable: PEDE
i/j
1
2
3
1
0.0712
0.1003
2
0.0712
0.6803
3
0.1003
0.6803
LSMEAN
Number
1
2
3
- 150 -
4
DISEO BLOQUE
COMPLETO AL AZAR
(DBCA)
4.1. DISEO BLOQUE COMPLETO AL AZAR (DBCA)
Caractersticas:
Este diseo es uno de los ms ampliamente conocidos y difundidos de los diseos
experimentales, tambin se conoce como Diseo Bloque Completamente Aleatorizado,
y se caracteriza porque los tratamientos se distribuyen en forma aleatoria, a un grupo
de unidades experimentales denominado bloque, la finalidad es que las unidades
experimentales dentro de un bloque sean lo ms homogneas posibles, es decir el
nmero de unidades experimentales en cada bloque debe ser igual al nmero de
tratamientos que se quiere estudiar.
Los bloques pueden estar formados por reas homogneas de un terreno, grupo
de animales que puedan manipularse en forma uniforme (misma raza, misma edad,
mismo peso, etc.)
En resumen, en este diseo de bloques completos al azar los tratamientos son
aleatoriamente asignados a las unidades experimentales (homogneos) dentro de cada
- 152 -
estrato o subgrupo o bloque. De esta forma, el proceso de aleatorizacin de los

tratamientos ha sido restringido a las unidades dentro de cada bloque. Desde el punto
de vista de la variabilidad de los datos, se han introducido una variabilidad artificial
por estudiar distintos tratamientos.
La variabilidad natural existente entre las unidades experimentales puede ser
subdividida por el hecho de haber agrupado las unidades experimentales en grupos
heterogneos (bloques) pero conformados por unidades homogneas. As, parte de lo
que es la variabilidad natural de las unidades puede ser atribuda a algo ahora conocido
(bloques) y otra parte seguir siendo variabilidad natural de las unidades
experimentales.
Es interesante notar que la restriccin impuesta la aleatorizacin sorteo implica
que cada estrato o bloque corresponde con una repeticin completa de los tratamientos.
Los bloques o repeticiones puede ser das, observadores, animales, corrales,
pacientes, colegios, clones, laboratorios, estufas, cmaras de crecimiento, etc. As
este diseo podra ser usado para controlar una fuente de variacin en el material
experimental y no solamente la variacin entre bloques en un campo.
En la figura siguiente, se observa que las unidades no son completamente iguales,
son heterogneas, tal como se simboliza mediante formas diferentes.
(a)
(b)
(c)
Figura 1: Principio de formacin de bloques

Primero se ordena las unidades experimentales de acuerdo a sus caractersticas,
de forma que todas las unidades iguales formen un grupo (bloque) en el ejemplo cada
bloque comprende 4 unidades homogneas Fig 1 (b). Y finalmente los 4 tratamientos
(indicados mediante 1, 2, 3, 4), se asignan al azar a las 4 unidades de cada bloque Fig
1(c). La evidente heterogeneidad de las unidades est controlada por el proceso de la
Anlisis y Diseo de Experimentos - 153 formacin de bloques. Obsrvese el balance que existe en este diseo. Cada observacin se clasifica de acuerdo con el bloque que contiene la unidad experimental y al
tratamiento aplicado, dando lugar a una clasificacin de dos vas. Cada tratamiento
aparece un nmero igual de veces, generalmente una vez, en cada bloque y cada
bloque contiene todos los tratamientos. Bloques y tratamientos son ortogonales entre
s. Esta propiedad es la que lleva a los sencillos clculos aritmticos que entran en el
anlisis de los datos resultantes. Este diseo se usa con mayor frecuencia que cualquier otro y si da precisin satisfactoria, no hay objeto de usar otro diferente.
EJEMPLO.
Si se tiene un terreno con diferentes niveles de pendiente, para instalar un
experimento se podra distribuir del siguiente modo, en un ensayo de 4 tratamientos.
Bloque I
T1
T2
T3
T4
Mayor pendiente del terreno
Bloque II
T3
T1
T4
T2
Pendiente media del terreno
Bloque III
T4
T3
T1
T2
Poca pendiente del terreno
Si se tiene animales de 3 camadas diferentes, pero de la misma raza se podra bloquear

en forma similar, as para un experimento con 4 tratamientos.
Bloque I
T1
T2
T3
T4
Camada 1 (Animales homogneos)
Bloque II
T3
T1
T4
T2
Bloque III
T4
T3
T1
T2
VENTAJAS:
1) Precisin: este diseo ha resultado ms preciso que el diseo completamente al
azar, para la mayora de los tratamientos experimentales. La eliminacin de la
suma de cuadrados de bloques desde la suma de cuadrados del error usualmente
resulta en un decrecimiento en el cuadro medio del error a pesar de la prdida de
grados libres para estimar este error. Permite ganar mayor precisin en el
experimento, principalmente cuando existe diferencias significativas entre bloques.
Flexibilidad: no existe una restriccin en relacin al nmero de tratamientos y
de repeticiones, sin embargo, el aumento en el nmero de tratamientos conlleva a
- 154 -
la prdida de la homogeneidad dentro de bloques.

2) Es un diseo bastante usado por su adaptabilidad, recomendndose generalmente
ms de tres bloques y por lo menos dos tratamientos por bloque.
3) Es factible realizar el anlisis experimental, cuando por alguna causa se hubiera
perdido algn bloque. Adems si el resultado de una unidad experimental no se
llegara a registrar (prdida de la unidad experimental), existen tcnicas estadsticas
simples para poder estimar el resultado.
DESVENTAJAS:
1) La desventaja de este diseo es que no es adecuado a gran nmero de tratamientos
y para los casos en que el bloque contenga considerable variabilidad.
2) Cuando existe prdida de muchas unidades experimentales, el anlisis estadstico
se complica seriamente y muchas veces no es posible analizarlo.
3) No es recomendable utilizar este diseo cuando se verifica que existe interaccin
entre bloques y tratamientos.
Modelo fijo o Modelo I: Este modelo es usado cuando el investigador selecciona
los tratamientos que desea estudiar en un experimento, de acuerdo a la disponibilidad
del material experimental decide sobre el nmero de bloques. En este caso las
conclusiones sern aplicadas nica y exclusivamente a los tratamientos estudiados.
Matemticamente estas suposicones son.
t
i =1
= 0,
=0
j =1
Modelo al azar o Modelo II: En este modelo el investigador selecciona al azar

una muestra de tratamientos que estudiar en un experimento. El nmero de bloques
tambin es escogido al azar. Las conclusiones del experimento son aplicables a la
poblacin de tratamientos de la cual se extrajo al azar los tratamientos considerados
en el estudio. Matemticamentes, estas suposiciones son:
i ~ (0, 2 ),
j ~ (0, 2 )
Modelo Mixto o Modelo I y II: Este modelo se supone cuando el investigador

selecciona al azar una muestra de tratamientos al azar y el nmero de bloques es fijo.
Las conclusiones son similares a las del modelo al azar.
Anlisis y Diseo de Experimentos - 155 Esquema del diseo bloque completo al azar.
Tabla de valores de la muestra para DBCA.
Tratamientos
(i )
1
2
3
.
i
.
t
Y.j
1
Y11
Y12
Y13
....
Yi1
....
Y1r
Y.1
2
Y21
Y22
Y23
....
Yi2
....
Y2r
Y.2
Repeticiones (j = 1,2,3,..,r)
3
....
j
Y31
....
Y1j
Y32
....
Y2j
Y33
....
Y3j
....
....
....
Yi3
....
Yij
....
....
....
Y3r
....
Ytj
Y.3
....
Y.j
....
....
....
....
....
....
....
....
....
Total
Yi.
Y1.
Y2.
Y3.
....
Yi.
....
Yt.
Y..
r
Yr1
Yr2
Yr3
....
Yir
....
Yrt
Y.r
MODELO ADITIVO LINEAL.

El modelo estadstico lineal aditivo en el DBCA es el siguiente:
Yij = + i + j + ij ;
i = 12
, ,L, t (t = tratamientos)
j = 12
, ,L, r (r = bloques)
donde :
Yij
= Variable de respuesta observada en la unidad experimental ubicada en el jsimo bloque que recibe el tratamiento "i".
= Constante comn para toda la observacin o media de la poblacin.
= Es el efecto del tratamiento i, el cual es igual a ( i ), es la diferencia

entre el promedio poblacional del tratamiento y la media poblacional
j = Es el efecto del bloque j, que es igual a ( j ), es la diferencia entre el

promedio poblacional del bloque y la media poblacional .
ij = Trmino que representa el error de su respectiva Yij que se considera como la
variable aleatoria distribuida en forma normal e independiente con media
cero y variancia constante, es es:
ij
~ D N I (0,
2
e
).
- 156 -
HIPOTESIS:
Modelo I
Respecto a bloques:
Modelo II
H 0 : i = 0
H0 : 2 = 0
H a : i 0
H a : 2 0
H0 : j = 0
H 0 : 2 = 0
Ha : j 0
H a : 2 0
De acuerdo al modelo estadstico lineal el anlisis de varianza tiene tres fuentes de
variacin: Tratamientos, bloques y error experimental que juntos constituyen la
variabilidad total.
Yij = + i + j + ij
Poblacin:
Yij = + ( i ) + ( j ) + ( Yij i j + )
Muestra: Yij = Y + ( Yi Y ) + ( Y j Y ) + ( Yij Yi Y j + Y )
Yij Y = ( Yi Y ) + ( Y j Y ) + ( Yij Yi Y j + Y )
[Yij Y ]2 = [( Yi Y ) + ( Y j Y ) + ( Yij Yi Y j + Y )]2
(Yij Y ) 2 = (Yi Y ) 2 + (Y j Y ) 2 + (Yij Yi Y j + Y ) 2
Aplicando sumatorias a ambos miembros, se tiene:
t
(Y Y ) = (Y Y ) + (Y
ij
i=1 j =1
i=1 j =1
(Y Y )
ij
i=1 j =1
i=1 j =1
i=1
j =1
Y )2 + (Yij Yi Y j + Y )2
i=1 j =1
= r(Yi Y )2 + t (Y j Y )2 + (Yij Yi Y j + Y )2
i=1 j =1
SCTOTAL = SCTRATAMIENTOS + SCBLOQUES + SCERROR EXPERIMENTAL

Diseo completo al azar (DCA)
F. De V.
G.L:
Tratamientos
t-1
Error Experimental
Total
t(r-1)
tr-1
Diseo Bloque Completo al Azar (DBCA)

F. De V.
G.L:
Bloques
r -1
Tratamientos
t-1
Error Experimental
(t-1)(r-1)
Total
tr-1
FORMULA:TABLADEANLISISDEVARIANZAPARAELDISEOBLOQUECOMPLETOALAZAR(DBCA).
SUMADECUADRADO
Gradosde
FuentesdeVariacin Libertad
Definicin
Operacional
r
t(Yj Y)
Bloques
r-1
j=1
Tratamientos
t-1
r(YiY)2
r 2
j
CVE(CM)
Fc
Mode
ModeloI
r
SCBloque = TC
j=1 t
SCBloque CMBloque
CMBloque=
r1 CMError
2e +
Y2
SCTrat. =i TC
i=1 r
SC CMTrat.
CMTrat. = Tratam.
t1 CMError
i=1
Cuadrado
Medio
2
j
j =1
r 1
t
2
e
ri2
i=1
2e+
t r
t r
t 2 r 2
(Yij YiYj +Y)2 SC = Y Yi Yj +TC CM = SCError
ErrorExperimental (t-1)(r-1)
Error
ij
Error
i=1 j=1
(t1)(r1)
i=1 r j=1 t
i=1 j=1
t r
Total
tr-1
(YY)
i=1 j=1
ij
t r
SCTotal =Yij2 TC
i=1 j=1
2e
2e
t 1
2e+
- 158 -
TC =
Y..2
, SCerror = SCtotal ( SCtrat . + SCbloque ), CV . =
tr
CM
EJEMPLO
Un trabajo experimental de elaboracin de nctar de carambola es conducido bajo
DBCA, con el que se busca comparar diferentes diluciones del jugo de este fruto.
Para el anlisis sensorial se utiliz un jurado entrenado, compuesto por 10 personas
que categorizaron las muestras haciendo uso de una escala de 10 cm., marcando una
pequea lnea vertical sobre la escala en el punto que define su calificacin segn el
SABOR. Los resultados fueron los siguientes:
Jueces
1
2
3
4
5
6
7
8
9
10
Yi.
Promedio
A
4.2
6.3
5.3
6.1
5.4
5.3
4.8
5.3
5.2
4.8
52.7
5.27
B
4.0
4.2
5.4
7.0
5.6
4.3
5.4
7.2
5.8
5.3
54.2
5.42
C
5.0
5.6
6.3
6.8
4.8
5.7
6.7
6.7
6.3
6.2
60.1
6.01
D
6.3
5.1
7.8
7.3
6.8
5.5
6.9
6.8
7.2
7.6
67.3
6.73
E
7.2
6.2
8.4
7.6
7.4
6.2
6.5
7.8
7.6
8.9
73.8
7.38
Y.j
26.7
27.4
33.2
34.8
30.0
27.0
30.3
33.8
32.1
32.8
308.1
Promedio
5.34
5.48
6.64
6.96
6.00
5.40
6.06
6.76
6.42
6.56
6.162
SOLUCIN:
1. Hiptesis:
Respecto a bloques:
H0 : j = 0 versus Ha : j 0
= 0.05
3. Prueba Estadstica de contraste: F ( bloque ) =
CM Bloque
CM Error
, F ( Tratam. ) =

Si
F ( bloque ) F( rt 11 )( r 1 ),0.05 entonces se acepta la Ho:
F ( bloque ) > F( rt 11 )( r 1 ),0.05 entonces se acepta la Ha:
F ( Tratam. ) F( tt11 )( r 1 ),0.05 entonces se acepta la Ho:
F ( Tratam. ) > F( tt11 )( r 1 ),0.05 , entonces se acepta la Ha:
CM Tratam.
CM Error
Anlisis y Diseo de Experimentos - 159 5. Clculos:

a)
b)
Grados de libertad.
Bloques
Error experimental
Total
:r-1
= 10 - 1 = 9
:t-1
= 5-1=4
: (r-1)(t-1) = 9 x 4 = 36
: tr - 1
= 5x10 - 1 = 49
TC =
Y..2 ( 308.1 )2
=
= 1898.5122
5x10
tr
i) SCBloques =
26.7 2 + 27.4 2 +L+32.82

TC = 16.02980
5
ii) SCTratam. =
52.7 2 + 54.2 2 + 601

. 2 + 67.32 + 738
.2
TC = 31.7548
10
10
2
2
. 2 +L+8.92 ) TC = 1962.83 TC = 64.3178
iii) SCTotal = Yij TC = ( 4.2 + 63
i =1 j =1
iv) SCerror exptal. = SCtotal - SCbloque - SCtrat.

= 64.3178 - 16.0298-31.7548 = 16.53320
F. de V.
G.L.
S.C.
Bloques (Jueces)
9
16.0298
Entre muestras
4
31.7548
Error experimental 36 16.5332
Total
49 64.3178
C.M.
1.781089
7.938700
0.459256
Fc.
3.88
17.29
Signif.
**
**

7. Conclusin: Existe suficiente evidencia para afirmar que se ha encontrado
diferencia estadstica altamente significativa (P 0.01) entre los jueces (bloques) y
entre las muestras en estudio, esto implica analizar muy detalladamente para obtener
conclusiones coherentes, y para esto se debe realizar la prueba mltiple de comparacin
de Duncan Tukey.
- 160 -

1. Hiptesis: H0 : A = B = C = D = E Vs. Ha : i 0
p:
AES(D)
SY =
0.45925556
10
2
2.86
ALS(D)
3
3.01
4
3.1
0.63
0.65
0.21
0.60
ALS ( D ) = SY AES ( D ) , SY =
0.45925556
CM Error
=
= 0.2143
10
r
Tratamiento
E
D
C
B
A
Promedios
7.38
6.73
6.01
5.42
5.27
Duncan (P 0.0
a
b
c
cd
d
7.38 - 6.73 = 0.65 > 0.6, entonces es significativo
E D
D C
6.01 - 5.42 = 0.59 0.6, entonces no es significativo

C = B
C A
B = A
Anlisis y Diseo de Experimentos - 161 Prueba Mltiple de comparacin de TUKEY

1. Hiptesis: H 0 : A = B = C = D = E Vs. H a : i j
3. Buscar en la Tabla de Tukey (Usa la tabla SNK), los valores de Amplitudes
Estudentizadas Significativas de Tukey AES(T) con Grados de Libertad del
Error (GLerror = 36), p = 5 tratamientos, AES(T) = 4.04
SY =
0.45925556
CM Error
=
= 0.2143 , ALS ( T ) = S Y AES ( T )
,
10
r
= 0 .2143 4 .04 = 0 .86577

Tratamiento
E
D
C
B
A
Promedios
7.38
6.73
6.01
5.42
5.27
Tukey (P 0.05)
a
ab
bc
c
c
S Yi Yj ALS ( T ) , entonces se acepta la Ho:
S Yi Yj > ALS ( T ) , entonces se acepta la Ha:
E C

E = D
D = C
D B
C = B
C = A
- 162 -
PROGRAMA EN SAS.
DATA AGROIND;
INPUT TRAT $ JUECES SABOR;
DATALINES;
A
1
4.2
A
2
6.3
A
3
5.3
.
.
...
B
1
4.0
B
2
4.2
B
3
5.4
.
.
...
C
1
5.0
C
2
5.6
C
3
6.3
.
.
...
D
1
6.3
D
2
5.1
D
3
7.8
.
.
...
E
1
7.2
E
2
6.2
E
3
8.4
.
.
...
E
9
7.6
E
10
8.9
;
PROC PRINT; RUN;
PROC ANOVA;
CLASS TRAT JUECES;
MODEL SABOR = JUECES TRAT;
MEANS JUECES TRAT/DUNCAN TUKEY;
RUN;
Anlisis y Diseo de Experimentos - 163 SALIDA DEL SAS (OUTPUT)

Class
Levels
Values
TRAT
5
A B C D E
JUECES
10
1 2 3 4 5 6 7 8 9 10
50
Dependent Variable: SABOR
Source
Model
JUECES
TRAT
Error
Corrected Total
R-Square
0.742945
Coeff Var
10.99779
DF
13
9
4
36
49
Sum of
Squares
47.78460000
16.02980000
31.75480000
16.53320000
64.31780000
Root MSE
0.677684
Mean Square
3.67573846
1.78108889
7.93870000
0.45925556
F Value
8.00
3.88
17.29
Pr > F
<.0001
0.0016
<.0001
SABOR Mean
6.162000
Duncans Multiple Range Test for SABOR

Alpha
0.05
36
Error Mean Square
0.459256
Number of Means
2
3
4
5
Critical Range
.6147
.6462
.6667
.6815
Mean
N
TRAT
A
7.3800
10
E
B
6.7300
10
D
C
6.0100
10
C
D
C
5.4200
10
B
D
5.2700
10
A
Tukeys Studentized Range (HSD) Test for SABOR
Alpha
0.05
36
Error Mean Square
0.459256
0.8701
Mean
N
TRAT
A
7.3800
10
E
B
A
6.7300
10
D
B
C
6.0100
10
C
C
5.4200
10
B
C
5.2700
10
A
- 164 -
4.2. Diseo Bloque Completo al Azar con submuestreo.

Este diseo es similar al diseo completo al azar con muestreo o con subunidades
excepto que ahora tendremos una fuente de variabilidad ms que es la debida a bloques.
Aparece esta fuente de variacin cuando el material experimental causa variabilidad
que para efectos de controlar el error experimental, el experimentador deber
considerarlo en el anlisis estadstico de resultados.
Se utilizar entonces cuando el experimentador cuenta con unidades
experimentales grandes quedando la posibilidad de poder subdividirlas en
observaciones parecidas o subunidades, las mismas que sern muestreadas para efectos
de llevar a cabo el experimento.
En algunos casos experimentales resulta antieconmico o no es posible cuantificar
el efecto de los tratamientos en la totalidad de la unidad experimental. En estas
circunstancias es permisible modificar el modelo original, lo cual nos permitir
cuantificar el efecto por medio de muestras de una misma unidad experimental.
Lgicamente, lo anterior acarrear un error extra al ya cuantificado en el error
experimental, le denominaremos error de muestreo (EM).
Modelo estadstico: Yijk = + i + j + ij + ijk ;
i = 1,2,L , t
j = 1,2,L , r
k = 1,2,L , s
donde:
Yijk = Es la variable respuesta de la k-sima muestra (subunidad) de la j-sima
unidad experimental sujeta al i-simo tratamiento.
= La media general poblacional o constante comn.
j = Es el verdadero efecto del j-simo bloque.
ij = Es el efecto verdadero de la j-sima unidad experimental sujeta al i-simo
tratamiento.
ijk = Es el verdadero efecto aleatorio del error muestral en la k-sima subunidad,
de la j-sima unidad experimental sujeta al i-simo tratamiento.
ij ~ D N I ( 0 , e2 ),
ijk ~ D N I ( 0 , e2 )
Anlisis y Diseo de Experimentos - 165 TABLA ANOVA: Frmulas.

F. de Variacin
G.L.
S.C.
r
Y . 2j .
j =1
ts
Bloques
r-1
Tratamientos
t-1
Error Exptal (EE)
trs-1
Fc.
CME.
Y ...2
tr s
SC bloque
CM bloque
r 1
CM ee
2s + s e2 + ts 2
Yi ..2 Y...2
rs
trs
S C tr a t .
t 1
CM t
C M ee
2s + s2e + rs2
(r-1)(t-1) por diferencia
Error de muestreo(EM) tr(s-1)
Total
i =1
C.M.
GH Y
2
ijk
i, j
I
s JK
Yij2.
2
ijk
i =1 j =1 k =1
SCe.exp
(t 1)(r 1)
SC em
tr ( s 1)
CM
CM
ee
em
2s + s 2e
2s
Y...2
trs
EJEMPLO:
Veamos un caso ilustrativo al respecto con el objeto de investigar la bondad de 5
dosis alimentarias, en el crecimiento de peces ornamentales de cierta especie, se
plane un experimento en el cual se dispone de 20 acuarios conteniendo 15 peces
cada uno. El experimentador advierte cierta heterogeneidad en el tamao de los
acuarios, por lo que decide utilizar el D.B.C.A. para el anlisis de resultados, surgiendo de pronto el inconveniente de que no se utilizar todos los peces de cada
acuario sino a lo sumo 3 peces por razones de costos, recurrindose entonces a obtener muestras de tamao 3 de cada pecera y determinar el ellos la(s) caracterstica(s)
a ser estudiadas, una de las cuales fue incrementos de peso en gramos y cuyos resultados luego de cierto tiempo de iniciado el experimento se presentan en el cuadro
siguiente.
- 166 -
Unidades SubUnidades
(acuarios)
(peces)
1
1
2
3
2
1
2
3
1
2
3
1
2
3
Yi..
VITAMINAS
T2
T3
T4
2.1
2.3
3.5
2.9
2.5
3.8
3.5
2.6
4.2
8.5
7.4
11.5
2.9
2.6
3.5
2.6
2.6
3.4
2.8
2.4
3.6
8.3
7.6
10.5
2.6
2.3
3.9
2.8
2.8
3.7
2.5
2.7
3.8
7.9
7.8
11.4
3.1
3.1
4.8
3.5
3.0
4.9
3.6
3.2
4.6
10.2
9.3
14.3
34.9
32.1
47.7
T1
3.5
4.2
4.1
11.8
4.1
4.0
4.3
12.4
4.0
4.2
4.1
12.3
4.6
4.5
4.8
13.9
50.4
T5
4.5
4.6
4.5
13.6
3.9
4.3
4.4
12.6
4.5
4.8
4.5
13.8
5.1
5.3
5.4
15.8
55.8
Y.j
52.8
51.4
53.2
63.5
Y...= 220.9
SOLUCIN:
Ho:
1. Hiptesis: Para tratamientos
Ho:
Para bloques
i
j
= 0 versus
Ha:
= 0 versus
Ha:
0
0

3. Estadstica de prueba: Entrega el ANOVA - Prueba F.
4. Procedimiento de clculo:
a) Grados de Libertad (GL).
GLBloque = r 1 = 4 1 = 3
GLTrat . = t 1 = 5 1 = 4
GLEE = ( r 1 )( t 1 ) = 3 4 = 12
GLEM = tr ( s 1 ) = 5 4 2 = 40
GLTotal = trs 1 = 5 4 3 1 = 59
b) Sumas de Cuadrados (SC).

TC =
2
Y
( 220.9 )2
=
= 813.2801667
trs 5 4 3
4
Y2j
j =1
ts
SCBloque =
TC =
. 2 + 53.2 2 + 635
.2
52.82 + 514
TC = 6.20583334
15
Anlisis y Diseo de Experimentos - 167 2

.2
Yi
50.4 2 + 34.92 +L+558
TC =
TC = 34.84566667
43
i =1 rs
5
SCTrat . =
SCTot Unidad =
Yij2
s
i =1 j =1
TC =
. 2 + 8.52 +L+158
.2
118
TC = 4194983334
.
3
34.84566667 6.20583334 = 0.8983333

SCEE = SCTotal SCTrat . SCbloque = 419498334
.
Otra alternativas de calcular es:

5
SCTot Unidad =
i =1 j =1
Yij2
s
4 Y
Yi 2
Y2
j
+ = 855.23 848.125833 819.486 + 813.2801667 = 0.8983

trs
i =1 rs
j =1 ts
5
. 2 + 4.2 2 +L+5.4 2 TC = 857.67 TC = 44.38983

SCTotal = Yijk2 TC = 35
i =1 j =1 k =1
SCEM = SCTotal SCTrat . SCbloque SCEE = 44.38983334 3484566667

.
620583334
.
08983333
.
= 244
.
Otra forma:
5
SCEM = Yijk2
i =1 j =1 k =1
i =1 j =1
Yij2
s
= 857.67 855.23 = 2.44
TABLA DE ANALISIS DE VARIANZA

F. de V.
G.L.
S.C.
Bloques
3
6.205833
Tratamientos
4
34.845667
Error exptal. (EE)
12
0.898333
Error muestreo (EM)
40
2.440000
Total sub-unidad.
59
44.389833
C.M.
2.0686
8.7114
0.0749
0.0610
Fc. Signif.
27.63 **
116.37 **
1.23
CONCLUSION: Respecto a bloques, se ha logrado controlar el error experimental al establecer bloques en el presente experimento. Referente a tratamientos, los promedios de incremento de peso de las cinco vitaminas en estudio en
peces ornamentales son diferentes en forma altamente significativa, pues se ha
rechazado la hiptesis nula (Ho:). Para interpretar mejor se debe realizar la prueba de comparacin de medias Duncan, y se deja como ejercicio al estudiante.
- 168 -
DATA PECES;
INPUT TRAT BLOQ REP PESO;
CARDS; /* Estos datos estn dados anteriormente en la matriz de datos */
1 1 1 3.5 1 3 1 4.0 2 1 1 2.1 2 3 1 2.6 3 1 1 2.3 3 3 1 2.3 .............
1 1 2 4.2 1 3 2 4.2 2 1 2 2.9 2 3 2 2.8 3 1 2 2.5 3 3 2 2.8 5 3 2 4.8
1 1 3 4.1 1 3 3 4.1 2 1 3 3.5 2 3 3 2.5 3 1 3 2.6 3 3 3 2.7 5 3 3 4.5
1 2 1 4.1 1 4 1 4.6 2 2 1 2.9 2 4 1 3.1 3 2 1 2.6 3 4 1 3.1 5 4 1 5.1
1 2 2 4.0 1 4 2 4.5 2 2 2 2.6 2 4 2 3.5 3 2 2 2.6 3 4 2 3.0 5 4 2 5.3
1 2 3 4.3 1 4 3 4.8 2 2 3 2.8 2 4 3 3.6 3 2 3 2.4 3 4 3 3.2 5. 4 3 5.4
;
PROC PRINT; RUN;
PROC GLM;
CLASS TRAT BLOQ REP;
MODEL PESO = BLOQ TRAT BLOQ(TRAT);
TEST H = TRAT E=BLOQ(TRAT);
TEST H = BLOQUE E=BLOQ(TRAT);
LSMEANS TRAT /PDIFF STDERR;
RUN; /* Presione F3 para ejecutar el programa */
EJEMPLO.
Los datos siguientes expresan las producciones de forraje verde de tritricale,
obtenidas de un estudio donde se probaron cuatro dosis diferentes de nitrgeno en
una misma variedad. A continuacin presentamos la informacin.
Dosis
100 kg/ha
Yij.
200 kg/ha
Yij.
300 kg/ha
Yij.
400 kg/ha
Yij.
Y.j.
I
24
23
21
68
25
28
30
83
56
65
58
179
24
19
23
66
396
II
19
21
24
64
31
24
32
87
62
60
59
181
21
22
24
67
399
III
18
19
22
59
28
32
36
96
61
60
64
185
23
18
22
63
403
IV
Yi..
23
22
20
256
65
34
33
29
362
96
62
60
61
183 728
19
21
23
259
63
407 1605
ANALISIS DEVARIANZA
F. De V.
G.L.
S.C.
C.M.
Fc.
Tratamientos
3 12469.890 4156.630 601.5**
Bloques
3
5.729 1.910
0.27ns.
Error exptal. (EE)
9
62.190 6.910
0.97ns.
Error de muestreo (EM) 32
228.001 7.125
Total
47 12765.810
Anlisis y Diseo de Experimentos - 169 Como es posible observar en el anlisis de varianza, a partir de la Fc = 601.54 >
F(3,9,0.01) = 6.99, podemos decir que rechazamos la hiptesis de igualdad de tratamientos, lo que no ocurre as para bloques.
Comprobar el ejemplo anterior con el Paquete Estadstico SAS.
Hallar la curva de respuesta.
EJERCICIOS:
1. Analice los resultados del siguiente experimento.
Horas luz diurna
Bajas temperaturas nocturnas
Altas temperaturas nocturnas
Nmero
8
12
16
8
12
16
Matera No.
Matera No.
Matera No.
Matera No.
Matera No.
Matera No.
de
plantas 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3
1
3.5 2.5 3.0 5.0 3.5 4.5 5.0 5.5 5.5 8.5 6.5 7.0 6.0 6.0 6.5 7.0 6.0 11.0
2
4.0 4.5 3.0 5.5 3.5 4.0 4.5 6.0 4.5 6.0 7.0 7.0 5.5 8.5 6.5 9.0 7.0 7.0
3
3.0 5.5 2.5 4.0 3.0 4.0 5.0 5.0 6.5 9.0 8.0 7.0 3.5 4.5 8.5 8.5 7.0 9.0
4
4.5 5.0 3.0 3.5 4.0 5.0 4.5 5.0 5.5 8.5 6.5 7.0 7.0 7.5 7.5 8.5 7.0 8.0
a) Calcule el ANOVA e interprete los esultados.

2. Observaciones sobre la calidad de un producto obtenido en ocho manufactureras
en tres zonas. Analice y emita sus conclusiones.
Zona
Plantas
Observaciones
I
6
A
II
6, 8
II
6, 7, 8
I
5, 7
B
II
6, 7
C
III
6
I
7
II
7, 9
3. Un mtodo de muestrear peces en un lago consiste en matarlos todos con rotenona,

recogerlos en baldes y luego tomar una muestra al azar de los baldes. En un experimento de estos, se tom una muestra de 2 baldes de un total de 20 y se midi la
longitud de los peces en pulgadas. Los datos fueron:
Muestra A: 5 peces de 5 pulgadas, 19 de 6, 19 de 7, 8 de 8 y 3 de 9; n=54
Muestra B. 10 peces de 5 pulgadas, 27 de 6, 15 de 7, 6 de 8 y 3 de 9; n=61
Para cada muestra, calcular la media. Cul es la clase modal para cada muestra? Se calcul la media utilizando 54 (61) observaciones individuales o como media ponderada? La media ponderada es la misma que la media aritmtica de todas
las 115 obesrvaciones? Existe diferencia estadstica entre el promedio de las dos
muestras haciendo uso de la prueba de t y luego con el Anlisis de variancia.
- 170 -
4.3. ANLISIS FUNCIONAL DE LA VARIANZA.

El anlisis funcional de la varianza se refiere a la prueba de significacin de las
comparaciones individuales o de grupos de tratamientos. Estas comparaciones se
pueden probar dividiendo los grados de libertad para efecto de tratamientos en grados de libertad simples y que nos permita una mejor interpretacin de resultados.
Realizando una extensin del ANOVA, se pueden subdividir las suma de cuadrados de los tratamientos en un nmero de componentes que son apropiados para las
preguntas individuales y realizar una prueba contraste de F para el cuadrado medio
de cada componente. Algebraicamente, un contraste entre las cantidades T , ... ,T
1
k
donde T es la suma de r observaciones est definido por:
i
Q j = c1 j T1 + c2 j T2 + c3 j T3 +L+ ckj Tk con
ri cij = 0 Q j = cij Ti
k
i =1
i =1
Si r1 = r2 =L = rk , si cada T es la suma del mismo nmero de observai

k
ciones, entonces la condicin necesaria para un contraste se reduce a:
r c
i ij
=0
i =1
Las Ti puede ser totales o promedios de tratamientos, los totales son ms convenientes para las pruebas, y los promedios para la estimacin de intervalos de confianza. Un contraste siempre tiene un solo grado de libertad ( GLContraste = 1 ).
FG c T IJ
H K
=
k
SCContraste Q j = SCQ j =
Q 2j
k
rc
2
i ij
i =1
ij i
i =1
k
rc
2
i ij
i =1
REGLAS:
1. Si Q j = c1 jT1 + c2 jT2 +...+c kjTk
les de tratamientos, entonces
( c i = 0) es una comparacin de los tota-
Q 2j
k
rc
es parte de la suma de cuadrados de trata-
2
i ij
i =1
mientos, asociados con 1 slo grado de libertad, donde r es el nmero de

i
observaciones en cualquier total de tratamiento.
Anlisis y Diseo de Experimentos - 171 La regla implica que
Q 2j
no puede exceder o ser mayor a la suma de cua-
rc
2
i ij
i =1
drados de tratamientos.
Q1 = c11T1 + c 21T2 +...+ c k1Tk
2. Las dos comparaciones:
Q2 = c12 T1 + c 22T2 +...+c k 2 Tk son ortogonales

si, c11c12 + c21c22 +...+c k1c k 2 = 0,
rc
c =0
i ip iq
i =1
3. Si dos comparaciones son ortogonales, sus contribuciones
(p q)
Q12
k
r ci21
i =1
Q22
k
r ci22
son
i =1
partes independientes de la suma de cuadrados para tratamientos, cada una

con 1 grados de libertad. Esto implica que la SCtratamientos puede dividirse
en las contribuciones de la Q y Q , ms cualquier remanente con [(t-3) gra1
2
dos de libertad].
4. En T tratamientos, si (t-1) comparaciones son mutuamente ortogonales (es
decir, que cada par es ortogonal), entonces:
Q12
k
r c
2
i1
i =1
Q22
k
r c
2
i2
i =1
Q32
k
r c
2
i3
i =1
+L+
Qt21
k
r c
i =1
= SCTratamientos
2
i ( t 1 )
EJEMPLO:
Se registr observaciones con el objeto de comparar 7 fungicidas para semillas y
un control sin tratamiento respecto a la emergencia de plntulas de maz infectado
con Diplodia spp. El experimento se llev a cabo en un invernadero con 6 bloques en
un diseo en bloques completo al azar. Cada unidad experimental consista en 25
semillas. Los datos y tratamientos codificados se dan a continuacin: Densidad de
semillas de maz en invernaderos, infectados con Diplodia spp. en tratamiento con
varios fungicidas.
- 172 -
Bloques
I
II
III
IV
V
VI
Total
A
8
8
9
7
7
5
44
Smbolo
A
By C
Dy H
E, F y G
B
16
19
24
22
19
19
119
Tratamientos*
C
D
E
F
G
14
10
8
8
7
16
11
7
8
6
14
12
1
3
6
13
8
1
3
6
14
7
3
3
4
13
3
2
7
4
84
51
22
32
33
*Tratamiento
Control sin tratamiento.
Fungicidas Mercricos.
Fungicidas no mercricos, Compaa I
Fungicidas no mercricos, Compaa II,
donde F y G son formulaciones nuevas de E.
H
12
19
9
11
9
5
65
Total
83
94
78
71
66
58
450
PROCEDIMIENTO: a) Se realiza el ANOVA bsico.

1. Hiptesis:
Respecto a bloques:
= 0.05
CM Bloque
CM Error
, F ( Tratam. ) =

S
5. Clculos:
Bloques
Tratamientos
Error experimental
Total
b)
:r-1
=6-1=5
:t-1
=8-1=7
: (r-1)(t-1) = 5 x 7 = 35
: tr - 1
= 8x6 - 1 = 47
TC =
Y2 ( 450 )2
=
= 4218.75
68
tr
CM Tratam.
CM Error
Anlisis y Diseo de Experimentos - 173 i) SC Bloq ues =

ii) SCTratam. =
83 2 + 94 2 + L + 58 2
T C = 10 2 .50
8
44 2 +119 2 + 84 2 +L+332 + 652

TC = 1210.583333
6
5
10
iii) SCTotal = Yij2 TC = ( 82 + 82 +L+52 ) TC = 5734 TC = 1515.25

i =1 j =1
iv) SCerror exptal. = SCtotal - SCbloque - SCtrat.

= 1515.25 - 102.5 - 1210.583333 = 202.166667
F. de V.
G.L.
S.C.
C.M.
Bloques
5
102.5
20.500000
Tratamientos
7 1210.583333 172.940476
Error experimental 35 202.166667 5.776190
Total
47
1515.25
Fc.
3.55
29.94
Signif.
ns.
**

7. Conclusin: Existe suficiente evidencia para afirmar que se ha encontrado
diferencia estadstica altamente significativa (P 0.01) entre los tratamientos, esto
implica realizar los contrastes para obtener las conclusiones coherentes.
b) Se descomponelos grados de libertad y la suma de cuadrados de tratamientos
en siete contrastes (formar los posibles contrastes con los tratamientos).
C1 :
C2 :
C3 :
C4 :
C5 :
C6 :
C7 :
A
(B y C)
B
(D y H)
D
E
F
versus
versus
versus
versus
versus
versus
versus
(B, C, D, E, F, G, H)
(D, E, F, G, H ) (Fungicidas Mercricos Vs. Fungicidas no me
C (Entre fungicidas mercricos)
(E, F y G) (Entre las compaas)
H (entre los productos de la compaa I)
(F y G) (entre con las nuevas formulaciones)
G (entre formulaciones nuevas)
- 174 -
Tratamiento
divisores
A
32
33
Qj
65
FG c IJ SCQ
H K
k
2
i.
84
C1 : A vs (B,C,D,E,F,G,H)
-1
-1
-1
-1
-1
-1
-1
-98
56(6)
28.583
C2 : (B y C) vs (D,E,F,G,H)
-2
-2
-2
-2
-2
609
70(6)
883.05 **
C3 : B vs C
-1
35
2(6)
102.08 **
C4 : (D y H) vs (E,F,G)
-2
-2
-2
174
30(6)
168.20 **
C5 : D vs H
-1
-14
2(6)
16.333
C6 : E vs (F y G)
-1
-1
-21
6(6)
12.25
C7 : F vs G
-1
-1
2(6)
0.08
Yi.
22
44 119
Contrastes
51
i =1
SCTratamientos =
1210.5833
k =8
Verificando para j = 1 entonces
Q1 = ci1Ti
i =1
Q1 = c11T1 + c21T2 + c31T3 + c41T4 + c51T5 + c61T6 + c71T7 + c81T8 =

= 7(44)+(-1)(119)+(-1)(84)+(-1)(51)+(-1)(22)+(-1)(32)+(-1)(33)+(-1)(65)= -98
Q2 = c12 T1 + c22 T2 + c32 T3 + c42 T4 + c52 T5 + c62 T6 + c72 T7 + c82 T8 =

= 0(44)+(5)(119)+(5)(84)+(-2)(51)+(-2)(22)+(-2)(32)+(-2)(33)+(-2)(65)= 609
Q3 = c13T1 + c23T2 + c33T3 + c43T4 + c53T5 + c63T6 + c73T7 + c83T8 = 35

Q4 = c14 T1 + c24 T2 + c34 T3 + c44 T4 + c54 T5 + c64 T6 + c74 T7 + c84 T8 = 174
Q5 = c15T1 + c25T2 + c35T3 + c45T4 + c55T5 + c65T6 + c75T7 + c85T8 = -14
Q6 = c16 T1 + c26 T2 + c36T3 + c46T4 + c56T5 + c66 T6 + c76 T7 + c86 T8 = -21
Q7 = c17 T1 + c27 T2 + c37 T3 + c47 T4 + c57 T5 + c67 T6 + c77 T7 + c87 T8 = -1

Un mtodo ms fcil para calcular es multiplicar la matriz por un vector.
LM7
MM00
MM0
MM0
MM0
N0
44 O
OP LM119
PP LM98OP
M
P
M 84 P M609 P
0 P M P M 35 P
P 51 M P
3 P M P = M174 P
M 22 P
1P M P M 14P
32
P
M P
0 P MM PP M 21P
33
0 QP M P MN 1 PQ
MN 65 PQ
1 1 1 1 1 1 1
5
2 2 2 2 2
2 2 2
1 1
Anlisis y Diseo de Experimentos - 175 Clculo de los divisores: D j = r
FG c IJ
H K
k
2
ij
i =1
2
2
2
2
+ c312 + c41
+ c512 + c61
+ c71
+ c812 = 6 72 + ( 1)2 + ( 1)2 + ( 1)2 + ( 1)2 + ( 1)2
D1 = r c112 + c21
= 6x56 = 336
D2 = 6x70 = 420; D3 = 6x2 = 12; D4 = 6x30 = 180; D5 = 6x2 = 12;
D6 = 6x6 = 36; D7 = 6x2 = 12.
Suma de Cuadrados de los contrastes:
SCQ1 =
Q12
k
r cij2
Q12 982
=
= 28.583
D1 336
i =1
Q 2 6092
SCQ2 = 2 =
= 883.05
D2
420
SCQ5 =
Q52 ( 14 )2
=
= 16.333
D5
12
SCQ3 =
Q32 352
=
= 102.083
D3 12
SCQ6 =
Q62 ( 21)2
=
= 12.25
D6
36
SCQ4 =
Q42 174 2
=
= 168.20
D4 180
SCQ7 =
Q72 ( 1 )2
=
= 0.083
D7
12
Finalmente con los componentes calculados, se hace la tabla final de ANOVA

Fuentes de Variacin
GL.
SC.
Bloques
5
102.5000
Tratamientos
7
1210.5833
C1 : A vs (B,C,D,E,F,G,H)
1
28.5830
C2 : (B y C) vs (D,E,F,G,H)
1
883.0500
C3 : B vs C
1
102.0830
C4 : (D y H) vs (E,F,G)
1
168.2000
C5 : D vs H
1
16.3300
C6 : E vs (F y G)
1
12.2500
C7 : F vs G
1
0.0830
Error Experimental
35
202.166667
TOTAL
47
1515.249967
CV = 25.64%
CM.
20.50000
172.94047
28.58300
883.05000
102.08300
168.20000
16.33000
12.25000
0.08300
5.77619
Fc Signific.
3.55
ns.
29.94
**
4.95
*
152.88
**
17.67
**
29.12
**
2.83
ns.
2.12
ns.
0.01
ns.
- 176 -
DATA FCUFVA;
DO TRAT = 1 TO 8;
DO BLK = 1 TO 6;
INPUT SEMI @;
OUTPUT;
END;
END;
CARDS;
8 8 9 7 7 5 16 19 24 22 19 19 14 16 14 13 14 13 10 11 12 8 7 3
8 7 1 1 3 2 8 8 3 3 3 7 7 6 6 6 4 4 12 19 9 11 9 5
;
PROC PRINT; RUN;
PROC GLM; CLASS BLK TRAT;
MODEL SEMI = BLK TRAT;
RUN;
CONTRASTA VERSUS B,C,D,E,F,G,H TRAT 7 -1 -1 -1 -1 -1 -1 -1;
CONTRASTB y C VERSUS D,E,F,G, H TRAT 0 5 5 -2 -2 -2 -2 -2;
CONTRASTB VERSUS C
TRAT 0 1 -1 0 0 0 0 0;
CONTRASTD y H VERSUS E,F Y G TRAT 0 0 0 3 -2 -2 -2 3;
CONTRASTD VERSUS H
TRAT 0 0 0 1 0 0 0 -1;
CONTRASTE VERSUS F y G
TRAT 0 0 0 0 2 -1 -1 0;
CONTRASTF VERSUS G
TRAT 0 0 0 0 0 1 -1 0;
RUN;

The GLM Procedure
Class
Levels
Values
BLK
6
1 2 3 4 5 6
TRAT
8
1 2 3 4 5 6 7 8
48
Dependent Variable: SEMI
Source
Model
BLK
TRAT
Error
Corrected Total
R-Square
Coeff Var
0.866579
25.63595
Contrast
A VERSUS B,C,D,E,F,G,H
B y C VERSUS D,E,F,G, H
B VERSUS C
D y H VERSUS E,F Y G
D VERSUS H
E VERSUS F y G
F VERSUS G
Sum of
DF
Squares
Mean Square
12
1313.083333
109.423611
5
102.500000
20.500000
7
1210.583333
172.940476
35
202.166667
5.776190
47
1515.250000
Root MSE
SEMI Mean
2.403371
9.375000
DF
1
1
1
1
1
1
1
Contrast SS
28.5833333
883.0500000
102.0833333
168.2000000
16.3333333
12.2500000
0.0833333
Mean Square
28.5833333
883.0500000
102.0833333
168.2000000
16.3333333
12.2500000
0.0833333
F Value
4.95
152.88
17.67
29.12
2.83
2.12
0.01
F Value
18.94
3.55
29.94
Pr > F
0.0327
<.0001
0.0002
<.0001
0.1016
0.1542
0.905
Pr > F
<.0001
0.0106
<.0001

Se plane un experimento en un DBCA con cinco repeticiones y se quiere comparar
el efecto de diferentes fuentes de fertilizantes nitrogenados en el aumento del
rendimiento de pasto por parcela que estn en cultivo. Las fuentes en estudio son:
T1: Testigo, T2: (NH4)NO3, T3: (NH4)2SO4, T4: Urea. La Informacin se presenta
en seguida:
Bloques
I
II
III
IV
VI
Yi.
T1
3
4
2
3
4
16
Tratamientos*
T2
T3
5
6
6
5
8
7
4
6
10
5
33
29
T4
8
9
10
10
12
49
Y.j
22
24
27
23
31
127
Smbolo
T1
T2
T3
T4
*Tratamiento
Testigo
(NH4 )NO3
(NH4 )2 NO4
Urea.
a) Se realiza el ANOVA bsico.

1. Hiptesis:
Respecto a bloques:
= 0.05
CM Bloque
CM Error
, F ( Tratam. ) =

S
F ( Tratam. ) F( tt11 )( r 1 ),0.05 , entonces se acepta la Ho:
5. Clculos:
Bloques
Tratamientos
Error experimental
Total
b)
:r-1
=5-1=4
:t-1
=4-1=3
: (r-1)(t-1) = 4 x 3 = 12
: tr - 1
= 5x4 - 1 = 19

TC =
Y2 ( 127 )2
=
= 806.45
tr
45
CM Tratam.
CM Error
- 178 -

r =5
Y2
j
i) SCBloques = t TC =
j =1
222 + 242 + 272 + 232 + 312

TC = 13.3
4
i =1
Yi 2
16 2 + 332 + 29 2 + 49 2
TC =
TC = 110 .95
r
5
t =4
ii) SC Fertiliz . =
iii) SCTotal = Yij2 TC = ( 32 + 4 2 +L+12 2 ) TC = 955 TC = 148.55

i =1 j =1
iv) SCerror exptal. = SCtotal - SCbloque - SCFertiliz.

= 148.55 - 13.3 - 110.95 = 24.30
F. de V.
G.L.
S.C.
Bloques
4
13.3
Fertilizantes
3
110.95
24.3
Total
19
148.55
CV = 22.41%
C.M.
3.325000
36.983333
2.025000
Fc.
1.64
18.26
6. Decisin: Como F(Fertiliz.) = 18.26 > F12,0.01
Signif.
ns.
**

7. Conclusin: Se encontrado diferencia estadstica altamente significativa
(P 0.01) entre los Fertilizantes nitrogenados, esto implica realizar los contrastes
para obtener las conclusiones coherentes.
b) Ahora se descompone los grados de libertad y la suma de cuadrados de
tratamientos en tres contrastes, usando las reglas dadas anteriormente.
Fertilizantes
Contrastes
Yi.
divisores
T1
T2
T3
T4
16
33
29
49
Qj
FG c IJ SCQ
H K
k
2
i.
i =1
C1 : T1 vs (T2,T3,T4)
-1
-1
-1
-63
5x12
66.15
C2 : T4 vs (T2 y T3)
-1
-1
36
5x6
43.2
C3 : T2 vs T3
-1
5x2
1.6
SCFertilizantes = 110.95
Verificando para j = 1 entonces Q1 =
k =4
c T
i1 i
i =1
Q1 = c11T1 + c21T2 + c31T3 + c41T4 = 3 16 +(-1) 33 +(-1) 29 +(1) 49 = 63

Q2 = c12T1 + c22T2 + c32T3 + c42T4 = 0 16+(-1) 33 +(-1) 29 +(2) 49 = 36
Q3 = c13T1 + c23T2 + c33T3 + c43T4 = 0 16+(+1) 33 +(-1) 29 +0 49 = 4

Un mtodo ms fcil para calcular es multiplicar la matriz por un vector.
LM3
MM0
N0
OP
PP
Q
LM
MM
MN
OP
PP
PQ
LM
MM
N
OP
PP
Q
Q22 ( 36 )2
=
= 43.20
30
D2
Y1 = 16
1 1 1
Q1 = 63
Y2 = 33
= Q2 = 36
1 1 2
Y3 = 29
1 1 0
Q3 = 04
Y4 = 49
Clculo de los divisores: D j = r
FG c IJ
H K
k
2
ij
i =1
D1 = 5 32 + ( 1 )2 + ( 1 )2 + ( 1 )2 = 5 12 = 60
D2 = 5 0 2 + ( 1 )2 + ( 1 )2 + 2 2 = 5 6 = 30
D 3 = 5 0 2 + 12 + ( 1 )2 + 0 2 = 5 2 = 1 0
Suma de Cuadrados de los contrastes:

SCQ1 =
2
1
k =4
r cij2
Q12 ( 63 )2
=
= 6615
. , SCQ2 =
60
D1
i =1
SCQ3 =
Q32
k =4
r cij2
2
2
k =4
r cij2
i =1
Q32 ( 4 )2
=
= 1.60
10
D3
i =1
Los contrastes son mutuamente ortogonales, porque se cumplen las siguientes

condiciones:
- 180 -

Condicin 1
Condicin 2
k =4
c1 = cij = 3 + ( 1 ) + ( 1 ) + ( 1 ) = 0
c1 c2 = 3 0 + ( 1 )( 1 ) + ( 1 )( 1 ) + ( 1 )( 2 ) = 0
i =1
c2 =
k =4
ij
= 0 + ( 1 ) + ( 1 ) + 2 = 0
c1 c3 = 3 0 + ( 1 )( 1 ) + ( 1 )( 1 ) + ( 1 )( 0 ) = 0
= 0 + 1 + ( 1 ) + 0 = 0
c2 c3 = 0 0 + ( 1 )( 1 ) + ( 1 )( 1 ) + ( 2 )( 0 ) = 0
i =1
c3 =
k =4
ij
i =1
Finalmente con los componentes calculados, se hace la tabla final de ANOVA

Fuentes de Variacin
Bloques
Fertilizantes
C1 : T1 vs (T2,T3,T4)
C2 : T4 vs (T2 y T3)
C3 : T2 vs T3
Error Experimental
TOTAL
GL.
4
3
1
1
1
12
19
SC.
13.3000
110.9500
66.1500
43.2000
1.6000
24.3
148.55
CM.
3.32500
36.98333
66.15000
43.20000
1.60000
2.02500
Fc Signific.
1.64 ns.
18.26 **
32.67 **
21.33 **
0.79 ns.
4.4. CURVAS DE RESPUESTA.

Es muy frecuente que el investigador est interesado en estudiar una variable
a varios niveles, tales como niveles de temperaturas, concentracin de productos
qumicos, niveles de alimento en una racin, niveles de un nutrimento aplicado al
suelo; en tales casos el investigador estar interesado de las curvas de respuesta, a la
variacin de niveles. La curva de respuesta (variable dependiente) con el aumento de
niveles (variable independiente) puede ser lineal o curvilineal. Debe recordarse que
los niveles de las variables independientes deben ser igualmente espaciados o de
igual intervalo, para esto hay tablas auxiliares que nos facilitarn el ajuste de estos
polinomios. La suma de cuadrados para los efectos principales del factor se puede
descomponer, por medio de estos componentes polinomiales en componentes lineales, cuadrticos, cbicos y as sucesivamente. Cada uno de las sumas de cuadrados se
puede encontrar el contraste de F contra el Cuadrado Medio del error.

Se ha conducido un experimento en diseo bloque completo al azar para estudiar
la respuesta de la papa a la aplicacin de 4 niveles de fertilizante nitrogenado. Los
siguientes son los resultados obtenidos (en kg/parcela de 20 m2).
Bloques
I
II
III
IV
Total
0
10
9
11
10
40
50 kg N/Ha
12
11
12
13
48
100 kg N/Ha 150 kg N/Ha

15
11
15
10
16
10
15
11
61
42
Total
48
45
49
49
Y.. = 191
Efectuar una prueba de tendencias por contrastes ortogonales y estimar la funcin de

respuesta.
ETAPAS:
1. Efectuar el ANOVA.
1. Hiptesis:
Respecto a bloques:
= 0.05
CM Bloque
CM Error
, F ( Tratam. ) =

S
5. Clculos:
i)
Grados de libertad.
Bloques
Error experimental
Total
:r-1
=4-1 = 3
:t-1
=4-1 = 3
: (r-1)(t-1) = 3 x 3 = 9
: tr - 1 = 4x4 - 1 = 15
CM Tratam.
CM Error
- 182 -

ii)

TC =
Y2 1912
=
= 2280.0625
tr 4 4
r =4
Y2j
i =1
SCBloques =
482 + 452 + 49 2 + 49 2
TC = 2.6875
4
Y
402 + 482 + 612 + 42 2
=
TC = 67.1875
4
i =1 r
t =4
2
i
SCTratam. =
4
SCTotal = Yij2 TC = ( 102 + 9 2 +L+112 ) TC = 2353 TC = 72.9375

i =1 j =1
SCError = SCTotal SCBloque SCTratam. = 72.9375 2.6875 67.1875 = 3.0625
F. de V.
G.L.
S.C.
Bloques
3
2.6875
Tratamientos
3
67.1875
3.0625
Total
15
72.9375
C.M.
0.895833
22.395833
0.340278
Fc.
2.63
65.82
Signif.
ns.
**

7. Conclusin: En base a los resultados de ANOVA, podemos afirmar que existe
diferencia estadstica altamente significativa (P 0.01) entre los niveles de
fertilizacin nitrogenada, es decir que el fertilizante tiene efecto sobre la
produccin de papa, adems los niveles de tratamientos son tipo cuantitativo
por lo que se debe realizar los la prueba de tendencias.
2. Ordenar los totales de los niveles (tratamientos) de fertilizantes nitrogenados con
los valores de los polinomios ortogonales para cada tendencia.
N0
N50
N100
N150
Totales (Yi.)
Componentes o tendencias
1. Lineal
40
48
61
42
-3
-1
2. Cuadrtico
3. Cbico
1
-1
-1
3
-1
-3
1
1
k
3. Calcular los valores Qj de acuerdo a la siguiente ecuacin: Q j = Yi cij

i =1
Anlisis y Diseo de Experimentos - 183 Reemplazando para cada uno de las tendencias, se obtiene:
k =4
Q1 = QLineal = Yicij = Y1c11 + Y2c21 + Y3c31 + Y4c41 = 40( 3) + 48( 1) + 61( +1) + 42( +3) = 19
i =1
k =4
Q2 = QCuadrtica = Yicij = Y1c12 + Y2c22 + Y3c32 + Y4c42 = 40( +1) + 48( 1) + 61( +1) + 42( +1) = 27
i =1
k =4
Q3 = QCbica = Yicij = Y1c13 + Y2c23 + Y3c33 + Y4c43 = 40(-1) + 48(+3) + 61(-3) +42(+1) = -37
i =1
4. Calcular los divisores mediante la frmula: r cij2

i =1
k =4
Lineal1: rci21 = 4 c112 + c212 + c312 + c412 =4[ (-3)2 +(-1)2 +(+1)2 +(+3)2 ] = 4(20) =80
i =1
k =4
Cuadrtica2: rci22 = 4 c122 + c222 + c322 + c422 =4[ (+1)2 +(-1)2 +(+1)2 +(+1)2 ]=4(4) =16
i=1
k =4
Cbica3: rci23 = 4 c132 + c232 + c332 + c432 =4[ (-1)2 +(+3)2 +(-3)2 +(+1)2 ]=4(20) =80
i=1
5. Calcular la suma de cuadrados para cada una de las tendencias, mediante la siguiente frmula:
SC Q j =
Q 2j
k
r cij2
i =1
SC Q1 = SCLineal =
Q12 ( 19 )2
=
= 4.5125
80
80
SC Q 2 = SCCuadrtica =
Q22 ( 27 )2
.
=
= 455625
16
16
SCQ3 = SCCbica =
Q32 ( 37 )2
=
= 17.1125
80
80
SCTratamiento = 67.1875
- 184 -
6. Efectuar la prueba de significancia de las tendencias o respuestas mediante la

prueba de F y completar el Anlisis de Variancia (ANOVA).
Tabla de ANOVA, considerando los componentes.
F. de V.
G.L.
SC.
CM.
Bloques
2.6875
0.8958
3
Tratamientos
67.1875
22.3958
3
Lineal
1
4.5125
4.5125
Cuadrtico
1
45.5625
45.5625
Cbico
1
17.1125
17.1125
Error
3.0625
0.3403
9
Total
72.9375
15
Fc
2.63 n.s.
65.82 **
13.26 **
133.89 **
50.59 **
DATA CURVA;
INPUT TRAT REP NIT Y;
YH = Y*(10000/20);
N2 = NIT*NIT;
CARDS;
1 1 0 10
1209
1 3 0 11
1 4 0 10
2 1 50 12
2 2 50 11
2 3 50 12
2 4 50 13
3 1 100 15
3 2 100 15
3 3 100 16
3 4 100 15
4 1 150 11
4 2 150 10
4 3 150 10
4 4 150 11
;
PROC GLM;
CLASS TRAT REP NIT;
MODEL Y = REP TRAT;
CONTRASTLINEAL
TRAT -3 -1 1 3;
CONTRASTCUADRATICA TRAT 1 -1 -1 1;
CONTRASTCUBICA
TRAT -1 3 -3 1;
Anlisis y Diseo de Experimentos - 185 SALIDA DE RESULTADOS CON SAS

Class
Levels
Values
TRAT
4
1 2 3 4
REP
4
1 2 3 4
NIT
4
0 50 100 150
16
Dependent Variable: Y
Source
Model
REP
TRAT
Error
Corrected Total
R-Square
Coeff Var
0.958012
4.886562
Sum of
DF
Squares
Mean Square
6
69.87500000
11.64583333
3
2.68750000
0.89583333
3
67.18750000
22.39583333
9
3.06250000
0.34027778
15
72.93750000
Root MSE
Y Mean
0.583333
11.93750
Contrast
LINEAL
CUADRATICA
CUBICA
DF
1
1
1
Contrast SS
4.51250000
45.56250000
17.11250000
Mean Square
4.51250000
45.56250000
17.11250000
F Value
34.22
2.63
65.82
Pr > F
<.0001
0.1138
<.0001
F Value
13.26
133.90
50.29
Pr > F
0.0054
<.0001
<.0001
4.5. AJUSTE DE LA FUNCION DE RESPUESTA.

Para ajustar la funcin de respuesta, se debe trabajar con los totales de tratamientos. Los tratamientos deben ser igualmente espaciados e igualmente repetidos.
Los pasos para determinar las ecuaciones de regresin lineal, cuadrtica, cbica y
curtica son los siguientes:
1. Disponer los valores de Y en una columna, de acuerdo con los valores ascendentes de las X asociadas, empezando con la Y correspondiente al menor valor
de X.
2. Multiplicar los valores de Y por los coeficientes para c , c , c y c mostrados
1 2 3
4
en la tabla, obtenindose cuatro columnas.
3. Encontrar la suma de cada columna, observando los signos ms y menos. Estas
sumas se denotan por Y, P1 , P2 , P3 y P4
Clculos para el ajuste de una curva de segundo grado.
- 186 -
Rendimiento
Y
40
48
61
42
Niveles de N
X
0
50
100
150
Y = 191
i =1 i
i=1
X i = 300
c2
1
-1
-1
1
P1= 19
c2Y
40
-48
-61
42
=
P2 = -27
X = 75
Y = 47.75
k1 =516
c1Y
-120
-48
61
126
c1
-3
-1
1
3
k2 = 1 20
k3 =41240 k4 = 1 16
k5 = 1 48
4. Aplicando los valores obtenidos de Pi y los valores de Ki provenientes de la

tabla de coeficientes, divisores para los datos de intervalos iguales, las ecuaciones
lineales, cuadrticas, cbicas y curticas se pueden plantear a partir de las siguientes ecuaciones:
Lineal: Y$ L = Y + K2 P1 X'
h b
g b
Cuadrtica : Y$ Q = Y K1P2 + K 2 P1 X '+ K 4 P2 X '2
h b
g b
Cbica: Y$ C = Y K1P2 + K 2 P1 K 3P3 X'+ K 4 P2 X'2 + K5P3 X'3

Curtica:
h b
g b
$ = Y K P + K P + K P K P X '+ K P K P X '2 + K P X '3 + K

Y
4
1 2
8 4
2 1
3 3
4 2
7 4
5 3
Estas ecuaciones estn expresadas en trminos de valores codificados de X.
$ = Y + K P X' = 47.75 + 1 (19) X' = 47.75 + 0.95X'

Y
L
2 1
20
h b
g b
$ = Y K P + K P X ' + K P X '2
Y
Q
1 2
2 1
4 2
LM
N
= 47.75
OP LM
Q N
OP LM
Q N
OP
Q
5
1
1
( 27) +
(19) X'+
( 27) X'2 = 561875
.
.
+ 0.95X'16875
16
20
16
5. Si los valores de Y en el paso 1 fuesen totales de observaciones o repeticiones

en cada nivel de X, y si deseamos que las ecuaciones estn dadas en trminos
de los promedios, debemos dividir cada trmino de las ecuaciones entre el nmero de repeticiones. (Esto debe ser igual para todos los niveles de X.).
Anlisis y Diseo de Experimentos - 187 Estas ecuaciones, estn basadas en el total de 4 repeticiones. Si se desea expresar en funcin de una parcela, simplemente se divide entre 4 y se obtiene:
$ = 1193
Y
. + 0.2375X'
L
Y$ Q = 14 .046875 + 0.2375 X ' 0.421875 X ' 2
Para decodificar se aplica:
Xx
L
( si el nmero de niveles es impar)
2 Xx
L
( si el nmero de niveles es par)
En el presente ejemplo, el nmero de niveles es 4 (par), luego se sustituye
2 Xx
L
X' =
por X. El valor de L =50 y x = 75 , por lo que
g = N 75
2 N 75
50
25
Sustituyendo este resultado en la ecuacin anterior da:
FG
H
IJ
K
N 75
+ 0.2375
= 11.225 + 0.0095 N
Y$L = 119375
.
25
FG
H
FG
H
IJ
K
$ = 14.046875 + 0.2375 N 75 0.421875 N 75

Y
Q
25
25
IJ
K
$ = 14.046875 + 0.2375 N 75 0.421875 N 2 150N + 5625

Y
Q
25
625
Y$Q = 14.046875 + 0.0095 N 0.7125 0.000675 N 2 + 010125

.
N 3.796875
$ = 9.5375 + 011075
Y
.
N 0.000675N 2
Q
$ : rendimiento estimado promedio por parcela, cuando N = dosis de

donde Y
Nitrgeno aplicado en Kg/Ha.
6. Expresar la funcin de respuesta estimada, en rendimientos por hectrea. En el
presente ejemplo, la respuesta estimada, se obtuvo de un rea experimental de
20 m2, transformando los rendimientos a hectrea, se tiene:
- 188 -
10000
9.5375 + 011075
Y$QH =
.
N 0.000675 N 2
20
Y$Q H = 4768 .75 + 55.375 N 0 .3375 N 2
$
donde: YQ : Rendimiento estimado en kg/Ha de papa.
N : Niveles de Nitrgeno aplicado en kg/Ha.
H
7. Optimizacin fsica del factor nitrgeno, para determinar la dosis que maximice
$
el rendimiento YQ . Para ello, se toma la primera derivada de la funcin de

respuesta estimada.
H
e j = d c4768.75 + 55.375N 0.3375N h

dN
dN
d Y$QH
e j = 55.375 0.675N = 0
d Y$QH
dN
N=
55.375
= 82.037
0.675
Reemplazando al modelo estimado N = 82.037, se obtiene:

Y$Q H = 4768.75 + 55.375( 82 .037 ) 0.3375( 82 .037 )2 = 7040.15 kg / h
8. Optimizacin econmica del factor Nitrgeno para determinar el mximo rendimiento econmico. El nivel ptimo de fertilizacin se refiere al nivel de cualquier mezcla o razn de nutrientes que produzca los mayores beneficios. Este
nivel se obtiene cuando se cumple la siguiente condicin:
e j= P
d Y$QH
dN
PY
donde:
P : precio por unidad de fertilizante

N
P : precio por unidad de cultivo en produccin

Y
Asumiendo que
P = S/. 0.60 por kg de Nitrgeno y que
N
P = S/. 0.80 por kilogramo, se tiene:
Y
Anlisis y Diseo de Experimentos - 189 55.375- 0.675N =
0.6
0.8
N = 80.926 kg/h (dosis a recomendarse)

$
Para este N el YQ ptimo es:
H
Y$Q H = 4768.75 + 55.375( 80.926 ) 0.3375( 80.926 )2 = 7039 .73 kg / h
Forma grfica:
2
Y$Q H = 4768.75 + 55.375 N 0.3375 N
7500
7000
kilogramo/ha de papa
6500
6000
5500
5000
4500
4000
3500
3000
2500
0
15
30
45
60
75
90
N = 82.04
105 120 135 150 165 180
Niveles de Nitrgeno
- 190 -
DATA CURVA;
INPUT TRAT REP NIT Y; YH = Y*(10000/20); N2 = NIT*NIT;
CARDS;
1 1 0 10
1209
1 3 0 11
1 4 0 10
2 1 50 12
2 2 50 11
2 3 50 12
2 4 50 13
3 1 100 15
3 2 100 15
3 3 100 16
3 4 100 15
4 1 150 11
4 2 150 10
4 3 150 10
4 4 150 11
;
PROC ANOVA;
CLASS TRAT REP NIT;
MODEL Y = REP TRAT; RUN;
PROC REG;
MODEL Y = NIT N2/SS1;
RUN;
PROC REG;
MODEL YH = NIT N2 /SS1;
RUN;

The ANOVA Procedure
Class
Levels
Values
TRAT
4
1 2 3 4
REP
4
1 2 3 4
NIT
4
0 50 100 150
16
Source
Model
REP
TRAT
Error
Corrected Total
R-Square
Coeff Var
0.958012
4.886562
Sum of
DF
Squares
Mean Square
6
69.87500000
11.64583333
3
2.68750000
0.89583333
3
67.18750000
22.39583333
9
3.06250000
0.34027778
15
72.93750000
Root MSE
Y Mean
0.583333
11.93750
The REG Procedure

Model: MODEL1
Source
Model
Error
Corrected Total
Root MSE
Dependent Mean
Coeff Var
Variable
Intercept
NIT
N2
DF
1
1
1
DF
2
13
15
1.32614
11.93750
11.10905
Parameter
Estimate
9.53750
0.11075
-0.00067500
Sum of
Squares
50.07500
22.86250
72.93750
R-Square
Adj R-Sq
Mean
Square
25.03750
1.75865
F Value
34.22
2.63
65.82
F Value
14.24
Pr > F
<.0001
0.1138
<.0001
Pr > F
0.0005
0.6865
0.6383
Parameter Estimates
Standard
Error
t Value
0.64628
14.76
0.02076
5.34
0.00013261
-5.09
Pr > |t|
<.0001
0.0001
0.0002
Type I SS
2280.06250
4.51250
45.56250
Dependent Variable: YH
Source
Model
Error
Corrected Total
Root MSE
Dependent Mean
Coeff Var
Variable
Intercept
NIT
N2
DF
1
1
1
Sum of
Mean
DF
Squares
Square
2
12518750
6259375
13
5715625
439663
15
18234375
663.07123
R-Square
0.6865
5968.75000
Adj R-Sq
0.6383
11.10905
Parameter Estimates
Parameter
Standard
Estimate
Error
t Value
4768.75000
323.14095
14.76
55.37500
10.37871
5.34
-0.33750
0.06631
-5.09
F Value
14.24
Pr > |t|
<.0001
0.0001
0.0002
Pr > F
0.0005
Type I SS
570015625
1128125
11390625
- 192 -
EJERCICIOS:
1. Una qumica desea probar el efecto que tienen cuatro agentes qumicos sobre la
resistencia de un tipo particular de tela. Como puede haber variabilidad entre un
rollo de tela y otro, decide utilizar un diseo aleatorizado por bloques, considerando los rollos de tela como bloques. Ella selecciona 5 rollos y les aplica los
cuatro agentes qumicos en orden aleatorio. A continuacin, se proporcionan los
resultados de la resistencia a la tensin. Analice estos datos y haga las conclusiones apropiadas.
Agente
qumico
1
2
3
4
Rollo de tela
2
3
4
68
74
71
67
75
72
68
78
73
71
75
75
1
73
73
75
73
5
67
70
68
69
2. Tres diferentes soluciones para lavar estn siendo comparadas con objeto de estudiar su efectividad en el retraso del crecimiento de bacterias en envases de leche
de 5 galones. El anlisis se realiza en un laboratorio y slo pueden efectuarse tres
pruebas en un mismo da. Como los das son una fuente de variabilidad potencial,
el experimentador decide usar un diseo aleatorizado por bloques. Las observaciones se recopilaron durante cuatro das y los datos aparecen a continuacin.
Analice los datos y obtenga las conclusiones apropiadas.
Das
Solucin
1
2
3
1
13
16
5
2
22
24
4
3
18
17
1
4
39
44
22
3. Un ingeniero qumico realiza un experimento para estudiar el tiempo que tarda el

ojo en enfocar. Est interesado en la relacin que existe entre la distancia del
objeto al ojo y el tiempo que el ojo tarda en enfocar. Cuatro diferentes distancias
resultan de inters. Hay 5 sujetos disponibles para el experimento. Como puede
haber diferencias entre los sujetos, l decide efectuar un diseo aleatorizado por
bloques. Los datos recopilados se muestran a continuacin. Analcelos y obtenga
las conclusiones adecuadas.
Distancia
(pies)
4
6
8
10
1
10
7
5
6
2
6
6
3
4
SUJETO
3
6
6
3
4
4
6
1
2
2
5
6
6
5
3
5
PRUEBAS DE
COMPARACIN
MLTIPLE DE MEDIAS
INTRODUCCION
Cuando se realiza la prueba de F en el Anlisis de varianza, las conclusiones que
se obtienen respecto a la hiptesis planteada de igualdad de medias de tratamientos,
es aceptarla o rechazarla a un nivel de significacin dado.
El investigador a menudo desea realizar comparaciones especficas entre medias
de tratamientos segn los objetivos planeados en el experimento. Debe utilizar pruebas estadsticas adecuadas, como son:
- Prueba de t de Student
- Diferencia Lmite Significativa (DLS).
- Prueba de Comparaciones Mltiples de Duncan
- Prueba de Comparaciones Mltiples de Tukey
- Prueba de Dunnett.
- Prueba de Scheff.
- 194 -
5.1. PRUEBA DE t DE STUDENT.

Caracterstica.
Se usa para comparar dos medias poblacionales, para su anlisis se debe tener las
siguientes restricciones:
- Las comparaciones por estudiar debern ser seleccionados antes de cualquier
anlisis de los datos.
- La prueba F del Anlisis de Variancia debe ser significativa.
Anlisis Estadstico.
1. Planteamiento de Hiptesis:
H 0: i = j
H 0: i j
H 0: i j
Ha: i j
14243
H : >
1a42i 43j
H : <
1a42i 43j
Bilateral
Unilateral Izquierda
Unilateral Derecha
2. Nivel de Significacin: = 0.05, = 0.01

3. Prueba Estadstica (t calculado para cada par de tratamientos).
tc =
( X i X j ) ( i j )
2S
r
Xi X j
2CM error
r
d
Sd
4. Regla de Decisin.
Si
t c t (tabla) se acepta H 0 . (Caso unilateral derecha).
t c > t (tabla) se rechaza H 0 .

Si
t c t (tabla) se acepta H 0 .
(Caso unilateral izquierda).
t c < t (tabla) se rechaza H 0 .
Anlisis y Diseo de Experimentos - 195 Si -t (tabla) t c t (tabla) se acepta H 0 . (Caso bilateral).
t c > t (tabla) t c < - t (tabla) se rechaza H 0 .

5. Clculos.
6. Conclusin.
EJEMPLO:
Se registr el peso de diez nios (kg) al nacer en los diferentes Hospitales del
departamento de Puno, tomados al azar. La informacin se presenta a continuacin:
n
JULIACA
1
3.000
2
3.500
3
3.400
4
3.400
5
3.350
6
5.050
7
4.760
8
3.400
9
3.650
10
3.260
Total
36.770
Promedio
3.677
HOSPITALES
ILAVE
PUNO
3.625
3.800
3.430
3.500
3.000
3.350
3.625
3.250
3.625
4.100
3.150
3.900
3.360
3.900
3.230
4.000
3.950
3.670
3.400
3.600
34.395
37.070
3.440
3.707
Efectuando los clculos se tiene:

GLtrat. = t -1 = 4 - 1 = 3
GLerror = t(r-1) = 4(9) = 36
GLtotal = tr-1 = 4(10)-1=39
b) Suma de Cuadrados:
YUNGUYO
3.050
2.800
3.500
3.400
3.350
3.200
3.050
3.400
2.900
3.100
31.750 Y.. = 139.985
3.175
- 196 -
TC =
Y..2 (139.985) 2
=
= 489.8950056
4 x10
tr
4
Y2
i.
i) SC Trat . = r TC =
i =1
40
ii)
2
ij
36.77 2 +L+3175
. 2
TC = 4917296325
.
TC = 183462688
.
10
TC = 3.0 2 + 3.5 2 +L + 3.12 TC = 7 .79336938
i =1
iii) SCError Exptal = SCtotal - SCtrat = 7.79336938 - 1.83462688 = 5.9587425
iv)
CM trat =
SC trat 183462688
.
=
= 0.611542293
t 1
3
v) CM Error Exp. =
vi) Fc =
SC Error Exp.
t ( r 1)
5.9587425
= 0165520625
.
36
C M T rat .
0 .611542293
=
= 3.694659
C M E rror E xp.
0.165520625
TABLA DE ANALISIS DE VARIANZA
F. De V.
G.L.
S.C.
C.M.
Fc
Pr > F
Hospitales
3 1.83462688 0.6115423 3.6946592 0.024
Dentro de Hosp
36 5.9587425 0.1655206
Total
39 7.79336938
1. PLANTEAMIENTO DE HIPOTESIS:
Juliaca Vs Ilave; Juliaca Vs Puno; Juliaca Vs Yunguyo; Ilave Vs Puno; Ilave Vs
Yunguyo
Puno Vs Yunguyo.
H 0 : Jul = Ila H 0 : Jul = Pun H 0 : Jul = Yun

H a : Jul Ila H a : Jul Pun H a : Jul Yun
H 0 : Ila = Pun H 0 : Ila = Yun H 0 : Pun = Yun

H a : Ila Pun H a : Ila Yun H a : Pun Yun
2. Nivel de Significacin: = 0.05
3. Prueba Estadstica (t calculado para cada par de tratamientos).
tc =
Xi X j
2CM error
r
d
Sd
4. Regla de Decisin.
t c > t ,(G.Lerror ) se rechaza H 0 .

t c > t 0.025,36 = 2.021 se rechaza H 0 .
5. Clculos.
Prueba t para el Hospital: Juliaca Vs. Ilave
tc =
( XJul XIla ) 3677

. 344
.
0237
.
=
=
= 130
. ns.
.
2( 016552
.
)
2( 016552
.
) 0181945
10
10
t c > t 0.025,36 = 2.021 se rechaza H 0 .
Prueba t para el Hospital: Juliaca Vs. Puno
tc =
( X Jul X Pun ) 3677

. 3707
.
003
.
=
=
= 0165
. n. s.
.
2( 016552
2( 016552
.
)
.
) 0181945
10
10
- 198 -
Prueba t para el Hospital: Juliaca Vs. Yunguyo
tc =
( X Jul X Yun ) 3.677 3175

.
0.502
=
=
= 2.76 **
.
2( 016552
.
)
2( 016552
.
) 0181945
10
10
Prueba t para el Hospital: Ilave Vs. Puno
tc =
( X Ila X Pun )
3.44 3.707
0.267
=
=
= 147
. n . s.
.
2( 016552
.
)
2( 016552
.
) 0181945
10
10
Prueba t para el Hospital: Ilave Vs. Yunguyo
tc =
( X Ila X Yun )
3.44 3175
.
0.265
=
=
= 1.46 n. s.
.
2( 0.16552 )
2( 016552
.
) 0181945
10
10
Prueba t para el Hospital: Puno Vs. Yunguyo
tc =
0.532
( X Pun X Yun ) 3.707 3175
.
=
=
= 2.92 **
.
2( 016552
2( 016552
.
)
.
) 0181945
10
10
6. Conclusin.
Comparacin
Juliaca Vs Ilave
Juliaca Vs Puno
Juliaca Vs Yunguyo
Ilave Vs. Puno
Ilave Vs. Yunguyo
Puno Vs. Yunguyo
Ho:
Acepta
Acepta
Rechaza
Acepta
Acepta
Rechaza
Ha:
t0.025,36
Rechaza
2.021
Rechaza
2.021
Acepta
2.021
Rechaza
2.021
Rechaza
2.021
Acepta
2.021
t0.005,36
2.704
2.704
2.704
2.704
2.704
2.704
Signifc.
n.s.
n.s.
**
n.s.
n.s.
**
5.2. DIFERENCIA LIMITE SIGNIFICATIVA (DLS).

CARACTERSTICAS:
Tambin llamada Diferencia Media Significativa (DMS), se utiliza en forma estricta cuando:
- Fc, presenta significativa en el Cuadro de Anlisis de Varianza (ANVA).
- Esta prueba es apropiada si la comparacin es seleccionada antes de conducir el
experimento.
- Es comparacin de DLS es solamente vlido para algunas comparaciones especficas, ya que al incrementarse el nmero de comparaciones se incrementa el
error de Tipo I.
- La prueba DLS no controla en forma eficiente el error referido al experimento,
su uso no es recomendable para comparaciones mltiples de todo los pares de
medias de un experimento.
- Esta metodologa se emplea para comparaciones no independientes o no
ortogonales, slo se puede efectuar p-1 comparaciones ortogonales.
- La prueba DLS, tiende en general a ser sobresensitivo en declarar un gran
nmero de diferencias como significativas, con el riesgo de cometer el Error
Tipo I.
ANALISIS ESTADISTICO.
1. HIPOTESIS:
H 0: i = j
Ha: i j
2. NIVEL DE SIGNIFICACION:
3. PRUEBA ESTADISTICA:
= 0.05, = 0.01
DLS = S Xi X j t ( ,G.Lerror ) = t ( ,G.Lerror )

4. REGLA DE DECISION:
Si
X i X j DLS se acepta H 0 :
2CM error
r
- 200 -
X i X j > DLS se rechaza H 0 :

5. CALCULOS.
6. CONCLUSION.
EJEMPLO ILUSTRATIVO.
1. HIPOTESIS:
H 0 : Jul = Ila = Pun = Yun

H a : i 0, al menos uno es diferente
2. NIVEL DE SIGNIFICACION:
3. PRUEBA ESTADISTICA:
DLS=t(00. 25,36)
= 0.05, = 0.01
2(0.16552063)
2(0.16552063)
.
.
=2021
=0368
10
10
4. REGLA DE DECISION:
Si
X i X j DLS se acepta H 0 :
Xi X j > DLS se rechaza H 0 :
5. CALCULOS.
Primeramente ordenamos los promedios de mayor a menor, y luego realizamos la comparacin entre dos promedios, de la siguiente forma:
3.707 3.677 = 0.03 < DLS = 0.368 no significativo

3.707 3.439 = 0.268 < DLS = 0.368 no significativo
3.707 3175
.
= 0.532 > DLS = 0.368 significativo
3.439 3175
.
= 0.264 < DLS = 0.368 no significativo
HOSPITALES
PUNO
JULIACA
ILAVE
YUNGUYO
n
10
10
10
10
PROMEDIO
3.707
3.677
3.439
3.175
T-Grouping
a
a
ab
b
HOSPITALES
Promedios
PUNO
3.707
JULIACA
3.677
ILAVE
3.439
YUNGUYO
3.175
6. CONCLUSION.
Los nios de los Hospitales de Puno, Juliaca e Ilave, muestran superioridad
en los pesos de nacimiento frente al Hospital de Yunguyo.
Realizando las operaciones de clculo con el SPSS, se tienen los resultados:
LA SALIDA CON PAQUETE ESTADISTICO SAS:
Analysis of Variance Procedure
Class
Levels
Values
HOSP
4
ILA JUL PUN YUN
Number of observations in data set = 40
Source
DF
Squares
Square
F Value Pr > F
HOSP
3
1.83462688
0.61154229
3.69
0.0204
Error
36
5.95874250
0.16552063
Corrected Total
39
7.79336938
R-Square
C.V.
Root MSE
PENAC Mean
0.235409
11.62531
0.406842
3.49962500
T tests (LSD) for variable: PENAC
Alpha= 0.05 df= 36 MSE= 0.165521
Critical Value of T= 2.03
Least Significant Difference= 0.369
T Grouping
Mean
N
HOSP
A
3.707 10
PUN
A
3.677 10
JUL
B
A
3.439 10
ILA
B
3.175 10
YUN
- 202 -
5.3. PRUEBA DE COMPARACIONES MULTIPLES DE DUNCAN

CARACTERISTICAS:
Se distingue por las siguientes caractersticas:
- Se utiliza para efectuar comparaciones mltiples entre dos medias de
tratamientos del experimento.
- El nmero de comparaciones con t tratamientos es t(t -1)
2
- F-calculado en el Anlisis de varianza puede ser o no significativa.
- Cuando el nmero de repeticiones es igual en los tratamientos, los clculos son
ms precisos que cuando se tiene diferente nmero de repeticiones por
tratamiento.
- Tiene el inconveniente cuando se cuenta con un alto nmero de tratamientos,
dado que el nivel de significacin se modifica en funcin a ellos.
- La prueba permite al investigador cometer menos errores de Tipo II y ms errores
de Tipo I.
- Esta prueba se usar si se ha alcanzado una buena precisin en el experimento,
es decir el C.V. debe ser bajo.
- Es recomendable el uso de esta prueba en experimentos Agronmicos y en
Ganadera, debido a que los materiales experimentales son conocidos por los
experimentadores.
- Es una prueba que permite comparaciones de pares no planeados.
- La prueba Duncan permite comparar tratamientos no relacionados, es decir
todos los tratamientos contra todos a fin de establecer un orden de mritos.
- Es menos exigente en revelar la verdadera situacin.
ANALISIS ESTADISTICO:
1. Informacin (promedios de los tratamientos y Cuadro de ANVA).
Obs.
1
2
3
4
Total
Promedio
TRATAMIENTOS
A
B
C
D
E
2
1
3
4
4
3
3
5
6
7
4
2
4
5
8
2
1
3
4
5
11
7
15
19
24
2.75 1.75 3.75 4.75 6.00
F. De V.
Tratamientos
Error exptal.
Total
G.L.
4
15
19
S.C. C.M. Fc.

44.20 11.05 7.89
21.00 1.40
Anlisis y Diseo de Experimentos - 203 HIPOTESIS:
H 0: i = j
i j
Ha: i j
ETAPAS:
1. Determinar la desviacin estndar de promedios:
S Xi X j =
14
.
S2
=
= 0.592
4
r
2. Buscar en la Tabla de Duncan los valores de las Amplitudes Estudentizadas

significativas [AES(D)] con los grados de libertad del error experimental, al
nivel de probabilidad requerido (0.05 0.01) y correspondientes al nmero de
promedios a compararse (p = 2,3,..., t promedios)
Para nuestro ejemplo encontramos 15 grados libertad del error y = 0.05 los
valores de p son los siguientes:
p:
AES(D)
2
3.01
3
3.16
4
3.25
5
3.31
3. Los valores de las AES(D) se multiplican por la desviacin estndar de promedios, para obtener las Amplitudes Lmites de Significacin de Duncan
ALS(D) = S Xi X j AES(D)
p:
AES(D)
S X i X j = 0.592
2
3.01
3
3.16
4
3.25
5
3.31
ALS(D)
1.78
1.87
1.92
1.96
4. Se clasifican los promedios de tratamientos en orden creciente:

t=
B
A
C
D
Xi =
1.75
2.75
3.75
4.75
E
6.00
- 204 -
5. Luego, se empieza las comparaciones entre los promedios de tratamientos por

pares, es decir de dos en dos tratamientos de la siguiente manera: el promedio
ms alto, con el ms bajo, luego el promedio ms alto con el penltimo y as
sucesivamente. Despus se contina la segunda serie de comparaciones, en la
misma forma que el anterior pero en base al segundo promedio en orden de
mrito.
Cada diferencia de promedios se considera significativa, si excede la respectiva amplitud lmite de significacin, como sigue:
6.00 - 1.75 = 4.25
6.00 - 2.75 = 3.25
6.00 - 3.75 = 2.25
6.00 - 4.75 = 1.25
4.75 - 1.75 = 3.00
4.75 - 2.75 = 2.00
4.75 - 3.75 = 1.00
3.75 - 1.75 = 2.00
3.75 - 2.75 = 1.00
2.75 - 1.75 = 1.00
RESUMEN:
a)
t=
Xi =
ALS(D)[5] = 1.96
ALS(D)[4] = 1.92
ALS(D)[3] = 1.87
ALS(D)[2] = 1.78
ALS(D)[4] = 1.92
ALS(D)[3] = 1.87
ALS(D)[2] = 1.78
ALS(D)[3] = 1.87
ALS(D)[2] = 1.78
ALS(D)[2] = 1.78
Significativa
Significativa
Significativa
no significativa
Significativa
Significativa
no significativa
Significativa
no significativa
no significativa
1.75
2.75
3.75
4.75
6.00
b)
TRATAMIENTOS
E
D
C
A
B
N
4
4
4
4
4
Mean
6.000
4.750
3.750
2.750
1.750
DUNCAN
a
ab
bc
cd
Anlisis y Diseo de Experimentos - 205 La salidad con el paquete de Anlisis Estadstico es el siguiente:
Class
Levels
Values
TRAT
5
A B C D E
Sum of
Squares
44.20000000
44.20000000
21.00000000
65.20000000
Source
DF
Model
4
TRAT
4
Error
15
Corrected Total 19
R-Square
0.677914
C.V.
31.13726
Mean
Square
11.05000000
11.05000000
1.40000000
Root MSE
1.183216
F
Value
7.89
7.89
Pr > F
0.0012
0.0012
Y Mean
3.80000000
Duncans Multiple Range Test for variable: Y

Alpha= 0.05 df= 15 MSE= 1.4
Number of Means
2
3
4
5
Critical Range 1.780 1.867 1.927 1.960
Duncan Grouping
B
B
D
D
A
A
C
C
Mean
6.000
4.750
3.750
2.750
1.750
N
4
4
4
4
4
TRAT
E
D
C
A
B
EJEMPLO:
Se desea estudiar 4 tipos de pastizales para engordar ovejas, uno de los cuales es de
pastizal standard (testigo control). Se emplearon 16 ovejas hembras de la misma
raza, edad, estado sanitario. Se distribuyeron al azar cuatro ovejas por tipo de pastizal.
Los animales se pesaron al inicio del experimento y a los 100 das para establecer la
ganancia de peso.
- 206 -

Aumento de peso (lbs).
Rep. A (Control)
1
47
2
42
3
45
4
42
Total
176
Yi.
44
F. De V.
Tratamientos
Error exptal.
Total
TRATAMIENTOS
B
C
50
57
54
53
67
69
57
57
228
236
57
59
G.L.
3
12
15
S.C.
3171.00
542.00
D
74
85
94
79
332
83
Y..= 972
C.M.
Fc.
1057.00 23.40
45.17
OTRA FORMA: PRUEBA DE DUNCAN

1. INFORMACION:
A (Control)
Yi.
ni
44
4
F. De V.
Tratamientos
Error exptal.
Total
G.L.
3
12
15
TRATAMIENTOS
B
C
57
4
S.C.
3171.00
542.00
2. HIPOTESIS:
H 0: A = B = C = D =
Ha: i j
3. NIVEL DE SIGNIFICACION: = 0.05
59
4
C.M.
1057.00
45.17
D
83
4
Fc.
23.40
Pr > F
0.001
Anlisis y Diseo de Experimentos - 207 4. Buscar en la Tabla de Duncan los valores de AES(D) con los grados de
libertad del error: GLerror = 12
p:
AE S (D )
S X i X j = 3.36
3.082
3.225
3.313
ALS (D )
10.36
10.83
11.13
Los valores AES(D) se multiplican por la desviacin estndar ( S Xi X j ) de

los promedios. Es decir:
ALS(D) = S Xi X j .AES(D)
S Xi X j =
CM Error
45.16667
=
= 3.36
r
4
5. Ordenamiento de los promedios de tratamientos:

Tratamientos
Promedios
A
44
B
57
C
59
D
83
6. Regla de Decisin:
Si
X i. X j. ALS(D) se acepta H 0 :
Xi. Xj. > ALS(D) se rechaza H0 :

7. Comparacin y significacin: t(t-1)/2 = 4(3)/2 = 6
C o mparac io ne s
|4 4 - 5 7 |
=
d
13
(p)
(2 )
>
A LS(D )
1 0 .3 6
|4 4 - 5 9 |
15
(3 )
>
1 0 .8 3
|4 4
|5 7
|5 7
|5 9
=
=
=
=
39
2
26
24
(4 )
(2 )
(3 )
(2 )
>
<
>
>
1 1 .1 3
1 0 .3 6
1 0 .8 3
1 0 .3 6
83|
59|
83|
83|
A ce ptar H ipo t.
A C
A
B = C
B D
C D
- 208 -
8. Presentacin de la Prueba de Duncan.

Tratamie ntos
D
C
B
A
n
4
4
4
4
PRO M EDIO Duncan (P<0.05)

83
a
59
b
57
b
44
c
9. Conclusin.
Se distinguen 1 grupo de tratamientos con resultados similares que son los
tratamientos C y B, que es diferente a los tratamientos de valor promedio
superior (D) y valor inferior (A).
La salida con el Sistema de Anlisis Estadstico S.A.S. es el siguiente:

Duncans Multiple Range Test for variable: PESO
NOTE: This test controls the type I comparisonwise error rate, not the
experimentwise error rate
Alpha= 0.05 df= 12 MSE= 45.16667
Number of Means
2
3
4
Critical Range 10.33 10.83 11.15
Duncan Grouping
Mean
N
TRAT
A
83.000
4
D
B
59.000
4
C
B
57.000
4
B
C
44.000
4
A
5.4.
PRUEBA DE COMPARACION MULTIPLE DE TUKEY
Caractersticas:
- Es ms rigurosa que la prueba de Duncan por tal motivo el nivel de significacin
debe ser ms amplio ya que comparaciones que realmente son significativas sta
prueba las puede declarar no significativa.
- El nivel de significacin se mantiene constante.
- El valor de F-calculado en el cuadro de ANVA puede ser significativo o no.
- Es ms precisa cuando los tratamientos tienen igual nmero de repeticiones.
- No es necesario ordenar promedios de tratamientos, sin embargo ello es muy
usual en la prctica.
- Utiliza un solo valor tabular para calcular la ALS(T) (Amplitud Lmite
Significativa de Tukey).
- Esta prueba es ms estricta en su clasificacin, as 5% de Tukey casi es
equivalente a 1% de Duncan.
- Es ms exigente y ms precisa que las pruebas de DLS, Dunnett, Duncan y S-NK se caracteriza por no tener en cuenta el orden de los promedios de los
tratamientos.
- Chen, revel que este mtodo fue el que mejor control el error referido al
experimento, pero menos eficiente en el control de error por comparacin.
- La prueba de Tukey, es til para poner nfasis primario sobre el experimento
como un todo en la determinacin de significancias entre pares de medias
poblacionales.
No es recomendable aplicar la prueba Tukey en experimentos en los cuales:
- Los tratamientos consisten en niveles graduados de una variable cuantitativa.
- Los tratamientos provienen de una estructura factorial de dos o ms factores con
dos o ms niveles.
- Los tratamientos son cualitativos y donde previamente se han formulado
combinaciones lineales que conforman comparaciones entre medias de
tratamientos.
- 210 -
EJEMPLO:
1. Informacin: Promedio de tratamientos y el Cuadro ANVA.
A (Control)
Yi.
ni
44
4
F. De V.
Tratamie ntos
Error e xptal.
Total
G.L.
3
12
15
TRATAM IENTOS
B
C
57
4
S.C.
3171.00
542.00
59
4
C.M .
1057.00
45.17
D
83
4
Fc.
23.40
2. HIPOTESIS:
H 0: A = B = C = D =
Ha: i j
4. Buscar en la Tabla de Tukey (Usa la Tabla de SNK), los valores de Amplitudes
Estudentizadas Significativas de Tukey AES(T) con los grados de libertad del
error experimental, al nivel de significacin , en nuestro caso p = 4
tratamientos en el experimento.
GLerror = 12, = 0.05 , p = 4, AES(T) = 4.199
Los valores AES(T) se multiplican por la desviacin estndar ( S Xi X j ) de los
promedios. Es decir:
ALS(T) = S Xi X j .AES(T) ,
S Xi X j =
CM Error
45.16667
=
= 3.36
r
4
= 3.36(4.199)
ALS(T) = 14.109
Anlisis y Diseo de Experimentos - 211 En este caso existe un solo valor de ALS(T), esto es debido a que el nmero
de repeticiones de cada tratamiento es el mismo.
Tratamientos
Promedios
A
44
B
57
C
59
D
83
Si
X i. X j. ALS(T) se acepta H 0 :
Xi. X j. > ALS(T) se rechaza H 0 :

Comparacione s
|44 - 57|
=
d
13
<
ALS(T)
14.109
|44 - 59|
15
>
14.109
|44
|57
|57
|59
=
=
=
=
39
2
26
24
>
<
>
>
14.109
14.109
14.109
14.109
83|
59|
83|
83|
Ace ptar Hipot. Signif

A = B
n.s
A C
A D
B = C
B D
C D
*
*
n.s
*
*
8. Presentacin de la Prueba de TUKEY.

Tratamie nto s
D
C
B
A
n
4
4
4
4
PR O M ED IO Tuk e y (P< 0 .0 5 )
83
a
59
b
57
bc
44
c
9. Conclusin.
Se distinguen dos grupos de tratamientos con resultados similares que son
los tratamientos C y B; A y B, es decir los incrementos de pesos para estos
tratamientos son inferiores al tratamiento D.
- 212 -

La salida con el Sistema de Anlisis Estadstico, es el siguiente:
Tukeys Studentized Range (HSD) Test for variable: PESO

NOTE: This test controls the type I experimentwise error
rate, but generally has a higher type II error rate than
REGWQ.
Alpha= 0.05 df= 12 MSE= 45.16667
Critical Value of Studentized Range= 4.199
Minimum Significant Difference= 14.109
Tukey Grouping
Mean
N
TRAT
A
83.000
4
D
B
59.000
4
C
C B
57.000
4
B
C
44.000
4
A
PROGRAMA EN S.A.S.
DATA ENSA1;
INPUT TRAT REP PESO;
CARDS;
......................
ingresar datos en orden
.......................
;
PROC PRINT; RUN;
PROC ANOVA;
CLASS TRAT REP;
MODEL PESO = TRAT;
MEANS TRAT /TUKEY;
RUN;
/* Presione F3 para ejecutar el programa en SAS */
5.5.
PRUEBA DE COMPARACION DE DUNNETT
CARACTERISTICAS:
- Se utiliza cuando existe tratamientos testigo control y se desea comparar este
(testigo) con los dems tratamientos.
- La prueba de F-calculado del cuadro ANVA debe ser significativa.
- Las comparaciones son planeadas antes de realizar el experimento.
- La prueba Dunnett, se usa para comparar nuevos tratamientos sobre un
tratamiento testigo o control.
- Es una prueba modificada de la prueba DLS.
- Los investigadores utilizan a menudo un tratamiento de control o estndar como
punto de referencia con el cual comparar todos los dems tratamientos.
EJEMPLO:
1. Informacin: Promedio de tratamientos y el Cuadro ANVA.
A (Control)
Yi.
ni
44
4
F. De V.
Tratamientos
Error exptal.
Total
G.L.
3
12
15
TRATAMIENTOS
B
C
57
4
S.C.
3171.00
542.00
59
4
C.M.
1057.00
45.17
2. HIPOTESIS:
H0: k = j ; k j
Ha: k j
Donde k es la ubicacin del tratamiento testigo.
H 0: A = B = C = D =
Ha: A j
D
83
4
Fc.
23.40
- 214 -

4. Buscar en la Tabla de Dunnett, el valor
t (DN)
con los grados de libertad del
error experimental, a un nivel de significacin , para (p = t - 1) el nmero

de tratamientos sin incluir el testigo o control.
GLerror = 12, = 0.05 , p = 3,
ALS(DN) = S Xi X j .t (DN) , SX X =
i
Sd =
= 3.36(2.72)
t (DN) = 2.72
2CMError
2(45.16667)
.
=
= 336
r
4
2CM Error
, S Yi Yj =
r
2S2
r
ALS(DN) = 9.14
Si
X i. X j. 9.14 se acepta H 0 :
X i. X j. > 9.14 se rechaza H 0 :
6. Comparacin y significacin.
Comparacione s
|44 - 57|
=
|44 - 59|
=
|44 - 83|
=
d
13
15
39
<
>
>
ALS(DN)
9.14
9.14
9.14
Aceptar Hipot.
A B
A C
A D
Signifac.
*
*
*
7. Conclusin.
Todos los tratamientos actan mejor en relacin al tratamiento Testigo (A).
Anlisis y Diseo de Experimentos - 215 La salida con el sistema de anlisis estadstico SAS son:
Dunnetts T tests for variable: PESO
NOTE: This tests controls the type I experimentwise error for comparisons of all
treatments against a control.
Alpha= 0.05 Confidence= 0.95 df= 12 MSE= 45.16667
Critical Value of Dunnetts T= 2.683
Minimum Significant Difference= 12.75
Comparisons significant at the 0.05 level are indicated by ***.
Simultaneous
Simultaneous
Lower Difference Upper
TRAT
Confidence Between Confidence
Comparison
Limit
Means
Limit
D -A
26.250
39.000
51.750 ***
C -A
2.250
15.000
27.750 ***
B -A
0.250
13.000
25.750 ***
- 216 -
5.6. PRUEBA DE COMPARACION MULTIPLE DE StudentNewman-Keuls (SNK).

Este mtodo no tiene el carcter aproximado del Duncan. Este procedimiento es
ms conservativo que el Duncan en el nmero de diferencias que declara
significativas. Por lo tanto, en situaciones en las cuales no es necesario ser tan
conservativo se sugiere el uso de esta metodologa con probabilidades ms relajado,
digamos un 10% o an ms alto.
- Esta prueba se utiliza, si el contraste de la F ha demostrado diferencias
estadsticas significativas.
- La prueba de Student-Newman-Keuls, es una prueba similar a la prueba de
Duncan, que se basa enla comparacin mltiple de promedios todos contra
todos; y consiste en extraer los valores AES(SNK) obtenido de tablas, los pasos
a seguir son los mismos que el de la prueba de Duncan.
- Esta prueba compara promedios todos contra todos.
- Chen, revela que esta prueba es ms conservativo que la prueba Duncan en el
nmero de diferencias que declara significativos.
- Es recomendable usar esta metodologa con un nivel de significacin ms
relajados, digamos 10% o an ms altos.
- La S-N-K, tiene un gran Error Tipo I y un pequeo Error tipo II que la prueba de
Tukey.
1. INFORMACION:
A (Control)
Yi.
ni
44
4
F. De V.
Tratamientos
Error exptal.
Total
G.L.
3
12
15
TRATAMIENTOS
B
C
57
4
S.C.
3171.00
542.00
59
4
C.M.
1057.00
45.17
D
83
4
Fc.
23.40
Anlisis y Diseo de Experimentos - 217 2. HIPOTESIS:
H 0: A = B = C = D =
Ha: i j
4. Buscar en la Tabla de de S-N-K, los valores de AES(SNK) con los grados de
liberta del error: GLerror = 12
p:
AES (SN K )
S X i X j = 3.36
3.08
3.77
4.2
ALS(S N K )
10.35
12.67
14.11
Los valores AES(SNK) se multiplican por la desviacin estndar ( S Xi X j )

de los promedios.
ALS(SNK) = S Xi X j .AES(SNK) ,
S Xi X j =
CM Error
45.16667
=
= 3.36
r
4

Tratamie ntos
Prome dios
A
44
B
57
C
59
D
83
Si
X i. X j. ALS(SNK) se acepta H 0 :
X i. X j. > ALS(SNK) se rechaza H 0 :

Comparaciones
|44 - 57|
=
d
13
(p)
(2)
>
ALS(SNK)
10.35
|44 - 59|
15
(3)
>
12.67
|44 - 83|
|57 - 59|
|57 - 83|
|59 - 83|
=
=
=
=
39
2
26
24
(4)
(2)
(3)
(2)
>
<
>
>
14.11
10.35
12.67
10.35
Aceptar Hipot. Signifac.

A B
*
A C
A D
B = C
B D
C D
*
*
n.s.
*
*
- 218 -
8. Presentacin de la Prueba de Student-Newman-Keuls.

Tratamientos
D
C
B
A
n
4
4
4
4
PROMEDIO
83
59
57
44
SNK (P<0.05)
a
b
b
c
9. Conclusin.
Existe un grupo de tratamientos similares en el incremento de peso en ovejas,
los tratamientos C y B que son inferiores enpromedio al tratamiento D y
superiores al tratamiento A (testigo).
La salida con el Sistema de Anlisis Estadstico SAS, es el siguiente:

Student-Newman-Keuls test for variable: PESO
NOTE: This test controls the type I experimentwise error rate under the complete null
hypothesis but not under partial null hypotheses.
Alpha= 0.05 df= 12 MSE= 45.16667
Number of Means
2
3
4
Critical Range
10.353669 12.678413 14.108632
SNK Grouping
A
B
B
C
Mean
83.000
59.000
57.000
44.000
N
4
4
4
4
TRAT
D
C
B
A
5.7.
PRUEBA DE SCHEFFE
CARACTERSTICAS:
- El mtodo se Scheff es efectivo para tomar decisiones sobre contrastes
compuestos no ortogonales.
- Est ntimamente relacionado con el concepto de una contraste.
- Usa estadsticos como parte de su frmula (Prueba de F).
- El mtodo Scheff no exige que los datos se ajusten a una distribucin normal.
- Es fcil de usar.
EJEMPLO.
1. INFORMACION:
A (Control)
Yi.
ni
44
4
F. De V.
Tratamientos
Error exptal.
Total
G.L.
3
12
15
TRATAMIENTOS
B
C
57
4
S.C.
3171.00
542.00
59
4
83
4
C.M.
1057.00
45.17
El constraste planeado es: C 0 = 2 + 3 2 4

2. HIPOTESIS: C i = 0
Ci 0
4. Prueba Estadstica.
LM C OP
N rQ
t
GL Trat.
ALS(S) = (t -1)CM Error FGL
Error
LM1 + 1 + ( 2 ) OP = 26.63
N4 4 4 Q
2
ALS(S) = (3)(45.166667)(3.490)
k =1
2
k
Fc.
23.40
- 220 -
C0 ALS(S) entonces se acepta H 0 :

C0 > ALS(S) entonces se rechaza H 0 :
6. Clculos.
C0 = X B + XC 2 X D
= 57 + 59 2( 83 )
C0 = 50
7. Conclusin:
Como
C0 = 50 > ALS(S) = 26.63 , entonces se rechaza la Ho., esto es los
tratamientos B y C en conjunto son superiores a el tratamiento.
5.8. TRANSFORMACION DE DATOS.

La transformacin de datos se utiliza principalmente cuando las varianzas y la
media estn relacionadas, y consiste en transformar todos los datos originales
antes de realizar los anlisis de varianza a otras escalas que permita analizarlos
donde existan variancias homogneas. La escala de transformacin usada para
todas las observaciones, los valores entre tratamientos no son alterados y la
comparacin entre ellos resulta vlido.
1. Transformacin Logartmica.
Esta transformacin se utiliza cuando:
- Observamos que las desviaciones estndar de las muestras sean
aproximadamente proporcionales a las medias.
- Otro criterio para la eleccin de sta transformacin ser cuando existan
efectos multiplicativos (proporcionales) en vez de ser aditivos.
El procedimiento consiste en calcular el logaritmo de la variable de
respuesta de cada unidad experimental.
Anlisis y Diseo de Experimentos - 221 Y = Log Y, Y = log10 Y,
Y = valor numrico de cada observacin.
2. Transformacin de la Raz Cuadrada.

Esta transformacin se utiliza principalmente cuando los datos tienden a
seguir una distribucin especial como la distribucin Poisson; en
experimentos en los que se evalan nmeros enteros como nmero de parsitos
externos de los animales, nmero de semillas atacadas por virus en el lote
especfico, etc.
Ecuaciones: Y =
Y , Y =
Y +1 ,
Y+
1
2
3. Transformacin Angular o ArcoSeno.

Esta transformacin es utilizada cuando los datos provienen de conteos
expresados como porcentajes o proporcionales de la muestra total.
Generalmente tales datos tienen una distribucin binomial en vez de ser
normal. En estos datos se observan que las varianzas tienden a ser pequeas en
los extremos de los rangos de la distribucin (cercanos a 0 y 100%), mientras
que se presentan variancias mayores alrededor del 50%.
Y = Arcoseno
Y'= Sen -1 Y
DATOS EN PORCENTAJES:
Cuando se tienen valores en porcentajes entre 0 y 20 (o entre 80 y 100) se
Y , siendo Y el porcentaje observado

emplea la transformacin
experimentalmente, en caso contrario se usa la transformacin a valores
angulares.
- 222 -
6
DISEO CUADRADO LATINO
(DCL)
Este diseo es una extensin del Diseo Bloque Completo al Azar y se utiliza
cuando las unidades experimentales, a las cuales se van a aplicar los tratamientos
pueden agruparse de acuerdo a 2 fuentes de variabilidad llamadas bloques(hileras) y
columnas respectivamente, tambin se le conoce con el nombre de doble bloqueo.
En la experimentacin agrcola es posible emplear este diseo principalmente
cuando se quiere eliminar el efecto de la variabilidad debido a doble pendiente del
terreno. En la experimentacin pecuaria puede utilizarse cuando se desea eliminar 2
fuentes de variacin.
En este diseo es necesario que el nmero de bloques sea igual al nmero de
tratamientos, esto es: r = c = t, y el nmero total de unidades experimentales en el
experimento debe ser igual a r2. Por ejemplo si el nmero de tratamientos es de 4, el
nmero de bloques y el nmero de columnas debe ser tambin de 4 y el nmero total
de unidades igual a 16.
Este diseo se recomienda cuando el nmero de tratamientos vara entre 3 y
10. El Cuadrado Latino se puede emplear siempre que haya homogeneidad dentro
de bloques y dentro de columnas, pero alta heterogeneidad entre bloques y entre
columnas.
- 224 -
Ejemplo 1: Camadas diferentes (hileras), y sistemas de crianzas diferentes (columnas),

tambin utilizando perodos de produccin debido a las estaciones del ao (hileras) y
edad de los animales (columnas).
Ejemplo 2: Si se tiene un terreno con diferentes niveles de pendiente en sentido y
gradiente de fertilidad en el otro sentido, para instalar un experimento se podrn
distribuir del siguiente modo, en un ensayo de 4 tratamientos.
Pendiente
C1
C2
C3
C4
H1
H2
H3
H4
Gradiente de
fertilidad
Caractersticas del diseo.

1. Debe existir homogeneidad de las unidades experimentales dentro de las hileras y
dentro de columnas, pero entre hileras y columnas debe existir heterogeneidad
para que el diseo sea eficiente.
2. El nmero de las unidades experimentales en cada hilera y en cada columna debe
ser igual al nmero de tratamientos en estudio.
3. Las caracterstica fundamental del diseo cuadrado latino, consiste en que un
tratamiento cualquiera aparece representado una sola vez en la misma hilera,
en la misma columna. Los tratamientos se se representan usualmente por letras
del alfabeto latino.
4. El nmero de tratamientos debe ser igual al nmero de hileras y al nmero de
columnas.
5. Debe utilizarse este diseo cuando los tratamientos varan de 3 a 10, no es muy
recomendable utilizarlo cuando existen muchos tratamientos, principalmente por
las caractersticas mismas del diseo.
6. Es un diseo ms preciso que el de Bloques, debido a que reduce el cuadrado
medio del error, debido a la otra fuente de variacin que es las de columnas.
7. La aleatorizacin en las hileras y columnas es muy complicado, sin embargo
existen muchas variantes en los textos de diseos experimentales.
Anlisis y Diseo de Experimentos - 225 Ventajas.

1) Disminuyen los efectos de dos fuentes de variabilidad de las unidades
experimentales en los promedios de los tratamientos y en el error experimental.
2) El anlisis de varianza es simple, an cuando es ligeramente ms complicado que
el DBCA.
3) En el caso de que se pierde todas las unidades experimentales de un mismo
tratamiento, el resto de tratamientos siguen ajustados a las caractersticas del
cuadrado latino. Si se pierde ntegramente un bloque o columna, el diseo queda
ajustado al DBCA.
4) Cuando los bloques y las columnas estn relacionados con variaciones definidas
de dos criterios de clasificacin, entonces ellos pueden ser considerados como
tratamientos.
Desventajas.
1) Como el nmero de tratamientos depende del nmero de bloques y columnas y
por consiguiente el nmero de unidades experimentales, esto le resta flexibilidad
al diseo para su uso. Es por esto que no es recomendable para mayor nmero de
tratamientos.
2) A igualdad del nmero de tratamientos y repeticiones, este diseo tiene menos
grados de libertad para el error experimental.
3) Si es que existe interaccin entre los efectos de las dos fuentes de clasificacin o
entre los tres (tratamientos, bloques y columnas), entonces el valor de F no se
distribuye de acuerdo al valor tabular de F, y por consiguiente no se puede hacer
una prueba vlida de significacin. Es por esto que en los casos en que el
experimentador no est en condiciones de asumir la ausencia de interacciones de
este tipo, es preferible no emplear el cuadrado latino.
4) El error experimental tiende a incrementarse al aumentar el ancho de los bloques
y el largo de las columnas, como consecuencia principalmente del aumento del
nmero de tratamientos.
Modelo estadstico lineal
El resultado de una unidad experimental cualesquiera como se puede apreciar,
est influenciado por tres fuentes de variabilidad controlables: tratamientos, filas y
columnas de modo que el modelo estadstico en la poblacin de unidades
experimentales que pudieron intervenir en el experimento; el valor de cada unidad
experimental Yijk se aplica segn el siguiente Modelo Estadstico Lineal.
- 226 -
Y( i ) jk = + i + H
+ C k + ( i ) jk ;
i = 1, 2 , L , t
j = 1, 2 , L , t
k = 1, 2 , L , t
donde:
Yijk = Es la variable respuesta o resultado de la unidad experimental clasificada
en el j-simo nivel de bloque-fila, k-simo nivel de bloque-columna y que
ha recibido el tratamiento i-simo, el cual por estar comprendido en la
combinacin "jk" se llama factor "anidado".
= Constante, media de la poblacin a la cual pertenecen las observaciones.
H j = Es el verdadero efecto de la j-sima fila o nivel del factor que di lugar a
bloque-fila.
C k = Efecto de la k-sima columna o nivel del factor que di lugar a bloquecolumna
(i) jk = Trmino de error. Son variables aleatorias con ijk
~ D N I ( 0 , e2 )
Las restricciones con respecto a filas, columnas y tratamientos si estn bajo el

t
j =1
k =1
i =1
criterio del Modelo I son: H j = Ck = i
= 0.
En caso de estar en Modelo II,
H j , C k , i se considera como variable aleatoria distribuidas normal e independiente
con media cero y varianza: 2H , 2C y 2 , respectivamente.

HIPOTESIS:
Respecto a fila:
Respecto a columnas:
Modelo I
Modelo II
H 0 : i = 0
H 0 :
H a : i 0
H a : 2 0
=0
H 0: H
= 0
H 0 :
2
H
= 0
Ha:H
H a :
2
H
H 0:C k = 0
H 0 :
2
C
= 0
H a:C k 0
H a :
2
C
Anlisis y Diseo de Experimentos - 227 Estimacin de parmetros del modelo.

La aplicacin del procedimiento de estimacin de los mnimos cuadrados
permite lograr estimaciones de los parmetros sealados quedando el modelo en
trmino de estimadores.
Poblacin
Muestra
$ = Y
j = j
= Y j Y
j = k
= Y k Y
i = i
$ i = Yi Y
Modelo poblacional: Yijk = + j + i + k + ijk
Yijk = +( j ) + ( i ) +( k ) +(Yijk i j k + 2 )
Modelo muestral:
Yijk = Y + ( Y j Y ) + ( Yi Y ) + ( Yk Y ) + ( Yijk Yi Y j Yk + 2Y )
Yijk Y = (Y j Y ) + (Yi Y ) +(Yk Y ) +(Yijk Yi Y j Yk + 2Y )

12
44
3 14243 14243 14243 14444
4244444
3
Desviacin total
Desviacin
debido a tratamientos
Desviacin
debido a filas
Desviacin
debido a columnas
Desviacin debido al error experimental
Elevamos al cuadrado ambos miembros, luego aplicamos las sumatorias se tiene:
dY
r
i , j ,k
i =1
k =1
= r(Y j Y )2 + r(Yi Y )2 + r(Yk Y )2 +

ijk Y
2
j =1
(Y
ijk
Yi Y j Yk + 2Y )2
i , j ,k
dY
r
Y = r(Y j Y )2 + r(Yi Y )2 + r(Yk Y )2 + (Yijk Yi Y j Yk + 2Y )2

, j ,k
i , j ,k
i=4
k =4
1
1 4
1 4
2443 1
2443 i1
14
4244
3 1j=4
42443 1
44444
42444444
3
ijk
SCTOTAL
SCFILAS
SCTRATAMIENTOS
SCCOLUMNAS
SCERROR EXPERIMENTAL
- 228 -

F. de Variacin
G.L.
S.C.
r
Y . 2j .
j =1
Hileras
r-1
Columnas
r-1
Tratamientos
r-1
C.M.
Y ...2
r2
Y..2k
Y2
...2
r
k =1 r
r
Error Exptal (EE)
i =1
(r-1)(r-2)
Total
r -1
Yi ..2 Y...2
2
r
r
por diferencia
i =1
j =1 k =1
Yijk2
Fc.
CME.
SC bloque
CM bloque
r 1
CM ee
2 + r 2
SCcolumna
r 1
CMcolumna
CMee
2 + r 2
S C tr a t .
r 1
SCe.exp
(r 1)( r 2)
CM t
C M ee
2 + r 2
Y...2
r2
EJEMPLO:
Se quiere estudiar el efecto de cinco diferentes catalizadores (A,B,C,D y E) sobre el
tiempo de reaccin de un proceso qumico. Cada lote de material slo permite cinco
corridas y cada corrida requiere aproximadamente de 1.5 horas, por lo que slo se
pueden realizar cinco corridas diarias. El experimentador decide correr los experimentos con un diseo en cuadro latino, para controlar activamente a los lotes y das.
Los datos obtenidos son:
1
2
3
4
5
Lote
Y.j.
Da (bloque)
2
3
B7
D1
E2
A7
A9
C 10
C8
E6
D2
B3
28
27
1
A8
C 11
B4
D6
E4
33
4
C7
D3
E1
B6
A8
E
B
D
A
C
25
5
3
8
5
10
8
34
Y..k
26
31
29
36
25
147
TRATAMIENTOS:
A
B
C
D
E
Y...
147
42
28
44
17
16
Prom. 8.40 5.60 8.80 3.40 3.20 5.88
SOLUCIN:
1. Hiptesis:
Respecto a tratamientos: H0 : i = 0 versus Ha : i 0
Respecto a fila:
H0 : H j = 0 versus Ha : H j 0
H0 : Ck = 0 versus Ha : Ck 0
= 0.05
3. Estadgrafo de contraste: FTrat . =
CM Trat .
~ F( rr11 )( r 2 ),0.05
CM Error
4. Clculo de Anlisis de Varianza (ANOVA).

a)
b)
Grado de libertad.
Hileras
Columnas
Tratamientos (variedades)
Error experimental
Total
Suma de Cuadrados:
:r-1=5-1=4
:r-1=5-1=4
:r-1=5-1=4
: (r-1)(r-2) = 4x3 = 12
: r2 - 1 = 5x5 - 1 = 24
TC =
2
Y
( 147 ) 2
=
= 864 .36
2
r
55
Suma de Cuadrados para filas bloques:
SCFilas =
332 + 282 + 27 2 + 252 + 34 2

TC = 876.6 TC = 12.24
5
- 230 -

Suma de Cuadrados para Columnas.
262 + 312 + 29 2 + 362 + 252
TC = 879.8 TC = 15.44
5
Suma de Cuadrados para tratamientos (catalizadores)
SCcolumnas =
SCCatalizadores =
42 2 + 282 + 44 2 + 17 2 + 162
TC = 10058
. TC = 141.44
5
SCTotal = Yijk2 TC = ( 82 + 112 + L + 102 + 82 ) TC = 1071 TC = 206.64

i , j ,k
SCerror exptal. = SCtotal - SCcataliz. - SCFilas. - SCcolum = 206.64-141.44-12.24-15.44=37.52

TABLA DE ANALISIS DE VARIANCIA.
F. de V.
Filas
Columnas
Catalizadores
Error experimental
Total
G.L.
4
4
4
12
24
S.C.
12.24
15.44
141.44
37.52
206.64
C.M.
3.06
3.86
35.36
3.13
Fc.
0.98
1.23
11.31
Signifc.
ns.
ns.
**
5. Decisin: Como Fcatalizadores = 11.31> F124 ,0 .01 = 5.41, entonces se acepta la Ha: y
se rechaza la Ho:
6. Conclusin: No existen evidencias estadsticas significativas para los filas
bloques y columnas, en cambio encontramos diferencia estadstica altamente
significativa para los catalizadores ( P 0.01) en el anlisis de varianza, lo cual confirma
que cada uno de los catalizadores actan en forma diferente en la variable de respuesta,
para una mejor interpretacin de estos resultados se realizar la prueba mltiple de
significancia de Duncan.

1. Hiptesis: H0 : A = B = C = D = E Vs. Ha : i 0
Anlisis y Diseo de Experimentos - 231 p:

A ES(D)
SY =
2
3.08
3 .1266667
5
A LS(D)
3
3.23
4
3.33
2.55
2.63
0.79
2.43
ALS ( D ) = SY AES ( D ) , S Y =
3.1266667
= 0.79
5
CM Error
=
r

Catalizadores
C
A
B
D
E
Promedios
8.8
8.4
5.6
3.4
3.2
Duncan (P 0.05)
a
a
b
b
b
C = A
8.80 - 5.60 = 3.20 > 2.55, entonces es significativo C B

-------------------------------------------------------------------------------5.60 - 3.40 = 2.20 2.43, entonces no es significativo
B = D
B = E
- 232 -
DATA DCLAT;
INPUT FILA COLUM TRAT $ TIEMPO;
DATALINES;
1
1
A
8
1
2
C
11
1
3
B
4
1
4
D
6
1
5
E
4
2
1
B
7
2
2
E
2
2
3
A
9
2
4
C
8
2
5
D
2
3
1
D
1
3
2
A
7
3
3
C
10
3
4
E
6
3
5
B
3
4
1
C
7
4
2
D
3
4
3
E
1
4
4
B
6
4
5
A
8
5
1
E
3
5
2
B
8
5
3
D
5
5
4
A
10
5
5
C
8
;
PROC PRINT; RUN;
PROC ANOVA;
CLASS FILA COLUM TRAT;
MODEL TIEMPO = FILA COLUM TRAT;
MEANS FILA COLUM TRAT/LSD DUNCAN TUKEY;
RUN;
Anlisis y Diseo de Experimentos - 233 RESULTADOS DEL SAS

The ANOVA Procedure
Class
Levels
Values
FILA
5
1 2 3 4 5
COLUM
5
1 2 3 4 5
TRAT
5
A B C D E
25
Dependent Variable: TIEMPO
Source
Model
FILA
COLUM
TRAT
Error
Corrected Total
R-Square
Coeff Var
0.818428
30.07208
Sum of
DF
Squares
Mean Square
12
169.1200000
14.0933333
4
12.2400000
3.0600000
4
15.4400000
3.8600000
4
141.4400000
35.3600000
12
37.5200000
3.1266667
24
206.6400000
Root MSE
TIEMPO Mean
1.768238
5.880000
t Tests (LSD) for TIEMPO

Alpha
0.05
12
Error Mean Square
3.126667
Critical Value of t
2.17881
Least Significant Difference
2.4366
Mean
N
TRAT
A
8.800
5
C
A
8.400
5
A
B
5.600
5
B
B
3.400
5
D
B
3.200
5
E
Duncans Multiple Range Test for TIEMPO
Mean
N
TRAT
A
8.800
5
C
A
8.400
5
A
B
5.600
5
B
B
3.400
5
D
B
3.200
5
E
Tukeys Studentized Range
Tukey
Groupi
ng
Mean
A
8.800
A
8.400
B
A
5.600
B
3.400
B
3.200
(HSD) Test for TIEMPO

N
5
5
5
5
5
TRAT
C
A
B
D
E
F Value
4.51
0.98
1.23
11.31
Pr > F
0.0072
0.4550
0.3476
0.0005
- 234 -
EJEMPLO:
En un experimento se probaron tres dietas diferentes (A, B y C) para medir su
efecto en la produccin de leche. Las dietas se aplicaron a tres vacas en tres perodos
de lactancia diferentes. Los resultados son los siguientes:
1
Perodo
I
II
III
A
B
C
608
715
884
2207
A
B
C
608
715
884
Cj
VA CA
2
B
885
C 1087
A
711
2683
711
885
1087
3
C
A
B
940
766
832
2538
766
832
940
Y... =
Hk
2433
2568
2427
Y... = 7428
2085
2432
2911
7428
Las hiptesis para hileras y columnas, al igual que la de bloques en un diseo completo
al azar, en realidad slo dan una idea acerca de la eficiencia o justificacin en el
empleo del control local efectuado en estos diseos.
SUMA DE CUADRADOS:
SC tratam. =
2085 2 + 2432 2 + 2911 2 7428 2
= 114680.6
3
9
SC PERIO D O S =
SC VAC AS =
2433 2 + 2568 2 + 2427 2

7428 2
= 4238 .0
3
9
2207 2 + 2683 2 + 2538 7428 2
= 39684 .60
4
9
7428 2
= 164664 .0
9
SCerror exptal. = 164664 - (114680.6 + 4238 + 39684.6) = 6060.8
SC To tal = 608 2 + L + 832 2
Anlisis y Diseo de Experimentos - 235 TABLA DE ANALISIS DE VARIANZA.

F. de V.
Perodos
Vacas
Tratamientos
Error exptal.
Total
G.L.
2
2
2
2
8
S.C.
4238.00
39684.60
114680.60
6060.80
164664.00
C.M.
2119.00
19842.30
57340.30
3030.40
Fc.
0.70ns.
6.55*
18.92**
0.05 0.01
4.46 8.65
Por lo anterior, no se rechaza la hiptesis nula respecto de los perodos, pero

sucede lo contrario para los efectos de vacas y raciones. La particin de las sumas de
cuadrados significativas. Existe diferencia significativa entre vacas es fuente de
variacin para la respuesta. Para las raciones alimenticias, se ha encontrado diferencia
estadstica altamente significativo ( P 0.01) , esto implica la fuente de variacin para
la respuesta, es decir que el consumo de la dieta de cada vaca es diferente a las otras
vacas. Se deja como ejercicio al estudiante para que realice la prueba mltiple de
comparacin de Duncan.
PROGRAMA EN SAS.
DATA DIETA;
TITLEDISEO CUADRADO LATINO DE 3x3;
DO FILA = 1 TO 3;
DO COLUM = 1 TO 3;
INPUT TRAT $ LECHE;
OUTPUT;
END;
END;
CARDS;
A 608
B 715
C 884
B 885
C 1087
A 711
C 940
A 766
B 832
;
PROC PRINT; RUN;
PROC GLM;
CLASS FILA COLUM TRAT;
MODEL LECHE = FILA COLUM TRAT;
MEANS FILA COLUM TRAT /DUNCAN; RUN; /* F3 para ejecutar */
- 236 -
EJERCICIOS:
1. En un experimento donde se desea probar 4 mquinas con el objeto de ver si
difieren significativamente en su capacidad de produccin de una cierta pieza
manufacturada. Es perfectamente conocido que diferentes trabajadores y diferentes periodos de tiempo en un da de trabajo tendrn un efecto sobre la produccin.
Las mquinas son asignadas al azar a cada trabajador frente a su respectivo periodo de tiempo, en un da de trabajo. Obtenindose los siguientes resultados
experimentales. Analice y obtenga las conclusiones.
Periodo de
tiempo
1
2
3
4
1
C 31
D 39
B 57
A 85
OPERADORES
2
3
D 43
A 31
A 96
B 50
C 33
D 40
B 46
C 48
B
C
A
D
4
36
48
84
50
2.- Se realiz un experimento para asegurar las resistencias relativas a la abrasin de

4 tipos de pieles (A, B, C, D). Se us una mquina en la cual se probaron las
muestras en una cualquiera de 4 posiciones. Puesto que se conoce que diferentes
ejecuciones del experimento (reproducciones) dan resultados variables, se decidi hacer 4 ejecuciones del mismo. Se utiliz un diseo cuadrado latino y se
obtuvieron los siguientes resultados. Analice e interprete los datos.
Ejecucin
1
2
3
4
1
118(B)
127(D)
174(A)
130(C)
2
136(D)
141(B)
173(C)
170(A)
POSICION
3
168(A)
129(C)
126(B)
125(D)
4
135(C)
151(A)
134(D)
95(B)
3.- Un ingeniero qumico est investigando el efecto que tienen 4 mtodos de ensamblaje (A, B, C y D) sobre el tiempo de ensamblaje de un componente para televisores a color. Se seleccionan 4 operadores para realizar este estudio. Por otra
parte, el ingeniero sabe que cada mtodo de ensamblaje produce fatiga, por lo que
el tiempo que se tarda en el ltimo ensamblaje puede ser mayor que en el primero, independientemente del mtodo. En otras palabras se produce un patrn en el
tiempo de ensamblaje. Para controlar esta posible fuente de variabilidad el ingeniero utiliza el diseo de cuadrados latinos que aparece a continuacin. Analice y
obtenga las conclusiones apropiadas.
Orden de
montaje
1
2
3
4
1
C 10
B 7
A 5
D 10
OPERADOR
2
3
D 14
A 7
C 18
D 11
B 10
C 11
A 10
B 12
4
B
A
D
C
8
8
9
14
Anlisis y Diseo de Experimentos - 237 4.-Se prueba seis dietas de concentracin y su efecto en la produccin de leche, en
seis vacas que tienen diferente perodo de lactacin ( 1 a 6 meses), cuya distribucin es:
Perodos
III
I
VI
IV
II
V
C
E
F
B
D
A
5
9.40
4.90
6.70
8.90
5.92
7.20
1
E 5.450
A 7.600
B 8.320
D 6.120
F 9.850
C 9.900
A
C
D
F
B
E
VACAS
3
6
4
6.08 D
3.46 B 8.85
10.87 F
7.15 D 4.12
6.80 A 7.11 E 6.14
12.43 C 11.40 A 5.15
6.15 E
8.10 C 8.16
5.64 B
9.12 F 10.50
F
B
C
E
A
D
2
8.50
7.15
8.84
7.30
6.13
7.00
a) Habr diferencia entre dietass.

b) Habr diferencia entre vacas.
c) Habr diferencia entre perodos.
d) Contraste promedios entre dietas a travs de la prueba de Tukey al 95%.
- 238 -
6.2. Diseo Cuadrado Grecolatino (DCGL).

Considere un cuadrado latino pxp al cual se le superpone un segundo cuadrado
latino pxp en el que los tratamientos se denotan con letras griegas. Si cuando se hace
la superposicin los dos cuadrados tienen la propiedad de que cada letra griega aparece
una y slo una vez con cada letra latina, se dice que los cuadrados latinos son
ortogonales, y al diseo obtenido se le llama Cuadrado Grecolatino.
El diseo de cuadrado Grecolatino puede usarse para controlar sistemticamente
tres fuentes de variabilidad extraa, es decir, para hacer la formacin de bloques en
tres direcciones. El diseo permite la investigacin de cuatro factores (renglones,
columnas, letras latinas y letras griegas), cada una con p niveles en slo p2 corridas.
Existen cuadrados grecolatinos para toda p 3, excepto p = 6. En la siguiente tabla,
se muestra un ejemplo de un cuadrado grecolatino de 4x4.
Ejemplo de Diseo Cuadrado Grecolatino de 4x4.
Renglones
1
1
A
Letras Latinas
2
3
B
C
4
D
Letras Griegas
2
3
4
= B
C
D
Grecolatino
2
3
B C
D
C
D
A
4
D
B
A
El modelo estadstico lineal para el diseo de cuadrado grecolatino es:
Yijkl = + i + j + k + l + ijkl
R| i = 1,2,K, p
|S j = 1,2,K, p
||k = 1,2,K, p
T l = 1,2,K , p
donde:
Yijkl : Es la observacin del rengln i y la columna l para la letra latina j y

la letra griega k.
i : Es el efecto del rengln i-simo.
j : Es el efecto del tratamiento de la letra latina j

k : Es el efecto del tratamiento de la letra griega k.
l : Es el efecto de la columna l.
ijkl : Es un componente del error aleatorio
ijkl ~ NID( 0, 2 ) .
Slo son necesario dos de los cuatro subndices para identificar completamente
una observacin. El anlisis de varianza es muy parecido al de un cuadrado latino.
Puesto que las letras griegas aparecen exactamente una vez en cada rengln y columna,
y exactamente una vez con cada letra latina, el factor representado por las letras
griegas es ortogonal a los renglones, las columnas y los tratamientos de letras latinas.
Por lo tanto, puede calcularse una suma de cuadrados debida al factor de las letras
griegas a partir de los totales de las letras griegas y el error experimental se reduce
adicionalmemnte en esta cantidad. En la siguiente tabla se ilustran los detalles de los
clculos de las frmulas de anlisis de varianza. La hiptesis nula de la igualdad de
tratamientos de renglones, columnas, letras latinas y letras griegas, se probara
dividiendo el cuadrado medio correspondiente por el cuadrado medio del error. La
regin de rechazo es la cola superior del punto de la distribucin F( pp13 )( p 1 ) .
F. de Variacin
G.L.
S.C.
Tratamientos con letras latinas
p-1 SCL =
Y2j
j =1
C.M.
Fc.
2
Y
p2
SC Latina
p1
CM Latina
CM Error
Tratamientos con letras griegas
p-1 SCG =
2
Y2k Y
2
p
k =1 p
SC G rieg a
CM Griega
p 1
CM Error
Renglones filas
p
Y2 Y2
p-1 SCRengl . = i
p2
i =1 p
S C R e ngl .
CM Re ngl .
p 1
CM Error
Columnas
p
Y2 Y2
p-1 SCColum. = l
p2
l =1 p
SC Colum .
p 1
CM Colum .
CM Error
CM Error =
SCError
( p 1 )( p 3 )
(p - 1)(p - 3) SCError (por diferencia)
Error Exptal (EE)
Total
2
Y
2
SC
Y
=
i j k l ijkl p 2
Total
p -1
2
- 240 -
EJEMPLO:
El rendimiento de un proceso qumico se midi utilizando cinco lotes de materia
prima, cinco concentraciones de cido, cinco tiempos de procesamiento (A,B,C,D y
E) y cinco concentraciones del catalizador ( ,
, , y ). Se us el cuadrado
grecolatino siguiente. Analizar los datos de este experimento (utilizar

sacar conclusiones.
Lote
1
2
3
4
5
Y..k.
A
B
C
D
E
1
26
18
20
15
10
89
Concentracin del cido

2
3
4
B 16 C
19
D
16
C
21 D
18
E
11
D 12 E 16 A
25
E
15 A
22
B
14
A
24 B 17
C 17
88
92
83
E
A
B
C
D
5
13
21
13
17
14
78
= 0.05) y
Y...l
90
89
86
83
82
430
SOLUCIN:
1. Hiptesis:
Respecto al tratamiento de la letra latina: H0 : j = 0 versus Ha : j 0
Respecto al tratamiento de la letra griega: H0 : k = 0 versus Ha : k 0
Respecto a fila:
H0 : l = 0 versus Ha : l 0
= 0.05
3. Estadgrafo de contraste:
F ( L a tin a ) =
F ( G rieg a ) =
C M L a tin a
C M E rro r
C M G r ie g a
C M E rro r
C M C o lu m .
F ( C o lu m . ) =
C M E rro r
C M F ila
F ( F ila ) =
C M E rro r
U|
||
|V ~ F
||
||
W
p 1
( p 1 )( p 3 ),0 . 0 5
4. Clculo de Anlisis de Varianza (ANOVA).

a)
Grado de libertad (GL).

Letras latinas
Letras griegas
:p-1=5-1=4
:p-1=5-1=4
Anlisis y Diseo de Experimentos - 241 Filas Hileras

Columnas
Error experimental
Total
b)
:p-1=5-1=4
:p-1=5-1=4
: (p - 1)(p - 3) = 4x2 = 8
: p2 - 1 = 5x5 - 1 = 24
Suma de Cuadrados:
TC =
Y2
( 4 3 0 )2
=
= 7396
2
p
55
Suma de Cuadrados para filas bloques:

2
Yi
90 2 + 89 2 + 86 2 + 832 + 82 2
TC =
TC = 10.0
5
5
SC Filas =
i =1
Suma de Cuadrados para Columnas.

2
Y
89 2 + 882 + 92 2 + 832 + 782
l
TC =
TC = 24.40
5
l =1 5
5
SCcolumnas =
Suma de Cuadrados para letras latinas (tiempos de procesamiento)

5
Y2j
j =1
SCLatinas =
TC =
1182 + 782 + 94 2 + 752 + 652

TC = 342.80
5
Suma de Cuadrados para letras griegas (concent. del catalizador)

Y2 k
832 + 852 + 912 + 82 2 + 892
TC =
TC = 37040 TC = 12.0
5
k =1 5
5
SCGriegas =
SC T otal =
2
ijk
TC = ( 26 2 + 18 2 + L + 17 2 + 14 2 ) TC = 436 .0
i , j ,k ,l
SCError = SCTotal SCLatinas SCGriegas SCFilas SCColum. = 46.80

TABLA DE ANALISIS DE VARIANCIA.
F. de V.
Tratamiento con letras Latinas
Tratamiento con letras Griegas
Filas o renglones
Columnas
Error experimental
Total
G.L. S.C.
4 342.80
4
12.00
4
10.00
4
24.40
8
46.80
24 436.00
C.M.
85.700
3.000
2.500
6.100
5.850
Fc. Signifc. F-Tabla

14.65 **
3.84
0.51 ns.
0.43 ns.
1.04 ns.
- 242 -
5. Decisin: Como FTiempos de proc.= 14.65 > F8 ,0 .05 = 3.84, entonces se acepta la Ha:
4
y se rechaza la Ho:
6. Conclusin: Se ha encontrado diferencias estadsticas significativas para los
cinco tiempos de concentracin (letras latinas), en cambio no presentaron diferencia
estadstica significativa para: concentracin de catalizadores, lotes de materia prima
y concentraciones de cido. Se deja como ejercicio al estudiante para que realice la
prueba adecuada (Tukey o Duncan) para los cinco tiempos de concentracin por ser
significativo en la fuente de variacin.
DATA DCGL;
INPUT COLUM FILAS LATINA $ GRIEGA $ Y;
CARDS;
1 1 A a
26
1 2 B g
18
1 3 C e
20
1 4 D b
15
1 5 E d
10
2 1 B b
16
2 2 C d
21
2 3 D a
12
2 4 E g
15
2 5 A e
24
3 1 C g
19
3 2 D e
18
3 3 E b
16
3 4 A d
22
3 5 B a
17
4 1 D d
16
4 2 E a
11
4 3 A g
25
4 4 B e
14
4 5 C b
17
5 1 E e
13
5 2 A b
21
5 3 B d
13
5 4 C a
17
5 5 D g
14
;
PROC PRINT; RUN;
PROC ANOVA;
CLASS COLUM FILAS LATINA GRIEGA;
MODEL Y = LATINA GRIEGA FILAS COLUM;
MEANS LATINA/DUNCAN TUKEY;
RUN;

The ANOVA Procedure
Class
Levels
Values
COLUM
5
1 2 3 4
FILAS
5
1 2 3 4
LATINA
5
A B C D
GRIEGA
5
a b d e
25
Source
Model
LATINA
GRIEGA
FILAS
COLUM
Error
Corrected Total
R-Square
Coeff Var
0.892661
14.06208
5
5
E
g
Sum of
DF
Squares
Mean Square
16
389.2000000
24.3250000
4
342.8000000
85.7000000
4
12.0000000
3.0000000
4
10.0000000
2.5000000
4
24.4000000
6.1000000
8
46.8000000
5.8500000
24
436.0000000
Root MSE
Y Mean
2.418677
17.20000
F Value
4.16
14.65
0.51
0.43
1.04
Pr > F
0.0236
0.0009
0.7289
0.7854
0.4425
Duncans Multiple Range Test for Y

Duncan
Mean
N
LATINA
A
23.600
5
A
B
18.800
5
C
C
B
15.600
5
B
C
15.000
5
D
C
13.000
5
E
Ejercicios:
1. El rendimiento de un proceso qumico se midi utilizando cinco lotes de materia
prima, cinco concentraciones del cido, cinco tiempos de procesamiento (A, B, C,
D y E) y cinco concentraciones del catalizador (, , , , ). Se us el cuadrado
grecolatino siguiente. Analizar los datos de este experimento (utilizar = 0 .0 5 ) y
sacar conclusiones.
Lote
1
2
3
4
5
1
A =26
B= 18
C = 20
D = 15
E= 10
Concentracin del cido

2
3
4
B= 16
C = 19
D = 16
C = 2
D = 18 E = 11
D = 12
E = 16
A = 25
E = 15
A = 22
B = 14
A = 24 B = 17
C = 17
5
E = 13
A = 21
B = 13
C = 17
D = 14
- 244 -
2. Suponga que en el problema 10 el ingeniero sospecha que los sitios de trabajo

usados por los cuatro operadores pueden representar una fuente adicional de variacin. Es posible introducir un cuarto factor, el sitio de trabajo ( , , , ), y realizar otro experimento, de donde resulta el cuadrado grecolatino siguiente. Analizar los datos de este experimento (utilizar = 0 .0 5 ) y sacar conclusiones.
Orden de
Ensamblaje
1
2
3
4
1
C = 11
Ba = 8
A = 9
D = 9
Operador
2
3
B=10
D = 14
C = 12 A = 10
Da = 11 B = 1
A = 8
Ca = 18
4
A = 8
D = 12
C = 15
B = 6
7
EXPERIMENTOS
FACTORIALES
Introduccin.
Los Experimentos Factoriales son arreglos de tratamientos que permiten aplicar
de una sola vez una serie de estmulos o tratamientos que consideramos que intervengan en la respuesta dada por una unidad experimental.
Los arreglos factoriales son de importancia prctica, ya que permiten el estudio
de un estmulo como tal y su respuesta combinatoria respecto de otras condiciones
generadas por la interaccin con otros factores, dando as informacin ms completa, aun cuando los efectos interaccionales no sean significativos. En las ciencias
agropecuarias normalmente se usan combinaciones hasta de tres factores debido principalmente a la interpretacin fisiolgica de las interacciones. Los arreglos de tratamientos pueden ser estudiados en el contexto de los diseos bsicos, considerando
las caractersticas de las unidades experimentales con las que se trabaje.
Los Experimentos Factoriales no constituyen un diseo en s, sino que debe
arreglarse a cualesquiera de los diseos conocidos como: diseo completamente al
azar, diseo bloques completos, cuadrados latino, etc.
- 246 -
Su utilidad radica en que es posible estudiar simultneamente ms de un factor.

Ejemplo estudiar varias razas de los animales y el sexo de los mismos para determinar sus incrementos de pesos; estudiar diversas variedades y su respuesta a las diferentes formas de abonamiento, etc. Adems es importante porque nos permite comparar los niveles de cada factor entre s y adems las interacciones que puedan resultar como consecuencia de las combinaciones de los niveles de cada factor.
Objetivos:
1. Describir los conceptos bsicos de experimentos factoriales y explicar cmo
se hace la experimentacin factorial.
2. Desarrollar los experimentos factoriales de 2 y 3 factores y la manera en que
se estabiliza la varianza.
3. Explicar el experimento general, el modelo de efectos fijos y su diferencia con
el modelo de efectos aleatorios.
Ventajas de los Experimentos Factoriales.
1. Permite estudiar los efectos principales, efectos simples as como de los efectos de la interaccin.
2. Todas las unidades experimentales intervienen en la determinacin de los
efectos principales, efectos simples y de la interaccin.
3. Permite ganar mayor precisin en el experimento.
Desventajas de los Experimentos Factoriales.
1. Se requiere mayor nmero de unidades experimentales que en los experimentos simples en los cuales se estudia nicamente un solo factor; as que en un
experimento factorial con 4 niveles del A, y 5 niveles del factor B, repetidos 5
veces para cada combinacin de tratamientos, se requerir 100 unidades
experimentales para estudiar solamente 2 factores, mientras si se quisiera
estudiar mayor nmero de factores el nmero de unidades experimentales
sera an mayor.
2. Como en los experimentos factoriales deben de combinarse todos los niveles
de los factores en estudio, algunas de estas combinaciones resulta de poco
inters del investigador.
3. El anlisis estadstico es mas complicado en comparacin con los experimentos simples.
Anlisis y Diseo de Experimentos - 247 Experimento factorial.

El trmino experimentacin factorial se refiere a la evaluacin simultnea de dos
ms factores en un experimento o estudiar el efecto de varios factores sobre una o
varias respuestas o caractersticas de calidad, lo que se busca es estudiar la relacin
entre los factores y la respuesta, con la finalidad de conocer mejor cmo es sta
relacin y genera conocimiento que permita tomar acciones y decisiones que mejoren el desempeo del proceso. Para disear un experimento factorial, se utilizan los
diesos bsicos como: diseo completamente al azar, diseo bloque completo al azar,
diseo cuadrado latino entre otros.
Eleccin de los factores.
Factor.
Es una clase de tratamiento que interviene en el experimento, es as que en los
Experimentos Factoriales, todo factor proporciona varios tratamientos; ejemplo de
factores: Razas de animales, variedades de alfalfa, dosis de nitrgeno, profundidad
de labranza, raciones alimenticias, dosis de una hormona, etc. A los Factores se les
simboliza generalmente por las primeras letras maysculas del alfabeto (A, B, C, D,
etc).
Niveles de un factor.
Son los diversos tratamientos que pertenecen a un determinado factor; y se acostumbra a simbolizar un nivel cualquiera por la letra que representa el factor y el valor
del respectivo sub ndice. Ejemplo: el factor dosis de la hormona estilbestrol simbolizado por A tiene 4 niveles en el experimento: a1 = 2cc, a2 = 3cc, a3 = 4cc, a4 = 5cc.
Tipos de factores.
Los factores que se estudian en los experimentos se clasifican en:
Factor fijo:
Los niveles o tratamientos son fijados por el experimentador de acuerdo a su
inters. Son muy usuales en la experimentacin. Ejemplos:
- Factor Nitrgeno: 50, 70, 90 kg de N/ha.
- Factor temperatura: 10, 15, 18, 20 grados centgrados.
- Alimento: con ingrediente nuevo, sin ingrediente.
- 248 -
- Tres variedades de trigo: V1, V2, V3, etc.

Factor al azar:
Los niveles o tratamientos son seleccionados al azar de la poblacin de niveles,
constituyendo una muestra los que estn en el experimento. Ejemplo:
- Los aos en los que se cultivan ciertas variedades de papa, trigo, etc. son considerados como una muestra de aos antes y aos despus de lo establecido.
Clasificacin de los factores:
Factores Cualitativos.- Los niveles o tratamientos son cualidades o categoras,
cuyos niveles corresponden a procedimientos o cualidades y no tienen un orden natural y cada nivel tiene un valor intrnsico. Ejemplo: mtodos de enseanza de cierta
asignatura, variedades o linajes de un cultivo, pocas del ao, las estaciones del ao,
clases de lana, razas de ganado, variedades, zonas ecolgicas, tipos de hormona,
tipos de alimento, sistema de riego, sistema de labranza, variedades de los cereales,
etc.
Factores Cuantitativos.- Son aquellos cuyos niveles corresponden a cantidades
numricas de un factor cuantitativo, que de preferencia debe ser igualmente espaciadas o de igual intervalo o no. Ejemplo: distanciamiento entre plantas de algodn a 50
cm., 60 cm., 70 cm., niveles de pH en la elaboracin de cierto alimento: 2.0, 2.5, 2.8,
3.0, diferentes dosis de una hormona, diferentes dosis de una racin protica, diferentes dosis de un abono nitrogenado, diferentes grados de temperatura, dosis de
vitamina B12, tiempos, minutos, etc.
Factores cruzados.- Factores en los que cada nivel de uno de los factores se combina con todos los niveles de los otros factores.
Factores anidados.- Los niveles de cada factor no pueden o no interesa que se
combinen con todos los niveles de los otros factores, un factor puede ser fijo o al azar.
Simbolizacin.- Se utiliza letras maysculas para los factores: A, B, C, D, R y
letras minsculas con subndices para indicar niveles:
a, b, c, d, r (para indicar el nmero de niveles de cada factor).
i, j, k, l, m (para indicar cualquier nivel del factor).
ai, bj, ck, dl, rm (para indicar los niveles).
, , , , (para indicar los efectos).
Anlisis y Diseo de Experimentos - 249 Ejemplos:

Un experimento factorial en el cual se estudia dos factores, y cada factor con dos
niveles, se simboliza como 2Ax2B 2x2. El nmero de combinaciones de tratamientos que intervienen en este factorial es el producto de las cantidades de niveles de los
factores en estudio, en este experimento existirn 4 tratamientos.
En un experimento factorial en el cual intervienen tres factores A, B y C, donde el
factor A tiene tres niveles, el factor B tiene 2 niveles y el factor C, tiene dos niveles,
se simbolizar como 3Ax2Bx2C 3x2x2 o tambin 3x22; y el nmero de tratamientos producto de las combinaciones ser igual a 12.
Tipos de notacin en el experimento factorial (croquis de campo).
Trat. Combinado
II
III
IV
a1b1c1
111
a0b0c0
000
(1)
a1b1c2
112
a0b0c1
001
c
2
a1b1c3
113
a0b0c2
002
a1b2c1
121
a0b1c0
010
a1b2c2
122
a0b1c1
011
bc
a1b2c3
123
a0b1c2
012
bc
a2b1c1
211
a1b0c0
100
a2b1c2
212
a1b0c1
101
ac
a2b1c3
213
a1b0c2
102
ac
10
a2b2c1
221
a1b1c0
110
ab
11
a2b2c2
222
a1b1c1
111
abc
12
a2b2c3
223
a1b1c2
112
abc
El clculo de nmero de interacciones de cierta cantidad m de factores, se hace

mediante la operacin combinaciones de f en m, tal como se presenta en seguida:
FG f IJ = f ! que cuenta el nmero de maneras diferentes de seleccionar m

H mK m!( f m )!
factores de los f.
- 250 -
En resumen, con el factorial general, se pueden estudiar los siguientes 2 f 1efectos:
FG f IJ = f efectos principales (A, B,...,K)

H 1K
FG f IJ = f ( f 1 ) interacciones dobles (AB, AC,...(K-1)K)
2
H 2K
FG f IJ = f
H f 1K
FG f IJ = 1
HfK
M
interacciones de f-1 factores (AB...K-1, AB...(K-2)K,....)
interacciones de todos los factores (ABC....K)
Ejemplo:
2 2 31 = 12 tratamientos o combinaciones. Entonces existen 3 factores en estudio,
se desea saber cuntas interacciones de primer orden existen?.
FG 3IJ = 3! = 3 interacciones de primer orden interacciones dobles.

H 2K 2 !( 3 2 )!
Cuando se tiene 4 factores en estudio, cuntas interacciones de segundo orden

existen en el experimento?.
FG 4IJ = 4! = 4 interacciones de segundo orden o a veces lo llaman interacciones

H 3K 3!( 4 3)!
triples.
Observacin:
a) Cuando todo los factores son cuantitativos, entonces se debe estudiar por el
mtodo de superficie de respuesta.
b) Cuando existen factores cualitativos y factores cuantitativos, entonces se puede estudiar con efectos simples.
d) Se recomienda no estudiar ms de tres factores, ya que se complicar la interpretacin de la interaccin significativa.
e) Cuando se complica los factores, entonces se realiza mediante repeticin fraccionada (experimentos factoriales grandes).
Anlisis y Diseo de Experimentos - 251 7.1. EXPERIMENTO FACTORIAL DE LA SERIE 2n

Considere los factores A y B con a y b (a,b 2) niveles de prueba, respectivamente. Con ellos se puede construir el arreglo o diseo factorial axb, que consiste
axb tratamientos o combinaciones. Algunos casos particualres de uso frecuente son:
el experimento factorial 22, el factorial 32 y el factorial 3x2. Los experimentos
factoriales que involucran menos de cuatro factores se corren replicados para poder
tener la potencia necesaria en las pruebas estadsticas sobre los efectos de inters, de
tal forma que si se hacen n rplicas, el nmero total de corridas experimentales es
n(axb).
Ejemplo:
22= 4 tratamientos o combinaciones.
a0
A
B
b0
a1
b1
b0
a1
b1
b1
Efecto simple de A en b0: a1b0 - a0b0

Efecto simple de B en a0: b1a0 - b0a0
a2
b2
b1
b2

Ordenando el efecto simple de B en a0, se tiene a0b1 - a0b0 efecto atribuible a b

cuando se mantiene a0 fijo.
Ordenando el efecto simple de B en a1, se tiene a1b1 - a1b0 efecto atribuible a b
cuando se mantiene a1 fijo.
Efecto principal A: La variabilidad que existe entre los niveles del factor A, pero
en promedio del factor B.
Efecto principal A =
( a1b1 a0b1 ) + ( a1b0 a0b0 ) ( a1b1 + a1b0 ) ( a0b1

=
2
2
Efecto principal B =
( a1b1 a1b0 ) + ( a0b1 a0b0 ) ( a1b1 + a0b1 ) ( a1b0

=
2
2
Efecto interaccin AB =
( a1b1 a0b1 ) ( a1b0 a0b0 )

2
- 252 -
Efecto interaccin BA =
( a1b1 a1b0 ) ( a0b1 a0b0 )

2
7.1.1. Experimento factorial bajo el diseo completo al azar (DCA).

El modelo lineal aditivo es el siguiente:
Yijk = + i + j + ( )ij + ijk
R|i = 1,2,L , p ( Niveles de factor A

S| j = 1,2,L ,q ( Niveles de factor B
T k = 1,2,L ,r ( repeticiones )
donde:
Yijk = Es la variable respuesta de la k-sima observacin bajo el j-simo nivel de
factor B, sujeto al i-simo nivel de tratamiento A.
i = Efecto del del i-simo nivel del factor A.
j = Efecto del j-simo nivel del factor B.
( )ij = Efecto de la interaccin del i-simo nivel del factor A, en el j-simo nivel
del factor B.
ijk = Efecto del error experimental, que est distribudo como ijk ~ D N I ( 0 , e2 )
ANLISIS DE VARIANZA(ANOVA)
Fuentes de Variacin
G. L.
S.C.
Yij2. Y...2
abr
i=1 j=1 r
a
Yi 2..
Tratamientos
t-1
Factor A
a- 1
br abr
b- 1
ar abr
i =1
b
Factor B
F Y Y I bSC + SC g
GH r abr JK
144
42444
3
b
2
ij .
2
...
i =1 j =1
SCcomb( AxB )
Error Experimental
ab(r -1)
Por diferencia
a
Total
abr - 1
Yijk2
i=1 j=1 k=1
Y...2
abr
Fc
CMtratam.
CMerror
SC( A )
a 1
CMerror
SC( B)
CM( B)
b1
CMerror
SC( AB )
CM( AB)
gl( AB )
CMerror
SCerror
( ab 1)( r 1)
CM( A)
(a - 1)(b - 1)
Y.j2. Y...2
j=1
Interaccin AxB
C.M.
Y...2
SCtratam.
t 1
- 254 -

EJEMPLO:
En una empresa alimenticia se desean evaluar cuatro antioxidantes, a travs

de su efecto en un aceite vegetal. El propsito es seleccionar el producto que retrase
ms la oxidacin. Las pruebas se hacen a condiciones de estrs, midiendo como
variable de respuesta al ndice de perxidos. Diferentes unidades experimentales se
evaluan a diferentes tiempos. El tiempo est dado en horas. Los datos obtenidos se
presentan a continuacin (en el control no se agrega ningn antioxidante).
a) Calcular el ANVA respectivo y realice efectos simples para la interaccin.
b) Graficar la interaccin de los dos factores e interprete los resultados.
A: Producto
B: Tiempo
1
2
Yij.
Yi..
Y.j.
Control = 1
4
8
12
3.84 27.63 39.95
3.72 27.58 39.00
7.56 55.21 78.95
Y1.. = 141.72
Y.1. = 37.01
4
4.00
3.91
7.91
Y2.. =
A=2
8
12
22.00 46.20
21.83 45.60
43.83 91.80
143.54
Y.2. =
4
3.61
3.61
7.22
Y3.. =
224.14
B=3
8
21.94
21.85
43.79
137.57
12
4
43.58 3.57
42.98 3.50
86.56 7.07
Y4.. =
SOLUCIN:
1. Hiptesis:
Respecto al factor A.
H0 : i = 0,
C=4
8
20.50
20.32
40.82
137.92
12
4
45.14 3.64
44.89 3.61
90.03 7.25
Y5.. =
Y.3. = 435.72
D=5
8
20.30
20.19
40.49
136.12
12
44.36
44.02
88.38 696.87 = Y...
696.87 = Y...
696.87 = Y...
Respecto al factor B.
i = 1,2,..... a
Ha : i 0, para cualquier i
H0 : j = 0 ,
j = 1,2 ,.....b
Ha : j 0, para cualquier j
Respecto a la interaccin A x B
b g
H : b g
Ho :
a
ij
= 0,
ij
i = 1,2 ,..... a ; j = 1,2,3,..., b
2. Nivel de Significacin:
= 0.05
3. Prueba de Contraste: F ( A ) =
CM A
CM B
CM A B
, F( B ) =
, F( A B ) =
CM Error
CM Error
CM Error
4. Regin de aceptacin y rechazo:
RA Ho: S F ( A ) Faba ( 1r 1 ), , entonces se acepta la Ho:
RR Ho: S F ( A ) > Faba ( 1r 1 ), , entonces se acepta la Ha:
RA Ho: S F ( B ) Fabb ( 1r 1 ), , entonces se acepta la Ho:
RR Ho: S F ( B ) > Fabb ( 1r 1 ), , entonces se acepta la Ha:

RA Ho: S F ( A B ) Fab( a( r 1)(1 ),b1 ) , entonces se acepta la Ho:
RR Ho: S F ( A B ) > Fab( a( r 1)(1 ),b1 ) , entonces se acepta la Ha:
5. Procedimiento de Clculo de ANOVA
a) Grados de libertad (GL)
GL A = a 1 = 5 1 = 4 ,
GLA B
GLB = b 1 = 3 1 = 2
= ( a 1 )( b 1 ) = 4 2 = 8 , GLError = ab( r 1 ) = 5 3 ( 2 1 ) = 15
GLTotal = abr 1 = 5 3 2 1 = 29
b) Suma de Cuadrados (SC SS)

2
Y
(696.87) 2
=
= 16187.59323
abr
5 3 2
TC =
Y2
i
i) SCA = br TC=
i=1
Y2
(141.72)2 + (14354
. )2 +L+(13612
. )2
TC = 6469386
.
3 2
j
ii) SC B = ar TC =
j=1
I
JK
144
42444
3
Yij2
iii) SCAB = GH r
5
(37.01) 2 + (224.14) 2 + ( 435.72 )2

TC = 7958.4465
5 2
TC SCA SCB =
i=1 j=1
LM(7.56) +(55.21) +L+(88.38) TCOP SC SC

2
N
Q
2
SCTratamientos
= 8080.55102 - SCA-SCB = 115.635054

iv)
SC Total = Yijk2 TC = ( 384

. )2 + ( 3.72 )2 + L + ( 44.36 )2 + ( 44.02 )2 TC = 24269.1007 TC =
i =1 j =1 k =1
v)
6.469388 7958.44658 115.635054

SC Error = SC Total SC A SC B - SCA B = 808150747
.
SC ErrorExptal = SC TOTAL SCTratamientos = 808150747

.
8080.55102 = 0.95645
- 256 -
RESUMEN EN LA TABLA DE ANALISIS DE VARIANZA

F. de V.
Antioxidantes (A)
Tiempo (B)
AxB
Error Experimental
Total
CV =
G.L.
S.C.
C.M.
Fc.
4
6.4693860
1.6173465 25.36
2
7958.4465800 3979.2232900 62406.14
8
115.6350540
14.4543818 226.69
15
0.9564500
0.0637633
29 8081.5074700
Signif.
**
**
**
4
2
8
F15,0.01
= 4.89; F15,0.01
= 6.36; F15,0.01
= 4.0
CM error
0.063763
x100 =
100 = 1.09%
Y
696.87 30
INTERPRETACIN:
De acuerdo al anlisis de varianza (ANVA), encontramos que existe diferencia
estadstica altamente significativa (P 0.01) para los efectos principales y efectos de
interaccin; los efectos principales pierden el inters y las conclusiones se deben
obtener del efecto de la interaccin antioxidante por tiempo, para esto se debe realizar
el anlisis de varianza de efectos simples para nuestras conclusiones.
MTODO TABULAR PARA LA INTERACCIN (A= Antioxidantes x B =
Tiempo)
Antioxidantes
a1
Tiempo (Hrs)
b1
b2
b3
Yi..
a2
a4
a5
Y.j.
7.07
40.82
90.03
7.25
40.49
88.38
37.01
224.14
435.72
a3
7.56 7.91 7.22

55.21 43.83 43.79
78.95 91.8 86.56
141.72 143.54 137.57 137.92 136.12
696.87 = Y...
MTODO GRFICO (Se debe obtener los promedios del mtodo tabular)
a1
Tiempo (Hrs)
b1
b2
b3
Promedio
3.78
27.605
39.475
23.62
Antioxidantes
a2
a3
3.955
21.915
45.9
23.923
3.61
21.895
43.28
22.928
a4
a5
3.535 3.625
20.41 20.245
45.015 44.19
22.987 22.6867
Promedio
18.505
112.07
217.86
23.229
51
48
45
42
39
36
33
30
27
24
21
18
15
12
9
6
3
0
Promedios
Promedios (Hrs)
a1
a2
a3
a4
51
48
45
42
39
36
33
30
27
24
21
18
15
12
9
6
3
0
a5
b1
Niveles de Antioxidante
b2
b3
Tiempo en horas
A dentro de b1
A dentro de b2
A dentro de b3
B dentro de a1
B dentro de a2
B dentro de a4
B dentro de a5
B dentro de a3
Anlisis de varianza de efectos simples para la interaccin Antioxidantes

con el tiempo.
a) Suma de cuadrados de efectos simples: A en bj:
5
. 2 + 791
. 2 + 722
. 2 + 707
. 2 + 725
. 2 ( 3701
. )2
Y2 Y2 756
.
SC( A dentro b1 ) = i1 1 =
= 022474
ar
2
5 2
i =1 r
5 Y2
. 2 + 4383
. 2 + 4379
. 2 + 4082
. 2 + 4049
. 2 ( 22414
. )2
Y2 5521
i2
= 7237084
SC( A dentro b2 ) = 2 =
.
ar
2
5 2
i=1 r
5 Y2
. 2 + 918
. 2 + 8656
. 2 + 9003
. 2 + 8838
. 2 ( 43572
. )2
Y2 7895
i3
= 4950886
SC( A dentro b3 ) = 3 =
.
ar
2
5 2
i =1 r
b) Suma de Cuadrados de B en ai:

b=3 Y2
Y2 7.562 +5521
. 2 + 7895
. 2 (141.72)2
i1
SC(B en a1) = 1 =
= 13217737
.
br
2
3 2
j=1 r
b=3 Y2
Y2 7.912 + 4383
. 2 + 918
. 2 (143.54)2
i2
= 1771483233
SC(B en a2 ) = 2 =
.
br
2
3 2
j=1 r
b=3
Yi32
j=1
SC(B en a3 ) =
Y32 7.222 + 4379

. 2 +8656
. 2 (137.57)2
=
= 1576912233
.
br
2
3 2
- 258 -
b=3 2
Y Y2 7.072 + 4082
. 2 + 9003
. 2 (137.92)2
=1740508033
SC(B en a4 ) = i4 4 =
.
br
2
32
j=1 r
b=3 2
Y Y2 7.252 +4049
. 2 +8838
. 2 (136.12)2
= 1663404433
SC(B en a5) = i5 5 =
.
br
2
32
j=1 r
ANOVA DE EFECTOS SIMPLES PARA LA INTERACCIN AxB

F. de V.
Efecto simple de Antioxidante (A) dentro de 4 Hrs.
Efecto simple de Tiempo (B) dentro de Control
Efecto simple de Tiempo (B) dentro de A
Efecto simple de Tiempo (B) dentro de B
Efecto simple de Tiempo (B) dentro de C
Efecto simple de Tiempo (B) dentro de D
Error Experimental
4
F15,0.01
= 4.89;
G.L.
4
4
4
2
2
2
2
2
15
S.C.
0.224740
72.370840
49.508860
1321.773700
1771.483233
1576.912233
1740.508033
1663.404433
0.956450
C.M.
0.05619
18.09271
12.37722
660.88685
885.74162
788.45612
870.25402
831.70222
0.0637633
Fc.
Signif.
0.88 ns.
283.75 **
194.11 **
10364.68 **
13891.08 **
12365.35 **
13648.19 **
13043.58 **
2
F15,0.01
= 6.36
Interpretacin:
A dentro de 4 hrs.: No se encontr diferencia estadstica significativa entre los
niveles de a1, a2, a3, a4, a5 bajo los niveles de b1, es decir no hay diferencia significativa
entre los niveles de antioxidantes con el tiempo, es decir son independientes entre los
niveles.
A dentro 8 hrs: Existe diferencia significativa entre los niveles de a1, a2, a3, a4, a5
bajo los niveles de b2, es decir hay diferencia significativa entre los antioxidantes con
el tiempo.
A dentro 12 hrs: Existe diferencia significativa entre los niveles de a1, a2, a3, a4, a5
bajo los niveles de b3, es decir hay diferencia significativa entre los antioxidantes con
el tiempo.
B dentro ai: Existe diferencia significativa entre los niveles de b1, b2 y b3 bajo los
niveles de ai, es decir hay diferencia significativa entre los tiempos con el antioxidante
(para todo los niveles).
Anlisis y Diseo de Experimentos - 259 Prueba Mltiple de comparacin de DUNCAN para los efectos simples.
1. Hiptesis: H 0 : 1 = 2 = 3 = 4 = 5 Vs. H a : i 0
p:
AES(D)
SY =
2
3.01
0.063763
2
3
3.16
4
3.25
5
3.31
0.56
0.58
0.59
0.17855
ALS(D)
0.54
3. DUNCAN para A dentro de bi:

A dentro b1:Yi1
Antioxidantes
A
Control
D
B
C
A dentro b2 :Yi2
Yi1 Duncan(P0.05)
3.96
3.78
3.63
3.61
3.54
Antioxidantes
a
a
a
a
a
Control
A
B
C
D
A dentro b3 :Yi3
Duncan(P0.05)
Yi2
27.61
21.92
21.90
20.41
20.25
Antioxidantes
A
C
D
B
Control
b
b
c
c
Yi3
Duncan(P0.0
45.90
45.02
44.19
43.28
39.48
a
b
c
d
4. DUNCAN para B dentro de ai:

B dentro a1:Y1 j
Tiempo Y1 j
12
8
4
39.5
27.6
3.78
B dentro a2 :Y2 j
Duncan(P0.05)
a
b
c
Y2 j
45.90
21.92
3.96
B dentro a3:Y3 j
Duncan(P0.05)
a
b
c
Y3 j
43.28
21.90
3.61
B dentro a4 :Y4 j
Duncan(P0.05)
a
b
c
Y4 j
45.02
20.41
3.54
B dentro a5:Y5 j
Duncan(P0.05)
a
b
c
Y5 j
44.19
20.25
3.63
Duncan(P0.05)
a
b
c
Nota: El efecto principal del factor tiempo es de tipo cuantitativo por que se debe
realizar a travs de superficie de respuesta para encontrar el ptimo. En nuestro caso
se ilustra solamente para efectos didcticos del ejemplo, ms adelante se desarrollar
en forma detallada cuando se tienen factores cuantitativos.
- 260 -
PROGRAMA EN SAS.
DATA AGROI;
INPUT ANTIOX $ TIEMPO REP INDICE;
DATALINES;
/* Ingresar los datos */
;
PROC PRINT; RUN;
PROC GLM;
CLASS ANTIOX TIEMPO;
MODEL INDICE = ANTIOX TIEMPO ANTIOX*TIEMPO;
LSMEANS ANTIOX*TIEMPO/SLICE=ANTIOX;
LSMEANS ANTIOX*TIEMPO/SLICE=TIEMPO;
RUN;
Class
Levels
Values
ANTIOX
5
A B C D TES
TIEMPO
3
4 8 12
30
Dependent Variable: INDICE
Source
DF
Squares
Mean Square
Model
14
8080.551020
577.182216
ANTIOX
4
6.469387
1.617347
TIEMPO
2
7958.446580
3979.223290
ANTIOX*TIEMPO
8
115.635053
14.454382
Error
15
0.956450
0.063763
Corrected Total
29
8081.507470
R-Square
Coeff Var
Root MSE
INDICE Mean
0.999882
1.087064
0.252514
23.22900
Least Squares Means

ANTIOX
A
B
C
D
TES
ANTIOX*TIEMPO Effect Sliced by ANTIOX for

Sum of
DF
Squares
Mean Square
2
1771.483233
885.741617
2
1576.912233
788.456117
2
1740.508033
870.254017
2
1663.404433
831.702217
2
1321.773700
660.886850
F Value
9051.95
25.36
62406.1
226.69
Pr > F
<.0001
<.0001
<.0001
<.0001
INDICE
F Value
13891.1
12365.4
13648.2
13043.6
10364.7
Pr > F
<.0001
<.0001
<.0001
<.0001
<.0001
Least Squares Means

ANTIOX*TIEMPO Effect Sliced by TIEMPO for INDICE
Sum of
TIEMPO
DF
Squares
Mean Square
F Value
4
4
0.224740
0.056185
0.88
8
4
72.370840
18.092710
283.75
12
4
49.508860
12.377215
194.11
Pr > F
0.4985
<.0001
<.0001
EJEMPLO:
Anlisis y Diseo de Experimentos - 261 En un estudio sobre el rendimiento de un proceso qumico, se cree que los factores ms importantes son la presin y la temperatura. Se seleccionaron tres niveles de
cada factor y se realiza un experimento factorial con dos rplicas. La informacin se
presenta en seguida.
a) Calcular el ANVA respectivo y ajuste la funcin de respuesta para el factor cuantitativo.
A: Temperatura
B: Presin
1
2
Yij.
Yi..
Y.j.
200
90.40
90.20
180.60
Y1.. =
Y.1. =
BAJA
215
90.70
90.60
181.30
542.50
542.20
230
90.20
90.40
180.60
INTERMEDIA
200 215 230
90.10 90.50 89.90
90.30 90.60 90.10
180.40 181.10 180.00
Y2.. = 541.50
Y.2. = 544.10
SOLUCIN:
1. Hiptesis:
ALTA
200 215
90.50 90.80
90.70 90.90
181.20 181.70
Y3.. = 543.40
Y.3. = 541.10
230
90.40
90.10
180.50 1627.40 = Y...
1627.40 = Y...
1627.40 = Y...
H0 : i = 0,
i = 1,2,..... a
H0 : j = 0 ,
j = 1,2 ,.....b
Respecto a la interaccin A x B
b g
H : b g
Ho :
a
ij
= 0,
ij
i = 1,2 ,..... a ; j = 1,2,3,..., b
= 0.05
CM A
CM B
CM A B
, F( B ) =
, F( A B ) =
CM Error
CM Error
CM Error
RA Ho: S F ( A ) Faba ( 1r 1 ), , entonces se acepta la Ho:

RR Ho: S F ( A ) > Faba ( 1r 1 ), , entonces se acepta la Ha:
RA Ho: S F ( B ) Fabb( 1r 1 ), , entonces se acepta la Ho:
RR Ho: S F ( B ) > Fabb( 1r 1 ), , entonces se acepta la Ha:
- 262 -

RA Ho: S F ( A B ) Fab( a( r11)(),b1 ) , entonces se acepta la Ho:
RR Ho: S F ( A B ) > Fab( a( r 1)(1 ),b1 ) , entonces se acepta la Ha:

GL A = a 1 = 3 1 = 2 ,
GLB = b 1 = 3 1 = 2
GL A B = ( a 1 )( b 1 ) = 2 2 = 4 , GLError = ab( r 1 ) = 3 3 ( 2 1 ) = 9
GLTotal = abr 1 = 3 3 2 1 = 17
TC =
2
Y
(1627.4) 2
=
= 147135.0422
abr
3 3 2
Yi2
(542.5) 2 + ( 5415
. )2 + ( 543.4 )2
TC =
TC = 0.30111
br
3 2
SCA =
i =1
3
Y2j
j=1
ar
SC B =
SCAB =
TC =
. )2
(542.2) 2 + (544.1) 2 + ( 5411
TC = 0.76778
3 2
F Y TCI SC SC = L(180.6) +(181.3) +L+(180.5) TCO SC SC

MN
PQ
GH r JK
2
144
42444
3
3
2
ij
i =1 j=1
SCTratamientos
= 1.13778 - 0.30111 - 0.76778 = 0.06889

3
2
TC = ( 90.4 )2 + ( 90.2 )2 + L + ( 90.1 )2 TC = 147136.34 TC = 129778
SC Total = Yijk
.
i =1 j=1 k =1
SCError = SCTotal SCA SCB -SCA B = 129778

.
0.30111 0.76778 0.06889 = 0.

F. de V.
Temperatura (A)
Presin (B)
AxB
Error Experimental
Total
G.L.
2
2
4
9
17
S.C.
0.3011100
0.7677800
0.0688900
0.1600000
1.2977800
C.M.
Fc. Signif.
0.1505550 8.47 **
0.3838900 21.59 **
0.0172225 0.97 ns.
0.0177778
Anlisis y Diseo de Experimentos - 263 CV =
CM Error
0.017778
x100 =
100 = 0.15%
Y
1627.4 18
2
4
F9,0.01
= 8.02; F9,0.01
= 6.42
Interpretacin:
El anlisis de varianza (ANVA), nos presente que existe diferencia estadstica
altamente significativa (P 0.01) para los factores temperatura y presin; sin embargo
la interaccin no present diferencia alguna, esto implica que los dos factores son
independientes. Para el factor cualitativo de temperatura se realiza la prueba de Tukey
y para el factor cuantitativo de presin se ajusta la funcin de respuesta.
Prueba Mltiple de comparacin de TUKEY
1. Hiptesis: H0 : B = I = A Vs. Ha : i j
3. Buscar en la Tabla de Tukey (Usa la tabla SNK), los valores de Amplitudes
Estudentizadas Significativas de Tukey AES(T) con Grados de Libertad del
Error (GLerror = 9), p = 3 tratamientos, AES(T) = 3.95
SY =
0.017778
CM Error
=
= 0.054433 , ALS ( T ) = S Y AES ( T )
,
6
r
= 0 .054433 3.95 = 0 .215

Temperaturas
Alta (A)
Baja (B)
Intermedia (I)
Promedios
90.57
90.42
90.25
Tukey (P 0.05)
a
ab
b
S Yi Yj ALS ( T ) , entonces se acepta la Ho:
S Yi Yj > ALS ( T ) , entonces se acepta la Ha:
90.57 - 90.42 = 0.15 0.215, entonces no es significativo A = B
A I
B = I
- 264 -
Para el factor cuantitativo: PRESIN, se desarrolla el ajuste de la funcin de

respuesta.
Presin (j)
Temperatura
Baja
Intermedia
Alta
Y j
Lineal
200
90.30
90.20
90.60
215
90.65
90.55
90.85
230
90.30
90.00
90.25
90.37
90.68
90.18
-1
1
0
-2
1
1
Lineal (P1j)
Cuadrtica (P2j)
Cuadrtica
P Y P2jYij
1j ij
0.00
-0.20
-0.35
-0.70
-0.90
-0.85
-0.19
-0.81
CLCULO DE LAS SUMAS DE CUADRADOS:
SCLineal =
ra j =1 P1 jY j
3
2
1j
2 3[(-1)(90.37) +0(90.68) +1(90.18)]2 2 3[-0.19]2

=
= 01083
.
( 1)2 + 02 + 12
2
j =1
SCCuadrtica =
ra j=1 P2 jY j
3
j = 2 3[1(90.37) +(-2)(90.68) +1(90.18)] = 2 3[-81] = 06561

.
2
1 + ( 2 ) + 1
2
2j
j =1
ri=1
3
SCPresin Lineal T0 =
j SC
2
PY
j =1 1 j ij
Lineal
2
1j
. )2 + ( 035
. )2
2( 02 + ( 02
01083
= 00542
.
.
2
j =1
SCPresinx Cuadrtica T =
ri=1 j=1 P2 jYij

3
P22j
j=1
j SC
2
Cuadrtico
. )2 +( 09
. )2 +( 085
. )2
2 ( 07
6
06561
= 00180667
.
.
Anlisis y Diseo de Experimentos - 265 Resumen en la Tabla ANOVA

Fuentes de Variacin
Presin (P)
Presin Lineal
Presin Cuadrtica
Temperatura (T)
Presin x Temperatura
Presin Lineal x T
Presin Cuadrtica x T
Error Experimental
Total
GL
2
1
1
2
4
2
2
9
17
S.C.
0.7677800
0.1083000
0.6561000
0.3011100
0.0688900
0.0542000
0.0180667
0.1600000
1.2977800
C.M.
Fc.
0.383890000 21.59
0.108300000 6.09
0.656100000 36.91
0.150555000 8.47
0.017222500 0.97
0.027100000 1.52
0.009033350 0.51
0.017777778
Signif.
**
*
**
**
ns.
ns.
ns.
Existe desviaciones cuadrticas significativas para el factor presin (Presin

cuadrtica), que esto debe ser ajustado a la forma cuadrtica.
MTODO 1: Ajuste de la funcin de respuesta:
Rendimiento
Y
542.2
544.1
541.1
Niveles de P.
X
200
215
230
c1
-1
0
1
Y = 1627.4 i=1 Xi = 645

3
i=1 i
Y = 542.47
k1 =13
C =
1
c1Y
-542.2
0
541.1
c2
1
-2
1
P1= -1.1
C =
2
c2Y
542.2
-1088.2
541.1
0
P2 = -4.9
X = 215
k4 =12
k2 =12
Lineal: Y$ L = Y + K2 P1 X'
b g
1
Y$L = Y + K2 P1 X' = 542.47 + ( 11
. ) X' = 542.47 055
. X'
2
h b
g b
Cuadrtica : Y$ Q = Y K1P2 + K 2 P1 X '+ K 4 P2 X '2
LM
N
OP LM
Q N
OP LM
Q N
OP
Q
1
1
1
. ) X ' + ( 4.9 ) X ' 2 = 544.103 0.55 X ' 2 .45 X '
= 542.47 ( 4 .9 ) + ( 11
3
2
2
- 266 -
Dividiendo entre 6 datos, se tiene:

Y$Q = 9 0 .6 8 3 8 0 .0 9 1 6 7 X ' 0 .4 0 8 3 X ' 2
En el presente ejemplo, el nmero de niveles es 3 (impar), luego se sustituye

P 215
X x por X. El valor de L =15 y
x =215 , por lo que X ' =
15
L
Sustituyendo este resultado en la ecuacin se tiene:
FG
H
IJ
K
FG
H
P 215
P 215
0.4083
Y$Q = 90.6838 0.09167
15
15
IJ
K
0.4083 2
0.09167
Y$Q = 90.6838
P 215
P 2 215 P + 2152
225
15
Y$Q = 90 .6838 0 .00611 P + 1.3139 0 .000181 P 2 + 0 .7803 P 83.883
Y$Q = 8.1147 + 0.77419 P 0.00181P 2

Optimizacin fsica del factor Presin.
e j = 0 d c81147
+ 0.77419 P 0.00181P h = 0
.
d Y$Q
dP
dP
e j = 0.77419 2 0.00181P = 0
d Y$Q
dP
P=
0.77419
= 213.86
2 0.00181
Reemplazando al modelo estimado P = 213.86, se obtiene:
+ 0.77419( 21386
Y$Q = 81147
.
. ) 0.00181( 21386
. )2 = 90.90
Grficamente, se puede observar como sigue:
Y$Q = 8.1147 + 0.77419 P 0.00181
100
95
90
Rendimiento
85
80
75
70
65
60
55
50
50 65
80 95 110 125 140 155 170 185 200 215 230 245 260 275 2
P = 21386
.
Niveles de Presin
MTODO 2: Ajuste de la funcin de respueta.

Mediante los polinomios ortogonales: Las ecuaciones del modelo polinomial
ortogonal completo es:
Yij = + 1 P1i + 2 P2i + 3 P3i + 4 P4i + ij

donde:
: Es la gran media.
Pci : Polinomio ortogonal de c-simo orden, para el i-simo nivel del
factor de tratamiento.
La transformacin de las potencias de x en polinomios ortogonales.
Media:
P0 = 1
Lineal:
P1 = 1
FG X X IJ
H d K
- 268 -
Cuadrtica:
LF X X I F t 1I OP
P = MG
MNH d JK GH 12 JK PQ
Cbica:
P3 = 3
LMF X X I F X X I F 3t 7 I OP
MNGH d JK GH d JK GH 20 JK PQ
3
t : Nmero de niveles del factor.
X : Promedio de los niveles del factor.

X : Valor del factor
d . distancia entre los niveles del factor.
X:
(X - 215):
(X - 215)/15:
200
-15
-1
Yi
Presin (X)
200
215
230
90.37
90.68
90.18
215
0
0
Coeficientes de los polinomios ortogonales (Pci)

Media
Lineal
Cuadrtica
1
-1
1
1
0
-2
1
1
1
--
PY =
3
-0.81
P=
j P
--
0.1083
0.6561
90.41
-0.095
-0.135
3
2
i=1 ci
SCPc =r i=1PY
ci i
$ c =i=1 PY
ci i
3
2 =3
-0.19
1 =1
271.23
i=1 ci i
230
15
1
3 2
i=1 ci
2
i=1 ci
Clculo de la curva de respuesta:
Y$i = Y + $ 1 P1i + $ 2 P2i = 90.41 0.095 P1i 0135

. P2i
LMFG X 215IJ F 3 1I OP
MNH 15 K GH 12 JK PQ
LF X 215IJ 2 OP
0.095
= 90.41
( X 215 ) 0.405MG
15
NMH 15 K 3 QP
FG
H
IJ
K
X 215
0135
Y$i = 90.41 0.095 1
. 3
15
Y$i = 8.83667 + 0.768 X 0.0018 X 2
d ( Y$i )
= 0 0.768 2 0.0018 X = 0 , 0.0036X = 0.768, entonces X = 213
dX
Se llega al mismo resultado, realizado con el mtodo 1.
7.1.2. EXPERIMENTO FACTORIAL BAJO EL DISEO BLOQUE COMPLETO AL AZAR.
EL Modelo estadstico Lineal aditivo en el DBCA es el siguiente:
Yijk = + k + i + j + ( ) ij + ijk ;
i = 1,2,L , p ( Niveles de f
j = 1,2,L , q ( Niveles de f
k = 1,2,L , r ( Bloques)
Donde:
Yijk = Es la variable respuesta del k-simo bloque bajo el j-simo nivel de factor B,
sujeto al i-simo nivel de tratamiento A.
k = Efecto del k-simo bloque.

( ) ij = Efecto de la interaccin del i-simo nivel del factor A, en el j-simo
ijk
nivel del factor B.

= Efecto del error experimental, que est distribudo como ijk ~ D N I ( 0 , e2 )
- 270 -
Anlisis de varianza generalizado del factorial de dos factores en un DBCA:Frmulas.

F. de Variacin G.L.
S.C.
C.M.
Y..2k Y...2
abr
i =1 ab
t
Bloques
r-1
Tratamientos
Yij2.
i =1
j =1
t-1
a-1
i=1
Y . 2j .
b-1
F Y
GH r
a
AB
(a-1)(b-1)
2
ij
b lo q .
CM
erro r
S C tr a ta m .
t 1
CM tratam .
CM error
SC
I
JK
por diferencia
Total
2
ijk
i =1 j =1 k =1
( A )
( B )
b 1
TC SC A SCB
i = 1 j =1
CM
r 1
a 1
Error Exptal. (ab-1)(r-1)
(abr - 1)
S C b lo q u e s
S C
Y ...2
abr
ar
j=1
Y ...2
abr
Y i ..2
Y 2
...
br
abr
C M error
C M error
SCerror
(ab1)(r 1)
para cualquier k
i = 1,2 , ..... a
para cualquier i
Respecto al factor B. H o :
= 0,
j = 1, 2 , ..... b
H a:
0,
p ara cu alq u ier j
Ha: ( )ij 0
CM (B)
C M ( AB )
Y...2
abr
Respecto a la interaccin AxB: Ho: ( )ij = 0
(A)
erro r
g l( AB )
k = 1,2 ,..... r
Respecto al factor A. H o: i = 0 ,
H a: i 0,
CM
CM
S C ( AB )
HIPOTESIS:
Respecto al bloque: Ho: B k = 0 ,
Ha : B k 0 ,
Fc.
CME(I)
2e + abk2
2e +brk2
2e + ark2
2
2e + rk
2e

En un experimento llevado a cabo en un diseo de bloques al azar, se estudiaron
cuatro variedades de maz y tres dosis de nitrgeno (kg de N/ha). Los rendimientos
de grano seco en Tm/ha fueron los siguientes:
Experimento factorial conducido bajo el DBCA (4x3)
Trat.
Variedad
1
2
3
4
5
6
7
8
9
10
11
12
H-1
H-2
V-1
V-2
Dosis
kg/ha
50
100
150
50
100
150
50
100
150
50
100
150
Bloques Y..k
I
3
4
6
5
6
7
2
2
5
4
6
7
57
II
2
4
5
5
5
8
1
2
4
5
6
8
55
BLOQUES
III
3
4
6
6
6
8
1
3
5
4
5
7
58
IV
3
5
7
6
7
9
2
3
6
3
5
8
64
V
2
5
6
5
7
8
1
2
6
2
4
8
56
Y ij.
13
22
30
27
31
40
7
12
26
18
26
38
Y... = 290
Procedimiento para el clculo de la Sumas de Cuadrados.

a) GRADOS DE LIBERTAD.
GLBLOQUE r - 1 = 5 - 1 = 4
GLVAR. = a - 1 = 4 - 1 = 3
GLDOSIS = b - 1 = 3 - 1 = 2
GLVxD = (a-1)(b-1) = (4-1)(3-1) = 6
GLERROR EXP = (ab-1)(r-1) = 11x4 = 44
GLTOTAL = abr - 1 = 4x3x5 - 1 = 59
b) SUMA DE CUADRADOS:
TC =
Y...2 (290) 2
. ;
=
= 140167
abr 4 x3x5
SC var. =
i =1
Y..2k
5732 +L+562
TC =
4 x3
k =1 ab
r
SCBloques =
65 2 + L + 82 2
Yi ..2
TC =
TC = 103.53
3x5
br
SC Comb (VxD ) =
i =1 j =1
Yij2.
r
TC =
13 2 + L + 38 2
TC = 229.53
5
- 272 -
SCint(VxD ) = SCComb.(VxD) ( SCVar . + SC Dosis ) = 229.53 10353

. 12143
. = 4.5
b
SCTotal = Yijk2 TC = 32 + 4 2 + L + 8 2 TC = 254.33

i =1 j =1 k =1
SCError = SCTotal SCvar. SC Dosis SCVar x Dosis SCbloq .

= 254.33 10353
. 121.43 4.57 4.16 = 20.64
Tabla de ANOVA para la variedad de maz.
F. De V.
G.L.
Bloques
4
Variedad (V)
3
Dosis (D)
2
VxD
6
Error Exptal.
44
Total
59
C.V. = 14.17%
S.C.
4.1600
103.5300
121.4300
4.5700
20.6400
254.3300
C.M.
1.0400
34.5100
60.7150
0.7617
0.4691
Fc.
1.37
73.57
129.43
1.62
Signific.
n.s.
**
**
n.s.
El anlisis de variancia indica diferencia altamente significativa entre las producciones

de grano de las variedades (Factor V) y tambin entre dosis de nitrgeno (Factor D),
no as para la interaccin VxD. Para saber entre qu niveles del factor V o entre qu
niveles del Factor D existen diferencias podemos utilizar las pruebas de DUNCAN o
TUKEY.
/* PROGRAMA EN SAS. */
DATA MAIZ;
INPUT VARIED $ DOSIS BLOQ RDTO;
DATALINES;
H1 50 1 3
H1 50 2 2
.. .. . .
V2 150 1 7
V2 150 2 8
V2 150 3 7
V2 150 4 8
V2 150 5 8
;
PROC PRINT; RUN;
PROC GLM;
CLASS VARIED DOSIS BLOQ;
MODEL RDTO = BLOQ VARIED DOSIS VARIED*DOSIS;
MEANS BLOQ VARIED DOSIS VARIED*DOSIS /DUNCAN;

General Linear Models Procedure
Class
Levels
Values
VARIED
4
H1 H2 V1 V2
DOSIS
3
50 100 150
BLOQ
5
12345
Dependent Variable: RDTO
Source
DF
Model
15
BLOQ
4
VARIED
3
DOSIS
2
VARIED*DOSIS
6
Error
44
Corrected Total
59
R-Square
0.918873
Sum of
Mean
Squares
Square
F Value
Pr > F
233.7000000 15.5800000
33.22
0.0001
4.1666667
1.0416667
2.22
0.0821
103.5333333 34.5111111
73.59
0.0001
121.4333333 60.7166667 129.48
0.0001
4.5666667
0.7611111
1.62 0.1635
20.6333333
0.4689394
254.3333333
C.V.
Root MSE
RDTO Mean
14.16810
0.684791
4.83333333
Duncans Multiple Range Test for variable: RDTO

Duncan Grouping
Mean
N BLOQ
A
5.333
12 4
B
A
4.833
12 3
B
A
4.750
12 1
B
4.667
12 5
B
4.583
12 2
Duncan Grouping Mean N VARIED
A
6.533 15 H2
B
5.467 15 V2
C
4.333 15 H1
D
3.000 15 V1
Duncan Grouping
Mean N DOSIS
A
6.700 20 150
B
4.550 20 100
C
3.250 20 50
- 274 -
EJERCICIOS:
1.- Se estn estudiando los factores que influyen en la resistencia de ruptura de una
fibra sinttica. Se eligen al azar 4 mquinas y 3 operadores y se realiza un experimento factorial usando fibras de un mismo lote de produccin. Los resultados
se muestran a continuacin. Analice los datos y obtenga las conclusiones apropiadas.
Operario
1
2
3
MQUINA
2
3
110
109
115
109
110
111
111
109
112
114
115
119
1
109
110
110
112
116
114
4
110
108
114
112
120
117
2.- Se estudi el efecto de diferentes dosis de fertilizacin fosforado sobre dos tipos
de plantas de haba (Vicia faba). Se pens que los tipos de planta bien podan
responder en forma diferente a la fertilizacin, as que se decidi llevar a cabo un
experimento factorial con dos factores: A: tipo de planta (corto, largo), B: Dosis
de fsforo: 0 kg/ha P O, 25 kg/ha P O, 50 kg/ha P O. El experimento se llev a
2
2
2
cabo en un diseo bloque completo al azar en arreglo combinatorio, con cuatro
repeticiones. Analice los datos e interprete los resultados. Los resultados del experimento (produccin en kg/ha) se presentan a continuacin:
Tipo de
planta
Corto
Largo
Dosis de
fsforo
0
25
50
0
25
50
Bloques
I
11.5
17.1
18.2
11.0
8.3
15.7
II
13.6
17.6
17.6
11.2
10.5
16.7
III
14.3
17.6
18.2
12.1
9.1
16.6
IV
14.5
18.1
18.9
12.6
12.8
17.5
3.- Se realiz un ensayo para evaluar la respuesta del rendimiento del cultivo de haba
(Vicia faba) frente a cuatro niveles de Nitrgeno y cuatro niveles de Fsforo, en el
rea exista una gradiente de variabilidad por lo cual se utiliz el diseo bloque
completo al azar, los resultados son los siguientes:
Factor
Nitrgeno
Fsforo
Nivel (kg/ha) Cdigo

0
0
50
1
100
2
150
3
0
0
50
1
100
2
150
3
Niveles
Niveles
de Nitrgeno de Fsforo
0
0
1
0
2
0
3
0
0
1
1
1
2
1
3
1
0
2
1
2
2
2
3
2
0
3
1
3
2
3
3
3
I
833
450
450
1083
1250
1083
1083
917
833
1167
1417
1583
750
1500
1333
1167
Bloques
II
III
450
450
834
450
833
667
833
917
1083
917
1083
583
1583
1167
1167
1000
583
750
833
1500
1167
1000
1500
583
450
667
1167
667
917
833
833
1083
IV
1083
833
833
833
1250
1083
1000
1250
1333
750
833
1417
417
1083
1167
1250
a) Construya una grfica para mostrar la posible interaccin entre los niveles de los
factores de nitrgeno y fsforo, b) Calcule el ANOVA y ser necesario realice el
anlisis de post-ANOVA.
4. Se realiz la evaluacin inicial del efecto de tres intensidade de raleo y tres e poda
en el crecimiento de una plantacin de Pinas caribaea Morelet Var, hondurensis,
en Livingston, Izabal. Los factores que se evaluacin son dos: Factor A (raleos),
se utiliz el ndice Hart (S%), con intensidades: S% = actual, S% = 22 y S% = 28,
debido a que el ndice de Hart establece que entre 20 y 30% del espaciamiento,
una plantacin puede crecer adecuadamente sin competencia. Factor B (poda), se
hizo con las siguientes intensidades: sin poda (SP), 1/2 y 3/2 de la altura de la
copa via. Las variables de respuesta medidas fueron: dimetro, altura, rea basal
y volumen. A continuacin se presentan los datos para la variable volumen (m3)
correspondiente a la tercera medicin:
Poda
S.P.
1/2h
3/2h
Raleos
S%A
S%22
S%28
S%A
S%22
S%28
S%A
S%22
S%28
I
0.0803
0.0965
0.1130
0.1020
0.0860
0.1390
0.0739
0.0953
0.1300
Bloques
II
III
0.0569
0.0548
0.0643
0.0673
0.0833
0.0612
0.0542
0.0594
0.0756
0.0869
0.0857
0.0793
0.0625
0.0577
0.0635
0.0105
0.0668
0.0844
IV
0.0691
0.0589
0.0581
0.0466
0.0488
0.0872
0.0417
0.0708
0.1160
a) Realice el ANOVA y concluya, de ser necesario realice la post-ANOVA.
- 276 -
7.2. Experimento factorial de la serie 3n

Existen experimentos con tres factores, se presenta doble interaccin y triple
interaccin; el anlisis tiende a complicarse a medida que se detecte significacin en
las interacciones, por ejemplo, si existe triple interaccin, se analiza por efectos simples
simples; en caso de no resultar significativa la triple interaccin, entonces se
considerar las dobles interacciones para analizar por efectos simples.
El caso ms elemental es de tres factores cada uno con dos niveles 2Ax2Bx2C,
los cuales proporcionan 8 combinaciones o tratamientos, y se puede expresar de una
de las tres formas ms usuales:
(i)
(ii)
(iii)
a1b1c1
T1
111
a1b1c2
T2
112
a1b2c1
T3
121
a1b2c2
T4
122
a2b1c1
T5
211
a2b1c2
T6
212
a2b2c1
T7
221
a2b2c2
T8
222
En (i) se observa claramente los niveles de los factores.

En (ii) es cierta enumeracin de los tratamientos o combinaciones para algn
manejo prctico en el campo o laboratorio.
En (iii) es adecuado para ser usado con software estadstico.
En forma general un factorial que involucra los factores A,B,...,H; donde el factor A tiene a niveles, el factor B con b niveles y el factor H con h niveles,
que se simboliza por: aAbBcC...hH axbxcx...xh.
7.2.1. MODELO ESTADISTICO LINEAL BAJO EL DISEO COMPLETO AL AZAR.
Yijkl =+i +j + k +()ij +( )ik +( )jk +( )ijk +ijkl
R|i =12, ,L,a (Nivelesdefactor A)

|Sj =12, ,L,b (Nivelesdefactor B)
||k =12, ,L,c (NivelesdefactorC)
Tl =12, ,L,r (repeticiones)
donde:
Yijkl = Es la variable respuesta de la l-sima observacin bajo el k-simo nivel de
factor C, en el j-simo nivel del factor B, sujeto al i-simo nivel de tratamiento A.

k = Efecto del k-simo nivel el factor C

( )ij = Efecto de la interaccin del i-simo nivel del factor A, con el j-simo
nivel factor B.
( ) ik = Efecto de la interaccin del i-simo nivel del factor A, en el k-simo

nivel del factor C.
( ) jk = Efecto de la interaccin del j-simo nivel del factor B, en el k-simo

nivel del factor C.
()ijk = Efecto de la interaccin del i-simo nivel del factor A, en el j-simo

nivel del factor B, sujeto al k-simo nivel del factor C.
ijkl = Efecto del error experimental, que esta distribudo como ijkl ~ D N I ( 0 , e2 )
- 278 -
ANOVA para un factorial de TRES factores bajo el Diseo Completo al Azar (DCA).
F. de Variacin G.L.
S.C.
a
Tratamientos
Yijk2 .
t-1
C.M.
i=1 j=1 k =1
Y....2
abcr
SC tratam .
t 1
a-1
Yi ...2
Y....2
abcr
i =1 bcr
b-1
acr abcr
c-1
Y..2k .
Y....2
abcr
k =1 abr
AB
(a-1)(b-1)
cr abcr SC
AC
(a-1)(c-1)
br abcr SC
BC
(b-1)(c-1)
ar abcr SC
Y. 2j ..
Y....2
( A)
i=1 k=1
Y. 2jk.
Y....2
( B)
j=1 k =1
(abcr - 1)
CV =
SC(C)
SC(C)
SC( AB) SC( AC) SC( BC)
Y....2
,
abcr
SC( B)
SCtrat. SC( A) SC( B) SC(C)
abc(r-1)
2
ijkl
SCtrat .
i =1 j =1 k =1 l =1
2
ijkl
i =1 j =1 k =1 l =1
C M error
Y....
( B )
Y....2
abcr
x 100
CM (B)
C M error
C M (C )
(C )
c 1
Y....2
Yi.2k.
TC =
SC
( A)
Total
C M error
b 1
i=1 j =1
(a-1)(b-1)(c-1)
Yij2..
Error exper.
a 1
j =1
ABC
CM ( A)
SC
CME(I)
CM tratam.
CM error
( A )
SC
Y....2
Fc.
C M error
SC ( AB )
2e + rbck2
2e +rack2
2e +rabk2
C M ( AB )
( a 1)(b 1) C M error
SC ( AC )
C M ( AC )
( a 1)( c 1) C M error
SC ( BC )
C M ( BC )
( b 1)( c 1) C M error
SC(BC)
CM ( ABC )
(a 1)(b 1)(c 1) CM error
SCerror
abc(r 1)
2e + rck2
2e + rbk2
2e + rak2
2e + rk2
2e

Se ha realizado un experimento en alpacas de la Raza Huacaya del Instituto de
Investigacin y Promocin de los Camlidos Sudamericanos (IIPC) y el Centro de
Investigacin y Produccin La Raya (CIP - La Raya), con la finalidad de determinar
la diferencia en el dimetro de fibra (micras), para lo cual se han considerado tres
factores: Rebaos (IIPC y CIP-La Raya), sexo (Machos y Hembras) y edad (2,3 y
4aos). Los resultados fueron los siguientes:
REBAO (A)
SEXO (B)
EDAD ( C )
1
2
3
Yijk.
Yij..
Yi.k.
Y.jk.
Yi
Y.j..
Y..k.
IIPC
MACHOS
HEMBRAS
2
3
4
2
3
4
21.42 25.35 29.14 21.31 25.24 30.63
22.68 23.75 31.28 20.90 25.11 30.59
21.86 24.75 30.38 21.83 26.23 30.54
65.96 73.85 90.80 64.04 76.58 91.76
Y11.. = 230.61
Y12.. = 232.38
Y1.1. = 130.00 Y1.2. = 150.43 Y1.3. = 182.56
Y.11. = 128.30 Y.12. = 145.47 Y.13. = 176.36
Y1 = 462.99
Y.1.. = 450.13
Y..1. = 256.42
Y..2. = 294.13
LA RAYA
MACHOS
HEMBRAS
2
3
4
2
3
4
20.75 23.76 27.53 20.86 24.40 28.39
19.83 23.74 28.80 21.64 24.25 28.31
21.76 24.12 29.23 21.58 23.43 28.58 Y....
62.34 71.62 85.56 64.08 72.08 85.28 903.95
Y21.. = 219.52
Y22.. = 221.44
903.95
Y2.1. = 126.42 Y2.2. = 143.70 Y2.3. = 170.84 903.95
Y.21. = 128.12 Y.22. = 148.66 Y.23. = 177.04 903.95
Y2 = 440.96
903.95
Y.2.. = 453.82
903.95
Y..3. = 353.40
903.95
SOLUCIN:
1. Hiptesis:
H0 : i = 0,
i = 1,2,....., a
H0 : j = 0 ,
j = 1,2 ,....,b
Respecto al factor C.
H0 : k = 0 ,
k = 1,2 ,....., c
Ha : k 0, para cualquier k
b g
b g
Respecto a la interaccin A x B. Ho : ij = 0 Vs. Ha : ij 0
b g
Respecto a la interaccin A x C. Ho :
ik
Respecto a la interaccin B x C. Ho :
jk
b g
= 0 Vs. Ha :
ik
b g = 0 Vs. H : b g 0
Respecto a la interaccin AxBxC. H : b g = 0 Vs. H : b g
o
= 0.05
ijk
jk
ijk
- 280 -
F( A B ) =
CM A
CM B
CM C
, F( B ) =
, F( C ) =
CM Error
CM Error
CM Error
CM A B
CM A C
CM B C
CM
, F( A C ) =
, F( B C ) =
, F( A B C ) =
CM Error
CM Error
CM Error
CM

a 1
entonces se acepta la Ho:
RA Ho: S F ( A ) Fabc
( r 1 ), ,
a 1
RR Ho: S F ( A ) > Fabc
( r 1 ), , entonces se acepta la Ha:
b 1
RA Ho: S F ( B ) Fabc
( r 1 ), ,
b 1
RR Ho: S F ( B ) > Fabc
c 1
RA Ho: S F ( C ) Fabc
( r 1 ), ,
c 1
RR Ho: S F ( C ) > Fabc
( a 1 )( b 1 ) entonces se acepta la Ho:
RA Ho: S F ( A B ) Fabc
( r 1 ), ,
( a 1 )( b 1 )
RR Ho: S F ( A B ) > Fabc
( a 1 )( c 1 ) entonces se acepta la Ho:

RA Ho: S F ( A C ) Fabc
( r 1 ), ,
( a 1 )( c 1 )
RR Ho: S F ( A C ) > Fabc
( b 1 )( c 1 ) entonces se acepta la Ho:

RA Ho: S F ( B C ) Fabc
( r 1 ), ,
( b 1 )( c 1 )
RR Ho: S F ( B C ) > Fabc
( a 1 )( b 1 )( c 1 ) entonces se acepta la Ho:
RA Ho: S F ( A B C ) Fabc
,
( r 1 ),
( a 1 )( b 1 )( c 1 )
RR Ho: S F ( A B C ) > Fabc
, entonces se acepta la Ha:
( r 1 ),

GL A = a 1 = 2 1 = 1 ,
GLB = b 1 = 2 1 = 1 ,
GLC = c 1 = 3 1 = 2
Anlisis y Diseo de Experimentos - 281 GL A B = ( a 1 )( b 1 ) = 1 1 = 1 ,
GL A C = ( a 1 )( c 1 ) = 1 2 = 2
GLB C = ( b 1 )( c 1 ) = 1 2 = 2 ,
GL A B C = ( a 1 )( b 1 )( c 1 ) = 1 1 2 = 2
GLError = abc( r 1 ) = 2 2 3( 3 1 ) = 24
GLTotal = abcr 1 = 2 2 3 3 1 = 35
2
Y
(903.95) 2
=
= 22697.9334
abcr 2 2 3 3
TC =
Suma de cuadrados para efectos principales:

Yi2
(462.99) 2 + ( 440.96 )2
TC =
TC = 13.481136
bcr
2 3 3
SC A =
i =1
2
Y2j
j=1
acr
SC B =
TC =
(450.13) 2 + (453.82) 2
TC = 0.378225
2 3 3
Y2 k
(256.42) 2 + (294.13) 2 + (353.4) 2
TC =
TC = 398.336039
223
k =1 abr
3
SC C =
Suma de cuadrado para efectos de interaccin:
SCAB =
F Y TCI SC SC = L(230.61) + (232.38) +(21952

O
. ) + (221.44)
TCP SC SC
MN
GH cr JK
3 3
Q
2
2
ij
FG Y
H br
2
2
ik
IJ
K
TC SCA SCC =
i =1 k =1
= 2.807839
SCBC =
i=1 j=1
= 0.000625
SCAC =
F Y
GH ar
2
2
jk
I
JK
TC SCB SCC =
j=1 k =1
LM(130) + (150.43) +L+(17084

O
. )
TCP SC SC
2
3
N
Q
2
LM(128.3) + (145.47) +L+(177.04 ) TCOP SC SC

23
N
Q
2
= 0.511017
SCABC =
F
I
Y
GH r TCJK ( SC + SC + SC + SC
144424443
2
2
ijk
i =1 j=1 k=1
SCTRAT .
AB
+ SCAC + SCBC )
- 282 -
LM (65.96) + (73.85) +L+( 85.28 ) TCOP FG SC

223
H SC
N14444444
244444443Q
2
A B
+ SCB + SCC +
+ SC A C + SCB C
IJ
K
417 .188098
= 1.673217
2
2
SCTotal = Yijkl
. )2 +L + ( 28.58 )2 TC = 23125.2225 TC
TC = ( 2142
i =1 j=1 k =1 l=1
SC Error = SC TOTAL SC TRAT. = 427.289098 417.188098 = 10101

.
F. de V.
G.L.
Rebao (A)
1
Sexo (B)
1
Edad ( C )
2
AxB
1
AxC
2
BxC
2
AxBxC
2
Error Experimental 24
Total
35
CV =
S.C.
C.M.
Fc. Signific.
13.481136 13.481136 32.03 **
0.378225 0.378225
0.90 n.s.
398.336039 199.168020 473.22 **
0.000625 0.000625
0.00 n.s.
2.807839 1.403920
3.34 n.s.
0.511017 0.255509
0.61 n.s.
1.673217 0.836609
1.99 n.s.
10.101000 0.420875
427.289098
CM error
0.420875
x100 =
100 = 2.58%
Y
903.95 36
1
2
F24,0.01
= 7.82; F24,0.01
= 5.61
INTERPRETACION.
Se encontr diferencia estadstica altamente significativa (P 0.01) para el efecto
principal del factor rebao en sus diferentes niveles en estudio y para el efecto principal
de factor edad de las alpacas en sus diferentes niveles; mientras que para el factor
sexo y las interacciones de primer orden y segundo orden, no presentaron diferencia
alguna, esto implica que los factores en estudio son independientes unos del otro.
Para los efectos principales significativos se debe realizar la prueba mltiple de
compraciones para obtener las conclusiones y tomar la decisin; ya que los factores
son de tipo cualitativo, y se recomienda realizar la pureba de Tukey, queda como
Anlisis y Diseo de Experimentos - 283 ejercicio para el estudiante y se aconseja verificar la salida de la prueba Tukey con el
SAS.
IMPLEMENTACIN CON EL PROGRAMA SAS.

DATA CENTROS;
INPUT HATO $ SEXO $ EDAD REP MICRA;
DATALINES;
IIPC
M
2
1
21.42
IIPC
M
2
2
22.68
...
.
.
.
....
CONTINUAR CON EL INGRESO DE DATOS
...
.
.
.
....
RAYA
H
3
3
23.43
RAYA
H
4
1
28.39
RAYA
H
4
2
28.31
RAYA
H
4
3
28.58
;
PROC PRINT; RUN;
PROC ANOVA;
CLASS HATO SEXO EDAD REP;
MODEL MICRA = HATO SEXO EDAD HATO*SEXO HATO*EDAD SEXO*EDAD
HATO*SEXO*EDAD;
MEANS HATO EDAD/DUNCAN TUKEY;
RUN;
- 284 -
SALIDA DE RESULTADOS CON EL SAS.

The ANOVA Procedure
Class
Levels
Values
HATO
2
IIPC RAYA
SEXO
2
H M
EDAD
3
2 3 4
REP
3
1 2 3
36
Dependent Variable: MICRA
Sum of
DF
Squares
Mean Square
11
417.1880972
37.9261907
1
13.4811361
13.4811361
1
0.3782250
0.3782250
2
398.3360389
199.1680194
1
0.0006250
0.0006250
2
2.8078389
1.4039194
2
0.5110167
0.2555083
2
1.6732167
0.8366083
24
10.1010000
0.4208750
35
427.2890972
Root MSE
MICRA Mean
0.648749
25.10972
Source
Model
HATO
SEXO
EDAD
HATO*SEXO
HATO*EDAD
SEXO*EDAD
HATO*SEXO*EDAD
Error
Corrected Total
R-Square
Coeff Var
0.976360
2.583656
Tukeys Studentized Range (HSD) Test for MICRA

Alpha
0.05
24
Error Mean Square
0.420875
0.4463
Mean
N
HATO
A
25.7217
18
IIPC
B
24.4978
18
RAYA
Tukeys Studentized Range (HSD) Test for MICRA
Alpha
0.05
24
Error Mean Square
0.420875
0.6614
Mean
N
EDAD
A
29.4500
12
4
B
24.5108
12
3
C
21.3683
12
F Value
90.11
32.03
0.90
473.22
0.00
3.34
0.61
1.99
Pr > F
<.0001
<.0001
0.3526
<.0001
0.9696
0.0527
0.5531
0.1589

A continuacin se presenta un ejemplo numrico de un arreglo con tres factores en
un diseo completamente al azar, que permitir la prctica en el anlisis de varianza.
Los datos siguientes se refieren al consumo diario de alimento de pollos asaderos,
distribuidos en grupos homogneos de 100. Los datos corresponden a la sptima
semana, y se consideran como factores las siguientes variables: Saborizantes (SA),
Forma fsica (FF) y fuente proteca (FP).
SA
FF
Zanahoria Molido
FP
Harina de Soya
Harina de pescado
Rolado Harina de soya
Harina de pescado
Molido Harina de soya
Harina de pescado
Rolado Harina de soya
Harina de pescado
Melaza
I
6.42
6.60
6.84
7.16
5.94
6.01
6.20
6.40
II
6.35
6.68
6.93
7.21
5.63
6.14
6.24
6.38
(kg/da)
III
6.40
6.70
7.02
7.19
5.85
6.00
6.16
6.41
IV
6.38
6.65
6.95
7.22
5.74
6.04
6.29
6.39
Totales de
tratamiento
25.55
26.63
27.74
28.78
23.16
24.19
24.89
25.58
Y....= 206.52
Arreglo para sumas de cuadrados de efectos simples.

SA
FF
1
2
Total
52.18 56.52 108.70
47.35 50.47 97.82
99.53 106.99
1
2
Total
FP
1
2
Total
SA
1
53.29 55.41 108.70
2
48.05 49.77 97.82
Total 101.34 105.18
FP
1
2
Total
FF
1
48.71 50.82 99.53
2
52.63 54.36 106.99
Total 101.34 105.18
SUMA DE CUADRADOS
SCSA =
108.70 2 + 97.82 2 206.52 2
= 1336.527 1332.828 = 3.699

2 x2 x4
32
SC FF =
99.532 + 106.90 2 206.52 2
= 1334.567 1332.828 = 1739

.
2 x2 x4
32
SCSAxFF =
SC FP =
52.18 2 +L+50.47 2 206.52 2

. ) = 1338.313 (1332.828 + 3.699
= (3.699 + 1739
2 x4
32
. 2 + 10518
. 2 206.52 2
10134
= 1333.289 1332.828 = 0.461

2 x2 x4
32
SCSAxFP =
53.29 2 +L+49.77 2 206.52 2
(3.699 + 0.461) = 1336.993 (1332.828 + 3.699

2 x4
32
SC FFxFP =
48.712 +L+54.36 2 206.52 2
(1739
+ 0.461) = 1335.033 (1332.828 + 1739
.
.
2 x4
32
- 286 -

. 2 +L+2558
. 2 206.52 2
2555
.
( 3.699 + 1739
+ 0.047 + 0.461 + 0.005 + 0.005)
4
32
.
= 1338.786 (1332.828 + 3.699 + 1739
+ 0.047 + 0.461 + 0.005 + 0.005) = 0.002
SCSAxFFxFP =
SCtrat . = 3.699 + 1.739 + 0.047 + 0.461 + 0.005 + 0.005 + 0.002 = 5.958

SCtotal = 6.42 2 + 6.352 + 6.40 2 + 6.38 2 + L + 6.412 + 6.39 2
(206.52) 2
= 6.061
32
SC Error = 6.061 5.958 = 0.103
TABLA DE ANALISIS DE VARIANZA.

F . De V .
Tratam ientos
S aboriz ante (S A )
F orm a fs ic a (F F )
S A x FF
F uente protec a (F P )
S A x FP
FFxFP
S A x FFx FP
E rror ex perim ental
Total
G .L.
7
1
1
1
1
1
1
1
24
31
S .C.
5.958
3.699
1.739
0.047
0.461
0.005
0.005
0.002
0.103
6.061
C.M .
0.851
3.699
1.739
0.047
0.461
0.005
0.005
0.002
0.004
Fc.
0.05
198.32** 2.43
861.90** 4.26
405.20**
10.95**
107.42**
n.s .
n.s .
n.s .
0.01
3.50
7.82
La significancia de los efectos se refiere a la comparacin numeral de stos contra un

valor tabular de Snedecor para los grados de libertad del efecto y del error experimental.
Tal significancia implica que debemos efectuar pruebas que permitan definir
diferencias y estratificar resultados en funcin de los objetivos planteados en el trabajo.
DATA POLLOS;
DO SABOR = 1 TO 2;
DO FISIC = 1 TO 2;
DO PROT = 1 TO 2;
DO REP = 1 TO 4;
INPUT ALIM @;
OUTPUT;
END;
END;
END;
END;
DATALINES;
6.42 6.35 6.40 6.38 6.60 6.68 6.70 6.65 6.84 6.93 7.02 6.95 7.16 7.21 7.19 7.22
5.94 5.63 5.85 5.74 6.01 6.14 6.00 6.04 6.20 6.24 6.16 6.29 6.40 6.38 6.41 6.39
;
PROC ANOVA; CLASS SABOR FISIC PROT;
MODEL ALIM = SABOR FISIC PROT SABOR*FISIC SABOR*PROT FISIC*PROT SABOR*FISIC*PROT;
MEANS SABOR FISIC PROT SABOR*FISIC SABOR*PROT FISIC*PROT SABOR*FISIC*PROT /DUNCAN;
Anlisis y Diseo de Experimentos - 287 7.2.2. Experimento factorial bajo el Diseo bloque completo al azar (DBCA)
El modelo lineal aditivo para el experimento es el siguiente:
Yijkl = + i + j + k + Bl + ()ij + ( )ik + ( ) jk + ( )ijk + ijkl

i = 12
, ,L,a ( Nivelesde factor A)
j = 12
, ,L,b (Nivelesde factor B)
k = 12
, ,L,c (Nivelesde factor C)
l = 12
, ,L, r (Bloque)
Donde:
Yijkl = Es la variable respuesta de la l-sima bloque al que se le aplic el i-simo
nivel del factor A, j-simo nivel del factor B, y k-simo nivel del factor C.
= Efecto de la media general.
B l = Efecto del del l-simo bloque.
k = Efecto del k-simo nivel el factor C

( ) ij = Efecto de la interaccin del i-simo nivel del factor A y del j-simo nivel
factor B.
( )ik = Efecto de la interaccin del i-simo nivel del factor A y del k-simo
nivel del factor C.
( ) jk = Efecto de la interaccin del j-simo nivel del factor B y del k-simo
nivel del factor C.
()ijk = Efecto de la interaccin del i-simo nivel del factor A y del j-simo nivel
del factor B y del k-simo nivel del factor C.
ijkl = Efecto aleatorio o error experimental en la obtencin de Yijkl
Anlisis de varianza para un factorial de TRES factores en un Diseo Bloque Completo

al Azar (DBCA): Frmulas.
- 288 -
ANLISIS DE VARIANZA (ANOVA)
Fuentes de Variacin
G. L.
S.C.
C.M.
r-1
Bloques
Tratamientos
i =1
t
i=1
b
Factor B
b-1
Factor C
c-1
j=1
k =1
(a - 1)(b - 1)
Y....2
a b cr
acr
CMerror
S C( A )
a 1
2
....
Y
abcr
r 1
SCtratam.
abc 1
Yi ...2
Y ....2
bcr
abcr
2
. j ..
CMbloq .
Y..2k .
Y2
....
a b r a b cr
2
ij ..
2
....
(a - 1)(c - 1)
2
i .k .
c 1
CMerror
( AC)
i =1 k =1
b
Interaccin BxC
(b - 1)(c - 1)
2
. jk .
2
....
( BC)
j =1 k =1
Interaccin AxBxC
F Y Y IbSC+SC+SC+SC+SC+SCg
GHr abcrJK
abc 2
ijk.
(a - 1)(b - 1)(c - 1)
2
..
AB
AC
i=1j=1k=1
Error Experimental
SCTotal - SCtratamientos - SCbloques
(abc - 1)(r -1)
Total
abcr - 1
2
ijk l
i =1
j =1 k =1 l =1
Y....2
a b cr
BC
CM( B )
2
....
CM( A )
CMerror
CM error
i =1 j =1
Interaccin AxC
b 1
SC( C )
( AB)
CM( C )
CM( AB )
CMerror
CM( AC )
CMerror
CM( BC )
CMerror
SC(ABC)
CM( ABC )
(a1)(b1)(c1)
CMerror
SCerror
( abc 1)( r 1)
CMtratam.
CMerror
SC( B )
F Y Y I bSC + SC g SC
GH cr abcr JK
(a1)(b1)
FGY Y IJ bSC + SC g SC
(a1)(c1)
H br abcr K
F Y Y I bSC + SC g SC
GH ar abcrJK
(b1)(c1)
a
Interaccin AxB
Yijk2 .
j =1 k =1
a-1
Factor A
abc - 1
Fc
SCbloques
Y...2l
Y2
....
abcr
l =1 br
r

En la Estacin Experimental Tahuaco (INIA), se ensay los niveles de fertilizacin
por densidad de siembra en cebada SLO S/SAIDA, en un rea de parcela neta 4.8m2,
tomndose como variable de respuesta rendimientos (kg/parcela). Los factores en
estudio son: N = Nitrgeno (0,60,120), P = Fsforo (0, 40, 80), y D = Densidad de
siembra (100, 150 y 200). La informacin se presenta a continuacin:
F A C TO R E S
N i t r g e n o F s fo ro D e n s id a d
0
0
100
150
200
40
100
150
200
80
100
150
200
60
0
100
150
200
40
100
150
200
80
100
150
200
120
0
100
150
200
40
100
150
200
80
100
150
200
1. Hiptesis:
H0 : i = 0,
i = 1,2,....., a
I
0 .9 3
0 .9 9
0 .8 6
0 .9 2
0 .7 5
0 .9 8
0 .8 2
0 .7 3
0 .7 5
0 .8 4
0 .7 3
0 .8 1
0 .8 4
0 .8 2
0 .8 4
1 .1 7
1 .0 2
1 .0 5
0 .8 7
1 .2 0
0 .8 2
1 .2 2
1 .3 1
1 .0 1
1 .2 0
1 .2 2
1 .4 6
B LO Q U E S
II
1 .0 4
1 .0 6
1 .0 1
0 .7 0
1 .0 9
1 .1 6
0 .8 0
0 .9 5
0 .9 1
0 .8 5
0 .9 8
1 .0 7
0 .7 6
0 .8 4
0 .9 4
1 .0 5
0 .9 8
0 .6 5
1 .2 8
1 .0 5
1 .2 0
0 .9 8
1 .1 4
1 .0 4
1 .0 7
1 .0 4
0 .9 5
III
0 .9 4
0 .6 8
0 .6 9
0 .7 3
0 .7 3
0 .6 5
0 .6 7
0 .7 0
0 .7 0
0 .7 5
0 .9 9
1 .0 0
1 .0 5
1 .1 2
1 .1 6
0 .8 1
1 .2 5
1 .2 6
0 .9 5
1 .1 1
1 .1 4
0 .9 9
1 .0 0
1 .0 1
0 .9 0
0 .9 6
1 .0 2
H0 : j = 0 ,
j = 1,2 ,....,b
- 290 -

Respecto al factor C.
Respecto al bloque.
H0 : k = 0 ,
k = 1,2 ,.....,c
Ha : k 0, para cualquier k
H0 : Bl = 0,
l = 1,2 ,....., r
Ha : Bl 0 , para cualquier l
Respecto a la interaccin A x B.
Ho :
ij
= 0 Vs. Ha :
ij
Respecto a la interaccin A x C.
Ho :
ik
= 0 Vs. Ha :
ik
Respecto a la interaccin B x C.
Ho :
jk
b g
b g
b g
b g
b g = 0 Vs. H : b g 0
Respecto a la interaccin AxBxC. H : b g = 0 Vs. H : b g 0
o
3. Prueba de Contraste:
F( A B) =
= 0.05
F( Bloq ) =
CMBloq
CMError
, F( A) =
ijk
jk
ijk
CMA
CMB
CMC
, F( B ) =
, F( C) =
CMError
CMError
CMError
CMAB
CMAC
CMBC
CMABC
, F( A C) =
, F( B C) =
, F( A B C) =
CMError
CMError
CMError
CMError

1
RA Ho: S F ( Bloq ) F( rabc
1 )( r 1 ), ,
1
RR Ho: S F ( Bloq ) > F( rabc
1 )( r 1 ), , entonces se acepta la Ha:
1
RA Ho: S F ( A ) F( aabc
1 )( r 1 ), ,
1
RR Ho: S F ( A ) > F( aabc
1
RA Ho: S F ( B ) F(babc
1 )( r 1 ), ,
1
RR Ho: S F ( B ) > F(babc
1
RA Ho: S F ( C ) F( cabc
1 )( r 1 ), ,
1
RR Ho: S F ( C ) > F( cabc
a 1 )( b 1 )
RA Ho: S F ( A B ) F((abc
1 )( r 1 ), ,
a 1 )( b 1 )
RR Ho: S F ( A B ) > F( (abc
a 1 )( c 1 )
RA Ho: S F ( A C ) F((abc
1 )( r 1 ), ,
Anlisis y Diseo de Experimentos - 291 a 1 )( c 1 )

RR Ho : S F ( A C ) > F( (abc
b 1 )( c 1 )
RA Ho : S F ( B C ) F( (abc
1 )( r 1 ), ,
b 1 )( c 1 )
RR Ho : S F ( B C ) > F( (abc
a 1 )( b 1 )( c 1 ) entonces se acepta la Ho:
RA Ho : S F ( A B C ) F( (abc
,
1 )( r 1 ),
a 1 )( b 1 )( c 1 )
RR Ho : S F ( A B C ) > F( (abc
1 )( r 1 ),

a) GRADOS DE LIBERTAD (GL).
GLBLOQUE = r - 1 = 3 - 1 = 2
GLtratamientos: abc - 1 = 3x3x3-1 = 26
GLN = a - 1 = 3 - 1 = 2
GLP = b - 1 = 3 - 1 = 2
GLD = b - 1 = 3 - 1 = 2
GLNxP = (a-1)(b-1) = (3-1)(3-1) = 4
GLNxD = (a-1)(b-1) = (3-1)(3-1) = 4
GLPxD = (a-1)(b-1) = (3-1)(3-1) = 4
GLNxPxD = (a-1)(b-1)(c-1) = (3-1)(3-1)(3-1) = 8
GLERROR EXP = (r-1)(abc-1) = (2)(3x3x3-1) = 52
GLTOTAL = abcr - 1 = 3x3x3x3-1 = 80
b) SUMA DE CUADRADOS:
TC =
2
Y
( 77 .71 )2
=
= 74 .55363086
abcr 3 3 3 3
2
Y
. 2 + 26.59 2 + 24.962
2616
l
TC =
TC = 0.052861728
3x3x3
l =1 abc
r
SCBloque =
a
SCtratam. =
i =1 j =1 k =1
Yijk2
r
TC =
2.912 + 2.732 + L+343

. 2
TC = 1050135802
.
3
- 292 -
SUMA DE CUADRADOS DE TRATAMIENTOS:

2
Yi
2.94 2 + 25.632 + 29.14 2
TC =
TC = 0.716002469
3 3 3
i =1 bcr
a
SC N =
SC P =
Y2j
j =1
acr
TC =
25.84 2 + 25.78 2 + 26.09 2

TC = 0.002002469
3x 3x3
Y2 k
. 2 + 26.44 2 + 2614
. 2
2513
TC =
TC = 0.034891358
3 3 3
k =1 abr
c
SCD =
SUMA DE CUADRADOS DE INTERACCIONES.

a
SCComb .( NxP ) =
i =1 j =1
Yij2
cr
TC =
8.2 + 7.71 + L + 9.7 + 9.82

.
TC = 0882669136
3 3
(0716002469
+ 0002002469
SCInt( NxP) = SCComb( NxP) (SCN + SCP ) = 0882669136
.
.
.
) = 0164664198
.
a c
Y2
. 2 + 768
. 2 +L+1003
. 2 + 965
. 2
755
SCComb.( NxD) = ik TC =
TC = 0766335802
.
33
i=1 k =1 br
(0716002469
+ 0034891358
SCInt( NxD) = SCComb( NxD) (SCN + SCD ) = 0766335802
.
.
.
) = 0015441975
.
b
SCComb.( PxD ) =
Y2jk
j =1 l =1
ar
TC =
. 2 + 879
. 2 + L + 885
. 2 + 875
. 2
845
.
TC = 0043246913
3 3
(0002002469
+ 0034891358
SCInt ( PxD) = SCComb( PxD) (SCP + SCD ) = 0043246913
.
.
.
) = 000635308
.
a
SCComb .( N P D ) =
i =1 j =1 k =1
Yijk2
r
.
TC = SCtratam. = 1050135802
SCInt ( NxPxD) = SCComb( NxPxD) (SCN + SCP + SCD + SCNxP + SCNxD + SCPxD )
La suma de cuadrados corregido equivale a
SCtratam.corregido
SCInter( NPD) =1050135802

.
.
.
.
(0716002469
+0002002469
+0034891358
+
0164664198
.
.
.
)
+0015441975
+0006353086
.
= 0110780247
a
SCtotal = Yijkl2 TC = 093

. 2 + 104
. 2 +L+ 095
. 2 + 102
. 2 TC = 2560069136
.
i =1 j =1 k =1 l =1
Anlisis y Diseo de Experimentos - 293 SC Error = SCtotal SCbloque SCTratam. = 2.260069136 0.052861728 1050135802
.

F. de V.
Bloques
Tratamiento
Nitrgeno (N)
Fsforo (F)
Densidad (D)
NxP
NxD
PxD
NxPxD
Error Exptal.
Total
CV. =
CMerror
Y....
G.L.
2
26
2
2
2
4
4
4
8
52
80
S.C.
0.052861728
1.050135802
0.716002469
0.002002469
0.034891358
0.164664198
0.015441975
0.006353086
0.110780247
1.457071606
2.560069136
C.M.
0.026430864
0.040389839
0.358001235
0.001001235
0.017445679
0.041166050
0.003860494
0.001588272
0.013847531
0.028020608
Fc.
0.94
1.44
12.78
0.04
0.62
1.47
0.14
0.06
0.49
Signific.
n.s.
n.s.
**
n.s.
n.s.
n.s.
n.s.
n.s.
n.s.
x100 = 1745%
.
INTERPRETACION.
No se encontr diferencia estadstica significativa (P 0.05) en las interacciones de
primer orden, tampoco existe diferencia en las interacciones de segundo orden, esto
quiere decir que los factores actan en forma independiente o se deben al azar, por
consiguiente las conclusiones se sacan de los efectos principales significativos, en
este caso se encontr diferencia altamente significativa (P 0.01) para el efecto
Nitrgeno, entonces nos concentramos en analizar en este factor para sacar las
conclusiones para nuestro experimento y as recomendar para los posteriores
experimentos.
- 294 -
PROGRAMA EN SAS.
data fertil;
options nodate nocenter nonumber;
DO N = 0 TO 120 BY 60;
DO P = 0 TO 80 BY 40;
DO D = 100 TO 200 BY 50;
DO BLOQUE = 1 TO 3;
INPUT RDTO @;
OUTPUT;
END;
END;
END;
END;
CARDS;
0.93 1.04 0.94 0.99 1.06 0.68 0.86 1.01 0.69 0.92
0.70 0.73 0.75 1.09 0.73 0.98 1.16 0.65 0.82 0.80
0.67 0.73 0.95 0.70 0.75 0.91 0.70 0.84 0.85 0.75
0.73 0.98 0.99 0.81 1.07 1.00 0.84 0.76 1.05 0.82
0.84 1.12 0.84 0.94 1.16 1.17 1.05 0.81 1.02 0.98
1.25 1.05 0.65 1.26 0.87 1.28 0.95 1.20 1.05 1.11
0.82 1.20 1.14 1.22 0.98 0.99 1.31 1.14 1.00 1.01
1.04 1.01 1.20 1.07 0.90 1.22 1.04 0.96 1.46 0.95
1.02
;
PROC PRINT; RUN;
PROC ANOVA;
CLASS N P D BLOQUE;
MODEL RDTO = BLOQUE N P D N*P N*D P*D N*P*D;
MEANS BLOQUE N P D N*P N*D P*D N*P*D/DUNCAN;
RUN;
Anlisis y Diseo de Experimentos - 295 RESULTADOS DEL SAS.

Class
Levels Values
N
3
0 60 120
P
3
0 40 80
D
3
100 150 200
BLOQUE
3
123
Dependent Variable: RDTO
F. de Variacin
G.L.
Tratamientos
28
BLOQUE
2
N
2
P
2
D
2
N*P
4
N*D
4
P*D
4
N*P*D
8
Error
52
Corrected Total
80
R-Square
0.430847
S.C.
1.10299753
0.05286173
0.71600247
0.00200247
0.03489136
0.16466420
0.01544198
0.00635309
0.11078025
1.45707160
2.56006914
C.M.
F Value
0.03939277
1.41
0.02643086
0.94
0.35800123 12.78
0.00100123
0.04
0.01744568
0.62
0.04116605
1.47
0.00386049
0.14
0.00158827
0.06
0.01384753
0.49
0.02802061
C.V.
Root MSE
17.44805
0.167394
RDTO Mean
0.95938272

Alpha= 0.05 df= 52 MSE= 0.028021
Number of Means 2 3
Critical Range .0915 .0962
Duncan Grouping
Mean
N N
A
B
C
1.0793
0.9493
0.8496
27
27
27
120
60
0
Pr > F
0.1424
0.3959
0.0001
0.9649
0.5405
0.2250
0.9675
0.9938
0.8548
- 296 -
EJEMPLO:
Se registr el peso de velln (lb) de llamas de la comunidades de la Provincia de
Ladislao Cabrera, ubicado al Sur del departamento de Oruro (Bolivia), que esa ubicado
a 3747 msnm. El objetivo fue determinar la composicin del rebao y otras
caractersticas del velln, los factores fueron: Variedad (K=Kara, C = Chacu), Edad
(2, 3 y 4 aos) y Sexo (M = Machos, H = Hembras), y como bloque Zona (S =
Salinas, SM = San Martn y PA = Pampa Aullaga). La Informacin se presenta a
continuacin:
A
B
C
I =S
II = SM
III = PA
Total
K
M
1.00
0.67
0.60
2.27
H
0.79
0.90
0.65
2.34
C
M
1.43
0.88
1.33
3.64
H
1.13
0.90
2.12
4.15
K
M
0.95
0.75
0.87
2.57
H
0.88
0.75
0.87
2.50
4
C
M
1.87
1.48
1.97
5.32
H
1.70
1.27
1.75
4.72
K
M
1.17
0.72
0.96
2.85
H
1.05
0.78
0.88
2.71
C
M H
2.07 1.87
1.45 1.63
1.73 1.60
5.25 5.10
Total
15.91
12.18
15.33
43.42
DATA LLAMA;
INPUT EDAD VARIE $ SEXO $ ZONA $ PEVE;
DATALINES;
2 KM I
1.00
2 K M II
0.67
2 K M III
0.60
2 KH I
0.79
2 K H II
0.90
..........(continuar con el ingreso de datos)...
4 C M II
1.45
4 C M III
1.73
4 CH I
1.87
4 C H II
1.63
4 C H III
1.60
;
PROC PRINT; RUN;
PROC ANOVA;
CLASS EDAD VARIE SEXO ZONA;
MODEL PEVE = ZONA EDAD VARIE SEXO EDAD*VARIE
EDAD*SEXO VARIE*SEXO EDAD*VARIE*SEXO;
MEANS EDAD VARIE/DUNCAN;
RUN;
SALIDA DE RESULTADOS CON SAS.

Class
Levels
EDAD
3
VARIE
2
SEXO
2
ZONA
3
Values
2 3 4
C K
H M
I II III
36
Dependent Variable: PEVE

Source
Model
ZONA
EDAD
VARIE
SEXO
EDAD*VARIE
EDAD*SEXO
VARIE*SEXO
EDAD*VARIE*SEXO
Error
Corrected Total
R-Square
Coeff Var
0.843536
18.89585
Sum of
DF
Squares
Mean Square
13
6.16056111
0.47388932
2
0.67143889
0.33571944
2
0.56400556
0.28200278
1
4.65121111
4.65121111
1
0.00401111
0.00401111
2
0.16190556
0.08095278
2
0.06843889
0.03421944
1
0.00027778
0.00027778
2
0.03927222
0.01963611
22
1.14269444
0.05194066
35
7.30325556
Root MSE
PEVE Mean
0.227905
1.206111
F Value
9.12
6.46
5.43
89.55
0.08
1.56
0.66
0.01
0.38
Duncans Multiple Range Test for PEVE

Mean
N
EDAD
A
1.32583
12
4
A
1.25917
12
3
B
1.03333
12
2
Duncans Multiple Range Test for PEVE
Mean
N
VARIE
A
1.56556
18
C
B
0.84667
18
K
Pr > F
<.0001
0.0062
0.0121
<.0001
0.7837
0.2328
0.5274
0.9424
0.6896
- 298 -
7.2.3. Experimentos con factores cuantitativos (dos factores cuantitativos).

Es frecuente encontrar experimentos combinados con factores de tipo
cualitativo y cuantitativo, en esta seccin mostraremos la metodologa de desarrollo
para el clculo de un experimento factorial con dos factores, y lo detallamos a
continuacin con un ejemplo.
EJEMPLO:
Para estudiar el efecto del Compost y del Nitrgeno sobre dos variedades de algodn
se condujo un experimento con los niveles siguientes: Variedades (V1 y V2), Compost
(0 sin compost, 40 tm/ha, 80 tm/ha) y Cantidad de fertilizante nitrogenado 80 kg/ha,
60 kg/ha y 120 kg/ha. El rea de las parcelas fue de 50 m2 y los resultados que se dan
a continuacin expresa kg/parcela. Calcular el ANVA, y las curvas de respuesta. La
Variedad
Compost
0
Nitrgeno 0
60 120 0
I
29 30 28 27
II
28 31 27 29
III
28 29 29 30
IV
28 30 29 27
Yijk. 113 120 113 113
Yi...
Y1... =
Y.j..
Y.1.. = 698
Y..k.
Y..1. = 670
Yij..
Y11.. = 346
Yi.k.
Y1.1. = 337
Y.jk.
Y.11. = 224
Y.31. = 222
V1
40
60
31
30
32
33
126
1068
Y12.. =
Y1.2. =
Y.12. =
Y.32. =
120
29
30
29
28
116
355
383
239
266
0
28
27
28
28
111
80
60
32
34
37
34
137
120
30
29
29
31
119
Y.2.. =
Y..2. =
Y13.. =
Y1.3. =
Y.13. =
Y.33. =
718
755
367
348
235
245
0
28
30
26
27
111
0
60
28
30
30
31
119
120
30
30
31
31
122
Y21.. = 352
Y2.1. = 333
Y.21. = 224
V2
40
0
60
26 31
29 29
29 31
27 33
111 124
Y2... =
Y.3.. =
Y..3. =
Y22.. =
Y2.2. =
Y.22. =
120
32
32
31
33
128
1081
733
724
363
372
250
0
27
28
26
30
111
80
60
30
34
32
33
129
120 Y...l
32 528
31 538
30 537
33 546
126 2149
2149
2149
2149
Y23.. = 366 2149
Y2.3. = 376 2149
Y.23. = 244 2149
SOLUCIN:
Primeramente, se realizar los clculos respectivos para encontrar las suma de
cuadrados (SS) en base a la tabla dada anteriormente, aqu no se dar las frmulas ya
que el estudiante tiene conocimiento para calcular el anlisis de varianza de un
experimento factorial de dos y tres factores.
a) Grados de libertad:
GLb = r - 1 =
GLv = a - 1 =
GLc = b - 1 =
GLn = c - 1 =
GLvxc =
GLvxn =
GLcxn =
GLvxcxn=
Gleexp.=
Gltot =
3
1
2
2
2
2
4
4
51
71
b) Sumas d e Cuad rad os :

TC =
64141.680556
SSB =
9.0416667
Ss a =
2.347222222
SSb =
25.69444444
SSc =
154.1944444
SSaxb=
1.861111111
SSaxc=
36.02777778
SSbxc=
28.30555556
SSaxbxc=
3.638888889
SSE =
80.20833333
SSTot =
341.31944444
TABLA DE ANLISIS DE VARIANZA GENERAL (ANOVA).

F. de V.
G.L.
Bloques
3
Tratamientos 17
Variedad (V)
1
Compos t 'C'
2
Nitrgeno (N 2
VxC
2
VxN
2
CxN
4
VxCxN
4
Error Exptal
51
Total
71
S.S.
9.041667
252.069444
2.347222
25.694444
154.194444
1.861111
36.027778
28.305556
3.638889
80.208333
341.319444
M .S.
3.0138889
14.8276144
2.3472222
12.8472222
77.0972222
0.9305556
18.0138889
7.0763889
0.9097222
1.5727124
Fc
1.92
9.43
1.49
8.17
49.02
0.59
11.45
4.50
0.58
Como dos factores son de tipo cuantitativo, entonces se realizar mediante el

anlisis de regresin. A continuacin detallamos la metodologa de desarrollo.
PARA LA VARIEDAD: V1
Primeramente se calcular el anlisis de varianza para la variedad 1, en este caso
tenemos usar en el procedimiento del SAS, lo que se denominar subconjuntar por
separado y encontrar la tabla de anlisis de varianza para los factores en estudio, en
el cual se debe calcular para cada factor el modelo de regresin lineal y cuadrtico y
- 300 -
para las interacciones combinar en forma conveniente. El cuadro siguiente muestra

el procedimiento:
PARA LA VARIEDAD (V1)
Compost
Nitrg.
Total
C
(N)
Yij.
CL
CQ
NL
NQ
CLxNL
CLxNQ
CQxNL
CQxNQ
0
113
-1
1
-1
1
1
-1
-1
1
0
60
120
-1
1
0
-2
0
2
0
-2
120
113
-1
1
1
1
-1
-1
1
1
0
113
0
-2
-1
1
0
0
2
-2
40
60
126
0
-2
0
-2
0
0
0
4
120
116
0
-2
1
1
0
0
-2
-2
0
111
1
1
-1
1
-1
1
-1
1
80
60
137
1
1
0
-2
0
-2
0
-2
120
119
1
1
1
1
1
1
1
1
Suma(Yij.Pi) =
21
3
11
-81 8
-30
2
-12
SumaCij^2 =
6
18
6
18
4
12
12
36
rSuma Cij^2 =
24
72
24
72
16
48
48
144
SS = S(Yij.Pi)^2/rCij^2 =
18.37500 0.12500 5.04167 91.12500 4.00000 18.75000 0.08333 1.00000
Fc = MS/MSE =
11.68
0.08
3.21
57.94
2.54
11.92
0.05
0.64
MSE =
1.5727124
RESUMEN EN LA TABLA DE ANOVA:

F. De V.
Bloques
Tratamientos
Varied(V)
Compost 'C'
CL
CQ
Nitrog (N)
NL
NQ
CxN
CLxNL
CLxNQ
CQxNL
CQxNQ
Error Exptal
Total
G.L.
3
17
1
2
1
1
2
1
1
4
1
1
1
1
51
71
S.S.
M.S.
Fc
Signif.
9.04166667 3.01388889 1.92 n.s.
252.069444 14.8276144 9.43 **
2.34722222 2.34722222 1.49 n.s.
18.5000
9.25000 5.88
18.3750
18.37500 11.684 **
0.1250
0.12500 0.08 n.s.
96.1667
48.08333 30.57
5.0417
5.04167 3.21 n.s.
91.1250
91.12500 57.94 **
23.8333
5.95833 3.79
4.0000
4.00000 2.54 n.s.
18.7500
18.75000 11.92 **
0.0833
0.08333 0.05 n.s.
1.0000
1.00000 0.64 n.s.
80.2083333
1.57271
341.319444
Anlisis y Diseo de Experimentos - 301 El modelo de regresin lineal para la variedad 1 (V1), est representada de la
siguiente forma:
Yi = 0 + 1C + 2 N + 3C 2 + 4 N 2 + 5CN + 6CN 2 + 7 C 2 N + 8C 2 N
De este modelo general, se debe encontrar el modelo reducido, usando el
procedimiento de Stepwise, tal como se presenta a continuacin:
Y$i = $ 0 + $ 1C 2 + $ 2 C 2 N + $ 3C 2 N 2 , expresada en trminos numricos es:

Y$i = 28.97756 0.00020727C 2 + 0.00003316C 2 N 0.00000025C 2 N 2
El modelo anterior nos permitir interpretar y realizar las conclusiones para tomar
una decisin correcta.
PARA LA VARIEDAD 2 (V2).
El procedimiento es similar al anterior. A continuacin presentamos el cuadro de
operaciones bsicas, usando las tablas de coeficientes divisores y valores de K para
ajustar las curvas curticas a datos de intervalos iguales y para separar la suma de
cuadrados.
PARA LA VARIEDAD (V2)
Compost
Nitrg.
C
(N)
0
0
60
120
0
40
60
120
0
80
60
120
Suma(Yij.Pi) =
SumaCij^2 =
rSuma Cij^2 =
SS = S(Yij.Pi)^2/rCij^2 =
Fc = MS/MSE =
MSE =
1.5727124
Total
Yij.
111
119
122
111
124
128
111
129
126
CL
CQ
NL
NQ
CLxNL
CLxNQ
CQxNL
CQxNQ
-1
1
-1
1
1
-1
-1
1
-1
1
0
-2
0
2
0
-2
-1
1
1
1
-1
-1
1
1
0
-2
-1
1
0
0
2
-2
0
-2
0
-2
0
0
0
4
0
-2
1
1
0
0
-2
-2
1
1
-1
1
-1
1
-1
1
1
1
0
-2
0
-2
0
-2
1
1
1
1
1
1
1
1
14
-8
43
-35 4
-16
-8
-8
6
18
6
18
4
12
12
36
24
72
24
72
16
48
48
144
8.16667 0.88889 77.04167 17.01389 1.00000 5.33333 1.33333 0.44444
5.19
0.57
48.99
10.82
0.64
3.39
0.85
0.28
- 302 -
En seguida presentamos la tabla resumen de anlisis de varianza (ANOVA) para

contrastar la F observada, y cules de las fuentes de variacin son significativos para
poder tomar una decisin correcta.
F. de V.
Bloques
Tratamientos
Varied(V)
Compost 'C'
CL
CQ
Nitrog (N)
NL
NQ
CxN
CLxNL
CLxNQ
CQxNL
CQxNQ
Error Exptal
Total
G.L.
3
17
1
2
S.S.
M.S.
Fc
Signific.
9.041666667 3.013888889 1.92
252.0694444 14.82761438 9.43
2.347222222 2.347222222 1.49
9.0556
4.52778 2.88
1
8.1667
8.16667 5.193
1
0.8889
0.88889 0.57
2
94.0556
47.02778 29.90
1
77.0417
77.04167 48.99
1
17.0139
17.01389 10.82
4
8.1111
2.02778 1.29
1
1.0000
1.00000 0.64
1
5.3333
5.33333 3.39
1
1.3333
1.33333 0.85
1
0.4444
0.44444 0.28
51
80.20833333
1.57271
71
341.3194444
El modelo general para la variedad 2 (V2), es el siguiente:

Y$i = 27.75 + 0.0C 0.0C 2 + 0.04375 N 0.0001736 N 2 + 0.000521CN 0.0CN 2 + 0.0000052C 2 N 0.000
De este modelo general, debemos encontrar el modelo reducido para lo cual usamos
el procedimiento de Stepwise y encontramos el modelo.
Y$i = 27.167 + 0.01458C + 0.07847 N 0.00040509 N 2
El modelo estimado encontrados es ms fcil de interpretar que el modelo general

que involucra todas las variables en estudio.
A continuacin, efectuaremos la comprobacin de los clculos realizados para
encontrar la tabla de ANOVA, el modelo general y el modelo reducido a travs del
software estadstico de SAS, para posteriormente interpretar y realizar las conclusiones
pertinentes al caso de estudio.
Anlisis y Diseo de Experimentos - 303 /* PROGRAMA EN SAS */

DATA COMPOST;
DO R = 1 TO 4;
DO V = V1,V2';
DO C = 0 TO 80 BY 40;
DO N = 0 TO 120 BY 60;
INPUT Y @;
C2 = C*C; N2 = N*N;
CN = C*N;
CN2 = C*N2;
C2N = C2*N;
C2N2 = C2*N2;
OUTPUT;
END;
END;
END;
END;
CARDS;
29 30 28 27 31 29 28 32 30 28 28 30 26
28 31 27 29 30 30 27 34 29 30 30 30 29
28 29 29 30 32 29 28 37 29 26 30 31 29
28 30 29 27 33 28 28 34 31 27 31 31 27
;
PROC PRINT; RUN;
PROC ANOVA; CLASS R V C N;
MODEL Y = R V C N V*C V*N C*N V*C*N;
RUN;
31
29
31
33
32
32
31
33
27
28
26
30
30
34
32
33
32
31
30
33
/* PARA ENCONTRAR LAS CURVAS DE RESPUESTA PARA CADA VARIEDAD */
DATA VARIE1;
SET COMPOST;
IF V = V1;
PROC GLM; MODEL Y =
RUN;
PROC REG;
MODEL Y = C C2 N N2
RUN;
DATA VARIE2;
SET COMPOST;
IF V = V2;
PROC GLM; MODEL Y =
RUN;
PROC REG;
MODEL Y = C C2 N N2
RUN;
C C2 N N2 CN CN2 C2N C2N2/SOLUTION;

CN CN2 C2N C2N2/METHOD=STEPWISE;
C C2 N N2 CN CN2 C2N C2N2/SOLUTION;

CN CN2 C2N C2N2/METHOD=STEPWISE;
- 304 -
SALIDA DEL SAS:

The ANOVA Procedure
Class
Levels
Values
R
4
1 2 3 4
V
2
V1 V2
C
3
0 40 80
N
3
0 60 120
72
Source
DF
Model
20
R
3
V
1
C
2
N
2
V*C
2
V*N
2
C*N
4
V*C*N
4
Error
51
Corrected Total
71
R-Square
Coeff Var
0.765005
4.201658
The GLM Procedure
Source
DF
Model
8
C
1
C2
1
N
1
N2
1
CN
1
CN2
1
C2N
1
C2N2
1
Error
27
Corrected Total
35
R-Square
Coeff Var
0.795977
3.865125
Parameter
Intercept
C
C2
N
N2
CN
CN2
C2N
C2N2
Sum of
Squares
261.1111111
9.0416667
2.3472222
25.6944444
154.1944444
1.8611111
36.0277778
28.3055556
3.6388889
80.2083333
341.3194444
Root MSE
1.254078
Mean Square
13.0555556
3.0138889
2.3472222
12.8472222
77.0972222
0.9305556
18.0138889
7.0763889
0.9097222
1.5727124
F Value
8.30
1.92
1.49
8.17
49.02
0.59
11.45
4.50
0.58
Pr > F
<.0001
0.1386
0.2275
0.0008
<.0001
0.5571
<.0001
0.0034
0.6796
Y Mean
29.84722
36
Sum of
Squares
138.5000000
18.37500000
0.12500000
5.04166667
91.12500000
4.00000000
18.75000000
0.08333333
1.00000000
35.5000000
174.0000000
Root MSE
1.146654
Estimate
28.25000000
0.00625000
-0.00015625
0.05833333
-0.00048611
0.00041667
-0.00000260
0.00001693
-0.00000013
Mean Square
17.3125000
18.37500000
0.12500000
5.04166667
91.12500000
4.00000000
18.75000000
0.08333333
1.00000000
1.3148148
F Value
13.17
13.98
0.10
3.83
69.31
3.04
14.26
0.06
0.76
Y Mean
29.66667
Standard
Error
0.57332687
0.03654256
0.00043886
0.02436171
0.00019505
0.00155276
0.00001243
0.00001865
0.00000015
t Value
49.27
0.17
-0.36
2.39
-2.49
0.27
-0.21
0.91
-0.87
Pr > |t|
<.0001
0.8655
0.7246
0.0239
0.0191
0.7905
0.8357
0.3721
0.3908
Pr > F
<.0001
0.0009
0.7602
0.0606
<.0001
0.0925
0.0008
0.8031
0.3908
Anlisis y Diseo de Experimentos - 305 The REG Procedure (MODELO REDUCIDO)

Parameter
Standard
Variable
Estimate
Error
Intercept
28.97756
0.29223
C2
-0.00020727
0.00010904
C2N
0.00003316
0.00000403
C2N2
-0.00000025
0.00000003
Type II SS
15411
5.66358
106.04581
97.06127
F Value
9833.01
3.61
67.66
61.93
Pr > F
<.0001
0.0663
<.0001
<.0001
PARA LA VARIEDAD 2 (V2)

Source
DF
Model
8
C
1
C2
1
N
1
N2
1
CN
1
CN2
1
C2N
1
C2N2
1
Error
27
Corrected Total 35
R-Square
Coeff Var
0.674188
4.698770
Sum of
Squares
111.2222222
8.16666667
0.88888889
77.04166667
17.01388889
1.00000000
5.33333333
1.33333333
0.44444444
53.7500000
164.9722222
Root MSE
1.410936
Mean Square
13.9027778
8.16666667
0.88888889
77.04166667
17.01388889
1.00000000
5.33333333
1.33333333
0.44444444
1.9907407
F Value
6.98
4.10
0.45
38.70
8.55
0.50
2.68
0.67
0.22
Y Mean
30.02778
Parameter
Estimate
Standard
Error
t Value
Pr > |t|
Intercept
C
C2
N
N2
CN
CN2
C2N
C2N2
27.75000000
-0.00000000
0.00000000
0.04375000
-0.00017361
0.00052083
-0.00000000
0.00000521
-0.00000009
0.70546806
0.04496494
0.00054001
0.02997663
0.00024001
0.00191064
0.00001530
0.00002295
0.00000018
39.34
-0.00
0.00
1.46
-0.72
0.27
-0.00
0.23
-0.47
<.0001
1.0000
1.0000
0.1560
0.4757
0.7872
1.0000
0.8221
0.6404
The REG Procedure (MODELO REDUCIDO)

Parameter
Standard
Variable
Estimate
Error
Intercept
27.16667
0.49509
C
0.01458
0.00715
N
0.07847
0.01718
N2
-0.00040509
0.00013753
Pr > F
<.0001
0.0528
0.5097
<.0001
0.0069
0.4846
0.1133
0.4203
0.6404
Type II SS
5904.22222
8.16667
40.92628
17.01389
F Value
3010.92
4.16
20.87
8.68
Pr > F
<.0001
0.0496
<.0001
0.0060
Los resultados obtenidos, se deben interpretar en base a la probabilidad, es decir
p entonces encontraremos diferencia estadsticas significativa para un alfa

dado. En cambio si p > en este caso no se encontrar diferencia alguna.
si
- 306 -
EJERCICIOS:
1. En el departamento de control de calidad de una planta de acabado de telas se est
estudiando el efecto de diversos factores sobre el teido de tela de algodn y fibra
sinttica, la cual se utiliza en la manufactura de camisas para caballero. Se
seleccionaron 3 operarios, 3 niveles de tiempo y 2 niveles de temperatura, y se
tieron 3 pequeas muestras de tela dentro de cada conjunto de condiciones. La
tela teida fue comparada con un estndar y se le asign una calificacin numrica.
Los resultados aparecen a continuacin. Analice los datos y realice las conclusiones
adecuadas. Comente la idoneidad del modelo.
Temperatura
Tiempo
de cilo
40
50
60
1
23
24
25
36
35
36
28
24
27
300
Operario
2
27
28
26
34
38
39
35
35
34
3
31
32
29
33
34
35
26
27
25
350
Operario
2
38
36
35
34
38
36
36
37
34
1
24
23
28
37
39
35
26
29
25
3
34
36
39
34
36
31
28
26
24
2. Un experimento conducido en el cultivo de maz, fue establecido para probar dos variedades
V1 y V2 de maz a tres densidades de siembra (d1 = 100, d2 = 130 y d3 = 160 plantas/
acre) y tres niveles de abonamiento nitrogenado (n1 = 50, n2 = 100 y n3 = 150 lb/acre de
N). Los rendimientos son estimados en bushels/acre. Analice los datos considerando que
existen dos factores cuantitativos. Los datos se presentan a continuacin:
Variedad
Compost
100
Nitrgeno 50 100 150 50
I
90 95 107 98
II
83 80
95
98
III
85 88
88 112
IV
86 78
89
79
V
88 93 105 90
VI
83 88
95
92
Yijk. 515 522 579 569
Yi...
Y1... =
Y.j..
Y.1.. = 3456
Y..k.
Y..1. = 3488
Yij..
Y11.. = 1616
Yi.k.
Y1.1. = 1572
Y.jk.
Y.11. = 1053
Y.31. = 1220
V1
130
100
89
98
104
86
91
98
566
4861
Y12.. =
Y1.2. =
Y.12. =
Y.32. =
150
92
106
91
87
97
106
579
1714
1598
1191
1190
50
81
74
82
85
88
78
488
160
100
92
81
78
89
85
85
510
150
93
74
94
83
90
99
533
Y.2.. =
Y..2. =
Y13.. =
Y1.3. =
Y.13. =
Y.33. =
3720
3605
1531
1691
1212
1291
50
80
102
80
93
90
93
538
100
100
117
109
104
114
110
115
669
150
100
105
114
114
95
105
633
Y21.. = 1840
Y2.1. = 1916
Y.21. = 1215
50
121
99
90
109
117
110
646
V2
130
100
110
94
118
131
115
90
658
Y2... =
Y.3.. =
Y..3. =
Y22.. =
Y2.2. =
Y.22. =
150
119
123
113
126
100
121
702
6016
3701
3784
2006
2007
1224
50
120
136
119
116
105
136
732
160
100
98
133
122
136
93
98
680
150
122
132
136
133
120
115
758
Y...l
1824
1822
1818
1834
1772
1807
10877
10877
10877
10877
Y23.. = 2170 10877
Y2.3. = 2093 10877
Y.23. = 1281 10877
Anlisis y Diseo de Experimentos - 307 3. El presente estudio que se presenta a continuacin es evaluar la tecnologa que
conlleve a los mximos rendimientos del cultivo, considerando los factores:
Densidad de siembra, control de malezas y cuidados sanitarios. Los factores en
estudio que se han considerado con los siguientes:
a) Densidad de siembra (factor cualitativo).
- D1 : Densidad Baja.
- D2 : Densidad Media.
- D3 : Densidad Alta.
b) Control de Maleza: (Factor Cualitativo).
- M0 : Sin control de malezas.
- M1 : Con control de malezas.
c) Control Sanitario: (Factor Cualitativo).
- S0 : Sin control sanitario.
- S1 : Con control sanitario.
Tratamientos o combinaciones de factores:
Clave
T1
T2
T3
T4
T5
T6
T7
T8
T9
T10
T11
T12
Tratamiento
D1M0S0
D1M1S0
D1M0S1
D1M1S1
D2M0S0
D2M1S0
D2M0S1
D2M1S1
D3M0S0
D3M1S0
D3M0S1
D3M1S1
- 308 -

CROQUIS EXPERIMENTAL:
B LO Q U E I:
T3
T5
T1 1
T4
T8
T1 2
T9
T6
T2
T7
T1 0
T1
B LO Q U E II:
T5
T1 1 T8
T6
T1 0
T3
T9
T7
T1 2
T2
T1
T4
B LO Q U E III:
T9
T1 1 T1 0
T4
T8
T1 2
T2
T5
T6
T3
T7
T1
MATRIZ DE DATOS: Y = Nmero de vainas por planta.
D e n s id a d
D1
S a n id a d
S0
S1
D2
S0
S1
S0
D3
S1
M a le z a
M0
I
21.90
B LO Q UE S
II
19.80
III
20.70
To t a l
62.40
M1
23.40
24.50
21.20
69.10
M0
22.50
21.30
20.70
64.50
M1
21.20
23.40
20.70
65.30
M0
18.60
16.60
18.20
53.40
M1
19.60
19.20
16.50
55.30
M0
22.50
16.80
14.90
54.20
M1
18.20
20.70
18.60
57.50
M0
14.50
17.80
13.90
46.20
M1
15.00
18.30
15.50
48.80
M0
13.60
18.50
12.90
45.00
M1
16.30
227 .30
16.50
233 .40
15.80
209 .60
48.60
Y ....= 670 .30
To t a l
Realice el anlisis de varianza e interprete los resultados, usando SAS.

4. La informacin corresponde al experimento de ensayo de los fertilizantes de
Ntrogeno (N), Fsforo (P) y Potasio (K) en el rendimiento de la papa, para esto se
us un diseo bloque completo al azar conducido bajo el experimento factorial de
3x2x3. Los rendimientos de papa estn dadas en kg. por parcela de 336 m2. La
N
200
P
200
K 200 400 600 200
I 16.83 18.56 20.48 18.40
II 23.84 16.59 21.88 20.42
III 16.40 18.87 17.45 11.29
400
400
400
20.99
19.85
15.89
200
600 200 400
24.47 16.95 22.35
22.60 18.10 20.78
17.38 16.35 17.16
400
600 200 400
21.84 23.27 23.43
26.80 14.97 21.50
24.00 23.75 21.85
600
200
600 200 400
32.52 23.71 22.11
28.78 16.71 21.90
29.70 24.43 26.73
600
21.77
26.52
27.89
200
20.71
28.02
19.04
400
400
26.51
32.07
19.58
600
27.15
26.89
24.45
a) Calcular el ANVA y realizar la interpretacin de los resultados.
8
MTODOS Y DISEO DE
SUPERFICIE DE
RESPUESTA
La Metodologa para superficies de respuesta, es como lo define Myers (1971),
un conjunto particular de mtodos estadsticos y matemticos que emplean los investigadores para auxiliarse en la solucin de ciertos tipos de problemas relativos a
procesos cientficos o de ingeniera. Hasta ahora su mayor aplicacin ha tenido lugar
en las investigaciones industriales, donde un gran nmero de variables manifiestan
su influencia sobre una determinada caracterstica: la respuesta, esta se mide normalmente en una escala continua y probablemente representa la funcin ms importante del proceso, lo cual no descarta la posibilidad de estudiar ms de una respuesta.
El proceso comprende tambin variables insumo o variables independientes, las cuales producen un cierto efecto sobre la respuesta y estn sujetas al control del investigador. As mismo Montgomery (1991) define como un conjunto de tcnicas matemticas y estadsticas tiles para modelar y analizar problemas en los cuales una
respuesta de inters es influida por varias variables, y el objetivo es optimizar esta
respuesta. En la mayora de los problemas de superficie de respuesta, la forma de la
relacin entre la respuesta y las variables independientes se desconoce. Por ello, el
primer paso en la superficie de respuesta consiste en determinar una aproximacin
- 310 -
apropiada a la relacin funcional real entre Y y el conjunto de variables independientes. Por lo general se emplea un polinomio de orden bajo sobre alguna regin de
las variables independientes. Si la respuesta es descrita adecuadamente por una funcin lineal de las variables independientes, la funcin de aproximacin es el modelo
de primer orden.
Y = 0 + 1 X i 1 + 2 X i 2 + L + k X ik + i ; Y = X +
La superficie de respuesta permite que el investigador inspeccione, de manera
visual, la respuesta para cierta zona de los niveles de los factores de inters y evaluar
su sensibilidad a los factores de tratamiento. En ciertas aplicaciones industriales, las
superficies de respuesta se exploran para determinar la combinacin de niveles de
los factores que proporcionan una condicin operativa ptima, como la combinacin
de temperatura y tiempo que maximiza la produccin qumica. En otras aplicaciones, se exploran para encontrar la combinacin de niveles de los factores que proporcionan mejoras econmicas a las respuestas de las condiciones operativas urgentes,
si no es demasiado costoso lograr esas condiciones ptimas. Las superficies de respuestas tambin se pueden utilizar en estudios analticos de procesos fundamentales;
por ejemplo, suelen usarse en las ciencias biolgicas para investigar la influencia
mutua de los factores sobre la variable de respuesta, como la interaccin entre el
nitrgeno y el fsforo en el crecimiento de las plantas (Kuehl, 2001).
DISEOS PARA AJUSTAR MODELOS DE SEGUNDO ORDEN
Aqu supondremos que el investigador desea ajustar a sus datos un modelo de
segundo orden, consecuentemente, se requiere un diseo experimental que comprende, por lo menos, tres niveles de cada factor. Una primera alternativa para realizar el
ajuste, es el empleo de factoriales 3p; otra alternativa la proporcionan los diseos
compuestos centrales, introducidos por Box y Wilson (1951), fue para ajustar superficie de respuesta de segundo orden conocido tambin como diseo de tratamientos
de cinco niveles. Sus primeros diseos llamados diseos compuestos, se construyen
por adicin de ms combinaciones de tratamientos a aquellas que son obtenidas de
una factorial de 2p. Este tipo de diseos comenzaron a utilizarse en experimentos de
fsica, qumica e industrial, posteriormente se extendieron a los experimentos con
abonamiento. Los diseos ms comunes dentro de esta familia son los compuestos
centrales en sus formas rotables y no rotables.
Ahora bien, ante la posibilidad de poder elegir entre varias alternativas, el
investigador debe comparar los diseos de que dispone desde dos puntos de vista: i)
por la precisin en la estimacin de los coeficientes de regresin, y ii) en trminos
Anlisis y Diseo de Experimentos - 311 del costo de la investigacin, definido por la magnitud del experimento. Para dos,
tres y an cuatro factores, es posible que el factorial completo 3p sea una buena
alternativa; sin embargo, si el nmero de factores p es mayor que 5, tal alternativa
es imprctica, puesto que se requiere ensayar 35 =243 (o ms combinaciones) de
tratamientos. Ante estas situaciones, los diseos compuestos centrales, son la alternativa lgica.
DISEOS COMPUESTOS CENTRALES (Central Composite Designs, CCD)
Los autores Box y Wilson (1951), han propuesto diseos rotables de dos o
ms factores o dimensiones, ptimamente pensados para una experimentacin
secuencial. La racionalidad de la propuesta deriva, en primer trmino de la posibilidad de hacer los ensayos sin arruinar presumiblemente, materia prima por riesgo de
incurrir en combinaciones peligrosas. Esto se entiende si pensamos que el diseo
rotable tiene los niveles espaciados entre s lo suficientemente cerca de las condiciones de operacin poco riesgosas como para dar cierta seguridad al diseador que no
incursiona en zonas tab.
En segundo trmino, el diseador puede hacer crecer su diseo por rotacin.
La bsqueda de informacin til se plantea en dos etapas, esto es, primero un diseo
rotable antes de rotar y luego (si los datos del anlisis de la primera etapa as lo
recomiendan), uno complementario, despus de rotar. La lgica incluye una replicacin
de varias veces del punto central del diseo para conseguir una valiosa estimacin de
la importancia del ERROR EXPERIMENTAL. Para la primera etapa se investigan
suficientes puntos factoriales en torno a un punto central o baricentro del diseo,
como para permitir la determinacin de la importancia de: los componentes lineales
del modelo, las interacciones simples y la curvatura global.
La ltima inferencia, es la curvatura global, es crucial, puede ser ya sea nula
o no-nula; el detalle crucial consiste en desplazar el diseo a otra zona si la curvatura
global no tiene importancia; siendo en cambio, no-nula, ello es sntoma de la presencia de componentes no-lineales, que permiten decidir que el ensayo contina pasando por una segunda etapa complementaria, que se omite si la curvatura global fuese
descartable.
Dicha segunda etapa consiste en rotar el diseo, se puede visualizar as la
primera y la segunda etapa, respectivamente antes de rotar y despus: antes de rotar,
los puntos externos al baricentro no se ubican ortogonales a dicho centro, sino sesgados
en diagonal. Para la segunda etapa el diseo previo se rota de manera que los puntos
sesgados estn ahora ortogonales con respecto al baricentro con lo cual hay suficien-
- 312 -
te informacin como para deducir la importancia de cada una de las curvaturas posibles, tantas curvaturas como dimensiones de bsqueda existan. Utilizando los datos
ANTES de rotar en conjunto con los datos DESPUES de rotar, los clculos pueden
estimarse con precisin la importancia de los componentes cuadrticos (la curvatura de la superficie de respuesta) de la funcin que liga a las variables de decisin o
factores con la eficiencia buscada.
El modelo de segundo grado, es el siguiente:
k
i =1
i =1
Y = 0 + i X i + ii X i2 + ij X i X j + e;
i =1 j =1
i< j
Para un sistema de dos factores, la forma del modelo que generalmente se

utiliza es:
Y = 0 + 1X1 + 2 X 2 + 11X12 + 22 X 22 + 12 X1X 2

Los diseos centrales compuestos son una alternativa a los factoriales 3p
Box y Wilson (1951) propusieron diseos centrales compuestos que requieren
menos combinaciones de tratamientos que los factoriales 3 p, para estimar las
ecuaciones de la superficie de respuesta cuadrtica. Los diseos centrales compuestos son diseos de tratamientos factoriales 2p con 2p combinaciones adicionales,
llamadas puntos axiales o estrella y C constituye el tratamiento central que se repite
un nmero determinado de veces dependiendo del nmero de factores.
El diseo central compuesto, permite evaluar a la vez cinco niveles de cada
factor, tal como se muestra a continuacin:
Nivel Codificado (Xi) Denominacin
-1
0
+1
Nivel mnimo
Nivel b ajo
Nivel medio
Nivel alto
Nivel mximo
Anlisis y Diseo de Experimentos - 313 Entonces los diseos compuestos centrales, comprenden las combinaciones
de tratamientos de un factorial 2p, o las de una fraccin de factorial, con los niveles
de los factores codificados -1, +1, una o ms repeticiones del punto central (0,0,...,0)
y adems, los puntos axiales o estrella, con las siguientes caractersticas:
a) Las coordenadas de los puntos axiales de los ejes del factor codificados
son:
b , 0,
b + , 0,
b0 ,
b0 , +
b0 ,
b0 ,
g
,0g
,0g
,0g
0, L ,0
0, L
0, L
0, L
M
g
,+ g
0, 0, L ,
0 0, L
b , 0,
b0, ,
con >1
b0,
g
,0g
0, L ,0
0, L
M
0, 0, L ,
b) Se agregan C puntos replicados en el centro del diseo en las coordenadas (0, 0, ...,0) necesarios para hallar la varianza del error experimental.
El diseo central compuesto tiene tres grupos caractersticos de tratamientos,
que se denominan: Tratamientos factoriales, tratamiento estrella y tratamiento central.
El nmero de tratamientos es igual a:
N = 2p + 2 p + C
donde:
N = Es el nmero total de tratamientos u observaciones.
2p = Es el nmero de tratamientos bsicos de la parte factorial o combinaciones de tratamientos.
2p = Corresponde a los tratamientos de la parte axial o estrella o combinacin
- 314 -

de tratamientos en los puntos axiales del diseo.
C = Constituye el tratamiento central que se repite un nmero determinado de
veces dependiendo del nmero de factores o rplicas en el centro del
diseo.
p = nmero de factores en estudio o variables.
Los niveles codificados ,1,0,+1,+ , se utilizan en el anlisis estadstico para simplificar los clculos. Los niveles reales: mnimo (generalmente 0) y mximo, los propone el investigador en funcin a su experiencia en la materia; el nivel
central es el promedio entre el nivel mnimo y mximo.
Ejemplo:
Las coordenadas en los ejes codificados x1 y x2 para el diseo central compuesto con dos factores se muestra a continuacin: N = 22+2x2+1 = 9 tratamientos u
obs.
Coordenadas del CCD: Diseo 22
X1
X2
-1
-1
+1
-1
-1
+1
Puntos factoriales
+1
+1
0
0
+0
Punto estrella
0
o axial
+
0
0
0
Punto central
x2
b0,g
(-1,1)
b,0g
(1,1)
(0,0)
(-1,-1)
b,0g
x1
(1,-1)
b0,g
Para diseo central compuesto de tres factores, se elabora el cubo espacial, tal
como se muestra a continuacin: N = 23+2x3+2 = 16 tratamientos u observaciones.
Coordenadas del CCD: Diseo 23

X1 X2 X3
+
+
+
+
Puntos factoriales
+
+
+
+
+
+
+
+
0
0
0
0 +
0 0
Punto estrella o axial
0 + 0
0 0
Punto central
0
0
0
0
0
x2
x3
x1
0
0
0
Diseos rotatorios para mejorar las exploraciones de la superficie de respuesta.

Una propiedad deseable al establecer cualquier diseo es la misma precisin para
todas las estimaciones de las medias. Sin embargo, la precisin de los valores estimados sobre la superficie de respuesta basados en la ecuacin de regresin estimada no
ser constante en toda la regin experimental. Una propiedad rotatoria desarrollada
para los diseos centrales compuestos requiere que la varianza de los valores estimados sea constante en puntos equidistantes del centro del diseo con coordenadas
codificadas como (0,0,....,0). Lo rotatorio de un diseo cobra importancia en la
exploracin de una superficie de respuesta porque la precisin de la superficie estimada no depende de la orientacin del diseo con respecto a la superficie de respuesta real o a la direccin de la bsqueda de las condiciones ptimas. Los factoriales 2p
usado como diseo de primer orden para aplicar el mtodo de bsqueda de la mayor
pendiente en zonas de respuestas ptimas son diseos rotatorios. As, la orientacin
del diseo no dificulta el mtodo de bsqueda de la mayor pendiente porque algunas
respuestas se estiman con menor precisin que otras. El diseo central compuesto se
puede hacer rotatorio estableciendo los valores de los puntos axiales.
- 316 -

Determinacin de
en el Diseo Central Compuesto (CCD).
El diseo central compuesto se puede hacer rotatorio estableciendo los valores de los puntos axiales como:
= Nmero de corridas del factorial
14
ch
1
p 4
=2
Ejemplos:
.
b g = 2 = 1414
.
El valor de para un diseo de tres factores es: = c2 h = b8g = 1682
para un diseo de dos factores es: = c22 h 4
El valor de
= 4
1
4
1
3 4
1
4
En el cuadro siguiente se presentan los diseos centrales compuestos con precisin uniforme:
N de Factores
p
Fraccin de 2
Factorial
Axial o Estrella
Pto. Central
Total (N)
c 2 h
p 14
1
4
4
5
13
1
8
6
6
20
1
16
8
7
31
1
32
10
10
52
1/2
16
10
6
32
1
64
12
15
91
1/2
32
12
9
53
1.414 1.682 2.000 2.378 2.000 2.828 2.378
Ejemplo:
En el siguiente cuadro, se muestra el nmero de tratamientos, segn el nmero de factores para un diseo compuesto central rotable.
Nmero de factores
2
Tratamiento
1
-1
-1
2
1
-1
3
-1
1
4
1
1
5
0
+
6
0
7
0
+
8
0
9
0
0
10
0
0
11
0
0
12
0
0
13
0
0
14
15
16
17
18
19
20
21
22
23
24
25
...
...
...
31
13
Total
-1
1
-1
1
-1
1
-1
1
+
0
0
0
0
0
0
0
0
0
0
3
-1
-1
1
1
-1
-1
1
1
0
0
+
0
0
0
0
0
0
0
0
4
-1
-1
-1
-1
1
1
1
1
0
0
0
0
+
0
0
0
0
0
0
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
0
0
0
0
0
0
0
...
...
...
0
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
0
0
20
0
0
0
0
0
...
...
...
0
-1
-1
-1
-1
1
1
1
1
-1
-1
-1
-1
1
1
1
1
0
0
0
0
0
0
0
...
...
...
0
-1
-1
-1
-1
-1
-1
-1
-1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
...
...
...
0
31
Ejemplo:
Analizaremos el siguiente ejemplo que se refiere al uso de fertilizacin NPK
en la produccin de cebada en ton/ha como variable dependient (Y), los lmites son:
N de 0 a 300, P de 0 a 300 y K de 0 a 200, entonces se puede calcular los valores
reales para los niveles bajo y alto, en cada uno de los factores (p = 3).
Variables
N : Nitrgeno
P : Fs foro
K: Potas io
Nivel real (kg/ha)
Niveles
Inferior
Superior
0
300
0
300
0
200
Realizar el Diseo Central Compuesto (CCD).
- 318 -

SOLUCIN:
1. Nmero de tratamientos en el estudio es N = 2 p + 2 p + C entonces:
N = 23+2x3+6 = 20 tratamientos u observaciones.
2. Codificacin de valores del CCD para tres factores.
X0
X1
X2
X3
1 1 1 1 1 1 1
-1 1 -1 1 -1 1 -1
-1 -1 1 1 -1 -1 1
-1 -1 -1 -1 1 1 1
1
1
1
1
1
1
1
1 -1.682 1.682
0
0
0
0
1
0
0 -1.682 1.682
0
0
1
0
0
0
0 -1.682 1.682
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
3. Decodificacin: Una de las formas ms adecuadas para pasar de la escala

codificada (matriz de diseo Xj) a la escala natural o real Zj, es utilizando las frmulas siguientes:
Centro del Diseo:
Radio del diseo:
Z 0j =
Z j =
Z mx
+ Z mn
j
j
2
Z mx
Z mn
j
j
2
0
La ecuacin decodificada es: Z j = Z j +
FG X Z IJ
H K
j
Entonces, usando las frmulas anteriores para nuestro ejemplo tenemos:

Para el Factor Nitrgeno (N):
Centro del Diseo: Z 0j =
300 + 0
= 150
2
Radio del diseo: Z j =
300 0
= 150
2
FG ( 1) 150IJ = 60.8
H 1682
K
.
F ( +1) 150IJ = 239.2
La ecuacin decodificada, tomando para (+1) es: Z = 150 + GH 1682
K
.
La ecuacin decodificada, tomando para (-1) es:
Z1 = 150 +
Anlisis y Diseo de Experimentos - 319
-1
60.8
150
+1
239.2
300
Para el Factor Potasio (K):

Centro del Diseo: Z 0j =
200 + 0
= 100
2
Radio del diseo: Z j =
200 0
= 100
2
FG ( 1) 100IJ = 40.5
H 1682
K
.
F ( +1) 100IJ = 159.5
La ecuacin decodificada, tomando para (+1) es: Z = 100 + GH 1682
K
.
La ecuacin decodificada, tomando para (-1) es:
Z1 = 100 +
-1
40.5
100
+1
159.5
200
Podemos hallar el centro y el radio de las variables, como se muestra en la

tabla siguiente:
C en tr o
R a d io
N
150
150
P
150
150
K
100
100
Para obtener la matriz de diseo a escala natural, asumamos que el radio

codificado es igual 1.682. Dividiendo ste valor en la ecuacin de decodificacin se
tiene:
Z j = Z0j +
FG X Z IJ
.
H1682
K
j
En resumen se tiene:
N iv e l C o d ific a d o
(X i)
-1 .68 2
-1
0
1
1 .6 82
N
0
6 0.8
1 50
2 39 .2
3 00
N iv e l re a l (K g / h a )
P
0
6 0.8
1 50
2 39 .2
3 00
K
0
4 0.5
1 00
1 59 .5
2 00
- 320 -
El cuadro siguiente muestra la matriz de diseo en estudio, tanto a escala

codificado como a escala natural y la variable de respuesta (Y).
X0
X1
X2
X3
Z1 = N
Z2 = P
Z3 = K
1
-1
-1
-1
60.8
60.8
40.5
1
1
-1
-1
239.2
60.8
40.5
1
-1
1
-1
60.8
239.2
40.5
1
1
1
-1
239.2
239.2
40.5
1
-1
-1
1
60.8
60.8
159.5
1
1
-1
1
239.2
60.8
159.5
1
-1
1
1
60.8
239.2
159.5
1
1
1
1
239.2
239.2
159.5
1 -1.682
0
0
0
150
100
1
1.682
0
0
300
150
100
1
0
-1.682
0
150
0
100
1
0
1.682
0
150
300
100
1
0
0
-1.682
150
150
0
1
0
0
1.682
150
150
200
1
0
0
0
150
150
100
1
0
0
0
150
150
100
1
0
0
0
150
150
100
1
0
0
0
150
150
100
1
0
0
0
150
150
100
1
0
0
0
150
150
100
M atriz de dis eo para un dis eo compues to (p = 3).
Y
1.50
4.10
3.00
2.80
2.20
3.50
5.00
4.80
2.50
4.50
2.00
4.40
3.50
4.60
4.10
4.60
4.40
4.10
4.40
4.30
Estimacin del modelo matemtico para diseo rotables y compuestos.

Los diseos rotables y compuestos son diseos que tienen tres niveles en cada
variable, por lo cual podemos estimar modelos matemticos de segundo orden.
p
Y = 0 + j X ij + jj X + jk X ij X ik
j =1
j =1
2
ij
j =1 k =1
j <k
Los coeficientes del modelo matemtico de segundo orden pueden ser estimados por varios mtodos, entre los que podemos mencionar a la tcnica de regresin
mltiple por Mnimos Cuadrados, tanto en la forma de ecuaciones normales, forma
Anlisis y Diseo de Experimentos - 321 matricial y el mtodo de correlacin mltiple. En cuanto a otras tcnicas podemos
mencionar a la tcnica de bsqueda directa (por ejempo la tcnica de Nelder y Mead)
o tambin a la tcnica conocida como los polinomios de Chevyshev, entre otras ms.
Desde el punto de vista de la facilidad, para poder programar en computadoras, el
mtodo matricial es el ms recomendable y est definido por la siguiente frmula
matricial.
b g
$ = X' X
X' Y
donde:
X = Matriz de diseo.
X = Transpuesta de la matriz de diseo.
Y = Los datos observados (variable de respuesta o variable dependiente).
Veamos numricamente esta tcnica, resolviendo el problema planteado en la
seccin anterior. La matriz X y el vector Y, estn definidos como sigue:
X0 X1
X2
X3
X11
X22 X33 X1X2 X1X3 X2X3
1
-1
-1
-1
1
1
1
1
1
1
1
1
-1
-1
1
1
1
-1
-1
1
1
-1
1
-1
1
1
1
-1
1
-1
1
1
1
-1
1
1
1
1
-1
-1
1
-1
-1
1
1
1
1
1
-1
-1
1
1
-1
1
1
1
1
-1
1
-1
1
-1
1
1
1
1
1
-1
-1
1
1
1
1
1
1
1
1
1
1
1
1 -1.682 0
0
2.8291
0
0
0
0
0
X = 1 1.682
0
0
2.8291
0
0
0
0
0
1
0
-1.682 0
0
2.8291
0
0
0
0
1
0
1.682
0
0
2.8291
0
0
0
0
1
0
0
-1.682
0
0
2.8291 0
0
0
1
0
0
1.682
0
0
2.8291 0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
Y=
Y
1.50
4.10
3.00
2.80
2.20
3.50
5.00
4.80
2.50
4.50
2.00
4.40
3.50
4.60
4.10
4.60
4.40
4.10
4.40
4.30
- 322 -

La transpuesta de X, est definido de la siguiente forma:
X' =
1
-1
-1
-1
1
1
1
1
1
1
1
1
-1
-1
1
1
1
-1
-1
1
1
-1
1
-1
1
1
1
-1
1
-1
1
1
1
-1
1
1
1
1
-1
-1
1
-1
-1
1
1
1
1
1
-1
-1
1
1
-1
1
1
1
1
-1
1
-1
1
-1
1
1
1
1
1
-1
-1
1
1
1
1
1
1
1 1 1 1 1 1 1
1 -1.68 1.682 0
0
0 0 0 0 0 0 0
1
0
0
-1.68 1.68
0 0 0 0 0 0 0
1
0
0
0
0 -1.68 2 0 0 0 0 0
1 2.829 2.829 0
0
0 0 0 0 0 0 0
1
0
0
2.83 2.83
0 0 0 0 0 0 0
1
0
0
0
0
2.83 3 0 0 0 0 0
1
0
0
0
0
0 0 0 0 0 0 0
1
0
0
0
0
0 0 0 0 0 0 0
1
0
0
0
0
0 0 0 0 0 0 0
1
0
0
0
0
0
0
0
0
0
El producto de las matrices XX es la siguiente matriz:
X'X =
20
0
0
0
13.7
13.7
13.7
0
0
0
0 0 0 13.658248 13.6582 13.6582

14 0 0
0
0
0
0 14 0
0
0
0
0 0 14
0
0
0
0 0 0 24.007885
8
8
0 0 0
8
24.0079
8
0 0 0
8
8
24.0079
0 0 0
0
0
0
0 0 0
0
0
0
0 0 0
0
0
0
0
0
0
0
0
0
0
8
0
0
0
0
0
0
0
0
0
0
8
0
0
0
0
0
0
0
0
0
0
8
La inversa de la matriz (XX)-1, denominada tambin matriz de correlacin,

es la siguiente matriz:
(X'X)1 =
0.1663429
0
0
0 -0.056788 -0.05679 -0.05679
0
0
0
0 0.073216
0
0
0
0
0
0
0
0
0
0 0.0732158
0
0
0
0
0
0
0
0
0
0 0.073216
0
0
0
0
0
0
-0.0567876
0
0
0 0.0693645 0.006895 0.006895
0
0
0
-0.0567876
0
0
0 0.0068953 0.069365 0.006895
0
0
0
-0.0567876
0
0
0 0.0068953 0.006895 0.069365
0
0
0
0
0
0
0
0
0
0 0.125
0
0
0
0
0
0
0
0
0
0 0.125
0
0
0
0
0
0
0
0
0
0 0.125
El producto de la matriz XY, es el vector siguiente:
X'Y =
74.30000
6.86400
8.33680
5.95020
46.70387
45.00639
49.81590
-4.30000
-1.30000
3.90000
LM(0Y) = X Y = Y = 74.30OP
MM (1Y) = X Y = 6.8640 PP
= X Y = 8.3368
MM (2Y)
P
(3Y) = X Y = 5.9502 P
M (11Y) = X Y = 46.70387 PP
= M
MM (22Y) = X Y = 45.00639 PP
= X Y = 49.81590
MM (33Y)
P
(12Y) = X X Y = -4.300 P
MM (13Y) = X X Y = -1.3000 PP
MN (23Y) = X X Y = 3.9000 PQ
0
1
2
3
2
1
2
2
2
3
1
$ , estn definidas por el producto de (XX)-1XY.

Los coeficientes de B
1
= (X'X) X'Y =
0.1663429
0
0
0 -0.056788 -0.05679 -0.05679
0
0
0
0 0.073216
0
0
0
0
0
0
0
0
0
0 0.073216
0
0
0
0
0
0
0
0
0
0 0.073216
0
0
0
0
0
0
-0.0567876
0
0
0 0.0693645 0.0069 0.006895
0
0
0
-0.0567876
0
0
0 0.0068953 0.06936 0.006895
0
0
0
-0.0567876
0
0
0 0.0068953 0.0069 0.069365
0
0
0
0
0
0
0
0
0
0 0.125
0
0
0
0
0
0
0
0
0
0 0.125
0
0
0
0
0
0
0
0
0
0 0.125
4.3223441633
0.5025534754
0.6103857537
0.4356488475
-0.3259035827
-0.4319434735
-0.1314971163
-0.5375000000
-0.1625000000
0.4875000000
74.30000
6.86400
8.33680
5.95020
46.70387
45.00639
49.81590
-4.30000
-1.30000
3.90000
b0
b1
b2
b3
b11
b22
b33
b12
b13
b23
As, el modelo matemtico para el diseo compuesto central propuesto en

escala codificada es la siguiente:
Y$ = 4322
. + 050255
.
Xi1 + 061038
.
Xi 2 + 04356
.
Xi3
03259
.
Xi21 04319
.
Xi22 0131497
.
Xi23 05375
.
Xi1 Xi2 01625
.
Xi1Xi3 + 04875
.
Xi2 Xi3
- 324 -
En muchos casos es preferible expresar el modelo en escala natural, especialmente cuando se desea graficar el modelo, para esto se puede usar cualquier software
estadstico o de aplicacin, para ello se debe proceder a DECODIFICAR el modelo,
segn las frmulas siguientes:
Para el trmino independiente:
k
i =1
i =1
a 0 = b0 bi i + bii i2 +
iu
i u
i ,u = 1
Donde:
i = Es el cociente de dividir el centro del diseo ( Zi0 ) y el radio del diseo ( Zi )

a0 = Es el trmino independiente del modelo matemtico en escala natural.
Para los trminos lineales:
a i zi =
b ju
bi
b
2 ii i
ju
zi
zi
zi
j = u = 1.... k -1
ai : Es el coeficiente de los trminos lineales del modelo en escala natural. El tercer

trmino de la ecuacin anterior, por comodidad asignaremos la siguiente notacin
para tres variables: cuando i=1, los valores de ju son (1,2) y (1,3), cuando i = 2 j,u
son (1,2) y (2,3) y cuando i = 3, j,u son (1,3) y (2,3). Se puede extender para ms de
tres variables, haciendo en anlisis correspondiente.
Para los trminos cuadrticos:
aii X2i =
bii
Zi2
aii : Es el coeficiente del trmino cuadrtico del modelo en escala natural.

Para los trminos de interaccin:
a ij Zi Z j =
bij
Zi z j
i j , i = j = 1....k
aij : Son los coeficientes del trmino de interaccin del modelo en escala natural.
Anlisis y Diseo de Experimentos - 325 Aplicando las ecuaciones para el modelo, del ejemplo anterior, tenemos las
siguiente tabla de datos:
N
( - )
( + )
Z
Z1
0
300
Z2
0
300
Z3
0
200
150
150
100
150
150
100
Aplicando las frmulas descritas anteriormente:

a) TRMINO INDEPENDIENTE:
k =3
k =3
k =3
i =1
i =1
i ,u=1
a0 = b0 bi i + bii i2 + biui u
= b0 (b11 + b22 + b33 ) +(b1112 + b2222 + b3323 ) +(b1212 + b1313 + b2323 )
2
2
a0 =4322
. (050255
. x1+0.61038x1+0.4356x1)+(-0.3259x12 +(-0.4319x1))+(-0.131497x1)
((-0.5375x1x1+(-0.1625x1x1)+(0.4875x1x1))
a0 = 1.671673
b) TRMINOS LINEALES:
a1 =
b1
b
b
0.50255 2x(-0.3259)x1 (-0.5375)x1x1
2 11 1 12 12 =
= 0011279
.
150
150
150
z1
z1
z1
a2 =
b2
b
b
0.610.8 2x(-0.4319)x1 (-0.5375)x1x1
2 22 2 12 12 =
= 00134112
.
150
150
150
z2
z2
z2
a3 =
b3
b
b
0.4356 2x(-0.131497)x1 (0.4875)x1x1
2 33 3 23 23 =
= 000211
.
100
100
100
z3
z3
z3
c) TRMINOS CUADRTICOS:
a 11 =
b11
0 .3259 2
X 12 =
X 1 = 0 .00001448 Z 12
2
Z1
150 2
- 326 -
a 22 =
b22
0.4319 2
X 22 =
X 2 = 0.000019195 Z 22
2
Z2
150 2
a 33 =
b33
0.131497 2
X 32 =
X 3 = 0.000013149 Z 32
2
Z 3
1002
c) TRMINOS DE INTERACCIN:
a12 =
b12
05375
.
X1 X 2 =
X1 X 2 = 0.000023888Z1Z2
Z1Z2
150x150
a13 =
b13
01625
.
X1 X 3 =
X1 X 3 = 0.000010833Z1Z3
Z1Z3
150x100
a 23 =
b23
0.4875
X2 X3 =
X 2 X 3 = 0.0000325Z2 Z3
Z2 Z3
150x100
Por tanto, el modelo en escala natural es el siguiente:
+ 0011279
Y$ = 167167
.
.
Z1 + 00134
.
Z2 + 000211
.
Z3 0000014
.
Z12 0000019
.
Z22
.
Z32 00000239
.
Z1Z2 00000108
.
Z1Z3 + 00000325
.
Z2Z3
0000013149
El modelo precedente est expresado en escala natural y nos permitir realizar las predicciones en el futuro.
ANLISIS DE VARIANZA PARA DISEOS ROTABLES Y COMPUESTOS
a) Anlisis de significancia de los coeficientes.- Los coeficientes de los modelos son evaluados para analizar la significancia, usando el Test de Student, que esta
definido por la siguiente frmula:
tj =
b$j b j
Sb j
, la varianza asociada a cada coeficiente es:
Sb2j = C jjS2e
Anlisis y Diseo de Experimentos - 327 donde:
Sbj : Desviacin estndar asociado a los coeficientes.

Cjj : Son los elementos de la diagonal principal de la matriz inversa (X'X)-1
En seguida, mostramos la matriz inversa para realizar los clculos:
(X'X)1 =
0.1663429
0
0
0 -0.056788 -0.05679 -0.05679
0
0
0
0 0.073216
0
0
0
0
0
0
0
0
0
0 0.0732158
0
0
0
0
0
0
0
0
0
0 0.073216
0
0
0
0
0
0
-0.0567876
0
0
0 0.0693645 0.006895 0.006895
0
0
0
-0.0567876
0
0
0 0.0068953 0.069365 0.006895
0
0
0
-0.0567876
0
0
0 0.0068953 0.006895 0.069365
0
0
0
0
0
0
0
0
0
0 0.125
0
0
0
0
0
0
0
0
0
0 0.125
0
0
0
0
0
0
0
0
0
0 0.125
Para realizar los respectivos clculos, necesitamos de las siguientes frmulas:

N0
Y =
0
Se =
Y
i =1
0
N0
N0
SSE = (Yi 0 - Y 0 )2 ,
MSE =
i =1
SSE
f 2 = gle
gle = N 0 1 = f 2
MSE ,
Las respuestas en el centro del diseo o puntos centrales, para el ejemplo

anterior es el siguiente:
N
15
16
17
18
19
20
X1
0
0
0
0
0
0
X2
0
0
0
0
0
0
X3
0
0
0
0
0
0
Z1 = N
150
150
150
150
150
150
Z2 = P
150
150
150
150
150
150
Z3 = K
100
100
100
100
100
100
Y
4.10
4.60
4.40
4.10
4.40
4.30
- 328 -

N0 =6
Y =
0
Y10 + Y20 + Y30 + Y40 + Y50 + Y60 41

. + 46
. + 44
. + 41
. + 44
. + 43
.
=
= 432
.
6
6
(Y
- Y 0 )2 = (4.1-4.32)2 +(4.6-4.32)2 +L+(4.3-4.32)2 = 01883

.
i =1
SSE =
6
N0 =6
i =1
SSE = i =1 Yi
No
MSE =
Se =
02
( i Yi 0 ) 2
No
No
= 11199
.
25.9 2
= 01883
.
6
SSE
0.1883
=
= 0.03766 ,
f 2 = gle 6 1 = 5
MSE = 0.03766 = 019406

.
En resumen se tiene la siguiente tabla:

Variables
Se
Cjj
X1
X2
X3
X11
X22
X33
X1X2
X1X3
X2X3
0.19406
0.19406
0.19406
0.19406
0.19406
0.19406
0.19406
0.19406
0.19406
0.2705846
0.2705842
0.2705846
0.2633714
0.2633724
0.2633724
0.3535534
0.3535534
0.3535534
Sbj
t j =bj Sbj
bj
0.0525096
0.0525096
0.0525096
0.0511099
0.0511100
0.0511100
0.0686106
0.0686106
0.0686106
0.5025534754
0.6103857537
0.4356488475
-0.3259035827
-0.4319434735
-0.1314971163
-0.5375000000
-0.1625000000
0.4875000000
9.571
11.624
8.297
-6.377
-8.451
-2.573
-7.834
-2.368
7.105
Signif.
t5,alfa
** 0.05 = 2.571
** 0.01 = 4.032
**
**
**
*
**
n.s.
**
b) Evaluacin del Modelo.- El modelo es evaluado estadsticamente para ver

el grado del ajuste a los datos experimentales, y esto se realiza con las siguientes
frmulas:
N
SSR = Yi Y$
i =1
(Suma de cuadrados residual o error)
f 1 = glR = N p = N
(k + 2)(k +1)
(5)(4)
= 20
= 20 10 = 10
2
2
Anlisis y Diseo de Experimentos - 329 N0
SSE = (Yi 0 - Y 0 ) 2 (observaciones repetidas en el punto central del disei =1
o)
f 2 = gle = N 0 1 = 6 1 = 5
SSFA = SSR SSE (Suma de cuadratos de Falta de Ajuste)
f 3 = glFA = glR gle = f 1 f 2 = 10 5 = 5
F=
SS FA f 3
SS FA 5 ,
=
.
5
SSE f 2 01883
con
F < F( f3 , f2 ),
PROCEDIMIENTO:
i) Clculo de los valores estimados o predichos de la regresin:
X0
1
1
1
1
1
1
1
1
1
Y$ = X$ = 1
1
1
1
1
1
1
1
1
1
1
X1 X2 X3
X11
X22
X33
-1
-1
-1
1
1
1
1
-1
-1
1
1
1
-1
1
-1
1
1
1
1
1
-1
1
1
1
-1
-1
1
1
1
1
1
-1
1
1
1
1
-1
1
1
1
1
1
1
1
1
1
1
1
-1.682 0
0 2.829124
0
0
1.682 0
0 2.829124
0
0
0 -1.682 0
0
2.829124
0
0 1.682 0
0
2.829124
0
0
0 -1.682
0
0
2.829124
0
0 1.682
0
0
2.829124
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
ii) Clculo de los residuales:
X1X2
1
-1
-1
1
1
-1
-1
1
0
0
0
0
0
0
0
0
0
0
0
0
X1X3
1
-1
1
-1
-1
1
-1
1
0
0
0
0
0
0
0
0
0
0
0
0
X2X3
1
1
-1
-1
-1
-1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
1.67191191
4.07701886
4.3223441633
2.99268342
0.5025534754
3.24779037
0.6103857537
1.89320961
0.4356488475
3.64831656
-0.3259035827 = 5.16398112
-0.4319434735
4.76908807
-0.1314971163
2.55502757
-0.5375000000
4.24561746
-0.1625000000
2.07365368
0.4875000000
4.12699135
3.21756115
4.68308388
4.32234416
4.32234416
4.32234416
4.32234416
4.32234416
4.32234416
Y$ = X$
- 330 -
Yi
1 .5 0
4 .1 0
3 .0 0
2 .8 0
2 .2 0
3 .5 0
5 .0 0
4 .8 0
2 .5 0
4 .5 0
2 .0 0
4 .4 0
3 .5 0
4 .6 0
4 .1 0
4 .6 0
4 .4 0
4 .1 0
4 .4 0
4 .3 0
Y$
1 .6 7 1 9 1 1 9 1
4 .0 7 7 0 1 8 8 6
2 .9 9 2 6 8 3 4 2
3 .2 4 7 7 9 0 3 7
1 .8 9 3 2 0 9 6 1
3 .6 4 8 3 1 6 5 6
5 .1 6 3 9 8 1 1 2
4 .7 6 9 0 8 8 0 7
2 .5 5 5 0 2 7 5 7
4 .2 4 5 6 1 7 4 6
2 .0 7 3 6 5 3 6 8
4 .1 2 6 9 9 1 3 5
3 .2 1 7 5 6 1 1 5
4 .6 8 3 0 8 3 8 8
4 .3 2 2 3 4 4 1 6
4 .3 2 2 3 4 4 1 6
4 .3 2 2 3 4 4 1 6
4 .3 2 2 3 4 4 1 6
4 .3 2 2 3 4 4 1 6
4 .3 2 2 3 4 4 1 6 3
20
d i b
-0 .1 7 1 9 1 1 9
0 .0 2 2 9 8 1 1
0 .0 0 7 3 1 6 6
-0 .4 4 7 7 9 0 4
0 .3 0 6 7 9 0 4
-0 .1 4 8 3 1 6 6
-0 .1 6 3 9 8 1 1
0 .0 3 0 9 1 1 9
-0 .0 5 5 0 2 7 6
0 .2 5 4 3 8 2 5
-0 .0 7 3 6 5 3 7
0 .2 7 3 0 0 8 6
0 .2 8 2 4 3 8 8
-0 .0 8 3 0 8 3 9
-0 .2 2 2 3 4 4 2
0 .2 7 7 6 5 5 8
0 .0 7 7 6 5 5 8
-0 .2 2 2 3 4 4 2
0 .0 7 7 6 5 5 8
-0 .0 2 2 3 4 4 2
$0
0 0 0 -0 0Y)
0 .0(Y
20
Y = 7 4 .3 0
i=1
g b
( Y i - Y$ ) 2
Y i - Y$
0 .0 2 9 5 5 3 7 0 6
0 .0 0 0 5 2 8 1 3 3
0 .0 0 0 0 5 3 5 3 2
0 .2 0 0 5 1 6 2 1 8
0 .0 9 4 1 2 0 3 4 4
0 .0 2 1 9 9 7 8 0 2
0 .0 2 6 8 8 9 8 0 7
0 .0 0 0 9 5 5 5 4 8
0 .0 0 3 0 2 8 0 3 3
0 .0 6 4 7 1 0 4 7 6
0 .0 0 5 4 2 4 8 6 4
0 .0 7 4 5 3 3 7 2 1
0 .0 7 9 7 7 1 7 0 2
0 .0 0 6 9 0 2 9 3 1
0 .0 4 9 4 3 6 9 2 7
0 .0 7 7 0 9 2 7 6 4
0 .0 0 6 0 3 0 4 2 9
0 .0 4 9 4 3 6 9 2 7
0 .0 0 6 0 3 0 4 2 9
0 .0 0 0 4 9 9 2 6 2
2
0 .7 9 7 5 1 3 5 5
2
2
2
2
SSRresid . = Yi Y$ = 15
. 167
.
. 4.077 +L+ 4.3 4.322 = 07975135
.
+ 41
i =1
M S R r esid . =
0 .7 9 7 5 1 3 5 5
S S R r esid .
=
= 0 .0 7 9 7 5
10
f1
iii) Suma de cuadrados de la Falta de Ajuste:

SSFA = SSRresid. - SSE = 0.79751355 - 0.1883 = 0.60921355
MS FA =
SS FA 0.60921355
=
= 0.1218427
5
f3
Anlisis y Diseo de Experimentos - 331 iv) Suma de cuadrados del total:
( i=1 Yi ) 2
N
SSTot = Yi
2
i =1
=296.29
(74.30) 2
= 20.26550
20
RESUMEN EN EL ANLISIS DE VARIANZA (ANOVA)

F. de V.
Residual
Falta de Ajuste
Error Puro
Total
F5,5,0.05 = 5.05
G.L.
S.S.
10 0.7975135530
5 0.6092135500
5 0.1883000000
19 20.2655000000
F5,5,0.01 = 11
M.S.
Fobs. Signif.
0.079751355
0.121842710 3.23533
n.s.
0.037660000
1.066605263
c) Grfica del diseo.- Para graficar el modelo, se realiza haciendo uso del
modelo en escala natural, tal como se presenta a continuacin:
+ 0011279
Y$ = 167167
.
.
Z1 + 00134
.
Z2 + 00014
.
Z3 0000014
.
Z12 0000019
.
Z22
00000058
.
Z32 00000239
.
Z1Z2 000007
.
Z1Z3 + 0000022
.
Z2Z3
Se puede graficar el modelo en el espacio a manera de contornos curvas de
nivel.
d) Anlisis de Mximos y Mnimos.- Es necesario analizar el modelo de segundo orden estimado que presenta un mximo un mnimo, o no tiene un valor
extremos.
i. El modelo de segundo orden con una sola variable tiene un mximo o un mnimo,
para se esto se realiza la segunda derivada, cuyas condiciones son:
d2y
= ()
dx
La funcin tiene un mximo relativo y es cncavo hacia abajo
d2y
= (+)
dx
La funcin tiene un mnimo relativo y es cncavo hacia arriba
d2y
=0
dx
La funcin no tiene un extremo
- 332 -
Si hay ms de dos variables independientes la dificultad de analizar la existencia de un extremo relativo es considerable. Para ello hacemos uso de mtodos de
segundo orden por medio de la matriz hessiana, que est definido por:
2Y
2Y
X1X 2
X12
2Y
H = X X
2 1
M
2Y
X k X1
2Y
2Y
X1X k
2Y
X 2 X k
L
M
2Y
L
X 2k
L
X12
M
2Y
X k X 2
Para la existencia de un mximo la determinante Hij debe tener signos alternados. La siguiente tabla muestra las condiciones de segundo orden:
Signos
H ij
H11
H22
H33
...
Hkk
C entro
+
...
...
...
+
+
M ximo M nimo Sin extremo
Consideremos ahora el caso de un modelo matemtico obtenido de la aplicacin de un diseo de segundo orden de la forma:
Y = b0 + b1X1 + b 2 X 2 + b11X12 + b 22 X 22 + b12X1X 2

La ecuacin tendr un mximo, mnimo o no tendr un extremo, de acuerdo
al signo de sus coeficientes cuadrticos (bjj). La siguiente tabla muestra la combinacin de signos que puede abarcar estos coeficientes:
Anlisis y Diseo de Experimentos - 333 N

1
2
3
4
b 11
+
+
b 22
+
+
Tipo extremo
Tipo curva
Mximo
Elipse
Minimax Silla de montar hacia arriba
Minimax
Silla de montar hacia abajo
Mnimo
Elipse invertido
SOLUCIONES PTIMAS
a) Sin restricciones
En muchos estudios, donde se disea una sola funcin objetivo global (p.ej.
eficiencia econmica) se tendr solamente un solo modelo matemtico, donde los
valores ptimos de las variables estudiadas se encuentran por mtodos analticos de
optimizacin, basndose en la anulacin en el ptimo de las primeras derivadas.
Esto es posible porque los modelos matemticos de segundo orden son fciles de
derivar. Ello es:
Y
X1
Y
Y
= X = 0
2
X i
M
Y
X k
De esto resulta un sistema de ecuaciones que puede ser resuelto por cualquiera de los mtodos comnmente usados: el mtodo matricial, mtodo de Gauss o el
mtodo de Gauss Seidel. Resolviendo este sistema de ecuaciones se obtiene los valores ptimos de las variables Xi.
Si los valores ptimos estn en la escala codificada entonces podemos transformarlos a la escala natural decodificando los resultados. Reemplazando los valores
obtenidos en el modelo matemtico decodificado se obtiene la mxima (mnima)
respuesta
Para determinar los niveles de N,P y K que maximizan la produccin de
cebada se deriva el modelo en funcin de cada variable (X1, X2 y X3), de esta forma se
obtiene un sistema de ecuaciones con tres variables, la misma que se resuelve por
cualquier mtodo (igualacin, sustitucin, reduccin, etc.). El sistema de ecuaciones
- 334 -
para nuestro ejemplo es el siguiente:
Y
. X3 = 0
= 0.503 0.652 X1 0.538X 2 0163
X1
Y
= 0.610 0.538X1 0.864 X 2 + 0.488X 3 = 0
X 2
Y
= 0.436 0163
. X1 + 0.488X 2 0.264 X 3 = 0
X 3
Resolviendo el sistema de ecuaciones se tiene:
X1 = 1.652;
X2 = -0.787;
X3 = -0.925
Estos valores corresponden a los niveles codificados que maximizan la produccin de cebada. Transformando a Zi (valores reales), los valores codificados de
Xi se tiene:
Z1 = 89.1795(1.652) + 150 = 297
Z2 = 89.1795(-0.787) + 150 = 80
Z3 = 59.453(-0.925) + 100 = 45
Entonces tenemos para cada uno de los fertilizantes:
N = 297 kg/ha
P = 80 kg/ha
K = 45 kg/ha
El rendimiento mximo de cebada (ton/ha), se obtiene remplazando los valores X1 = 1.652; X2 = -0.787; X3 = -0.925, en la ecuacin polinomial. As se tiene:
Y = 4.3 ton/ha.
Para encontrar los niveles econmicamente ptimos se hacen las siguientes
relaciones:
Y
PN
=
,
X1 PY
Y
PP
=
,
X 2 PY
Y
PK
=
X 2 PY
Donde:
PN, PP y PK = Precio del insumo (Fertilizante: N, P y K).
PY = Precio del producto.
Anlisis y Diseo de Experimentos - 335 Nuevamente se obtiene un sistema de ecuaciones con tres incgnitas (X 1, X2 y
X3), que luego de resolverlo corresponde a los niveles econmicamente ptimos.
b) Con restricciones
En muchos procesos de investigacin en ingeniera, se evala con mucha
frecuencia varios criterios de optimizacin simultneamente. El problema consiste
en maximizar un solo criterio de optimizacin elegido por el investigador y los dems criterios se toman como restricciones del proceso.
Existe otro tipo de restricciones que estn referidos a las variables controlables que se investigan, por ejemplo, en una circunstancia dada que no puede
gastar ms de un valor fijado de un reactivo (por consideraciones econmicas). En
este caso el problema consistir en maximizar la recuperacin, sujeto, o con la restriccin de que la ley de concentrado no baje de cierto valor y adems que el consumo
de reactivo sea menor que una cantidad predefinida econmicamente.
La solucin para el problema planteada pertenece al campo de la
optimizacin matemtica, especficamente a las tcnicas de optimizacin numrica.
La aplicacin de estas tcnicas requiere, necesariamente el uso de un computador
capaz de efectuar en poco tiempo los numerosos clculos iterativos hasta alcanzar el
ptimo.
- 336 -
APLICACIN AUTOMATIZADA CON SAS.

EJEMPLO:
Un ingrediente para retardar la fermentacin de cierta cerveza se agrega en el proceso de elaboracin. Para saber hasta que punto influye en el sabor de la cerveza la
cantidad del ingrediente agregada a cada hornada y en que medida el cambio de
sabor podra deberse al tiempo y temperatura de fermentacin de la cerveza , se
disea un experimento en diseo central compuesto. El sabor de la cerveza fue calificado en una escala de 0, 1, 2, ...,5 y 6 (6 es el ms deseable) por un equipo de
catadores, quienes dieron las siguientes evaluaciones promedio:
Ajuste un modelo de segundo orden e indique bajo que condiciones se logra un calificativo alto.
X1
-1
-1
-1
-1
1
1
1
1
-1.682
1.682
0
0
0
0
0
0
0
0
0
0
X2
-1
-1
1
1
-1
-1
1
1
0
0
-1.682
1.682
0
0
0
0
0
0
0
0
X3
-1
1
-1
1
-1
1
-1
1
0
0
0
0
-1.682
1.682
0
0
0
0
0
0
X
2.61
2.61
2.61
2.61
4.39
4.39
4.39
4.39
2.00
5.00
3.50
3.50
3.50
3.50
3.50
3.50
3.50
3.50
3.50
3.50
Y
2.81
2.81
5.19
5.19
2.81
2.81
5.19
5.19
4.00
4.00
2.00
6.00
4.00
4.00
4.00
4.00
4.00
4.00
4.00
4.00
Z
14.05
25.95
14.05
25.95
14.05
25.95
14.05
25.95
20.00
20.00
20.00
20.00
10.00
30.00
20.00
20.00
20.00
20.00
20.00
20.00
F
3.3
3.5
3.9
3.0
4.0
3.5
5.0
3.8
5.0
4.0
3.4
3.2
3.3
4.1
5.7
5.0
5.9
4.4
5.0
4.3
DATA CERVZ;
INPUT X1 X2 X3 X Y Z F;
Z11=Z1*Z1; Z22=Z2*Z2; Z33=Z3*Z3;
Z12=Z1*Z2; Z13=Z1*Z3; Z23=Z2*Z3;
CARDS;
-1 -1 -1 2.61 2.81 14.05 3.30
-1 -1 1 2.61 2.81 25.95 3.50
-1 1 -1 2.61 5.19 14.05 3.90
-1 1 1 2.61 5.19 25.95 3.00
1 -1 -1 4.39 2.81 14.05 4.00
1 -1 1 4.39 2.81 25.95 3.50
1
1 -1 4.39 5.19 14.05 5.00
1
1 1 4.39 5.19 25.95 3.75
-1.682 0 0 2 4 20 5.00
1.682 0 0 5 4 20 4.00
0 -1.682 0 3.5 2 20 3.40
0 1.682 0 3.5 6 20 3.15
0 0 -1.682 3.5 4 10 3.25
0 0 1.682 3.5 4 30 4.10
0 0 0 3.5 4 20 5.65
0 0 0 3.5 4 20 5.00
0 0 0 3.5 4 20 5.90
0 0 0 3.5 4 20 4.40
0 0 0 3.5 4 20 5.00
0 0 0 3.5 4 20 4.25
;
PROC REG;
MODEL Y=X Y Z Z11 Z22 Z33 Z12 Z13 Z23;
RUN;
/*PARA FALTA DE AJUSTE */
PROC MEANS SUM N VAR; VAR F; RUN;
/*PARA FALTA DE AJUSTE */
DATA FALTA;
SET CERVZ;
IF X1=0 AND X2=0 AND X3=0; RUN;
PROC MEANS SUM N VAR; VAR F;
RUN;
- 338 -
Model: MODEL1
Sum of
Mean
Source DF Squares Square
F Value
Model
9 9.15470
1.01719 2.186
Error 10 4.65267
0.46527
C Total 19 13.80737
Root MSE
0.68210
Dep Mean
4.15250
C.V.
16.42637
R-square
Adj R-sq
Prob>F
0.1195
0.6630
0.3598
Parameter Estimates
Parameter
Standard T for H0:
Variable DF Estimate
Error Parameter=0 Prob >|T|
INTERCEP 1 -12.998191 6.79026535 -1.914
0.0846
Z1
1 1.680187 2.05090217 0.819
0.4317
Z2
1 3.750211 1.46830150 2.554
0.0287
Z3
1 0.747774 0.29366030 2.546
0.0290
Z11
1 -0.236627 0.22606237 -1.047
0.3199
Z22
1 -0.439351 0.12702501 -3.459
0.0061
Z33
1 -0.013574 0.00508100 -2.672
0.0234
Z12
1 0.135728 0.22770322 0.596
0.5644
Z13
1 -0.024785 0.04554064 -0.544
0.5982
Z23
1 -0.032660 0.03405981 -0.959
0.3602
Analysis Variable : Y
Sum N
Variance
83.0500000 20 0.7267039
Analysis Variable : Y
Sum N
Variance
30.2000000 6 0.4296667
Trabajando con MathCad

Determinacin de las derivadas parciales
2
F := 12.998191
+ 1.680187
X + 3.750211
Y + 0.747774
Z 0.236627
X 0.439351
Y 0.013574
Z + 0.135728
XY 0.024785
XZ 0.0
d
X + 3.750211
Y + 0.747774
Z 0.236627
X2 0.439351
Y2 0.013574
Z2 + 0.135728
X Y 0.024785
XZ 0.0
12.998191
+ 1.680187
dX
F
X
-2
1.680187 .473254 X + .135728Y
Z
2.478510
-2
3.750211 .878702Y
+ .135728 X 3.266 10 Z Y
-2
-2
-2
.747774 2.714810
Z 2.478510
X 3.266 10 Y Z
Solucin del sistema de ecuaciones simultneas
-2)
.473254
.135728 (2.478510
M := .135728
(3.266 10-2)
.878702
-2) (
-2
-2)
3.266 10 ) (2.714810
(2.478510
1.680187
v := 3.750211
.747774
soln := lsolve ( M , v )
3.731503
soln = 4.13188
19.166845
Hallando las segundas derivadas parciales
d
-2
1.680187 .473254 X + .135728Y
2.478510
Z
dX
.473254
2F
X2
- 340 -
2F
) (2.478510
-2)
X Z
d
-2
1.680187 .473254 X + .135728Y
2.478510
Z
dY
d
-2
1.680187 .473254 X + .135728Y
2.478510
Z
dZ
.135728
.135728
.878702
d
-2
3.750211 .878702Y
+ .135728 X 3.266 10 Z
dX
d
-2
3.750211 .878702Y
+ .135728 X 3.266 10 Z
dY
d
-2
3.750211 .878702Y
+ .135728 X 3.266 10 Z
dZ
2F
Y X
2F
Y
-2
(3.266 10 )
2 F
YZ
) (
) (
) (
d
-2
-2
-2
-2
.747774 2.714810
Z 2.478510
X 3.266 10 Y 2.478510
dX
d
-2
-2
-2
.747774 2.714810
Z 2.478510
X 3.266 10 Y 3.266 10-2

dY
2F
ZX
2F
Y Z
d
-2
-2
-2
2F
-2
.747774 2.714810
Z 2.478510
X 3.266 10 Y 2.714810
dZ
Z 2
H1= -.473264 H2= -.878702 H3= -2.7148*10^2
.473254 .135728
.135728 .878702
H11 :=
-2)
.473254 (2.478510
-2)
-2)
(2.478510
(2.714810
H22 :=
.878702 (3.266 10-2)

-2)
(3.266 10-2) (2.714810
H33 :=
H33 = 0.022788
H11 = 0.397427
Anlisis y Diseo de Experimentos - 341 H22 = 0.012234

-2)
.473254
.135728
(2.478510
-2
H123 := .135728
(3.266 10 )
.878702
-2)
-2
-2)
(3.266 10 ) (2.714810
(2.478510
H123 = 9.525023 10
X := 3.731503
Y := 4.13188
Z := 19.166845
2
F := 12.998191+ 1.680187X + 3.750211Y + 0.747774Z 0.236627X 0.439351Y 0.013574Z + 0.135728X Y 0.02
F = 5.050565
Clculo de la tabla de anlisis de variancia

Sumas de cuadrados
SC Total = Yij2
SCE = Y02i
( Yij )2
n
(Y0i )2
p
= 358 . 6725
= 154 .155
83 .05 2
= 13 . 807375
20
30 .2 2
= 2.14833
6
SCTrat = SC Total SC Err = 13.807375 2.14833 = 11.659075

SCModelo (Se obtiene de los resultados que da SAS)
SCFaltadeajuste= SCTrat SCModelo=11.659075 9.15470= 2.504375

FV
Modelo
Falta de ajuste
Tratamientos
Error
Total
Anlis de variancia
GL
SC
CM
Fc
9
9.1574
1.017
2.365
5
2.504375
0.501 1.165 n.s.
14 11.659075
0.833
5
2.14833 0.43=s 2
19
13.80737
- 342 -
SOFTWARE ESTADSTICO STATISTICA v7.0

Para comprobar los resultados encontrados anteriormente, se proceder a usar
software estadstico de STATISTICA que nos permitir resolver los clculos estadsticos rpidamente referido al Diseo Central Compuesto (DCC), y esto nos ayudar
a tomar las decisiones correctas en el modelo matemtico de primer orden y segundo
orden, asimismo los mencionados software permite graficar la superfice de respuesta
y las curvas de nivel llamados tambin grfico de contornos, para una mejor interpretacin y visualizacin de los mismos.
En seguida vamos ha describir el procedimiento a seguir para efectuar los
clculos con el software estadstico Statistica v7.0
Usando Software Estadstico STATISTICA v7.0
Una vez instalado el software estadstico Statistica v6.0, se incorpora
al grupo de programas llamado STATISTICA, encontrado este grupo de programas
haga clic en Statistica; y una vez ejecutado el programa aparece la siguiente pantalla:
En esta pantalla, escoja usted la opcin: EXPERIMENTAL DESIGN

y acontinuacin SWITCH To, para ejecutar el programa y en seguida nos presenta la
siguiente pantalla:
En la pantalla precedente, usted debe elegir la opcin: Central

Composite, -non-factorial - surface design y haga clic en esta opcin y obtendr
una hoja electrnica de Statistica preparado para el ingreso de datos; la pantalla se
muestra a continuacin:
- 344 -
En la pantalla anterior, usted puede crear las variables independientes

y dependientes, segn sea el caso, y luego ingresar la informacin pertinente a la
hoja de trabajo. Para el ingreso de datos usted tiene todas las opciones del men
principal, tales como: File (Archivo), Edit, (Editar), View (Mirar), Analysis (Anlisis estadstico), Graphs (Grficos), Options (Opciones), Window (ventanas) y Help
(Ayudas), en cada uno de stas opciones usted puede escoger las sub-opciones, para
realizar diferentes comandos y haga clic en la opcin elegida para que pueda ejecutar
o analizar el sistema.
En nuestro ejemplo, haremos uso de la opcin ANALYSIS (Anlisis
Estadstico) del men principal, para luego escoger la sub-opcin : Central Composite
Design y pinchar en sta opcin, tal como podemos observar la pantalla en seguida:
En sta pantalla podemos observar dos opciones: 1) Generate design y

2) Analyze results, en nuestro caso escogemos la opcin 2) Analyze results, ya que
nuestro informacin ya esta ingresada en la hoja de trabajo, y aceptamos que la
opcin es: Automatically determined factor levels from file, y seguidamente hacemos clic en OK, y se debe seleccionar las variables independientes y la dependiente,
tal como se muestra a continuacin:
Una vez escogidos las variables, haga clic en la opcin OK, y aparecer la siguiente pantalla:
- 346 -
En la pantalla precedente tenemos varias opciones para escoger, en nuestro

ejemplo necesitamos escoger la opcin: Include in model: escoger la opcin: Lin./
quad. main eff.+2-way; en la opcin: ANOVA error term: escoger la opcin Pure
error, y en seguida haga clic en ANOVA Table (Tabla de Anlisis de Varianza), y
nos muestra los resultados del Anlisis de Varianza (ANOVA), obtenida los resultados realizar el contrastre de la Prueba F de Snedecor para aceptar o rechazar la
hiptesis en cada uno de las fuentes de variabilidad, tal como se presenta a continuacin los resultados procesados.
En la tabla de ANOVA, podemos apreciar para la fuente de variacin

de Falta de Ajuste en el contraste de F, se observa que no es significativo, es decir
0.111978 es mayor a 0.05, por consiguiente buen modelo, por otra parte la interaccin
N con K resulta no ser significativo, esto es 0.064095 es mayor a 0.05, en el resto de
las fuentes de variacin todos son significativos. En seguida presentamos la prueba
t-Student, p, y los coeficientes de los parmetros estimados con Statistica, tal
como se presenta a continuacin:
Y$ = 4.322 + 0.50255 X i1 + 0.61038 X i 2 + 0.4356 X i 3

0.3259 X i21 0.4319 X i22 0131497
.
X i23 0.5375 X i 1 X i 2 01625
.
X i1 X i 3 + 0.4875
Finalmente para visualizar mejor, presentamos las grficas de superfice

de respuesta y los contornos, para cada uno de ellos. La siguiente grfica corresponde a N (eje X) Vs. P (eje Y) Vs. la variable dependiente, tal como se presenta en
seguida.
- 348 -
Nitrgeno (N) Vs. Potasio (K)
Fsforo (P) Versus Nitrgeno (N)
Fsforo (P) Versus Potasio (K)
Potasio (K) Versus Nitrgeno (N)
- 350 -
Potasio (K) Versus Fsforo (P)
Anlisis y Diseo de Experimentos - 351 EJERCICIOS:

1. Con el objeto de estudiar los efectos sinrgicos de los factores de: grasa,
edulcorantes, harina de izao (Tropaeolum tuberosum R. et. P.) y aire; sobre los
atributos sensoriales de: suavidad, dulzor, cremosidad y aroma en helados de cono y
palitos, a travs de modelos matemticos, para tal efecto se us el diseo central
compuesto (DCC) para evaluar la influencia de los factores sobre los atributos. Los
niveles estudiados en el presenta trabajo fueron: grasa: 7, 9, 11, 13 y 15%, edulcorantes
12, 13, 14, 15 y 16%, harina de izao 4, 6, 8, 10 y 12% y aire 40, 60, 80, 100 y 120%,
respectivamente. Los niveles codificados y sus respectivos valores reales de los cuatro factores en estudio, se presentan en la siguiente tabla (Tesis presentada por: Carlos Alberto Suca Apaza de la Fac. Cs. Agrarias - UNA - Puno).
Factores
Nivel
Codificado (Xi) Grasa (%) Edulcorantes (%) Harina izao (%) Aire (%)
7
12
4
40
-1
9
13
6
60
0
11
14
8
80
+1
13
15
10
100
+
15
16
12
120
La harina de izao para el presente trabajo se obtuvo por un proceso de
extrusin, deshidratndose durante 8 a 10 das rodajas de tubrculos de izao fresco
en condiciones ambientales bajo la sombra, una vez secado las rodajas, se sometieron
a coccin por extrusin, molienda y tamizado, en forma simultnea se hicieron una
evaluacin y seleccin de los miembros de un panel de degustadores que nos permiti evaluar los 31 tratamientos de los dos tipos de helados.
Los resultados encontrados en el presente estudio reflejan que los aumentos progresivos de grasa incrementaron la suavidad del helado de izao, esto
implica que la grasa y los edulcorantes actuaron sinrgicamente sobre la suavidad,
incrementando el perfil, cuando las proporciones fueron mayores; asimismo la grasa
y los edulcorantes influyeron sobre la aroma del helado; altas proporciones de harina
de izao por encima de 8% provocaron desmoronamiento y cristalizacin de los
helados, en cambio los edulcorantes influyeron en forma significativa sobre el dulzor
del helado. Combinacin de Grasa, Edulcorantes, Harina de izao Aire, segn el
Diseo Central compuesto Rotable (DCCR), para el ensayo del efecto sinrgico del
contenido de grasa, edulcorantes, aire y harina de izao (Tropaeolum tuberosum R.
et. P.) en la elaboracin de helados de cono y palitos.
- 352 -
N de Factores codificados
trat. X1 X2 X3 X4
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
31
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-2
2
0
0
0
0
0
0
0
0
0
0
0
0
0
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
0
0
-2
2
0
0
0
0
0
0
0
0
0
0
0
-1
-1
-1
-1
1
1
1
1
-1
-1
-1
-1
1
1
1
1
0
0
0
0
-2
2
0
0
0
0
0
0
0
0
0
-1
-1
-1
-1
-1
-1
-1
-1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
-2
2
0
0
0
0
0
0
0
Niveles reales de los factores (%)

Grasa edulcor. Izao
aire
9
13
9
13
9
13
9
13
9
13
9
13
9
13
9
13
7
15
11
11
11
11
11
11
11
11
11
11
11
11
11
13
13
15
15
13
13
15
15
13
13
15
15
13
13
15
15
14
14
12
16
14
14
14
14
14
14
14
14
14
14
14
6
6
6
6
10
10
10
10
6
6
6
6
10
10
10
10
8
8
8
8
4
12
8
8
8
8
8
8
8
8
8
60
60
60
60
60
60
60
60
100
100
100
100
100
100
100
100
80
80
80
80
80
80
40
120
80
80
80
80
80
80
80
Variables de respuesta
suavidad dulzor cremo aroma
3.200
3.525
3.200
3.850
3.200
3.700
1.900
2.925
3.825
2.375
4.125
3.875
2.825
2.450
2.750
3.625
1.775
3.750
2.300
3.425
3.050
3.900
3.900
3.275
2.425
2.375
2.500
2.250
2.000
2.125
2.000
2.100
2.400
3.025
2.925
2.375
2.525
3.875
3.300
2.075
3.050
3.500
3.325
2.125
1.800
2.250
3.375
2.550
3.325
2.175
4.250
3.675
3.300
2.400
3.675
2.375
2.300
2.000
2.125
2.375
2.500
2.250
2.350
4.000
2.025
4.025
2.700
3.725
1.950
3.575
1.950
3.750
3.125
4.275
3.125
3.125
2.000
3.750
2.250
4.125
3.250
4.250
2.125
3.875
4.000
4.125
2.750
3.375
3.625
3.375
3.500
3.125
3.625
2.250
2.375
2.750
2.125
3.500
3.625
2.375
2.750
1.625
1.675
2.500
3.375
2.200
1.625
1.825
3.375
2.125
3.000
2.500
3.375
1.625
4.000
3.000
3.625
1.950
2.200
2.375
1.875
2.075
1.750
1.775
Anlisis y Diseo de Experimentos - 353 2. Se ensay la elaboracin y comercializacin del queso andino, cuya finalidad es la
determinacin de los parmetros ptimos de temperatura y tiempo, tanto en la
pasteurizacin y coagulacin. La leche utilizada proviene de los sectores del distrito
de Chamaca de la Provincia de Chumbivilcas, el anlisis fsicoqumico se realiz en
la Empresa de la comunidad de Aahuichi (ECA), y el anlisis microbiolgico en el
Laboratorio de la Facultad de Qumica de la UNSAAC. Las variables en estudio de
los niveles de temperatura de pasteurizacin son de (62C y 68C), tiempo de
pasteurizacin (20 min y 30 min), niveles de temperatura de la coagulacin (33C y
37), y tiempo de coagulacin (30 min y 40 min). Realizar el Diseo Central Compuesto con SAS, Statistica y Statgraphics con la informacin de la siguiente tabla:
Variables Independientes
T de pas teurizacin
Tiempo de pas teurizacin
T de coagulacin
Tiempo de coagulacin
NIVELES
Inferior
Superior
62
68
20
30
33
37
30
40
Y = 1.12 1.11 1.13 1.18 1.08 1.03 1.08 1.05 1.19 1.20 1.20 1.17 1.08 1.01
Y = 1.00 1.05 1.11 1.11 1.12 1.13 1.22 1.00 1.10 1.12 1.20 1.18 1.20 1.19
3. Con el objetivo de formular, elaborar y evaluar un producto extruido tipo snack a

base de carne de alpaca y maz, se analiza la influencia del porcentaje de intervencin de la carne de alpaca en la mezcla, la humedad de acondicionamiento de los
gritz, antes de entrar al proceso de extrudo y tambin la temperatura del extrusor. La
finalidad es obtener un mayor ndice de expansin en el producto extrudo. Los niveles en estudio del porcentaje de carne de alpaca son de (5% y 10%), humedad de
acondicionamiento de los gritz de maz (15% y 16%), y temperatura de extrusor son
del (150C y 160C). La variable de respuesta que se considera es el ndice de medida de incremento en volumen del extrudo respecto a la materia prima (gritz de maz
y carne) que est dado en volumen del extrudo por volumen de la materia prima. Las
pruebas de anlisis fisicoqumico, microbiolgico y sensorial fue realizado en el
Laboratorio de Pastos y Forrajes de la Universidad Nacional del Altiplano-Puno. La
materia prima utilizada es el maz de variedad amarillo duro. La carne utilizada es
de alpacas provenicntes de los sectores altoandinos de la Provincia de Canchis para
lo cual fueron utilizados las partes anatmicas con mayor masa muscular como son
los perniles y el lomo trasero. Realizar el Diseo Central Compuesto, usando SAS,
Statistica y Statgraphics, con la siguiente informacin:
- 354 -
Variables Indpendiente
% de Harina de Carne
% de Humedad
T del Extrusor
Variable dependiente (cm3/cm3)
N de
trat.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
NIVELES
Inferior
Superior
5
10
15
18
150
160
Indice de expansin
Factores codificados
X1
X2
X3
-1
1
-1
1
-1
1
-1
1
-1.682
1.682
0
0
0
0
0
0
0
0
0
0
-1
-1
1
1
-1
-1
1
1
0
0
-1.682
1.682
0
0
0
0
0
0
0
0
-1
-1
-1
-1
1
1
1
1
0
0
0
0
-1.682
1.682
0
0
0
0
0
0
Variable
Dependiente
87.100
83.800
87.300
84.700
88.700
85.800
88.800
85.900
89.600
83.200
86.000
85.900
85.300
86.000
84.900
84.900
84.500
84.500
85.800
85.500
9
DISEO Y ANLISIS DE
PARCELAS DIVIDIDAS
9.1. DISEO DE PARCELA DIVIDIDA (Split Plot Design).
Caracteristicas de los diseos de parcelas divididas.
En la discusin previa de experimentos factoriales, el diseo de tratamientos
(combinacin de los niveles de los factores son distribuidos a las unidades
experimentales de acuerdo al proceso de aleatorizacin que correspondiera al diseo
utilizado, esto es, completamente al azar, bloques completos al azar o cuadrado latino.
Sin embargo, hay otros procedimientos en aleatorizacin que tambin son posibles.
Uno de estos procedimientos de aleatorizacin alternativa en el que se utiliza en
un Diseo de Parcelas Divididas.
El diseo de parcelas divididas es frecuentemente usado para experimentos
factoriales. La aleatorizacin es un proceso de dos etapas, para esto se debe considerar
dos tipos de parcelas: Principales (asociadas a un factor) y sub-parcelas (asociados al
otro factor). De esta forma, primero se aleatorizan los niveles del factor asociado a
las parcelas principales y posteriormente se aleatoriza los niveles del otro factor a las
- 356 -
sub-parcelas dentro de cada parcela principal.

El hecho de que este diseo considera dos distintos tipos de unidades
experimentales implica que este involucra dos errores experimentales, lo que hemos
estudiado en los diseos anteriormente y es debido a este hecho que la variacin
esperada entre sub-parcelas y entre parcelas principales sea distinta a la variacin
entre sub-parcelas, por tanto el factor de mayor importancia o sobre el que se quiere
tener una mayor precisin es asignando a las sub-parcelas.
Ventajas.
a. Un aumento en la precisin con respecto al Diseo Bloque Completo al Azar es
obtenida para los niveles del factor asignado a las sub-parcelas como tambin para
la interaccin entre los factores.
b. Posibilita que experimentos en que los factores consisten de ciertas prcticas
culturales, stos quedan agrupadas por tipos, permitiendo as un mayor control del
experimento.
c. Diseo que permite tener cada factor en parcelas de diferente tamao, parcelas
grandes para un factor y parcelas pequeas para otros.
d. La informacin total del experimento es la misma que se obtendr de un arreglo
factorial comn y corriente. La distribucin de la informacin no es equitativa
para todo los factores; sera mayor para B y AB y menor para el factor de la
parcela grande A.
e. Los tratamientos en la sub-parcela se pueden aadir despus de haber iniciado el
experimento con los tratamientos en la parcela grande, siempre que haya suficiente
material experimental disponible en cada parcela grande que permita poner las
parcelas pequeas.
Desventajas.
a. Las unidades del factor asignado a las parcelas principales son medidos con gran
precisn.
b. El anlisis es muy complicado cuando hay parcelas perdidas.
c. Las pruebas para tratamientos de la parcela grande pueden no ser tan parecidas
como cuando se usa un diseo bloque completo al azar. Generalmente los grados
de libertad de las parcelas grandes son escasos.
Anlisis y Diseo de Experimentos - 357 Ejemplos:

PARCELAS
- Variedades
- Clase de herbicida
- Tipo de dieta
- Especie forestal
- Ciudad
- Sistema Roce
- Acidez del medio
- Profundidad de arado
SUB-PARCELA
Densidad de siembra
Dosis de herbicida
Forma de aplicacin
Tratam. de madera
Nivel econmico
Cultivo despus de roce
T del proceso
N de araduras
SUB-SUB-PARCELA
Niveles de Nitrgeno
Epoca de aplicacin
Dosis de vitaminas.
Concen. de producto.
Sistema publicitario.
Aplicacin de fertilizacin.
Tiempo de exposicin
Con y sin fertilizacin.
Aleatorizacin.
El procedimiento de aleatorizacin para las parcelas principales est determinado
por el diseo particular elegido. Sino existe ninguna restriccin en el sorteo los niveles
del factor principal, sern distribuidos en una forma aleatoria a las unidades
experimentales. Sin embargo, si algn agrupamiento de unidades experimentales es
utilizado (bloques) los niveles del factor principal sern aleatoriamente asignado a
los bloques. Si este agrupamiento se realiza en dos sentidos (cuadrados latinos) se
tendr que recurrir a las tcnicas de aleatorizacin del diseo cuadrado latino. Por
otra parte, cualquiera sea el tipo de diseo elegido para la aleatorizacin de los niveles
del factor principal, siempre se proceder al sorteo de la segunda etapa el cual
corresponde con asignar aleatoriamente dentro de cada parcela principal, los niveles
del segundo factor asignado a las sub-parcelas. La aleatorizacin puede ser efectuada
de varias formas para controlar la variacin entre sub-parcelas dentro de una parcela
principal.
Arreglo de campo:
El arreglo de campo consiste en asignar a las unidades experimentales los niveles del
factor que se considere de menor importancia, todo esto dentro de los principios de
un diseo bsico, que corresponda a las caractersticas de las unidades, y
posteriormente aleatorizar dentro de las parcelas mayores los niveles del factor que
deseamos sea estudiado con mayor precisin.
Ejemplo: Si las dosis de nitrgeno fueran de 0, 50, 100, 150 kg de Nitrgeno/ha
y las variedades de Cebada A, B, C y D. En la siguiente figura tomamos la dosis de
150 como parcela grande:
- 358 -
Parcela chica
6 47 48
Dosis N kg/ha
150
D
Va rieda d
Unidad o parcela
experimental
150
Bloque
I
100
50
10
11
12
13
14
15
16
Cuando las parcelas son grandes, entonces se necesita maquinarias para realizar
las labores de siembra, cosecha entre otras, entonces el diseo adecuado es el diseo
de parcela dividida.
9.1.1. Diseo de parcela dividida bajo el diseo completo al azar.
El modelo lineal aditivo para la parcela dividida, bajo el diseo completo al azar
Yijk = + i + Ea + j + ()ij + Eb
i = 12
, ,L, a ( Nivelesde factor A)
j = 12
, ,L,b ( Nivelesde factor B)
k = 12
, ,L, r (Re peticiones).
Donde:
Yijk = Variable respuesta en la repeticin o unidad experimental k, en la parcela
"i", subparcela "j".
= Constante comn o media poblacional.
i = Efecto del i-simo nivel del factor A.
E a = Error de parcelas (error para parcela mayor).
( ) ij = Efecto de la interaccin del i-simo nivel del factor A con el j-simo

nivel factor B.
E b = Error de subparcelas (error para parcela menor).

TABLA ANOVA: Frmulas,
bajo el diseo completo al azar.
F. de Variacin G.L.
S.C.
SC ( A )
CM ( A)
a 1
CM Error (a )
Yi .2k Y...2
abr SCA
i =1 k =1 b
SC Error ( a )
a-1
i =1
Error(a)
a(r-1)
b-1
Fc.
Yi ..2
Y2
...
br
abr
C.M.
Y. 2j .
j =1
ar
Yij2.
a (r 1)
Y...2
abr
Y...2
SC( A) SC( B)
abr
= Ea
SC (B)
CM( B)
b 1
CM Error (b)
SC ( AB )
CM ( AB)
( a 1)(b 1)
CM Error (b)
AB
(a-1)(b-1)
Error(b)
a(b-1)(r-1) SCTotal (SCA + SCError(a) + SCB + SCAxB ) b r a = Eb

( 1)( 1)
i =1 j =1
SCError(b)
Total
TC =
(abr - 1)
Y...2
,
abr
CV(a) =
Yijk2
i =1 j =1 k =1
CMError (a)
Y...
Y...2
abr
x100, CV(b) =
CMError (b)
Y...
x100
PRUEBAS DE HIPOTESIS (MODELO I)

a) Ho. = 0 vs Ha: 0, si F > F serechazala H :
i
i
c
t
o
b) Ho. j = 0 vs Ha: j 0, si
Fc > Ft se rechaza la H o :
- 360 -
c) Ho. ()ij = 0 vs Ha: ()ij 0, si Fc > Ft serechazala Ho :

EJEMPLO.
El siguiente ejemplo permitir la prctica en la mecnica de clculo, asi como la
prueba de hiptesis respectiva. Los datos siguientes se refieren al aumento de peso
diario en kilogramos, logrados por novillos criollos, en corral, bajo una misma
alimentacin, pero en diferentes dosis de desparasitador e implantados con Sinovex
y Revalor. En este ejemplo se utilizarn las siguientes notaciones: Dosis de
desparasitador (D), Implante (I), Error de parcela mayor (EPM), y error de parcela
menor (Epm). La informacin se presenta a continuacin.
D
(ml/100 kg) Implante
10
Sinovex
Revalor
Yi.k
12
Sinovex
Revalor
Yi.k
14
Sinovex
Revalor
Yi.k
I
1.525
1.721
3.246
1.724
1.925
3.649
1.935
1.616
3.551
II
1.532
1.729
3.261
1.728
1.923
3.651
1.928
1.625
3.553
III
1.549
1.732
3.281
1.732
1.940
3.672
1.926
1.631
3.557
IV
1.562
1.744
3.306
1.740
1.952
3.692
1.941
1.623
3.564
Yij.
6.168
6.926
6.924
7.740
7.730
6.495
Cuadro de concentracin para sumas de cuadrados de efectos simples:
Dosis
desparasitador
10
12
14
Y.j.
Sinovex
6.168
6.924
7.730
20.822
Revalor
6.926
7.740
6.495
21.161
Yi..
13.094
14.664
14.225
Y... = 41.983
En funcin del modelo descrito anteriormente, las sumas de cuadrados del anlisis
de varianza son las siguientes:
Yi ..2 Y...2 13094

. 2 +L+14.2552 (41983
. )2
.
= 01640
2 x4
24
abr
i =1 br
a
SCD =
Anlisis y Diseo de Experimentos - 361 b
Y. 2j .
j =1
ar
SC I =
Y...2
20.822 + 21161
.
41.9832
=
= 0.0047
abr
3x 4
24
a r 2
Y Y2
32
. 462+L+35
. 642 419
. 832
. 640=736
. 06734
. 4001
. 640=00
. 017
SCEPM =ik. ... SCD =
01
2
24
i=1 k=1 b abr
a b Y2
6168
. +L+6495
.
ij.
SCDxI = TC SC(D) SC(I ) =
TC(01640
+00047
.
. ) = 03410
.
4
i=1 j=1 r
a
SCtotal = Yijk2
i=1 j =1 k =1
Y...2
41983
. 2
= 1525
= 73952
. 2 + L+1623
. 2
. 73440
. = 05118
.
abr
24
.
+ 0.0017 + 0.0047 + 0
SC Epm = SCTotal ( SC D + SC EPM + SC I + SC DxI ) = 0.5118 (01640

F. De V.
D
EPM
I
DxI
Epm
Total
G.L.
2
9
1
2
9
23
S.C.
0.1640
0.0017
0.0047
0.3410
0.0004
0.5118
C.M.
0.082000
0.000189
0.004700
0.170500
0.000044
Fc.
0.05 0.01
434.12** 4.26 8.02
105.75** 5.12 10.56
3836.25** 4.26 8.02
La prueba de significacin de los efectos surge de la comparacin numrica entre el

estadstico de prueba y un valor tabular de Snedecor., por otra parte, las hiptesis a
probar mediante el anlisis de varianza son respecto de desparasitador, implantes y
desparasitador por implantes.
Ajuste para comparacin de medias.
Como en este caso particular las estadsticas de prueba resultaron significativas
(P 0.01), es importante considerar alguna prueba estadstica que nos permita
estratificar en funcin de los objetivos, el comportamiento de los diferentes efectos.
Sin embargo, es necesario tomar en cuenta que existe dos cuadrados medios de error,
por lo que es indispensable efectuar los siguientes ajustes para la comparacin de
medias.
- 362 -
Efectos
Parcela Mayor
Ai = A j
Totales
Medias
Yi ..
Ajuste
Yi ..
br
SX =
Ea
rb
Y. j .
SX =
Eb
ra
SX =
Eb
r
Parcela menor
Bi = A j
Y. j .
ar
Parcela menor dentro de parcela mayor.

Ai bi = Ai b j
Y ij .
Yij .
Entre tratamientos (general)

Ai Bi = A j B j
Aij .
Yij .
r
SX =
(b 1) Eb + E a
rb
En cuanto a la particin de la suma de cuadrados de los efectos, por medio de contrastes

ortogonales, debemos considerar que para el factor en parcela mayor corresponde el
error experimental definido para sta y para el factor en subparcelas e interaccin la
variacin encontrada entre subparcelas.
PROGRAMA EN SAS.
DATA PDIVID;
TITLE'DISEO COMPLETAMENTE AL AZAR EN PARCELAS DIVIDIDAS';
DO D = 10 TO 14 BY 2;
DO I = 1 TO 2;
DO REP = 1 TO 4;
INPUT PESO @;
OUTPUT;
END;
END;
END;
CARDS;
1.525 1.532 1.549 1.562 1.721 1.729 1.732 1.744 1.724 1.728 1.732 1.740
1.925 1.923 1.940 1.952 1.935 1.928 1.926 1.941 1.616 1.625 1.631 1.623
;
PROC PRINT; RUN;
PROC ANOVA; CLASS REP D I;
MODEL PESO = D REP(D) I D*I REP*I(D);
TEST H = D E = REP(D) /DUNCAN; TEST H = I E = REP*I(D);
TEST H = D*I E = REP*I(D);
MEANS REP D I D*I; RUN;
Anlisis y Diseo de Experimentos - 363 9.1.2. Diseo de parcela dividida bajo el diseo bloque completo al azar.
Bloques
a0
a2
a3
a1
b1
b0
b2
b2
b0
b1
b0
b1
b2
b1
b2
b0
a1
b1
b2
b0
a2
b0
b1
b2
a0
b2
b0
b1
a3
b0
b2
b1
a1
b0
b2
b1
a3
b2
b0
b1
a0
b2
b1
b0
a2
b1
b0
b2
II
III
a3
a1
a2
b1
b2
b0
b0
b0
b1
b2
b1
b2
A = 4, Bloque = 4, 4x4 = 16 Total parcelas.
16x3B = 48 total subparcelas.
IV
a0
b2
b1
b0
NOTA: Las parcelas principales son asignadas al azar dentro de cada bloque.
Las sub-parcelas son asignadas al azar dentro de cada parcela principal.
El modelo lineal aditivo para la parcela dividida es la siguiente:
Yijk = + k + i + Ea + j + ()ij + Eb
i = 12
, ,L, a ( Nivelesde factor A)
j = 12
, ,L,b ( Nivelesde factor B)
k = 12
, ,L, r (Re p. o bloque)
- 364 -
donde:
Yijk = Variable respuesta en la repeticin o unidad experimental k, en la parcela
"i", subparcela "j".
k = Efecto del l-simo bloque.

i = Efecto del i-simo nivel del factor A.
E a = Error de parcelas.
( )ij = Efecto de la interaccin del i-simo nivel del factor A con el j-simo
nivel factor B.
E b = Error de subparcelas.
TABLA DE DESCOMPOSICION.
F. De V.
Entre parcelas
G.L.
ra - 1
Dentro de Parcelas
ra(b - 1)
Diferencia = SCtotal - SCParcelas

Total (subparcelas)
rab - 1
F. De V.
G.L.
Bloque = R
r-1
A
a- 1
Error(a) = R*A
(a - 1)(r - 1)
B
(b - 1)
AxB
(a - 1)(b - 1)
Error(b) = AxBxR a(b - 1)(r - 1)
Total
rab - 1
Anlisis y Diseo de Experimentos - 365 TABLA ANOVA GENERALIZADO BAJO EL DISEO DE BLOQUES ALEATORIZADOS: Frmulas.
F. de Variacin G.L.
S.C.
C.M.
Y..2k
Y...2
abr
k =1 abr
r
Bloques
r-1
Yi ..2
Y2
...
br
abr
a-1
i =1
a
Error(a)
(r-1)(a-1)
Parcelas
ra - 1
i =1 k =1
k =1
i =1
Y. 2j .
CM Error (a )
Y...2
i =1
j =1
ar
Y...2
abr
Y...2
SC( A) SC( B)
abr
Yij2.
r
i =1 j =1
2
ijk
(b-1)(r-1)a
(abr - 1)
CV(a) =
i=1 j=1 k=1
SCError(a)
(r1)(a1)
2e +b2ik +rbk2
=Ea
2e +b2ik +rbk2
SC (B)
CM( B)
b 1
CM Error (b)
( a 1)(b 1) CM Error (b)
Y...2
SC(B) SC(AB) SCParcelas
abr
2
ijk
i =1 j =1 k =1
CMError(a)
Y...
2e + rak2
CM( AB )
SC ( AB )
= SCDentrodeparcelas SC(B) SC(AB)
Y...2
,
abr
a 1
2e +b2ik +ab2
Yi .2k
Y2
...
abr
k =1 b
a b
TC =
Yi ..2
CM Error (a)
Total
r 1
(a-1)(b-1)
Error(b)
Y..2k
CM Bloque
CM ( A)
= SCparcelas SCbloques SCA
b-1
AB
CME(I)
SC Bloques
SC ( A )
b ab br + abr
Yi.2k
Fc.
SCError(b)
(b 1)(r 1)a
= Eb
Y...2
abr
x100, CV(b) =
CMError (b)
Y...
x100
2
2e + rk
2e
- 366 -
PRUEBAS DE HIPOTESIS (MODELO I)

a) Ho. i = 0 vs
Ha: i 0, si Fc > Ft serechaza la Ho :
b) Ho. j = 0 vs
Ha: j 0, si
c) Ho. () ij = 0 vs Ha: ()ij 0, si Fc > Ft serechazala Ho :

d) Ho. k = 0 vs Ha: k 0, si
Fc > Ft serechazala Ho :
PRUEBAS DE COMPARACION DE TRATAMIENTOS.

Teniendo en cuenta que el factor A est en Parcelas y B en subparcelas, entonces en
el cuadro siguiente se muestran las desviaciones estndar para comparar promedios.
Caso
DLS s d
Tipo de comparacin
DUNCAN s X
2Ea
rb
E a
rb
1)
Para niveles principales de A Yi .. Y j ..
2)
Para efectos principales de B Y.i . Y. j .
2Eb
ra
E b
ra
3)
Dos medias en B al mismo nivel de A Ai : Yik. Yij.
2Eb
r
E b
r
3)
Dos medias en A al mismo nivel B
d = Yij . Ykj .
d = Yii . Yjj .
2(b 1) Eb + 2Ea
rb
(b1)Eb +Ea
rb
Las comparaciones de dos medias de un factor al mismo nivel de otro factor, slo
se realiza cuando la interaccin AB es significativa, caso contrario, las comparaciones
se realizan independientemente, es decir como en los dos primeros (1) y (2) las
medias del factor A independiente de B y viceversa.
EJEMPLO:
Una de las mediciones realizadas en las parcelas con pasto fue el contenido de
clorofila en la hierba cortada (mg/g) para las muestras de cada parcela. Los datos se
muestran en la siguiente tabla:
Anlisis y Diseo de Experimentos - 367 Co ntenid o d e clo ro fila (mg /g ) en la h ierb a co rtad a.
A o s d e acumulacin de hierb a
Fuen te de n itr geno
Bloq u e
b1 = 2
b2 = 5
b3 = 8
a1 = Urea
1
3.8
5.3
5.9
2
3.9
5.4
4.3
a2 = Sulfato d e amo n io
1
5.2
5.6
5.4
2
6.0
6.1
6.2
a3 = IBDU
1
6.0
5.6
7.8
2
7.0
6.4
7.8
a4 = Urea(SC)
1
6.8
8.6
8.5
2
7.9
8.6
8.4
Realizar el ANOVA, y su interpretacin correspondiente.

SOLUCIN:
Primeramente se realizar el ordenamiento de los datos, para los efectos de clculo.
Bloque b1
I
3.8
II
3.9
Yij.
7.7
Yi.. Y1.. =
Y.j.
a1 = Urea
b2
5.3
5.4
10.7
28.6
b3
5.9
4.3
10.2
total p.
Yi.k
15.0
13.6
28.6
Y.1. =
46.6
b1
5.2
6.0
11.2
Y2.. =
a2 = Sulfato de amtotal p.
a3 = IBDU
total p.
a4 = Urea(SC) total p.
b2
b3
Yi.k
b1
b2
b3
Yi.k
b1
b2
b3 Yi.k
5.6
5.4
16.2
6.0
5.6
7.8
19.4
6.8
8.6
8.5 23.9
6.1
6.2
18.3
7.0
6.4
7.8
21.2
7.9
8.6
8.4 24.9
11.7 11.6 34.5 13.0 12.0 15.6 40.6 14.7
17.2 16.9 48.8
34.5
Y3.. = 40.6
Y4.. =
48.8
Y.2. = 51.6
Y.3. = 54.3
A) GRADOS DE LIBERTAD (GL).

GLEntre parcelas = ra - 1 = 2x4-1 = 7
GLBloque = r - 1 = 2-1 = 1
GL(A) = a - 1 = 4-1 = 3
GLE(a) = (r-1)(a-1) = 1x3 = 3
GLDentro de parcelas = ra(b-1) = 2x4(3-1)= 16
GL(B) = b - 1 = 3-1 = 2
GL(AxB) = (a-1)(b-1) = 3x2 = 6
GLE(b) = a(b-1)(r-1) = 4x2x1 = 8
GLTotal = rab-1 = 2x4x3 - 1 = 23
B) SUMAS DE CUADRADOS (SS)
TC =
2
( 152.5 )2
Y
=
= 969.0104167
abr
4 x3x2
Y..l
74.5
78.0
152.5
152.5
152.5
- 368 I)
4 2
Y2
. 2 +162
. 2 +L+239
. 2 + 249
.2
152 +136
SCParcelas = ik TC =
TC = 1008103333
TC = 3909291664
.
.
3
i =1 k =1 b
II) SCTotal-subparcelas = Yijkl2 TC = 38

. 2 + 39
. 2 +L+84
. 2 TC = 101779
. TC = 4877958334
.
i=1 j=1 k =1
III) SCDentro de parcelas = SCTotal-subparcelas SCParcelas = 4877958334

.
3909291664
.
= 96866667
.
Luego calculamos las fuentes de variacin de inters:
Y2l
Y2 +Y2
74.52 + 782
TC = 1 2 TC =
TC = 0.51041667
4 x3
12
k =1 ab
2
SCBloque =
4
. 2 +345
. 2 +406
. 2 +488
.2
Y2
Y2 +Y2 +Y2 +Y2
286
TC = 3732458334
.
SCA = i TC = 1 2 3 4 TC =
4x2
3x2
i=1 br
SCE(a) =SCParcela SCA SCBloque =3909291664

.
.
.
.
3732458334
051041667
=125791663
3
Y2j
j =1
ar
SCB =
SCAxB =
TC =
Y21 + Y22 + Y23 46.62 + 51.62 + 54.32

=
TC = 381583334
.
4( 2 )
8
F Y TCI SC SC =F77. +107. +L+169. TCI SC SC =4529458334

.
.
SC SC =415416666
GH 2
JK
GH r JK
4
2
ij
i=1 j=1
SCE(b) = SCDentro parcelas SCB SCAxB = 96866667

.
381583334
.
415416666
.
= 1716667
.
RESUMEN EN LA TABLA DE ANOVA:

Fuentes de Variacin
Bloques
Tratamientos
Nitrgeno (A)
Error(a)
TOTAL PARCELAS
Hierba (B)
Ax B
Error(b)
TOTAL DENTRO DE PARCELAS
TOTAL SUB-PARCELAS
CVA =
G.L.
1
11
3
3
7
2
6
8
16
23
S.S.
0.51041667
45.29458334
37.32458334
1.25791663
39.09291664
3.81583334
4.15416666
1.71666700
9.68666700
48.77958364
0.419305543
x100 = 10.19%; CVB =
Y
M.S.
Fc Signif.
0.51041667 1.22 n.s.
4.11768939
12.44152778 29.67
**
0.41930554
1.90791667
0.69236111
0.21458338
0.60541669
8.89
3.23
0.214583375
x100 = 7.29%
Y
**
n.s.
Anlisis y Diseo de Experimentos - 369 SYA =
CME(a)
br
CME(b) 0214583375
.
.
0419305543
.
=0163777
=0.264356; SYB =
=
ar
3(2)
4(2)
Para graficar, se realiza por el Mtodo tabular:

TOTALES DE AxB
b1=2
a1
7.7
a2
11.2
a3
13.0
a4
14.7
Y.j.
46.6
b2=5
10.7
11.7
12.0
17.2
51.6
b3=8
10.2
11.6
15.6
16.9
54.3
Yi..
28.6
34.5
40.6
48.8
152.5
PROMEDIOS DE AxB
b1=2
a1
3.85
a2
5.60
a3
6.50
a4
7.35
Promedio(j)
5.83
b2=5
5.35
5.85
6.00
8.60
6.45
b3=8
5.10
5.80
7.80
8.45
6.79
Prom(i)
4.77
5.75
6.77
8.13
6.35
9
8
7
cont. de Clorofila(mg/g)
cont. de Clorofila(mg/g)
Con los promedios de la interaccin AxB, se realiza la grfica y se muestra en

seguida:
6
5
4
3
2
1
0
8
7
6
5
4
3
2
1
0
a1
Aos de acumulacin de hierba
a2
a3
a4
Fuente de Nitrgeno
B dent ro de Urea
B dent ro Sulfat o
B dent ro IBDU
B dentro urea(SC)
A dent ro de 2 aos
B dentro 5 aos
B dentro 8 aos
Interpretacin de los efectos de factores con contrastes de regresin:

El factor Hierbas es de tipo cuantitativo: 2 - 5 - 8 aos de acumulacin, entonces
se realizar el clculo de la particin de las sumas de cuadrados de contraste lineal y
cuadrtico para la interaccin aos de acumulacin y aos de aos de acumulacin x
nitrgeno.
Aos de acumulacin
Nitrgeno
a1
a2
a3
a4
Y j
Lineal (P 1j)
Cuadrtica (P2j)
Lineal
2
3.85
5.60
6.50
7.35
5
5.35
5.85
6.00
8.60
8
5.10
5.80
7.80
8.45
5.83
6.45
6.79
-1
1
0
-2
1
1
P Y
1j
ij
Cuadrtica
2j
Yij
1.25
0.20
1.30
1.10
-1.75
-0.30
2.30
-1.40
0.9625
-0.2875
- 370 -
CLCULO DE LAS SUMAS DE CUADRADOS:
SCLineal =
ra
PY
j =1 1 j j
2( 4 )( 0.9625 )2
= 3.705625
2
2( 4 )( 0.2875 )2
.
= 0110208333
6
2
1j
j =1
ra
SCCuadrtica =
4
j =1
P2 j Y j
2
2j
j =1
ri=1
4
SCLineal x Cuadrtica =
j SC
2
PY
j =1 1 j ij
Lineal
2
1j
. 2 + 02
. 2 +13
. 2 +11
. 2)
2(125
.
SCLineal = 0796875
2
j =1
ri=1 j=1 P2 jYij

4
SCCuadrtica x Nitrgeno =
j SC
2
Cuadrtico
2
2j
2 ( 175
. )2 +( 030
. )2 +( 23
. )2 +( 14
. )2
6
SCCuadrtica = 3357291667
.
j=1
Anlisis de varianza para el contenido de Clorofila en recortes de pasto Pencross

con particiones de regresin polinomial ortogonal para el factor hierba.
Fuentes de Variacin
Bloques
Nitrgeno (A)
Error(a)
Hierba (B)
BLineal
BCuadrtica
Ax B
A x Blineal
A x BCuadrtica
Error(b)
GL
1
3
3
2
1
1
6
3
3
8
S.C.
C.M.
0.510416670 0.510416670
37.324583340 12.441527780
1.257916630 0.419305543
3.815833340 1.907916670
3.705625000 3.705625000
0.110208333 0.110208333
4.154166660 0.692361110
0.796875000 0.265625000
3.357291667 1.119097222
1.716667000 0.214583375
Fc.
1.22
29.67
Signif.
ns.
**
8.89
17.27
0.51
3.23
1.24
5.22
**
**
ns.
ns.
ns.
*
Existe desviaciones cuadrticas significativas de la respuesta lineal para los aos

de acumulacin de hierba que difieren entre las fuentes de nitrgeno. Se presenta
una componente de interaccin significativa, y es posible comparar los promedios de
nitrgeno para cada ao de acumulacin de hierba y determinar si la Urea con cubierta
Anlisis y Diseo de Experimentos - 371 de sulfuro siempre rindi el mayor contenido de clorofila en el pasto.
Estos resultados comprobaremos usando el software estadstico SAS, para una
mejor aproximacin de los resultados y tomar una buena decisin al respecto, y lo
detallamos a continuacin.
/**** PROGRAMA EN SAS PARA PARCELA LA DIVIDIDA */

DATA HIERBA;
INPUT NITRO $ ACUMU BLOQUE Y;
DATALINES;
UREA
2
1
3.8
UREA
2
2
3.9
UREA
5
1
5.3
UREA
5
2
5.4
UREA
8
1
5.9
UREA
8
2
4.3
SULFA 2
1
5.2
SULFA 2
2
6.0
SULFA 5
1
5.6
SULFA 5
2
6.1
SULFA 8
1
5.4
SULFA 8
2
6.2
IBDU
2
1
6.0
IBDU
2
2
7.0
IBDU
5
1
5.6
IBDU
5
2
6.4
IBDU
8
1
7.8
IBDU
8
2
7.8
U_SC
2
1
6.8
U_SC
2
2
7.9
U_SC
5
1
8.6
U_SC
5
2
8.6
U_SC
8
1
8.5
U_SC
8
2
8.4
;
PROC PRINT; RUN;
PROC ANOVA;
CLASS NITRO ACUMU BLOQUE;
MODEL Y = BLOQUE NITRO ACUMU BLOQUE*NITRO NITRO*ACUMU;
TEST H = BLOQUE NITRO E = BLOQUE*NITRO;
RUN;
- 372 -
RESULTADOS DEL SAS

The ANOVA Procedure
Class
Levels
Values
NITRO
4
IBDU SULFA UREA U_SC
ACUMU
3
2 5 8
BLOQUE
2
1 2
24
Source
Model
BLOQUE
NITRO
NITRO*BLOQUE
ACUMU
NITRO*ACUMU
Error
Corrected Total
R-Square
0.964808
DF
15
1
3
3
2
6
8
23
Coeff Var
7.290199
Sum of
Squares
47.06291667
0.51041667
37.32458333
1.25791667
3.81583333
4.15416667
1.71666667
48.77958333
Root MSE
0.463231
Mean Square
3.13752778
0.51041667
12.44152778
0.41930556
1.90791667
0.69236111
0.21458333
F Value
14.62
1.22
29.67
1.95
8.89
3.23
Pr > F
0.0003
0.3505
0.0099
0.1996
0.0093
0.0646
Y Mean
6.354167
EJEMPLO.
En la Estacin Experimental INIA (Tahuaco - Yunguyo) en el perodo de 1995 1996, se ensay el desarrollo de tecnologa en OCA, para esto se experiment en
parcelas divididas con 3 bloques, evalundose el factor A (parcela principal) con 2
niveles (con estircol y sin estircol) y el factor B (sub-parcela) con niveles de: 1
tubrculo/golpe, 2 tubrculos/golpe y 3 tubrculos/golpe. Los rendimientos fueron
obtenidos en una parcela de 12.8 m2, 4 surcos/parcela. (a0 = con estircol 2t/ha., a1 =
Sin estircol, b1 = 1 tubrculo-golpe, b1= 2 Tubrculo/golpe, b2 = 3 tubrculo/golpe).
La informacin se presenta a continuacin:
I
II
a1
a0
a0
III
a1
a0
a1
b1
5 b2
b0
9 b2
13
b0
b2
12
b2
14 b1
b2
6 b0
b1
b1
12
b0
10 b0
b1
14 b1
19
b2
10 b0
Anlisis y Diseo de Experimentos - 373 SOLUCION:

Primeramente debemos ordenar el cuadro anterior de la siguiente forma:
Total
parcelas
a0
Bloque
I
II
III
Total Yij.=AB
b0
10
9
8
27
b1
5
14
7
26
Factor A (Yi..)
a0 = 83
Factor B (Y.j.)
b0 = 47
b2
14
6
10
30
Yi.k
29
29
25
83
b1 = 63
a1
b0
7
6
7
20
b1
6
19
12
37
b2
6
13
12
31
Total
parcelas
Total
Bloques
Yi.k
19
38
31
88
Y..k
48
67
56
Y...= 171
a1 = 88
171
b2 = 61
171
a) GRADOS DE LIBERTAD:
Para entre parcelas: ra - 1 = 3(2) - 1 = 5
Descomponiendo en bloques: r - 1 = 3 - 1 = 2
A: a - 1 = 2 - 1 = 1
Error(a): (r-1)(a-1) = 2x1 = 2
Dentro de parcelas: ra(b-1) = 3(2)(2) = 12
Descomponiendo en B:
B: (b-1) = 3-1 = 2
Interaccin AxB: (a-1)(b-1) = 1x2 = 2
Error(b): a(r-1)(b-1) = 8
Total: rab - 1 = 3(2)(3) = 17
b) SUMA DE CUADRADOS
TC =
Y...2
(171) 2
=
= 1624.5
abr
2 ( 3) 3
Yi.k
29 2 + 292 + 252 + 192 + 382 + 312
TC =
TC = 6650
.
3
i =1 k =1 b
a
SCparcelas =
SCTotal subparcelas = Yijk2 TC = 102 + 92 + 82 +L+62 + 132 + 122 TC = 1871 TC = 24650

.
i , j ,k
SCDentro de parcelas = SCtotal subparc. SC parcelas = 246.50 6650

. = 180.0
- 374 -
Luego calculamos las fuentes de variacin de inters:

Y..2k
48 2 + 67 2 + 56 2
TC =
TC = 1654.83333 TC = 30.33
2 x3
k =1 ab
r
SCBloques =
SC A =
i =1
Y i ..2
832 + 88 2
TC =
T C = 1 6 2 5 .8 9 T C = 1.3 9
br
9
SC Error ( a ) = SC Parcela SC Bloque SC A = 66.50 30.33 1.39 = 34.78

b
Y. 2j .
j =1
ar
SC B =
TC =
47 2 + 632 + 612
TC = 25.33
6
a b Y
272 + 262 + 302 + 202 + 372 + 312
ij.
SCComb( AxB) = TC =
TC = 5383
.
3
i =1 j =1 r
. 139
. 25.33 = 27.11
SCint.( AxB ) = SCcomb ( AxB ) SC A SC B = 5383
SCError (b) = SCdentro parcelas SCB SC AxB = 180 25.33 2711

. = 127.56
RESUMEN EN LA TABLA DE ANALISIS DE VARIANZA.
F. De V.
Bloques
A
Error(a)
Total parcelas
B
AxB
Error(b)
Total dentro de parcelas
Total sub-parcelas
G.L.
S.C.
2
30.33
1
1.39
2
34.78
5
66.50
2
25.33
2
27.11
8
127.56
12 180.00
17 246.50
C.M.
15.17
1.39
17.39
Fc.
0.87
0.08
Signif.
n.s.
n.s.
12.67
13.56
15.95
0.79
0.85
n.s.
n.s.
Anlisis y Diseo de Experimentos - 375 CONCLUSION:

Ninguno de los factores tiene efecto significativo, por consiguiente no influye en el
rendimiento de Oca con estircol y sin estircol, se puede usar indistintamente en la
siembra, esto nos sugiere sembrar la oca con estircol y sin estircol no tiene efecto
significativo, tampoco influye en nmero de tubrculos/golpe en el sembrado de oca,
es decir es igual sembrar con 1,2,3 tubrculos/golpe. En la interaccin de primer
orden no se encontr diferencia estadstica significativa, esto quiere decir que estos
dos factores se comportan en forma independiente.
PROGRAMA EN SAS.
DATA PDIVID;
DO A = 1 TO 2;
DO B = 1 TO 3;
DO BLOQUE = 1 TO 3;
INPUT RDTO @;
OUTPUT;
END;
END;
END;
CARDS;
10 9 8 5 14 7 14 6 10
7 6 7 6 19 12 6 13 12
;
PROC PRINT; RUN;
PROC ANOVA;
CLASS BLOQUE A B;
MODEL RDTO = BLOQUE A BLOQUE*A B A*B;
TEST H = BLOQUE A E = BLOQUE*A;
TEST H = BLOQUE A /DUNCAN E = BLOQUE*A;
RUN;
- 376 -
EJEMPLO.
El siguiente experimento fue diseado en una parcela dividida en bloque al
azar. Consiste en un estudio del rendimiento (materia seca) en kilogramos por parcela para el Rye grass, donde el factor nitrgeno, con sus respectivos niveles, ocup la
parcela mayor -parcela principal- y el factor mejorador de suelo -Polisul- se localiz
en las subparcelas.
En este ejemplo se utilizarn las siguientes notaciones: niveles de nitrgeno
(N), niveles de Polisul (P), bloques (B), error parcela mayor (EPM) y error parcela
menor (Epm).
Nitrgeno Polisul
(kg/ha) (litros/ha)
100
50
60
70
Yi.k
150
50
60
70
Yi.k
200
50
60
70
Yi.k
Y..k
BLOQUES
III
25.30
27.40
30.60
83.30
28.40
30.20
31.90
90.50
27.90
29.30
32.20
89.40
I
24.30
25.80
31.00
81.10
26.40
29.30
32.80
88.50
26.40
28.30
32.40
87.10
II
23.90
26.70
29.80
80.40
27.30
31.40
33.60
92.30
26.90
30.80
33.20
90.90
256.70
263.60 263.20
IV
24.50
28.30
30.90
83.70
27.80
31.60
32.90
92.30
28.10
31.40
32.50
92.00
V
24.90
27.90
31.20
84.00
26.80
29.90
32.60
89.30
27.10
30.20
31.70
89.00
268.00
262.30
Yij.
122.90
136.10
153.50
136.70
152.40
163.80
136.40
150.00
162.00
Cuadro de concentracin para sumas de cuadrados de efectos simples.
Niveles de
nitrgeno
100
150
200
Y.j.
Niveles de Polisul
50
60
70
122.90 136.10 153.50
136.70 152.40 163.80
136.40 150.00 162.00
396.00 438.50 479.30
Yi..
412.50
452.90
448.40
1313.80 = Y...
Anlisis y Diseo de Experimentos - 377 En funcin del modelo descrito, las sumas de cuadrados del anlisis de varianza son
las siguientes:
Y..2k
25670
. 2 +L+26230
. 2
TC =
TC = 38364375
. 38357121
. = 7254
.
3x3
k =1 ab
r
SCBloques =
Yi ..2
412.50 + L + 448.40 2
TC =
TC = 38422.481 TC = 65.360
3x 5
i =1 br
a
SC N =
a r
Y2
8110
. 2 + L+ 8900
. 2
SCEPM = i.k TC SCN SCP =
(TC + 65360
. + 7254
. ) = 4965
.
3
i=1 k =1 b
Y. 2j.
j =1
ar
SCP =
TC =
396002 +L+479.302
TC = 38588.449 38357121
. = 231328
.
3x5
a b Y2
. 2 + L+ 16200
. 2
Y 2 12209
ij .
. (38357121
. + 65360
. + 231328
. ) = 257
.
SCint.( AxB) = ... =
TC (SCN + SCP ) = 38656384
5
abr
i =1 j =1 r
. 2 + 239
. 2 + 253
. 2 +L+322
. 2 + 325
. 2 + 317
. 2 TC = 38679820
. 38357121
. = 32269
.
SCTotal = Yijk2 TC = 243
i , j ,k
SC Epm = SC Total ( SC N + SC P + SC bloque + SC EPM + SC NxP )

= 322 .699 ( 65.360 + 231.328 + 7 .254 + 4 .965 + 2 .575) = 11.217

F. De V.
Bloques
Nitrgeno (N)
Error(EPM)
Polisul (P)
NxP
Error(EPM)
Total
G.L.
4
2
8
2
4
24
44
S.C.
7.254
65.360
4.965
231.328
2.575
11.217
322.699
C.M.
Fc.
Ft.(.05
1.814
2.92 ns. 3.84
32.680 52.66 ** 4.46
0.621
115.664 247.48 ** 3.40
0.644
1.38 ns. 2.78
0.467
.01)
7.01
8.65
5.61
4.22
- 378 -
Como en ocasiones anteriores, la significancia de los efectos est en funcin del

contraste entre las estadsticas de prueba y los valores tabulares de Snedecor. Tambin es necesario considerar los ajustes que para pruebas de medias y contrastes se
hacen en funcin de los diferentes cuadrados medios del error.
CONCLUSION.
Existe evidencias estadsticas en los efectos principales: Nitrgeno y Polisul,
encontrndose una diferencia estadstica altamente significativo (P 0.01), esto nos
demuestra que los niveles de nitrgeno influye estadsticamente, as mismo los niveles de Polisul, para interpretar mejor estos efectos se debe realizar la prueba mltiple
de significancia de Duncan, Tukey, etc.
EJEMPLO.
Consideremos el caso de un experimento sobre avena donde se compar dos niveles
de fertilizacin nitrogenaday 4 variedades de esta especie conducidos en un diseo
BCA con 4 rplicas y en un diseo de tratamientos de Parcela Dividida. Se ubi en
parcelas las diferentes dosis ensayadas y en subparcelas las distintas variedades.
a1 : 100 kg/ha de N, a2: 120 kg /ha de N
b1 : variedad W ; b2 : variedad X ; b3 : variedad Y ; a4 : variedad Z.
Cuadro de resultados ordenados
a1
Bloque
I
II
III
IV
b1
2.17
1.88
1.62
2.34
b2
1.58
1.26
1.22
1.59
b3
2.29
1.60
1.67
1.91
a2
b4
2.23
2.01
1.82
2.10
b1
2.33
2.01
1.70
1.78
b2
1.38
1.30
1.85
1.09
b3
1.86
1.70
1.81
1.54
b4
2.27
1.81
2.01
1.40
ANVA : cuadro de resultados

F. De V.
B lo q u e s
N it r g e n o (A )
E rro r(a )
To t a l p a rc e la s
V a rie d a d e s (B )
In t e ra c c i n (A x B )
E rro r(b )
To t a l d e n t ro d e p a rc e la s
To t a l d e s u b p a rc e la s
G .L.
3
1
3
7
3
3
18
24
31
S .C .
0.560
0.070
0.660
1.290
1.670
0.034
0.600
2.304
3.594
C .M .
0.187
0.070
0.220
Fc.
0.85 n.s .
0.32 n.s .
0.557
0.011
0.033
1 6 . 7 0 **
0.34 n.s .
PROGRAMA EN SAS.
DATA PARDIV;
TITLE PARCELAS DIVIDIDAS EN BCA;
INPUT A B REP PESO;
CARDS;
1 1 1 2.17 2 1 1 2.33
1 1 2 1.88 2 1 2 2.01
1 1 3 1.62 2 1 3 1.70
1 1 4 2.34 2 1 4 1.78
1 2 1 1.58 2 2 1 1.38
1 2 2 1.26 2 2 2 1.30
1 2 3 1.22 2 2 3 1.85
1 2 4 1.59 2 2 4 1.09
1 3 1 2.29 2 3 1 1.86
1 3 2 1.60 2 3 2 1.70
1 3 3 1.67 2 3 3 1.81
1 3 4 1.91 2 3 4 1.54
1 4 1 2.23 2 4 1 2.27
1 4 2 2.01 2 4 2 1.81
1 4 3 1.82 2 4 3 2.01
1 4 4 2.10 2 4 4 1.40
;
PROC ANOVA; CLASSES REP A B;
MODEL PESO=REP A REP*A B A*B;
TEST H=REP E=REP*A;
TEST H=A E=REP*A;
MEANS REP A B A*B; RUN;
- 380 -
9.2. DISEO DE PARCELA SUBDIVIDIDAS (SPLIT SPLIT PLOT).

Caractersticas.
La adicin de un tercer factor mediante la divisin de las subparcelas de un
diseo de parcelas divididas da lugar a un diseo de parcelas sub-divididas. Este
diseo suele ser bastante til en un experimento de tres factores, a fin de facilitar las
operaciones de campo o cuando resulta deseable mantener agrupados combinaciones
de tratamientos; sin embargo, la restriccin adicional a la distribucin aleatoria hace
necesario el clculo de un tercer trmino de error que se utiliza para probar los
efectos principales del factor aplicado a la segunda divisin, as como todas las
interacciones que influyen dicho factor. El procedimiento para la distribucin aleatoria
es el mismo que para el diseo de parcelas divididas, estando las sub-parcelas divididas en sub-parcelas, cuyo nmero coincide con los niveles de los tres factores, a los
cuales el tercer factor es aleatoriamente asignado con una nueva distribucin aleatoria
para cada conjunto de sub-parcelas.
Yijkl = + k +i +il + j + ()ij + ijk + k + ( )ik + ( ) jk + ( )ijk +ijkl
i = 12
, ,L,a ( parcelas)
j =12
, ,L,b (Sub parcelas)
k = 12
, ,L,c (sub sub parcelas)
l = 12
, ,L,r (bloques)
donde:
Yijkl = Variable respuesta u observacin.
l = Efecto del del l-simo bloque.

il = Es el efecto del i-simo nivel del factor A enla l-sima repeticin.
j = Es el efecto del j-simo nivel el factor B que se estudia en la sub-parcela.
ijk = Es el efecto del error en trminos de sub-parcela.
k = Es el efecto del k-simo nivel del factor C que se estudia en sub-sub-parcela.
( ) ij = Efecto de la interaccin entre parcela y sub-parcela.
( )ik = Es el efecto de la interaccin entre la parcela y sub-sub-parcela.

( ) jk = Efecto de la interaccin entre sub-parcela y sub-sub-parcela.
()ijk = Efecto de la interaccin entre parcela, sub-parcela y sub-sub-parcela.
ijkl = Error expresado en trminos de sub-sub-parcelas.
il , ijk , ijkl son las variables de error con media cero y varianza
2a , b2 y 2c , respectivamente.
Pruebas de hiptesis:
a) Ho. i = 0 vs Ha: i 0, si
c) Ho. ()ij = 0 vs Ha: ()ij 0, si Fc > Ft serechazala Ho :

d) Ho. k = 0 vs Ha: k 0, si
e) Ho.( )ik = 0 vs Ha:( )ik 0, si Fc > Ft serechazalaHo:

f) Ho. ( ) jk = 0 vs Ha: ( ) jk 0, si Fc > Ft serechazalaHo:
g) Ho.( )ijk = 0 vs Ha:( )ijk 0, si Fc > Ft serechazalaHo:
- 382 -
F. de Variacin G.L.
S.C.
Y...2l
Bloques
C.M.
Y....2
abc abcr
r-1
l =1
Yi ...2
Y....2
abcr
i =1 bcr
a
a-1
Error(a)
ra - 1
b-1
AB
(a-1)(b-1)
cr TC SC
SC B SCint( AxB)
Y..2k .
Y....2
abr abcr
Yi.2k.
TC SCA SCC
i ,k br
Y. jk2 .
(b-1)(c-1)
Y2
.... SCB SCC
abcr
j ,k ar
Y
r TC ( SC + SC + SC
2
ijk .
ABC
Error(c)
(a-1)(b-1)(c-1)
(c-1)(r-1)ab
TC =
Y....2
,
abcr
(abcr - 1)
CV(a) =
CMError(a)
Y....
i , j ,k
SC AB + SC AC + SC BC )
SCTotal SCsup parcelas SCC

SC AC SC BC SC ABC
Total
=Ea
2
ijkl
i =1 j =1 k =1 j =1
x100, CV(b) =
CM( B)
b 1
CM Error (b)
CM ( AB)
( a 1)(b 1)
SCError(b)
= Eb
(b 1)(r 1)a
SC (B)
b 1
SC ( AC )
CM Error (b)
CM( AC)
( a 1)( c 1)
SC(BC)
CM Error (c)
CM( BC)
(b1)(c1)
SC( ABC)
CM Error (c)
CM ( ABC )
(a 1)(b 1)(c 1)
SCError(c)
(c 1)(r 1)ab
= Ec
Y....2
abcr
CMError(b)
Y....
SC (B)
CM Error (b)
k =1
(a-1)(c-1)
BC
CM Error (a )
SC ( AB )
SCB
SC sub parcela SC parcelas
c-1
AC
a 1
Yij2..
(b-1)(r-1)a
r 1
SC ( A )
i, j
Error(b)
CM Bloque
CM Error (a )
CM ( A)
(r1)(a1)
Yi ..2l
Y2
....
abcr
i = 1 k =21 bc
b Y
Y....2
. j ..
abcr
j =1 acr
a
Parcelas
SC Bloques
SCError(a)
SC parcelas SCbloques SCA
(r-1)(a-1)
Fc.
x100, CV(c) =
CMError(c)
Y....
x1
CM ( B )
CM Error (c)
Anlisis y Diseo de Experimentos - 383 EJEMPLO.

En la Estacin Experimental INIAA (Tahuaco-Yunguyo) en el perodo (1995-1996),
se se ensay el desarrollo de tecnologa en Oca, para esto se experiment en parcelas
sub-divididas con tres bloques, evalundose el factor A (parcela principal) con dos
niveles: con estircol y sin estircol, el factor B (sub-parcela) con niveles de: tubrculo semilla con brotes y semilla sin brotes y el factor C (sup-sub-parcelas) con niveles
de: 1, 2 y 3 tubrculos/golpe. Los rendimientos fueron obtenidos en una parcela de
12.8m con 4 surcos/parcela. La informacin se presenta a continuacin.
a0 : Con estircol 2 t/ha, a1 : Sin estircol, b0 : Tubrculo semilla con brotes, b1 :
Tubrculo semilla sin brote, c0 : 1 tubrculo/golpe (15 g), c1 : 2 tubrculo/golpe (10
g), c2 : 3 tubrculo/golpe (8 g).
a0
Total
b0
I
II
III
Yijk.
c0
10
9
8
27
c1
5
14
7
26
b1
c2
14
6
10
30
Yij..
a0b0= 83
Yi.k.
a0c0= 62
Y.jk.
b0c0= 47
Yij.l
29
29
25
83
c0
15
7
13
35
a1
Parcela
c1 c2 Yij.l
18 9 42
5 11 23
15 18 46
38 38 111
Yi..l
71
52
71
194
a0b1=111
Total
b0
c0
7
6
7
20
b1
c1 c2 Yij.l
6 6 19
19 13 38
12 12 31
37 31 88
c0
3
9
4
16
a1b0= 88
a0c1=64
a0c2= 68
a1c0= 36
b0c1=63
b0c2= 61
b1c0= 51
c1
13
5
5
23
Parcela Bloque
c2
12
10
4
26
Yij.l
28
24
13
65
Yi..l
47
62
44
153
a1b1=65
Y...l
118
114
115
347
347
a1c1= 60
a1c2= 57
347
b1c1= 61
b1c2= 64
347
Yi...
a0= 194
a1= 153
347
Y.j..
b0= 171
b1= 176
347
Y..k.
c0= 98
c2= 125
347
c1= 124
a) GRADOS DE LIBERTAD.
1) GLParcelas = ar - 1 = 2x3 -1 = 5
GLBloques = r - 1 = 3 -1 = 2
GLA = a - 1 = 2 - 1 = 1
GLError(a) = (a-1)(r-1) = 1x2 = 2
2) GLTotal sub-parcelas = ra(b - 1) = 3x2x(2 -1) = 6
GLB = b - 1 = 2 - 1 = 1
GLAB = (a-1)(b - 1) = 1x1 = 1
GLError(b) = a(r-1)(b-1) = 2x2x1 = 4
3) GLC = c - 1 = 3 - 1 = 2
GLAC = (a-1)(c - 1) = 1x2 = 2
GLBC = (b - 1)(c-1) = 1x2 = 2
- 384 -

GLABC = (a-1)(b - 1)(c-1) = 2
GLError(c) = ab(r-1)(c - 1) = 2x2x2x2 = 16
GLDentro de parcelas = abr(c - 1) = 2x2x3x(3-1) = 24
4) GLTotal = abcr - 1 = 2x2x3x3 - 1 = 35
b) SUMAS DE CUADRADOS.
r
SCBloques =
l =1
TC =
Y....2
347 2
=
= 3344.694444
abcr 2 x 2 x 3x 3
Y...2l
Y2
118 2 + 114 2 + 1152
.... =
TC = 0.7222222
12
abc abcr
Yi ...2
Y2
194 2 + 1532
.... =
TC = 46.694444
abcr
18
i =1 bcr
a
SC A =
Y2
712 + 522 + 712 + 472 + 622 + 442
TC = 1178055556
SCparcelas = i..l TC =
.
6
i ,k bc
SCError(a) = SCparcelas SCbloques SCA = 1178055556
07222
4669444
= 70388889
.
.
.
.
SC B =
Y. j2..
acr
j =1
SCComb( AxB) =
Yij2..
cr
Y....2
171 2 + 176 2
=
TC = 0.6944444
abcr
18
TC =
832 + 1112 + 882 + 652

TC = 1119.6388889
9
46694444
0694444
= 7225000
SCInt ( AxB) = SCComb( AxB) SCA SCB = 119638889
.
.
.
.
SC Error ( b ) = SC sub parcela SC parcelas SC B SC int( AxB )
= 325.638889 117 .8055556 0.694444 72 .25
= 134 .8888889
Yij2.l
292 + 292 + 252 +L+282 + 242 + 132
TC = 3256388889
SCSub parcelas = TC =
.
c
3
Y..2k .
98 2 + 124 2 + 1252
TC =
TC = 39.0555556
12
k =1 abr
c
SCC =
Y2
622 + 642 + 682 + 362 + 602 + 572
SCcomb( AxC) = i.k. TC =
TC = 1068055556
.
6
i ,k br
SCInt .( AxC) = SCComb.( AxC) SCB SCC = 1068055556
466944444
3905555556
= 210555556
.
.
.
.
Anlisis y Diseo de Experimentos - 385 SCcomb( BxC) =
Y. 2jk .
j ,k
TC =
ar
472 + 632 + 612 + 512 + 612 + 642

TC = 4147222222
.
6
SCInt.( BxC) = SCComb.( BxC) SCB SCC = 41472222

0694444
390555556
= 172222
.
.
.
.
SCcomb( AxBxC) =
Yijk2 .
i , j ,k
SCIntc.( AxBxC) =
Yijk2 .
r
i , j ,k
TC =
272 + 262 + 302 +L+162 + 232 + 262

TC = 1916388889
.
3
TC (SCA + SCB + SCC + SCAB + SCAC + SCBC )
= 1916388889
(4669444
+ 069444
+ 39.0555556 + 72.25 + 21055556
+ 172222
.
.
.
.
.
)
= 101666666
.
a
SCTotal = Yijkl2 TC = 102 + 92 +L+102 + 42 TC = 3999 TC = 654305556

.
i =1 j =1 k =1 j =1
SCError (c) = SCTotal SCsup parcelas SCC SCAC SCBC SCABC

= 6543055556
3256388889
390555556
210555556
172222
101666666
.
.
.
.
.
.
= 2566666667
.

F. De V.
PARCELAS PRINCIPALES
Bloques
A
Error(a)
SUB-PARCELAS
B
AxB
Error(b)
SUB-SUBPARCELAS
C
AxC
BxC
AxBxC
Error( c)
Total
G.L.
S.C.
C.M.
Fc.
Signific.
2
1
2
5
1
1
4
6
2
2
2
2
16
30
0.7222222
46.6944444
70.3888890
117.8055556
0.6944444
72.2500001
134.8888889
325.6388890
39.0555556
21.0555556
1.7222222
10.1666666
256.6666667
654.3055557
0.3611111
46.6944444
35.1944445
0.01 n.s.
1.33 n.s.
0.6944444
72.2500001
33.7222222
0.02 n.s.
2.14 n.s.
19.5277778
10.5277778
0.8611111
5.0833333
16.0416667
1.22
0.66
0.05
0.32
n.s.
n.s.
n.s.
n.s.
- 386 -
CONCLUSION:
En el ANVA encontramos que no existe diferencia significativas para los diferentes
factores y de interaccin, esto implica que los factores posiblemente se deben al azar.
PROGRAMA EN SAS.
DATA PDIVID;
TITLE'PARCELA SUB-DIVIDIDA SPLIT-SPLIT-PLOT';
DO A = 1 TO 2;
DO B = 1 TO 2;
DO C = 1 TO 3;
DO BLOQUE = 1 TO 3;
INPUT RDTO @;
OUTPUT;
END;
END;
END;
END;
CARDS;
10 9 8 5 14 7 14 6 10 15 7 13 18 5 15 9 11 18
7 6 7 6 19 12 6 13 12 3 9 4 13 5 5 12 10 4
;
PROC PRINT; RUN;
PROC ANOVA;
CLASS BLOQUE A B C;
MODEL RDTO = BLOQUE A BLOQUE*A B A*B B*BLOQUE(A) C A*C B*C A*B*C;
TEST H = BLOQUE A E = BLOQUE*A;
TEST H = B A*B E=B*BLOQUE(A);
MEANS A /DUNCAN E = BLOQUE*A;
Anlisis y Diseo de Experimentos - 387 9.3. DISEO DE PARCELAS EN FRANJA

Introduccin.
Los experimentos en parcelas divididas son frecuentemente utilizados en la experimentacin agronmica cuando, en un experimento de tipo factorial, el material
experimental o la propia conduccin del experimento no permite una completa
aleatorizacin de todas las combinaciones de los niveles de los factores.
Una variacin de los experimentos en parcelas divididas es caracterizada cuando,
por diversas razones, aunque se estructuren las parcelas pequeas, no hay posibilidad de una aleatorizacin total de estas parcelas. En este caso, las parcelas relativas
a cada factor se posicionan en franjas (o fajas), tanto en filas como en las columnas.
Considerando dos factores A y B, con a y b niveles, respectivamente, de
forma que en cada nivel de A se tienen los niveles de B como subparcelas y viceversa,
tanto los niveles de A como los niveles de B son considerado parcelas (factores principales), en tanto que la interaccin (AxB) en cada uno de los ndices de A y B
constituyen las subparcelas (parcelas pequeas).
Para ilustrar este caso de diseo, considere un experimento con dos factores A y
B, con 3 y 4 niveles, respectivamente, y cada bloque constituido por fajas horizontales Ai y fajas verticales Bj, resultando para un bloque cualquiera, el siguiente esquema:
B1
B4
B2
B3
A3
A3B1
A3B4
A3B2
A3B3
A2
A2B1
A2B4
A2B2
A2B3
A1
A1B1
A1B4
A1B2
A1B3
Y de igual manera para los dems bloques, los cuales difieren entre s apenas en
lo referente a la aleatorizacin.
De acuerdo con Gomes, FP. (2000) el anlisis de los experimentos en franjas son
ms complejos, en comparacin con los dispuestos en un arreglo en parcelas dividi-
- 388 -
das; y dan menor precisin a las comparaciones entre los niveles del factor que se
ubica en la parcela pequea. Por ello, los experimentos en franjas deben ser evitados,
siempre que sea posible. Sin embargo, existen varias situaciones en que razones de
orden prctica nos llevan a adoptarlos. Dentro de estas situaciones, se puede citar:
experimentos con pocas de cosecha (cuando la cosecha es mecanizada), tipos de
preparacin del suelo, aplicacin mecanizada de fertilizantes, aplicacin de correcciones al suelo, aplicacin de madurantes en caa de azcar, en evaluaciones de
distanciamiento de siembra, sistemas de riego, sistemas de labranza, etc.
Modelo estadstico lineal aditivo.
Segn Kempthorne (1952), citado por Nogueira (2000), el modelo adecuado con
dos factores y un diseo un diseo de bloques completos al azar es el siguiente:
Yijk = + k +i ( )ik + j + ( )jk + ( )ij + ( )ijk
R|i = 12, ,L,a

S| j = 12, ,L,b
Tk = 12, ,L,r
donde:
Yijk = Variable respuesta medida en la ijk-sima unidad experimental.
k = Efecto del del k-simo bloque.

( )ik = Efecto de la interaccin entre el i-simo nivel del factor A con el ksimo bloque, es el error experimental asociado al factor A, tal que
( )ik ~ N ( 0, 12 ) e independientes, es utilizado como Error(a).
j = Es el efecto del j-simo nivel el factor B.
( )jk = Efecto de la interaccin entre j-simo nivel del factor B con el k-simo
bloque, es el error experimental asociado al factor B, tal que ( )jk ~ N ( 0, 22 )
e independientes, es utilizado como Error(b).
( ) ij = Efecto debido a la interaccin del i-simo nivel del factor A con el jimo nivel del factor B.
( )ijk = Error experimental asociado a
Yijk tal que
( )ijk ~ N ( 0, 2 ) e inde-
pendientes, es utilizado como trmino de error(c) o residuo.
Anlisis y Diseo de Experimentos - 389 Pruebas de hiptesis:

a) Ho. i = 0 vs Ha: i 0, si
c)
Ho. ()ij = 0 vs Ha: ()ij 0, si Fc > Ft serechazala Ho :
Esquema del Anlisis de Varianza.

F. de V.
G.L.
SC.
Bloques
(r-1)
S C B loques
CMBloques = SCBloque ( r 1)
Factor A
a-1
SC A
CM A = SCA ( a 1 )
Error (a)
(r - 1)(a - 1)
Factor B
b-1
Error (b)
(r - 1)(b - 1)
S C E r r o r ( b ) CME( b ) = SCE( b ) ( b 1)( r 1)
(a - 1)(b - 1)
SC
AxB
abr - 1
Fc
CMA CME( a )
S C E r ro r ( a ) CME( a ) = SCError( a ) ( a 1)( r 1)

SC
A B
Residuo (r - 1)(a - 1)(b - 1) S C R e s id u o

TOTAL
CM.
CM B = SCB ( b 1 )
CM B CM E ( b )
CMAB =SCAB (a1)(b1) CM A B CM Re siduo

CMResiduo = SCResiduo GLResiduo
S C T o ta l
Decisin:
Si
F ( A ) > F( ar 11 )( a 1 ), , entonces se acepta la Ha: y se rechaza la Ho:
Si
F ( B ) > F(br11 )( b 1 ), , entonces se acepta la Ha: y se rechaza la Ho:
Si
( a 1 )( b 1 )
F ( A B ) > FGL
, entonces se acepta la Ha: y se rechaza la Ho:
Re siduo ,
- 390 -
F. de V.
G.L.
SC.
Bloques
(r-1)
Y Y2
SCBloques =
abr
k=1 ab
Factor A
a- 1
SCA =
A, bloques
ra - 1
a r
Y2 Y2
SCA,Bloque = ik
abr
i=1 k=1 b
Error (a)
(r - 1)(a - 1)
Factor B
b- 1
2
k
2
Yi2 Y
abr
i =1 br
a
SCError( a ) = SC( A,Bloque ) SCA SCBloque

SC B =
Y2j
j =1
ar
B, bloques
rb - 1
Error (b)
(r - 1)(b - 1)
2
Y
abr
Y2jk
SCB,Bloque =
j =1 k =1
i =1 j =1
AxB
(a - 1)(b - 1)
Residuo=Error( c )
(r - 1)(a - 1)(b - 1)
abr - 1
Yij2
r
2
Y
abr
SCAB = SCComb( A,B) SCA SCB

SCError(c) =SCTotal SCASCBSCAB
Bloque SC
Ea
( ) SC
Eb
()
SC
a
TOTAL
2
Y
abr
SCError(b) = SC( B,Bloque) SCB SCBloque

SCComb( A,B ) =
A,B
SCTotal = Yijk2
i =1 j =1 k =1
2
Y
abr
EJEMPLO.
Los datos que se presentan a continuacin se refieren al Pol% de la caa de
azcar, obtenido de un experimento en franjas en el ingenio Santa Cruz, citado por
Nogueira (2000), que involucr dos factores A y B; correspondientes a tipos de surcos, asociado con distanciamientos entre surcos y densidades de siembra, con 4 y 3
niveles respectivamente, siendo:
Anlisis y Diseo de Experimentos - 391 A1: Surco simple y distanciamiento de 1.40 m.

A2: Surco doble y distanciamiento de 1.40 m x 0.90 m.
A3: Surco de base larga y distanciamiento de 1.70 m.
A4: Surco de base larga y distanciamiento de 1.90 m.
B1: 4 toneladas de semilla/ha.
A (Surcos)
B (densidad)
I
II
III
IV
Yij.
Yi..
Y.j.
4
17.67
17.23
17.43
17.61
69.94
Y1.. =
A1
6
17.31
17.6
17.05
16.91
68.87
209.55
Y.1. =
8
17.49
17.3
17.68
18.27
70.74
279.24
4
17.19
17.85
17.44
17.56
70.04
Y2.. =
A2
6
17.21
17.26
16.71
17.52
68.7
207.53
Y.2. =
8
18.04
16.38
17.23
17.14
68.79
4
17.39
17.54
16.61
17.51
69.05
Y3.. =
277.42
A3
6
17.39
17.67
16.77
17.61
69.44
208.56
Y.3. =
8
17.69
17.02
17.34
18.02
70.07
4
17.19
17.57
17.72
17.73
70.21
Y4.. =
A4
6
16.78
17.57
17.79
18.27
70.41
211.39
8
17.86
16.85
18.12
17.94
70.77
280.37
Y..k
209.21
207.84
207.89
212.09
837.03
837.03
837.03
SOLUCIN:
1. Hiptesis: H 0 : i = 0 Vs
Ha : i 0
H0 : j = 0 Vs Ha : j 0
H0 : ( )ij = 0 Vs Ha : ( )ij 0
= 0.05
3. Prueba estadstica de contraste:
F( A ) =
CM A
CM B
CM A B
, F( B ) =
, F( A B ) =
CM E ( a )
CM E ( b )
CM Re siduo

Si
F ( A ) > F( ar 11 )( a 1 ), , entonces se acepta la Ha:
Si
F ( A ) F( ar 11 )( a 1 ), , entonces se acepta la Ho:
Si
F ( B ) > F(br11 )( b 1 ), , entonces se acepta la Ha:
Si
F ( B ) F(br 11 )( b 1 ), , entonces se acepta la Ho:
Si
( a 1 )( b 1 )
F ( A B ) > FGL
Re siduo ,
Si
( a 1 )( b 1 )
F ( A B ) FGL
Re siduo ,
- 392 -
5. Clculo de Anlisis de Varianza.

a) Grados de Libertad (GL)
GLBloque = r 1 = 4 1 = 3
GL A = a 1 = 4 1 = 3
GLE ( a ) = ( r 1 )( a 1 ) = 3 3 = 9
GLB = b 1 = 3 1 = 2
GLE ( b ) = ( r 1 )( b 1 ) = 3 2 = 6
GL A B = ( a 1 )( b 1 ) = 3 2 = 6
GLRe siduo = ( r 1 )( a 1 )( b 1 ) = 3 3 2 = 18
GLTOTAL = abr 1 = 4 3 4 1 = 47
Para facilitar los clculos, se construyen los siguientes cuadros auxiliares:

k
i
A1
A2
A3
A4
Y..k
I
52.47
52.44
52.47
51.83
209.21
II
52.13
51.49
52.23
51.99
207.84
III
52.16
51.38
50.72
53.63
207.89
IV
52.79
52.22
53.14
53.94
212.09
Yi..
209.55
207.53
208.56
211.39
837.03
i
A1
A2
A3
A4
Y.j.
j
B1
B2
B3
Y..k
I
69.44
68.69
71.08
209.21
II
III
IV
70.19 69.2 70.41
70.10 68.32 70.31
67.55 70.37 71.37
207.84 207.89 212.09
B1
B2
B3
69.94 68.87 70.74
70.04
68.7
68.79
69.05 69.44 70.07
70.21 70.41 70.77
279.24 277.42 280.37
Yi..
279.24
277.42
280.37
837.03
Yi..
209.55
207.53
208.56
211.39
837.03
b) Suma de cuadrados (SC)
TC =
2
Y
(837.03) 2
=
= 14596.23377
abr
4 3 4
4
Y2
(209.21)2 +(20784
. )2 +( 20789
. )2 +( 21209
. )2
SCbloques = k TC=
TC = 0992057
.
4 3
k=1 ab
Yi2
(209.55)2 + ( 20753
. )2 +L+( 21139
. )2
TC =
TC = 0675323
.
3 4
i=1 br
4
SCA =
4 4
Y2
(52.47)2 + (52.44)2 +L+(5314
. )2 + (53.94)2
TC = 3284665
SC(A,Bloque) = ik TC =
.
b
3
i=1 k=11
SCError(a) = SC( A,Bloque ) SCA SCBloque = 3284665

.
.
.
.
0675323
0992057
= 1617285
----------------------------------------------------------------------------
Anlisis y Diseo de Experimentos - 393 2 Y2

(279.24)2 +(277.42)2 + (280.37)2
j
.
.
SCB = TC =
TC = 1459651068
TC = 0276913
44
j=1 ar
3 4 Y2
(69.44)2 + (70.19)2 +L+( 7137
. )2
TC = 1459979628
TC = 3562507
SC(B,Bloque) = jk TC =
.
.
4
j=1 k=11 a
SCError(b) = SC( B,Bloque ) SCB SCBloque = 3562507

.
.
.
.
0276913
0992057
= 2293537
---------------------------------------------------------------------------SCAB =
F Y TCI SC SC = F 69.94 + 6887

I
. +L+7077
.
TCJ SC SC = 0616471
.
GH
GH r JK
4
K
4
2
ij
i=1 j=1
SCComb(AB ) =
Yij2
i =1 k =1
TC =
(69.94)2 + (68.87)2 +L+( 7077

. )2
TC = 1568707
.
4
SCTotal = Yijk2 TC = (1767

. 2 +1723
. 2 +L+1794
. 2 ) TC =146046585
.
TC = 8424732
.
i=1 j=1 k=1
SCRe siduo = SCTOTAL SCA SCB SCAB SCBloque SCE( a ) SCE( b )

= 8.424732-0.675323-0.276913-0.616471-0.992057-1.617285-2.293537
= 1.953146

F. de V.
Bloque
Surcos (A)
Error (a)
Densidades (B)
Error(b)
AxB
R e s idual
Total
G.L.
3
3
9
2
6
6
18
47
S.C.
0.992057
0.675323
1.617285
0.276913
2.293537
0.616471
1.953146
8.424732
C.M.
0.330686
0.225108
0.179698
0.138457
0.382256
0.102745
0.108508
Fc.
Signific.
1.253
n.s.
0.362
n.s.
0.947
n.s.
3
2
6
F9,0.05
= 386
. ; F6,0.05
= 514
. ; F18,0.05
= 2.66
Conclusin:
No se encontr diferencia estadstica alguna contrastados a travs de la Prueba de
F para los efectos principales y de interaccin (Surcos, Densidades y Surcos por
Densidades), esto nos demuestra que hay suficiente evidencia para afirmar que los
factores en estudio son independientes.
- 394 -
IMPLEMENTACIN CON EL PROGRAMA SAS.

DATA FRANJA;
INPUT SURCO $ DENSI BLOQUE Y;
DATALINES;
A1
4
1
17.67
A1
4
2
17.23
A1
4
3
17.43
A1
4
4
17.61
....CONTINUAR ...
A4
8
1
17.86
A4
8
2
16.85
A4
8
3
18.12
A4
8
4
17.94
;
PROC PRINT; RUN;
PROC ANOVA;
CLASS SURCO DENSI BLOQUE;
MODEL Y = BLOQUE SURCO BLOQUE*SURCO DENSI BLOQUE*DENSI SURCO*DENSI;
TEST H = SURCO E = BLOQUE*SURCO;
TEST H = DENSI E = BLOQUE*DENSI;
RUN;
SALIDA DE RESULTADOS
The SAS System
The ANOVA Procedure
Class
Levels
Values
SURCO
4
A1 A2 A3 A4
DENSI
3
4 6 8
BLOQUE
4
1 2 3 4
48
Source
Model
BLOQUE
SURCO
SURCO*BLOQUE
DENSI
DENSI*BLOQUE
SURCO*DENSI
Error
Corrected Total
R-Square
Coeff Var
0.768165
1.888997
Sum of
DF
Squares
Mean Square
29
6.47158542
0.22315812
3
0.99205625
0.33068542
3
0.67532292
0.22510764
9
1.61728542
0.17969838
2
0.27691250
0.13845625
6
2.29353750
0.38225625
6
0.61647083
0.10274514
18
1.95314583
0.10850810
47
8.42473125
Root MSE
Y Mean
0.329406
17.43813
F Value
2.06
3.05
1.25
1.66
0.36
3.52
0.95
Pr > F
0.0563
0.0554
0.3473
0.1731
0.7104
0.0175
0.4869
Tests of Hypotheses Using the Anova MS for SURCO*BLOQUE as an Error Term

Source
DF
Anova SS
Mean Square
F Value
Pr > F
SURCO
3
0.67532292
0.22510764
1.25
0.3473
Tests of Hypotheses Using the Anova MS for DENSI*BLOQUE as an Error Term
Source
DF
Anova SS
Mean Square
F Value
Pr > F
DENSI
2
0.27691250
0.13845625
0.36
0.7104
Anlisis y Diseo de Experimentos - 395 EJERCICIO:

1. Se desea analizar el largo de vida (Y) de componentes electrnicos al variar la
temperatura (T) y el tiempo de horneado (H). Se analizan cuatro niveles de temperatura y tres niveles de tiempo de horneado. El experimentador decide realizar
tres replicas. El siguiente cuadro muestra las respuestas obtenidas para cada uno
de los arreglos.
Tiempo
Rplicas (minutos)
I
5
10
15
II
5
10
15
III
5
10
15
580
217
233
175
188
201
195
162
170
213
Temperatura (C)
600
620
158
229
138
186
152
155
126
160
130
170
147
161
122
167
185
181
180
182
640
223
227
156
201
181
172
182
201
199
a) Fijar el modelo lineal aditivo y explicar sus componentes, b) Plantear la hiptesis, c) calcular el ANOVA e interpretar los resultados en base al tenor del problema.
2. Los siguientes datos se refieren a la produccin de trigo obtenido en un experimento, en el cual se utiliz un diseo bloques al azar con arreglo en bloque
dividido, con el objetivo de estudiar el efecto de dos sistemas de riego
(R1:Inundacin y R2:Aspersin) y tres dosis de nitrgeno (N0, N1, N2), distribuidos en cuatro bloques.
- 396 -
Dosis de Sistemas de
Nitrgeno
Riego
0
R1
0
R2
1
R1
1
R2
2
R1
2
R2
Bloques
I
55
71
62
77
69
78
Analice, interprete los resultados.
II
63
77
66
79
77
81
III
63
77
70
78
79
80
IV
65
75
66
76
76
79
10
ANLISIS DE COVARIANZA
(ANCOVA)
Es una tcnica que combina los aspectos del anlisis de variancia y de regresin,
para manejar casos particulares, en los cuales se tiene una o ms variables externas
al experimento que no estn afectas a los tratamientos e influyen en el valor observado. Muy til en investigacin, permite dar una mejor explicacin del comportamietno
de la variable de respuesta y a la vez, permite reducir el error experimental.
Usos del anlisis de covariancia.
Se puede aplicar a cualquier diseo experimental. Mediante el ANVA se descompone la variacin tota de la variable de respuesta en factores controlables y no controlables, en el factor no controlable se considera el error experimental. En el error
experimental estn todos aquellos factores y variables que no puedieron ser medidos
o simplemente no semidieron. Sin embargo, si una variable es factible de medir en
cada unidad experimental, esta debe ser considerada en el modelo, a menos que se
pruebe estadsticamente que no tiene ningn efecto. El anlisis de covariancia
(ANCOVA) permiten el estudio de estas variables externas (concomitantes), si deben o no ser consideradas en el modelo y en que forma se las controla.
Supongamos que en un experimento la variable de respuesta "Y" esta relacionada linealmente con la variable independiente "X", adems el experimentador no
- 398 -
puede controlar la variable "X" pero puede medirla al mismo tiempo que a "Y", esto
es a "X" se le conoce como covariable o variable concomitante, con el ANCOVA se
busca adaptar el valor observado de la respuesta para tomar en cuenta el efecto de la
variable concomitante.
Para realizar el ANCOVA.
a) Primeramente se realiza el anlisis de regresin (prueba sobre el efecto de regresin), si este anlisis resulta ser significativo entonces la variable "X" influye
sobre la variable "Y" (concomitante), entonces se procede a realizar el ANCOVA.
b) En caso de que la prueba sobre el modelo de regresin hubiera resultado ser no
significativo, esto nos indica que la variable "X" no influye en la variable "Y", por
lo tanto el anlisis estadstico se realiza en la variable "Y" sin considerar la variable "X".
Dentro de los posibles usos del ANCOVA estn .
EL ANCOVA se puede aplicar a cualquier diseo experimental. Mediante el
ANVA se descompone la variacin total de la variable "Y" en factores controlables y
no controlables, en el factor no controlable se considera el error experimental. En el
error experimental estn todos aquellos factores y variables que no pudieron ser medidos o simplemente no se midieron. Sin embargo, si una variable es factible de
medir en cada unidad experimental, esta debe ser considerada en el modelo, a menos
que se pruebe estadsticamente que no tiene ningn efecto. El ANCOVA permite el
estudio de estas variables externas (concomitantes), si deben o no ser consideradas
en el modelo y en que forma se las controla. Dentro de los posibles usos del ANCOVA
estn:
a)
Control de variables externas que implica una disminucin del error que se traduce en una mayor precisin del anlisis.
b) Ajuste de las medias de tratamientos de la variable dependiente (Y) por las
diferentes variables independientes (concomitantes).
c) Ayudar en la interpretacin de los datos, especficamente en la naturaleza del
efecto de los tratamientos.
SUPOSICIONES DEL ANCOVA.
Los supuestos requeridos para que sea vlido el ANCOVA son:
- Independencia de los errores.
- Normalidad en las variables aleatorias ~ N (0, )
- Que exista homogeneidad entre las varianzas.
- Aditividad de los efectos involucrados en el modelo.
Anlisis y Diseo de Experimentos - 399 - La variable X es fija, y medida sin error.

- La variable X no esta influenciada por los tratamientos.
- La variable Y esta relacionada con X en forma lineal.
Ejemplos:
El peso inicial (X) de animales relaciona el peso final (Y), cuando estos animales estn sujetos a diferentes raciones. Se estudia el efecto de las raciones a travs de
los pesos observados.
El nmero de plantas (X) por parcela, se estudia el rendiemiento total (Y) de la
parcela.
La incidencia de plagas (X) en el rendimiento de algunas variedades, el estudio
es comparar las variedades.
Porcentaje de germinacin (X), esta medido en el rendimiento (Y).
El rendimiento de las parcelas en una produccin anterior (X), el estudio del
rendimiento de las mismos parcelas al finalizar el experimento (Y).
La edad edad de los animales (X), en la determinacin del peso corporal (Y).
En cada caso se entiende que la variable X tiene un efecto en la variable Y, sin
embargo, esta dependencia deber ser probada estadsticamente mediante el ANALISIS DE REGRESIN.
En algunos casos puede existir ms de una variable externa, caso multivarial,
ejemplo X1 X2, X3. Este caso puede resolverse matricialmente y con ayuda del computador porque los procesos manuales son tediosos.
Modelos estadsticos para el anlisis de covarianza.
ANCOVA en el Diseo completamente al azar:
Y ij = +
+ (X
ij
X .. ) + ij ;
i = 1, 2 , L , t ;
j = 1 , 2 , L , ri
ANCOVA en el Diseo Bloque Completamente al Azar.
Yij = + j + i + ( X ij X .. ) + ij ;
i = 1,2 , L , t ;
j = 1,2 , L , r
- 400 -
ANCOVA en el Diseo Cuadrado Latino.
Yij ( k ) = + Fi + C j + k + ( X ij ( k ) X ) + ij ( k ) ;
i = j = k = 1,
Experimento factorial con dos factores con un modelo de Covarianza lineal simple.
Diseo completamente al azar.
Yijk = + i + j + ( ) ij + ( X ijk X ) + ijk ;
i = 1,2,L , a;
j = 1,2,L , b
k = 1,2,L , r
Diseo bloque completamente al azar.
Yijk = + j + i + k + ( ) ik + ( X ijk X ) + ijk ;
i = 1,2,L , a;
j = 1,2,L , b
k = 1,2,L , r
En todos los modelos
es un parmetro que representa el coeficiente de
regresin. Se supone que es distinto de cero, lo cual debe probarse, caso contrario
en el modelo se elimina el trmino afectado por
Las hiptesis a formularse en ANCOVA son:

Para la regresin:
Para tratamientos.
H o: = 0
v s.
H a: 0
Ho: i = 0 vs. Ha: i 0, i =1,2 ,L,t
ANCOVA BAJO EL DISEO COMPLETAMENTE AL AZAR.
Para realizar ambas pruebas la hiptesi se realizar: a) Para la regresin Ho: = 0 vs. Ha: 0 y b) Para tratamientos: Ho: i = 0 vs. Ha: i 0 ,
se deben calcular las sumas de cuadrados y sumas de productos de las variables X e
Y.
ANALISIS DE REGRESION: Hiptesis: Ho: = 0 vs. Ha: 0

F. de V.
G.L.
Suma de Cuadrados
r-1
bE XY = SSRm = b$ ' X ' Y NY 2
Error resid. N - r
EYY bEXY = SSE = Y' Y b$' X ' Y
Total
SSTm = Y ' Y NY 2
Regresin
N-1
Cuadrados Medios
SSRm
= MSRm
r 1
SSE
= MSE
rN
Fobs.
M SRm
M SE
Para tratamientos el modelo estadstico lineal es:
Yij = + i + ( X ij X .. ) + ij ;
i = 1,2,L, t ;
j = 1,2,L , r
donde:
Yij = Es la j-sima observacin de la variable de respuesta tomada bajo el i-simo
tratamiento o nivel del facto nico.
= La media general o constante comn.

= Es un parmetro que representa el coeficiente de regresin lineal que indica la
dependencia entre Yij y Xij .
Xij = Es el valor de la covarianza o variable concomitante correspondiente a Yij, es

decir es el ij-simo ensayo.
X = Es el promedio de las Xij .

ij = Es un componente de error aleatorio ij ~ NI (0, 2e )
- 402 -
Los clculos para un ANCOVA basado en el modelo de la ecuacin se resumen a

continuacin.
ANALISIS DE COVARIANZA GENERAL PARA DISEO COMPLETO AL AZAR.
Suma de cuadrados y
Productos cruzados
F. de V.
G.L.
xy
Tratamientos
t-1
TXX
TXY
Error experimental
n t EXX
Tratam.+ Error
n 1
EXY
S XX = TXX + E XX
Desviaciones respecto a la
regresin.
y
( xy) 2
G.L.
C.M.
TYY
EYY
SE = EYY
S XY = TXY + E XY
Diferencias para probar entre
2
E XY
E XX
S T + E = S YY
ST+E SE = TYY
n t 1
i
2
S XY
S XX
2
XY
SE =
n 2
i
2
XY
S
E
+
SXX EXX
t-1
medias ajustadas de tratamientos
SUMA DE CUADRADOS Y PRODUCTOS:

PARA TRATAMIENTOS:
t
T XX =
i =1
TXY =
i =1
TYY =
X i2.
X ..2
ni
n i (suma de cuadrados de tratamientos para X).
Xi.Yi. ( X.. )(Y.. )
ni
ni (suma de productos de tratamientos para X e Y).
i =1
Yi .2
Y2
.. (Suma de cuadrados de tratamientos para Y).
ni
ni
ERROR (Por diferencia: Error = Total - Tratamientos).
SE
t 1
Anlisis y Diseo de Experimentos - 403 ni
E XX = X ij2
i =1 j =1
i =1
ni
E XY = Xij Yij
i =1 j =1
E YY =
i =1
ni
Xi.Yi.
ni (Suma de cuadrados del error experimental para X e Y)
Yij2
i =1 j = 1
X i2.
ni (Suma de cuadrados del error experimental para X)
i =1
Yi .2
n i (Suma de cuadrados del error experimental para Y).
TRATAMIENTO + ERROR: La suma de estas fuentes de variacin es:
S XX = TXX + E XX
S XY = TXY + E XY
SYY = TYY + EYY
xy = X
2
x = X
2
ij ij
2
ij
( X ij ) 2
y = Y
2
2
ij
( Yij ) 2
d X id Y i
ij
ij
OTRA FORMA DE CALCULAR:

PARA LA VARIABLE X:
S XX =
T XX =
XX
X ..2
X
n i (suma de cuadrados total de X).
2
ij
X i2.
ni
X ..2
n i (Suma de cuadrados de tratamientos de X).
= S X X T X X (Suma de cuadrados del error X).
PARA LA VARIABLE Y:
S YY =
2
ij
Y..2
n i (suma de cuadrados total de Y).
- 404 -
TY Y =
Y i .2
ni
Y ..2
ni
(Suma de cuadrados de tratamientos de Y).
E YY = S YY TYY
(Suma de cuadrados del error X).
PRODUCTO CRUZADO DE XY:
S XY =
T XY =
ij
Yij
( X .. )(Y.. )
ni ( suma de producto total XY).
X i . Yi .
( X .. )( Y.. )
ni
ni
(Suma de producto para tratamiento XY).
E XY = S XY T XY
(Suma de Producto del error XY).
Del cuadro se determina el valor de F calculado (Fc) para la prueba estadstica:

Ho: = 0
F=
2
2
E XY
E XY
E XX
E2 E
=
= XY 2 XX con
v1 =1
S ( E XX ) S E ni t 1
SE
2
E
v2 = ni t 1 grados de
libertad.
PARA TRATAMIENTOS:
F=
bS
T+E
SE
SE (t 1)
dn t 1i
i
bS
H o: i = 0
T +E
SE (t 1)
S
2
E
vs .
H a: i 0
con v1 = t 1 y v2 = ni t 1 grados
de libertad.
A parte de realizar la prueba F es frecuente e importante presentar una tabla de
medias de tratamientos ajustadas, como una ayuda para la interpretacin de los
resultados experimentales. Las medias de tratamientos ajustadas se pueden encontrar por medio de la siguiente frmula:
Yi .ajust = Yi ( X i X );
i = 1,2 ,L , t .
Donde es el coeficiente de regresin calculado a partir del error experimental de cuadrado y productos, esto es:
E XY
E XX
La varianza estimada de una media de tratamientos ajustada esta dada por:
LM 1 c X X h OP
MNn + E PQ
2
V$ ajus.Yi = S E2
XX
El error estndar de una media de tratamientos ajustada por:
S Ajust .Yi = V$ ajus. Yi = S E
LM 1 c X X h
MN n + E
XX
OP
PQ
La varianza estimada de la diferencia entre dos medias de tratamiento ajustadas,

esta dada por:
V$ ajus. Yi ajust . Y j = S E2
LM 1
MN n
Xi X
1
+
+
nj
E XX
i OP
PQ
2
EJEMPLO.
En un experimento realizados en cerdos de las razas: Yorkshire, Hampshire y
Criolla se evalu el peso final (Y) de estos animales enla Estacin Experimental
Illpa - INIAA-Puno, para este experimento se pes a los animales al inicio del
experimento, registrndose a este peso inicial de los cerdos (X), estos animales
fueron alimentados con residuos de la zona. La informacin se presenta a continuacin.
- 406 -
1
2
3
4
Xi. Yi.
YORKSHIRE
X
Y
7.4
18.7
10.6
24.4
13.5
30.1
12.0
25.9
43.5
99.1
HAMPSHIRE
X
Y
8.4
20.2
10.8
22.5
12.4
22.9
10.3
20.1
41.9
85.7
CRIOLLO
X
Y
12.8
22.0
10.6
20.4
10.8
20.7
11.4
21.0
45.6
84.1
X.. Y..
131 268.9
PRIMER PASO ES RESOLVER MEDIANTE LA REGRESION.

El procedimiento se realiza agrupando en dos columnas X e Y. Los resultados
son las siguientes:
2
i
= 1463.22,
XY
= 6134.23,
X'X =
LM 12
N131
( X' X)1 =
146322
.
1
12(146322
. ) 131*131 131
$ = ( X' X)1 X'Y =
O,
1463.22 PQ
i i
131
LM
N
= 2978.64,
LM 268.9 OP
N2978.64 Q
.
131O
1 L146322
,=
M
P
12 Q 39764
. N 131
= 131,
X 'Y =
LM
N
OP LM
QN
OP
Q
LM
N
OP LM
Q N
OP
Q
131
12
OP
Q
.
.
.
.
8193385977
131 2689
1 146322
1 3258018
=
=
.
.
.
51778
1302132585
131 12 297864
.
.
39764
39764
SSRm = $ ' X 'Y NY 2 = 8193385977

1302132585
.
.
LM 2689. OP 12FG 2689. IJ

H 12 K
. Q
N297864
= 561848405
.
SSE = Y ' Y $ ' X ' Y = 6134.23 6081785674

.
= 52.444326
.
= 108.6291669
SSTm = Y' Y NY 2 = 6134.23 6025600833
F. De V.
G.L.
Debido a regresin 1
Error
10
Total
11
R2 =
S.C.
56.184841
52.444326
108.629167
C.M.
Fobs.
56.184841 10.71**
5.244433
SSRm
561848405
.
x100 = 5172
=
. ,
SSTm 108.6291669
r = 0.72
0.05 0.01
4.96 10.04
Anlisis y Diseo de Experimentos - 407 CONCLUSION:

Como Fc = 10.71 > Ft = 10.04, entonces se rechaza la hiptesis nula, esto implica que 0 , es decir que la variable Y esta influenciada por la variable X, por
consiguiente se procede a efectuar el anlisis de covarianza. Esta afirmacin
podemos corroborar con el coeficiente de determinacin R 2 = 5172
. %, es decir
el 51.72% de la variacin de peso final depende de la variacin del peso inicial,
y en un 48.28% debe a otros factores como por ejemplo medio ambiente, condiciones de manejo y otros.
Como se comprob que la Fc es significativo, entonces se procede a efectuar el
ANCOVA.
PARA TRATAMIENTOS:
t
TXX =
i =1
TXY =
i =1
X i2.
X ..2
43.52 + 41.9 2 + 45.6 2 131
= 1.7216667
ni
4
12
ni
Xi.Yi. ( X.. )(Y.. ) (435

. )(991
. ) + (419
. )(857
. ) + (456
. )(841
. ) (131)(2689
.)
= 13316666
.
ni
4
12
ni
Yi .2
Y2
99.12 + 85.7 2 + 84.12 (268.9) 2
.. =
= 33.9266667
4
12
i =1 ni
ni
t
TYY =
ERROR (Por diferencia: Error = Total - Tratamientos).

ni
EXX = Xij2
i =1 j =1
i =1
ni
EXY = Xij Yij

i =1 j =1
IJ
K
h FGH
Xi2.
435
. 2 + 419
. 2 + 456
.2
= 74
= 31415
. 2 + 106
. 2 +135
. 2 +L+108
. 2 +114
.2
.
ni
4
i =1
Xi.Yi.
= (74
. )(187
. ) + (106
. )(244
. )+L+(108
. )(207
. ) + (114
. )(210
.)
ni
FG 435. *991. + 419. *857. +L+456. *841. IJ = 4448

H
K .
4
c991. +857. +841. h = 747025
= c187
. + 244
. +L+207
. + 210
. h
.
t ni
t
Y2
EYY = Yij2 i.
i=1 j=1
i=1 ni
- 408 -
TRATAMIENTO + ERROR: La suma de estas fuentes de variacin es:
.
+ 31415
.
= 331366667
.
S XX = TXX + E XX = 17216667
.
+ 44.48 = 431483334
.
S XY = TXY + E XY = 13316666
SYY = TYY + E YY = 33.926667 + 74.7025 = 108.629167
TABLA DE ANALISIS DE COVARIANZA (ANCOVA).
Suma de Cuadrados y Productos Correg. Desviacin respecto a Regres.
xy
F. De V.
G.L.
Tratamientos
2
1.7216667 -1.3316666 33.9266700
Error exptal.
9
31.4150000 44.4800000 74.7025000
Trat. + Error
11
33.1366667 43.1483334 108.6291700
Diferencias para probar entre medias ajustadas de tratamientos
d xy i
x2
G.L.
11.7239733 8
52.4443132 10
40.7203424 2
C.M.
1.465497
20.36017
2
E XY
(44.48) 2
S E = EYY
= 74.7025
= 1172397382
.
E XX
31415
.
S E2 = 1.465496727 , S T + E
= SYY
2
S XY
= 52.44431618 , S S = 4072034236
.
T +E
E
S XX
F-calculado para TRATAMIENTOS:
F=
(ST+E SE ) (t 1) 2036017118
.
. **,
=
= 1389
1465496727
.
SE2
.
con F82(0.01) = 8649
F-calculado para REGRESION:

F=
2
EXY
E2 E
(4448
. )2
=
= XY 2 XX = 4297418413
.
**,
S (EXX ) 1465496727
SE
.
*31415
.
2
E
con F81(0.01) = 11259

.
Para resumir los datos analizados en un tabla necesitamos efectuar los siguientes clculos.
SCTOTAL sin corregir = Yi 2 = SST = 6134.23
SCde la Media = SSM =
Y..2
(268.9) 2
=
= 6025.600833
12
ni
SCError exp tal. = SSE = EYY
2
E XY
44.482
= 74.7025
= 1172397382
.
E XX
31415
.
SCREGRESION = SSRm = SST SSM SSE = SCTotal SCMedia SCError

= 6134.23 6025600833
.
1172397383
.
= 96905193
.
SCTrat ./ = ST + E S E = 52.44431618 1172397382
= 40.72034236
.
4072034236
= 5618485081
SCDebidoa = SCregresin SCTrat./ = 9690519317
.
.
.
F. de
V.
G.L.
S.C.
C.M.
Media
SC() = Y..2
Regresin.
SC ( 1 , 2 ,...., t 1 , ) / )
Debido a
Error exptal.
SC ( )
Tratamiento/
t-1
Total
SC(1,2 ,....,t1 ,)
2
EYY EXY
EXX
t 1
SC Trat ( t 1)
E YY ( ni t 1)
Numricamente tenemos en la siguiente Tabla:

F. De V.
Media
REGRESION
Debido a
Tratamientos/
Error Exptal.
Total
G.L.
1
3
1
2
8
12
S.C.
6025.6008330
96.9051932
56.1848508
40.7203424
11.7239738
6134.2300000
C.M.
Fc.
20.3601712 13.89**
1.4654967
- 410 -
Ajuste de los promedios de los tratamientos mediante el uso de frmula:
Yi .ajust . = Yi . X i . X ..
donde:
Yi. Ajust = Promedio ajustado de cada tratamiento.

Yi . = Promedio de cda tratamiento sin ajustar.
= Coeficiente de regresin.
X i. = Promedio del nmero de observaciones en cada tratamiento (o variable X).

X .. = Promedio general del nmero de observaciones por unidad experimental.
El ajuste siempre es ventajoso, an cuando la prueba de F, para la variable X no
sea significativa: = E XY E XX = 44.48 31.415 = 1.415884132
Y$i = Yi . 1.415884132 X i . X .. ,
Tratamientos
X i.
Xi. X..
X .. =
i.
131
= 10.91666667
12
..
Yi .
Yi . Ajustado
Yorkshire 43.5/4 = 10.875 -0.04167 -0.05899517 99.1/4 = 24.775 24.833995

Hampshire 41.9/4 = 10.475 -0.44167 -0.62534882 85.7/4 = 21.425 22.05034
Criollo
45.6/4 = 11.40 0.48333 0.684343997 84.1/4 = 21.025 20.340656
La suma de las desviaciones debe ser cero X i. X .. = 0

La suma de promedios observados experimentalmente tambin debe ser igual a
la suma de los promedios ajustados.
C.V . =
S E2
Y..
x100 =
1465496727
.
x100 = 5.40%
268.9 12
Anlisis y Diseo de Experimentos - 411 La varianza estimada de una media de tratamientos ajustada est dada por:
V$ ajus.Yi = S
Tratamientos
LM 1 c X X h OP
MN n + E PQ
2
2
E
i.
..
X i.
XX
Xi. X..
i.
..
Yorkshire 10.875 -0.04167 -0.05899517

Hampshire 10.475 -0.44167 -0.62534882
Criollo
11.40 0.48333 0.684343997
Yi .
Yi . Ajustado
24.775 24.833995 0.605355408

21.425 22.05034 0.612759406
21.025 20.340656 0.614224749
El error estndar de una media de tratamientos ajustada por:
S Ajust .Yi
LM 1 c X X h OP
MN n + E PQ
2
= V$ ajus.Yi = S E
i.
..
XX
LM b
MN
g OP = 036645517
.
PQ
. 1091666667
.
1 10875
V$ ajus.Y1 = 1465496727
.
+
.
4
31415
S Ajust .Y1 = 0.36645517 = 0.605355408
LM b
MN
g OP = 037547409
.
PQ
. 1091666667
.
1 10475
V$ ajus.Y2 = 1465496727
.
+
.
4
31415
S Ajust .Y2 = 0.37547409 = 0.612759406
S Ajustado .Yi
LM b
MN
g OP = 0377272043
.
PQ
. 1091666667
.
1 1040
V$ ajus.Y3 = 1465496727
.
+
.
4
31415
S Ajust .Y3 = 0.377272043 = 0.614224749
- 412 -
La varianza estimada de la diferencia entre dos medias de tratamiento ajustadas

est dada por:
LM
MN
Xi X j
1 1
+ +
V$ ajus.Yi ajust.Yj = S E2
ni n j
E XX
i OP
PQ
2
PROGRAMA EN SAS.
DATA CERDOS;
INPUT RAZA $ X Y;
CARDS;
Y 7.4 18.7
Y 10.6 24.4
Y 13.5 30.1
Y 12.0 25.9
H 8.4 20.2
H 10.8 22.5
H 12.4 22.9
H 10.3 20.1
C 12.8 22.0
C 10.6 20.4
C 10.8 20.7
C 11.4 21.0
;
PROC PRINT; RUN;
PROC REG;
MODEL Y = X /XPX I COVB;
RUN;
PROC GLM;
CLASS RAZA;
MODEL Y = RAZA X /SOLUTION SS3;
LSMEANS RAZA /STDERR PDIFF;
RUN; /* PRESIONE F3 PARA EJECUTAR EL PROGRAMA */
Anlisis y Diseo de Experimentos - 413 EJEMPLO.

Aplicacin. En un experimento en cerdos se evalo el peso (Y) de estos animales cuando se aplicaron 4 tipos de alimento balanceado 2, 3, 4, 5 y un testigo
identificado como 1, Se peso a los animales al iniciar el experimento, registrndose a este peso inicial como la variable X.
1
1
2
3
Xi.
Yi.
X
15
18
21
Y
55
60
63
X
16
22
26
Y
65
62
69
X
14
23
27
Y
80
95
100
X
13
15
12
Y
80
95
79
X
16
19
15
Y
83
94
98
54
178
64
196
64
275
40
254
50
275 272 1178
Y..
X..
Cuadro de ANVA para la regresin

Fuentes
g.l.
S.C.
C.M.
Fc
Regresin
Residual
1
9
248.64
306.69
248.64
34.08
7.30
Fc>Ft, se rechaza la Ho: b=0. Se afirma estadsticamente que el peso inicial tiene
una influencia en el peso final del animal.
Prueba de hiptesis : Ho : ti=0 vs ti0
Segn el resultado de la regresin, el anlisis continua con el ANCOVA.
Fuentes
g.l.
Alimentos
Error
4
10
137.1
170.6
Al. + error 14
307.7
Alimento ajustado
CV=7.43% F
=3.63
0.05(4,9)
xy
-139.0
206.0
2776.4
555.3
66.9
3331.7
3010.45
( xy ) 2
306.69
g.l.
CM Fc
34.0
752.6 22
3317.14
- 414 -
Comparaciones de los promedios

Peso (X)
Peso (Y)
Peso Ajustado
Inicial
Final
Final
1 18.00
59.33
59.33-1.207(18.00-18.13)=59.49
2 21.33
65.33
61.47
3 21.33
91.67
87.81
4 13.33
84.67
90.46
5 16.67
91.67
93.43
Comparacin Dif
0.05
0.01
Signif
11.99
11.99
10.79
13.48
11.76
11.99
16.22
16.22
15.50
19.37
16.90
16.22
ns
**
**
ns
ns
ns
1 vs 2
1 vs 3
2 vs 3
3 vs 4
3 vs 5
4 vs 5
1.98
28.32
26.34
2.65
5.62
2.97
4.99
4.99
4.77
5.96
5.20
4.99
El alimento tstigo y el alimento balanceado 2 responden en forma semejante,

los alimentos balanceados 3, 4 y 5 no muestran diferencias, sin embargo,
este grupo difiere muy significativamente del grupo testigo y alimento 2.
PROGRAMA EN SAS.
DATA ANCOVAM;
TITLE Alimento para cerdos EN UN D.B.C.A.;
DO ALIMENTO = 1 TO 5;
INPUT INICIAL FINAL @;
OUTPUT;
END;
CARDS;
15 55 16 65 14 80 13 80 16 83
18 60 22 62 23 95 15 95 19 94
21 63 26 69 27 100 12 79 15 98
;
PROC GLM; CLASS ALIMENTO;
MODEL FINAL=ALIMENTO INICIAL/SOLUTION SS3;
LSMEANS ALIMENTO/STDERR PDIFF;
RUN;
Anlisis y Diseo de Experimentos - 415 ANALISIS DE COVARIANZA EN UN ARREGLO FACTORIAL

En esta parte vamos a describir y aplicar el anlisis de covarianza en un arreglo factorial con dos factores, en un diseo completamente al azar. Consideramos
ahora la combinacin de efectos para definir tratamientos o estmulos, tomando en
cuenta que la respuesta de los mismos puede ser afectada por una variable, la cual se
pretende controlar a travs de covarianza.
El modelo estadstico para este anlisis es el siguiente:
Yijk = + i + j + ( )ij + ( X i .. X ... ) + ijk

i = 1,2,3,.., a
j = 1,2,3,.., b
k = 1,2,3,.., r
= Coeficiente de regresin
EJEMPLO:
En la Granja de Animales Menores de la Facultad de Medicina Veterinaria y
Zootecnia de la UNA - Puno, se ensay dos razas de conejos: California y Nueva
Zelandia, para este experimento se ha suministrado tres raciones de tratamientos: T1
= Forraje hidropnico, T2 = 25% de concentrado y 75% de forraje hidropnico y T3
= Puro concentrado, el objetivo del presente estudio fue evaluar el incremento de
peso vivo durante las 8 semanas. La informacin se presenta a continuacin:
T1
X
1 749.5
2 614.7
3 477.7
4 726.5
5 767.4
Total 3335.8
XY 5449586
Y
1996.5
1503.7
1096.4
1807.9
1552.9
7957.4
Raza California
T2
T3
X
Y
X
423.7 1411.7 757.7
550.8 1558.5 391.1
712.6 1834.7 622.5
685.8 1882.1 738.0
691.5 1923.9 627.3
3064.4 8610.9 3136.6
5385087
6042370.6
Y
2197.3
1410.9
1734.4
2132.4
1868.8
9343.8
T1
X
708.0
574.1
692.1
738.8
618.9
3331.9
Y
1490.0
1030.0
1790.5
2070.5
1570.0
7951.0
Raza Nueva Zelandia

T2
T3
X
Y
X
675.5 1418.5 786.4
496.9 1799.1 807.3
609.3 1685.0 698.6
747.4 1498.7 749.7
778.7 1977.7 749.5
3307.8 8379.0 3791.5
5539003
7203000
X... = 19968.0
Y... =
51746.6
Y
1900.
1820.
1893.
2200.
1691.
9504.
- 416 -
1) Suma de cuadrados para X.
a) TC =
b)
X 2 ... ( 19968 )2
=
= 13290700.8
abr
2x3x5
2
SCTotal = Xijk
TC
2) Suma de cuadrados para Y
a) TC =
b) SC Total =
= 749.52 + 614.7 2 +L+749.7 2 + 749.52 TC
br
3x5
2
ijk
2
2
2
c) SC = Yi.. TC = 25912.1 + 25834.5 TC
A
br
3x5
=26665.05
d) SC =
B
=
2
. j.
ar
=200.73
TC
= 15471.774
e) SC Int(AB) = SC comb(AB) SC A SC B
X
r
2
ij.
2
. j.
d) SC B =
.2
6667.7 2 + 6372.2 2 + 69281
TC
2x5
SCcomb(AB) =
TC
. 2 TC
= 1996.52 + 1503.7 2 +L+2200.02 + 16912
= 2461716.71
= 345884.08
.2
c) SC = Xi.. TC = 9536.82 + 104312
TC
A
Y 2 ... ( 51746.6 )2
=
= 89257020.39
abr
30
ar
TC
15908.4 2 + 16989 .9 2 + 18848.32

TC
2x5
= 442210.16
e) SCInt(AB) = SCcomb(AB) SCA SCB
SCcomb(AB) =
TC
. 2 + 37915
.2
3335.82 + 3064.42 +L+33078
TC
5
= 64287.052
2
ij.
TC
7957.42 + 8610.92 +L+83792 + 9504.52

TC
5
= 450174.47
SC int(AB) = 64287.05 - 26665.05-15471.774 SCint(AB) = 450174.47 - 200.73 -442210.16

= 22150.23
f) SC Error = SCTotal SC Comb(AB)

= 345884.08 - 64287.052
= 281597.028
= 7763.58
f)
SCError = SCTotal SCComb(AB)

= 2461716.71 - 450174.47
= 2011542.25
Anlisis y Diseo de Experimentos - 417 3) Suma de Cuadrados para calcular:
a) TC =
(Producto cruzado)
(X...)(Y...) (19968.0)(51746.6)
=
= 34442536.96
abr
30
xy
b)
xy
Total
ijk
Yijk TC
= (749.5)(1996.5) + ........ + (749.5)(1691.2) - TC

= 563316.89
xy
c)
=
=
xy
d)
e)
i..
Yi..
br
TC =
(X 1.. )(Y1.. ) + (X 2.. )(Y2.. )

TC
br
(9536.8)(25912.1) + (10431.2)(25834.5)
TC = -2313.515
15
X Y
.j. .j.
ar
TC =
(X.1. )(Y.1. ) +(X.2. )(Y.2. ) +(X.3. )(Y.3. )

TC
ar
(6667.7)(15908.4) +(6372.2)(16989.9) +(6928.1)(18848.3)

TC= 49301.709
2x5
SC Int(AB) = SC comb(AB) SC A SC B
SC comb(AB) =
=
ij.
Yij.
TC
(3335.8)(7957.4) +(3064.4)(8610.9) + L+(3307.8)(8379.0) +(3791.5)(9504.5)

TC
5
SC int(AB) = 54184.002 + 2313.515 - 49301.709

= 7195.808
f)
SC Error = SC Total SC Comb(AB) = 563316.89 - 54184.002

= 509132.888
- 418 -
La salida con el Sistema de Anlisis Estadstico S.A.S. se presenta a

continuacin:
Primeramente se realizar el Anlisis de Regresin para detectar, si la
variable X influye sobre los tratamientos en estudio.
Model: MODEL1
Sumof
Source
DF
Squares
Model
1
917434.29926
Error
28
1544282.4154
C Total
29
2461716.7147
Root MSE
234.84664
Dep Mean 1724.88667
C.V.
13.61519
Parameter Estimates
Variable
INTERCEP
X
R-square
Adj R-sq
Mean
Square
917434.29926
55152.94341
F Value
16.634
0.3727
0.3503
Parameter
Standard
TforH0:
DF
Estimate
Error
Parameter=0
1 640.871114
269.22243225
2.380
1
1.628629
0.39931816
4.079
COVB
INTERCEP
INTERCEP
72480.718025
X
-106.1332431
Prob>F
0.0003
Prob > |T|

0.0243
0.0003
X
-106.1332431
0.1594549926
Se observa que la Fc = 16.634 es mayor que F-tabla, entonces se procede a realizar

el Anlisis de Covarianza.
Class
Levels Values
RAZA
2
CALI
ZELA
ALIM
3
CONC CPURO
REP
5
12345
HIDRO
Anlisis y Diseo de Experimentos - 419 Dependent Variable: Y

Source
Model
Error
Corrected Total
Sumof
Squares
6
1370696.602
23
1091020.112
29
2461716.715
Mean
Square
228449.434
47435.657
DF
R-Square
0.556805
C.V.
12.62676
Root MSE
217.7973
F Value Pr > F
4.82
0.0026
Y Mean
1724.88667
Type III SS
Source
DF
Mean Square
F Value
RAZA
1
87451.7603
87451.7603
1.84
ALIM
2
312978.1754 156489.0877
3.30
RAZA*ALIM
2
50597.7288
25298.8644
0.53
X
1
920522.1358 920522.1358
19.41
TforH0:
Estimate
Parameter=0
385.3720360 B
1.33
-0.1302551 B
-0.00
0.0000000B
.
.
94.3146535 B
0.68
CPURO 144.5068573 B
1.01
HIDRO
0.0000000B
.
.
1.8080194
4.41
Parameter
INTERCEPT
RAZA
CALI
ZELA
ALIM
CONC
X
Least Squares Means

RAZA
Y
Std Err
LSMEAN
CALI 1781.37642
57.55088
ZELA 1668.39692
57.55088
ALIM
CONC
1750.30159
CPURO 1835.63379
HIDRO 1588.72462
LSMEAN
69.85157
69.77310
68.87522
Pr>|T|
0.1974
0.9993
0.5004
0.3222
0.0002
Pr > |T|
LSMEAN H0:LSMEAN=0
0.0001
0.0001
Std Err
Pr > |T|
LSMEAN H0:LSMEAN=0
0.0001
0.0001
0.0001
Least Squares Means for effect ALIM

Pr > |T| H0: LSMEAN(i)=LSMEAN(j)
i/j
1
2
3
1
.
0.4025 0.1133
2 0.4025
.
0.0191
3 0.1133 0.0191
.
StdErrorof
Estimate
290.32814569
137.74746933
.
137.76130216
142.82004148
.
0.41042937
Pr > |T| H0:
LSMEAN1=LSMEAN2
0.1877
LSMEAN
Number
1
2
3
Pr > F
0.1877
0.0550
0.5937
0.0002
- 420 -

General Linear Models Procedure
Least Squares Means
RAZA ALIM
Y
Std Err
Pr > |T|
LSMEAN
LSMEAN H0:LSMEAN=0
CALI CONC
1817.49878
99.77639
0.0001
CALI CPURO 1937.97098
98.66091
0.0001
CALI HIDRO 1588.65949
97.40401
0.0001
ZELA CONC
1683.10440
97.41602
0.0001
ZELA CPURO 1733.29660
104.56907
0.0001
ZELA HIDRO
1588.78974
97.40243
0.0001
Least Squares Means for effect RAZA*ALIM
Pr > |T| H0: LSMEAN(i)=LSMEAN(j)
i/j
1
2
3
4
5
1
.
0.3913 0.1146 0.3443 0.5803
2 0.3913
.
0.0192 0.0786 0.1796
3 0.1146 0.0192
.
0.4999 0.3214
4 0.3443 0.0786 0.4999
.
0.7294
5 0.5803 0.1796 0.3214 0.7294
.
6 0.1147 0.0192 0.9993 0.5004
0.3222
6
0.1147
0.0192
0.9993
0.5004
0.3222
.
LSMEAN
Number
1
2
3
4
5
6
Anlisis y Diseo de Experimentos - 421 A NLISIS DE COVARIANZA MLTIPLE.

En situaciones generales, es posible que sobre cada unidad experimental se
observen los valores de p variables concomitantes, simultneamente con el valor
observado de la caracterstica en estudio.
Yij = + i + j + 1 X1ij + 2 X 2ij + L + p X pij + ij

Con los resultados del experimento se debe preparar, en primer lugar la siguiente tabla:
Las sumas de cuadrados:
R x1x1 , Tx1x1 , E x1x1 , R x2 x2 , Tx 2 x 2 ,K , R yy , Tyy y E yy , de la Tabla resumen

pueden ser obtenidos como en cualquier diseo de Bloque completo al azar.
Sx1x1 = Tx1x1 + Ex1x1 ; Sx1x2 = Tx1x2 + Ex1x2 ;K; Ux1x1 = Rx1x1 + Ex1x1 ;
U x1x 2 = R x1x 2 + E x1x 2 ;L
Las sumas de productos pueden ser calculadas a partir de las ecuaciones:
r
X Y
.j
R xiy =
j=1
t
t
.j
Txi y =
X Y
i.
i=1
X Y
ij
E xi y =
(X..)(Y..)
rt
i =1 j =1
ij
Txy R xy
(X..)(Y..)
rt
i.
(X..)(Y..)
rt
- 422 -
G.L.
Bloques
r- 1
Rx1x1
Rx1x2
Rx1y
Rx2x2
Rx2y
Tratamientos
t- 1
Tx1x1
Tx1x2
Tx1y
Tx2x2
Tx2y
Ex1x2
Ex1y
Ex2x2
Ex2y
Tox1x2
Tox1y
Tox2x2
Tox2y
Error exptal.
Total
(r - 1)(r - 1) Ex1x1
Tox1x1
rt - 1
Tratamiento + Error
r(t-1)
Sx1x1
Sx1x2
Sx1y
Sx2x2
Sx2y
Bloque + Error
t(r - 1)
Ux1x1
Ux1x2
Ux1y
Ux2x2
Ux2y
F. De V.
SUMAS DECUADRADOS YDEPRODUCTOS CORREGID

x12 x1x2 x1y x22 x2y
RYY
TYY
EYY
SYY
r- 1
t-1
(r - 1)(t - 1)
r(t - 1)
Bloque
Tratamientos (T)
Error Exptal. (E)
i =1
i(T + E)
( b iE E
(b
i=1
t(r - 1)
UYY
i =1
(b
i(B+ E)
Diferencia para probar entre medias de bloques ajustados
B+E
S x iy )
xiy
S.C. Debido a la
regresin
.....
.....
U xiy )
Diferencia para probar entre medias de tratamientos ajustados
T+ E
S.C.
G.L.
Fuentes de Variacin
i =1
(b
iE
E xiy ) = W
Z- W
i=1
X- W
Uyy (bi(B+E)Uxyi )=X
i=1
Syy (bi(T+E)Sxiy ) =Z
S yy
S.C. De las desviaciones respec. A la regr.

.....
.....
G.L.
r- 1
t(r - 1)
t-1
r(t - 1) - 2
(r - 1)(t - 1) - 2
ANALISIS ABREVIADO DE COVARIANCIA PARA LOS DATOS DEL EXPERIMENTO
- 424 -
ANALISIS DECOVARIANCIAPARALOS DATOS EXPERIMENTALES.

Fuentes de Variacin
Media
Regresin
G.L.
Suma de Cuadrados
2
..
X rt
1
r+ t
Por diferencia
C.M.
.....
.....
Debido a 1 ,2
Bloques/ 1 , 2
Tratamientos/1 ,2
Error exptal.
Total
k
r- 1
t-1
(r - 1)(t - 1) -2
rt
( b iT o T o
i=1
x iy
Por diferencia
Z- W**
W*
2
ij
.....
(Z - W)
(t - 1)
W
=E
(r -1)(t -1) - 2
.....
EJEMPLO.
Se probaron 5 lneas de soya, conducidas en un Diseo Bloque Completo al Azar
con 4 repeticiones. Los datos que se registaron fueron :
X1 : maduracin, medida en das posteriores al de la variedad testigo
X2 : acame, medido en una escal de 0 a 5.
Y : infeccin por gangrena del tallo medida como porcentaje de tallos infectados.
El objetivo principal es saber cual de los dos, la madurez o el acame, est ms
intimamente relacionadao con la infeccin. Determine esto a partir de la regresin mltiple del error. Pruebe la hiptesis de que no existen diferencias entre los
promedios de infeccin ajustados para las variedades.
Resultados ordenados del experimento de soya conducido en D.B.C.A.
Anlisis y Diseo de Experimentos - 425 Lnea

Tratamiento
A
B
C
D
E
TOTAL
X1
9
10
10
8
12
49
Bloque I
X2
Y
3 19.3
3 10.1
2.5 13.1
2 15.6
2.5 4.3
13 62.4
X1
10
10
9
5
11
45
Bloque II
X2
Y
2 29.2
2 34.7
1.5 59.3
2
49
1 48.2
8.5 220.4
X1
12
9
12
8
13
54
Bloque III
X2
Y
3
1
2
14
2.5 1.1
2 17.4
3
6.3
12.5 39.8
X1
9
9
10
6
10
44
Bloque IV
X2
Y
2.5 6.4
3
5.6
2.5 8.1
2 11.7
2.5 6.7
12.5 38.5
El programa SAS, que nos permite realizar este anlisis es el siguiente :
DATA ANCOVAM;
TITLE ANCOVA MULTIPLE EN UN D.B.C.A.;
DO TRAT =A,B,C,D,E;
DO REP=1 TO 4;
INPUT X1 X2 Y @;
OUTPUT;
END;
END;
CARDS;
9 3.0 19.3 10 2.0 29.2 12 3.0 1.0 9 2.5 6.4
10 3.0 10.1 10 2.0 34.7 9 2.0 14.0 9 3.0 5.6
10 2.5 13.1 9 1.5 59.3 12 2.5 1.1 10 2.5 8.1
8 2.0 15.6 5 2.0 49.0 8 2.0 17.4 6 2.0 11.7
12 2.5 4.3 11 1.0 48.2 13 3.0 6.3 10 2.5 6.7
;
PROC PRINT; RUN,
PROC REG;
MODEL Y = X1 X2/ALL;
RUN;
PROC GLM;
CLASS REP TRAT;
MODEL Y=REP TRAT X1 X2/SOLUTION;
LSMEANS TRAT/STDERR PDIFF;
RUN;
PROC GLM;
CLASS REP TRAT;
MODEL Y=REP TRAT X1 X2/SS1;
RUN;
- 426 -
EJERCICIOS:
1. El presete trabajo de investigacin se realiz en el Centro Experimental
Quimsachata de la Estacin Experimental ILLPA - INIA Puno, ubicado en el
distrito de Santa Rosa, Provincia de Lampa, Dpto. de Puno. El objetivo fue determinar las medidas biometricas de altura a la cabeza, altura a la cruz, largo de
cuerpo, permetro torxico (cm) respectivamente, desde el primer mes (marzo)
hasta el destete (octubre) en llamas. La informacin corresponde a la primeras
pariciones (Enero). Los factores que se han considerado son: Raza de llamas
(Chacu y Kara); Sexo ( Machos y Hembras). Y = PEVI = Peso vivo (kg), X1 =
A_CAB = altura a la cabeza (cm), X2 = A_CRUZ = Altura a la cruz (cm), X3 =
LCUERP = Largo del cuerpo (cm), X4 = PTOR = Permetro torxico (cm).
Raza
Sexo
Repet.
1
2
3
4 1ra_Par_Mar
5
6
7
8
9
10
11
12
13
14
15
Raza
Sexo
Repet.
1
2
3
4 1ra_Par_Oct
5
6
7
8
9
10
11
12
13
14
15
Ch'acu
Machos
X1 X2 X3 X4 Y
14.0
17.5
17.0
15.5
19.5
22.0
16.5
14.5
15.0
14.5
19.0
12.0
12.0
18.5
17.5
95.0
107.0
106.5
104.0
109.0
112.0
106.5
96.0
107.0
96.5
107.5
98.0
97.0
106.0
112.5
Ch'acu
Machos
X1 X2 X3 X4 Y
30.0
27.0
38.0
38.0
40.0
48.5
32.0
32.0
42.0
31.0
32.5
26.0
25.0
33.0
30.5
114.5
123.5
130.0
128.0
129.0
133.5
128.5
121.5
127.0
127.0
121.5
111.0
116.5
121.0
127.0
57.5
69.0
68.5
68.0
72.0
71.5
68.5
62.5
67.0
63.0
65.0
65.0
60.0
63.5
64.0
71.5
70.0
82.0
81.5
83.0
84.5
82.0
76.5
76.0
73.0
79.0
74.0
74.5
80.5
78.5
43.5
54.0
52.0
52.0
53.5
54.0
56.0
52.0
52.5
49.5
56.0
49.0
51.0
54.0
52.5
65.0
66.0
72.0
68.0
71.0
78.5
70.0
68.0
69.0
68.5
70.0
66.0
62.5
68.0
63.5
57.0
58.0
61.0
57.0
60.0
64.0
56.0
54.0
58.0
53.0
60.0
56.0
57.0
67.0
57.0
78.0
86.0
95.0
84.0
87.0
89.0
87.0
77.5
83.0
84.0
82.5
79.0
76.5
82.0
78.0
13.0
16.0
16.0
17.5
20.0
12.5
12.5
19.0
19.5
22.5
24.5
20.0
18.5
16.5
20.0
31.0
31.0
35.5
38.0
41.0
26.0
42.5
33.0
42.0
34.0
47.5
33.0
36.0
30.5
27.5
Hembras
X1 X2 X3 X4
99.5
105.0
103.0
99.0
112.5
95.5
101.5
107.5
107.0
110.5
116.0
108.0
105.0
107.5
105.0
62.5
68.0
64.0
64.5
72.0
65.0
61.0
70.0
68.5
69.0
76.0
69.0
68.0
69.5
69.0
21.0
15.0
22.0
10.5
20.5
19.5
18.5
18.5
19.0
21.0
19.0
18.0
18.5
20.5
16.5
107.0
101.5
106.5
98.0
114.0
103.0
106.0
106.5
111.0
113.0
112.5
107.5
111.0
113.5
98.5
Hembras
X1 X2 X3 X4
K'ara
Machos
X1 X2 X3 X4 Y
120.5
124.0
119.5
123.5
133.0
117.0
133.5
126.0
135.0
129.5
131.5
122.0
132.0
122.5
124.0
44.0
30.5
49.0
22.0
47.0
38.5
38.0
38.0
39.0
35.0
40.5
43.5
40.5
47.5
33.0
69.5
80.0
77.0
76.5
87.0
73.0
81.0
76.5
83.5
80.5
87.5
76.5
81.5
81.0
78.0
49.0
51.5
52.0
57.0
57.5
46.0
55.0
55.0
54.5
56.0
59.0
56.0
59.0
50.0
52.0
64.0
65.5
72.5
70.5
77.0
61.5
78.0
72.0
78.0
71.5
80.0
70.0
69.0
68.0
65.0
56.0
62.0
62.0
59.0
67.0
53.0
60.0
61.0
60.0
62.0
66.0
57.0
57.0
55.0
58.0
K'ara
Machos
X1 X2 X3 X4 Y
80.0
92.0
84.0
82.0
96.0
91.0
91.0
82.0
94.0
81.0
96.0
82.0
86.5
82.0
80.0
138.5
123.5
130.5
114.0
144.0
123.5
132.0
133.0
138.5
134.0
137.0
134.5
129.5
136.5
133.5
66.5
74.0
69.5
59.0
74.0
65.5
67.5
69.0
71.0
75.5
76.0
70.0
71.0
76.5
57.5
87.0
79.5
84.0
71.0
92.0
84.5
85.5
82.0
86.5
89.0
86.5
86.5
83.5
88.0
82.0
52.5
54.5
52.0
46.0
59.0
55.5
54.0
54.0
57.0
51.5
55.0
58.0
52.5
53.0
53.5
76.5
71.0
77.0
61.0
92.0
70.0
75.0
73.0
75.5
71.5
77.0
80.5
74.0
73.0
75.0
62.0
56.0
52.0
56.0
59.0
57.0
59.0
62.0
59.0
61.0
59.5
59.0
58.0
60.0
56.0
100.0
72.0
91.0
84.0
91.0
94.0
93.0
93.0
93.0
95.0
93.5
89.0
93.0
91.0
88.0
Hembras
X1 X2 X3 X4
19.0
17.5
15.0
16.0
17.5
16.0
20.0
13.5
19.0
16.0
17.0
23.5
15.0
18.0
15.5
40.0
37.0
28.5
36.0
35.5
35.5
42.5
33.5
40.5
35.5
38.0
49.0
29.5
37.0
38.5
111.0
110.5
106.0
112.5
108.0
108.5
110.0
101.5
109.0
109.5
109.0
113.0
107.5
109.5
92.0
71.5
70.0
64.0
66.5
67.5
65.5
72.5
65.0
67.5
71.5
68.0
72.0
69.5
69.5
65.0
56.0
56.0
51.0
52.5
56.0
45.0
57.0
53.0
55.0
54.0
54.0
63.0
51.0
52.0
51.0
61.0
63.0
59.0
62.0
61.0
59.0
62.0
58.0
53.0
59.0
62.0
63.0
50.0
63.0
56.0
Hembras
X1 X2 X3 X4
134.5
127.5
123.0
126.5
122.5
124.0
136.5
128.5
132.5
130.0
129.5
133.0
119.0
130.5
129.0
82.0
77.0
74.0
79.0
79.0
80.5
86.0
78.5
84.5
83.0
81.5
87.0
78.5
82.5
82.5
69.0
72.0
68.0
72.0
70.5
70.0
77.0
68.0
74.5
72.0
73.0
79.5
64.0
72.0
73.0
90.0
89.0
85.0
84.0
76.0
90.0
94.0
81.0
89.0
87.0
88.0
96.0
74.0
91.0
94.0
Anlisis y Diseo de Experimentos - 427 Raza

Sexo
Repet.
1
2
3
4 Ul_Par_Mar
5
6
7
8
9
10
11
12
13
14
15
Raza
Sexo
Repet.
1
2
3
4 Ult_Par_Oct
5
6
7
8
9
10
11
12
13
14
15
Ch'acu
Machos
X1 X2 X3 X4 Y
17.0
19.0
17.5
18.5
13.5
15.5
14.0
19.0
14.5
15.5
18.0
16.0
16.0
20.0
18.0
100.5
102.5
106.0
101.0
101.0
97.0
97.0
105.0
103.5
103.5
107.0
105.5
107.5
115.5
112.0
62.5
66.0
69.5
68.0
63.0
64.0
61.5
70.0
66.0
62.5
66.0
72.0
65.0
74.0
72.0
48.0
51.0
54.0
50.0
51.5
51.0
49.0
52.0
52.0
52.0
50.0
51.5
51.0
61.5
59.0
Machos
X1 X2 X3
56.0
60.0
59.0
62.0
52.0
59.0
55.0
62.0
63.0
57.0
61.0
60.0
59.0
67.0
66.0
18.5
15.0
12.0
17.0
16.0
18.0
18.0
14.0
20.0
16.0
20.0
18.0
18.0
17.0
15.0
Hembras
X1 X2 X3 X4
106.5
108.0
93.0
106.0
105.5
104.0
103.5
103.0
118.0
104.0
113.0
105.5
111.0
108.0
102.5
68.0
67.0
58.0
68.5
67.5
63.0
65.5
63.0
74.0
66.5
72.5
68.5
69.0
67.5
62.5
55.5
50.5
45.0
50.5
53.0
52.0
52.0
51.0
58.0
51.5
60.0
57.0
55.5
53.0
49.0
61.0
59.0
57.0
55.0
59.0
60.0
65.0
59.0
71.0
59.0
70.0
58.0
61.0
61.0
59.0
K'ara
Machos
X1 X2 X3 X4 Y
15.0
14.5
17.5
18.0
19.0
16.0
23.0
16.0
21.0
17.0
18.0
20.0
18.0
16.0
14.0
101.0
99.5
106.0
106.0
107.0
103.5
111.0
104.0
115.0
114.5
111.5
109.5
114.5
109.5
104.0
66.0
62.0
69.0
67.0
68.0
67.5
74.0
65.0
74.0
74.5
73.0
67.0
76.5
70.0
66.0
49.0
51.0
54.0
52.0
53.5
55.5
61.0
51.5
57.5
60.0
59.0
60.0
57.0
57.5
49.0
X4
Machos
X1 X2 X3
94.0
83.0
75.0
85.0
93.0
87.0
86.0
79.0
91.5
80.0
87.0
86.0
87.0
85.0
73.0
34.0
34.0
37.0
38.0
31.0
37.0
45.5
30.0
36.0
40.5
39.0
37.5
42.0
34.0
28.5
Ch'acu
34.5
42.5
39.0
35.5
30.0
35.5
35.0
41.0
35.5
31.0
36.0
40.5
37.0
40.5
34.0
126.0
135.5
135.5
128.5
123.0
125.0
118.5
132.0
122.0
130.5
122.5
129.5
128.0
136.0
128.0
80.0
81.0
87.0
83.0
77.5
80.5
77.0
84.5
76.0
77.0
78.0
84.5
80.5
83.0
83.0
69.0
71.0
74.0
78.0
66.0
67.5
70.0
75.0
70.0
66.5
69.5
76.0
70.5
75.0
70.0
X4
84.0
93.0
90.0
95.0
79.0
82.0
88.0
71.0
87.0
87.0
86.0
90.0
91.0
90.0
90.0
43.5
33.5
23.0
34.0
39.0
26.5
38.5
26.0
44.5
27.5
39.0
29.0
36.0
32.5
24.5
58.0
54.0
60.0
56.0
64.0
62.0
66.0
60.0
67.0
66.0
66.0
74.0
65.0
56.0
50.0
18.5
14.0
18.5
16.5
18.0
20.5
12.5
19.0
19.0
17.0
21.0
17.0
19.0
15.0
18.5
Hembras
X1 X2 X3 X4
109.5
106.0
110.0
106.5
111.0
108.0
106.0
118.0
105.0
120.5
114.0
109.5
117.5
112.5
113.0
66.0
66.5
67.5
66.0
71.0
71.0
65.0
76.5
68.0
79.5
75.5
67.5
78.5
74.5
72.5
54.0
55.0
58.0
54.0
55.5
59.0
51.5
61.0
58.0
58.0
55.5
60.5
62.0
57.0
59.0
57.0
66.0
59.0
60.0
59.0
66.0
51.0
69.0
68.0
71.0
65.0
67.0
65.0
69.0
67.0
K'ara
Hembras
X1 X2 X3
132.0
121.5
116.0
126.5
130.5
117.5
123.0
115.5
136.0
118.0
134.0
122.0
128.5
128.5
113.0
83.0
77.0
73.0
78.0
84.0
71.5
76.0
72.5
85.5
71.0
79.0
78.0
82.5
77.0
75.5
76.5
68.0
60.5
70.0
74.0
65.5
74.5
63.0
74.5
67.5
75.5
67.5
71.0
72.0
62.0
127.5
122.5
129.5
131.5
123.0
129.5
137.0
124.0
134.0
135.0
128.0
131.0
136.0
127.0
119.5
80.5
83.0
83.5
81.0
78.0
82.0
91.0
71.5
85.5
85.5
83.0
81.5
85.0
80.5
77.0
68.5
69.0
72.0
68.0
68.0
71.5
79.5
62.0
74.0
71.0
73.0
69.0
73.0
74.0
63.0
Hembras
X2 X3
X4
X1
92.0
87.0
93.0
83.0
89.0
85.5
100.0
78.0
91.0
90.5
95.0
87.0
85.0
85.0
82.0
42.0
34.0
38.0
44.0
38.0
44.0
30.5
39.5
36.0
41.5
31.0
32.5
33.5
38.0
24.5
135.0
134.5
137.0
136.0
132.0
136.0
127.0
135.5
124.0
140.0
123.5
126.5
133.0
129.0
124.0
84.5
85.0
87.0
82.0
88.0
85.0
78.5
88.0
77.5
87.5
80.0
75.0
82.5
83.0
82.5
78.0
79.0
74.0
78.0
76.0
74.0
68.0
73.0
73.0
74.5
68.5
70.0
74.5
71.0
68.0
X4
92.0
100.0
90.0
92.0
85.0
96.0
82.0
94.0
86.0
91.5
83.0
87.5
87.0
91.0
80.0
2. El presete trabajo de investigacin se realiz en el Centro Experimental

Quimsachata de la Estacin Experimental ILLPA - INIA Puno, ubicado en el
distrito de Santa Rosa, Provincia de Lampa, Dpto. de Puno. El objetivo fue determinar las medidas biometricas de altura a la cabeza, altura a la cruz, largo de
cuerpo, permetro torxico (cm) respectivamente, desde el primer mes (marzo)
hasta el destete (octubre) en llamas. La informacin corresponde a la primeras
pariciones (Enero). Los factores que se han considerado son: Epocas de pariciones
(Primeras y ltimas), Raza de llamas (Chacu y Kara); Sexo ( Machos y Hembras). Y = PEVI = Peso vivo (kg), X1 = A_CAB = altura a la cabeza (cm), X2 =
A_CRUZ = Altura a la cruz (cm), X3 = LCUERP = Largo del cuerpo (cm), X4 =
PTOR = Permetro torxico (cm). Calcule el ANCOVA.
Raza
Sexo
Repet.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Pariciones
Repet.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Sexo
Raza
Pariciones
Y
30.0
27.0
38.0
38.0
40.0
48.5
32.0
32.0
42.0
31.0
32.5
26.0
25.0
33.0
30.5
Y
14.0
17.5
17.0
15.5
19.5
22.0
16.5
14.5
15.0
14.5
19.0
12.0
12.0
18.5
17.5
X2
57.5
69.0
68.5
68.0
72.0
71.5
68.5
62.5
67.0
63.0
65.0
65.0
60.0
63.5
64.0
Machos
X1 X2
114.5 71.5
123.5 70.0
130.0 82.0
128.0 81.5
129.0 83.0
133.5 84.5
128.5 82.0
121.5 76.5
127.0 76.0
127.0 73.0
121.5 79.0
111.0 74.0
116.5 74.5
121.0 80.5
127.0 78.5
X1
95.0
107.0
106.5
104.0
109.0
112.0
106.5
96.0
107.0
96.5
107.5
98.0
97.0
106.0
112.5
Machos
X3
65.0
66.0
72.0
68.0
71.0
78.5
70.0
68.0
69.0
68.5
70.0
66.0
62.5
68.0
63.5
X3
43.5
54.0
52.0
52.0
53.5
54.0
56.0
52.0
52.5
49.5
56.0
49.0
51.0
54.0
52.5
Y
13.0
16.0
16.0
17.5
20.0
12.5
12.5
19.0
19.5
22.5
24.5
20.0
18.5
16.5
20.0
X4
78.0
86.0
95.0
84.0
87.0
89.0
87.0
77.5
83.0
84.0
82.5
79.0
76.5
82.0
78.0
Y
31.0
31.0
35.5
38.0
41.0
26.0
42.5
33.0
42.0
34.0
47.5
33.0
36.0
30.5
27.5
Ch'acu
X4
57.0
58.0
61.0
57.0
60.0
64.0
56.0
54.0
58.0
53.0
60.0
56.0
57.0
67.0
57.0
Ch'acu
X2
62.5
68.0
64.0
64.5
72.0
65.0
61.0
70.0
68.5
69.0
76.0
69.0
68.0
69.5
69.0
Hembras
X1 X2
120.5 69.5
124.0 80.0
119.5 77.0
123.5 76.5
133.0 87.0
117.0 73.0
133.5 81.0
126.0 76.5
135.0 83.5
129.5 80.5
131.5 87.5
122.0 76.5
132.0 81.5
122.5 81.0
124.0 78.0
X1
99.5
105.0
103.0
99.0
112.5
95.5
101.5
107.5
107.0
110.5
116.0
108.0
105.0
107.5
105.0
Hembras
X4
56.0
62.0
62.0
59.0
67.0
53.0
60.0
61.0
60.0
62.0
66.0
57.0
57.0
55.0
58.0
Y
21.0
15.0
22.0
10.5
20.5
19.5
18.5
18.5
19.0
21.0
19.0
18.0
18.5
20.5
16.5
X3
64.0
65.5
72.5
70.5
77.0
61.5
78.0
72.0
78.0
71.5
80.0
70.0
69.0
68.0
65.0
X4
80.0
92.0
84.0
82.0
96.0
91.0
91.0
82.0
94.0
81.0
96.0
82.0
86.5
82.0
80.0
Y
44.0
30.5
49.0
22.0
47.0
38.5
38.0
38.0
39.0
35.0
40.5
43.5
40.5
47.5
33.0
Machos
X1 X2
138.5 87.0
123.5 79.5
130.5 84.0
114.0 71.0
144.0 92.0
123.5 84.5
132.0 85.5
133.0 82.0
138.5 86.5
134.0 89.0
137.0 86.5
134.5 86.5
129.5 83.5
136.5 88.0
133.5 82.0
X2
66.5
74.0
69.5
59.0
74.0
65.5
67.5
69.0
71.0
75.5
76.0
70.0
71.0
76.5
57.5
Machos
X1
107.0
101.5
106.5
98.0
114.0
103.0
106.0
106.5
111.0
113.0
112.5
107.5
111.0
113.5
98.5
Primeras Pariciones
X3
49.0
51.5
52.0
57.0
57.5
46.0
55.0
55.0
54.5
56.0
59.0
56.0
59.0
50.0
52.0
Primeras Pariciones
X3
76.5
71.0
77.0
61.0
92.0
70.0
75.0
73.0
75.5
71.5
77.0
80.5
74.0
73.0
75.0
X3
52.5
54.5
52.0
46.0
59.0
55.5
54.0
54.0
57.0
51.5
55.0
58.0
52.5
53.0
53.5
Y
19.0
17.5
15.0
16.0
17.5
16.0
20.0
13.5
19.0
16.0
17.0
23.5
15.0
18.0
15.5
X4
100
72.0
91.0
84.0
91.0
94.0
93.0
93.0
93.0
95.0
93.5
89.0
93.0
91.0
88.0
Y
40.0
37.0
28.5
36.0
35.5
35.5
42.5
33.5
40.5
35.5
38.0
49.0
29.5
37.0
38.5
K'ara
X4
62.0
56.0
52.0
56.0
59.0
57.0
59.0
62.0
59.0
61.0
59.5
59.0
58.0
60.0
56.0
K'ara
X2
71.5
70.0
64.0
66.5
67.5
65.5
72.5
65.0
67.5
71.5
68.0
72.0
69.5
69.5
65.0
Hembras
X1 X2
134.5 82.0
127.5 77.0
123.0 74.0
126.5 79.0
122.5 79.0
124.0 80.5
136.5 86.0
128.5 78.5
132.5 84.5
130.0 83.0
129.5 81.5
133.0 87.0
119.0 78.5
130.5 82.5
129.0 82.5
X1
111.0
110.5
106.0
112.5
108.0
108.5
110.0
101.5
109.0
109.5
109.0
113.0
107.5
109.5
92.0
Hembras
X3
69.0
72.0
68.0
72.0
70.5
70.0
77.0
68.0
74.5
72.0
73.0
79.5
64.0
72.0
73.0
X3
56.0
56.0
51.0
52.5
56.0
45.0
57.0
53.0
55.0
54.0
54.0
63.0
51.0
52.0
51.0
X4
90.0
89.0
85.0
84.0
76.0
90.0
94.0
81.0
89.0
87.0
88.0
96.0
74.0
91.0
94.0
X4
61.0
63.0
59.0
62.0
61.0
59.0
62.0
58.0
53.0
59.0
62.0
63.0
50.0
63.0
56.0
Y
34.5
42.5
39.0
35.5
30.0
35.5
35.0
41.0
35.5
31.0
36.0
40.5
37.0
40.5
34.0
Y
17.0
19.0
17.5
18.5
13.5
15.5
14.0
19.0
14.5
15.5
18.0
16.0
16.0
20.0
18.0
X2
62.5
66.0
69.5
68.0
63.0
64.0
61.5
70.0
66.0
62.5
66.0
72.0
65.0
74.0
72.0
Machos
X1 X2
126.0 80.0
135.5 81.0
135.5 87.0
128.5 83.0
123.0 77.5
125.0 80.5
118.5 77.0
132.0 84.5
122.0 76.0
130.5 77.0
122.5 78.0
129.5 84.5
128.0 80.5
136.0 83.0
128.0 83.0
X1
100.5
102.5
106.0
101.0
101.0
97.0
97.0
105.0
103.5
103.5
107.0
105.5
107.5
115.5
112.0
Machos
X3
69.0
71.0
74.0
78.0
66.0
67.5
70.0
75.0
70.0
66.5
69.5
76.0
70.5
75.0
70.0
X3
48.0
51.0
54.0
50.0
51.5
51.0
49.0
52.0
52.0
52.0
50.0
51.5
51.0
61.5
59.0
Y
18.5
15.0
12.0
17.0
16.0
18.0
18.0
14.0
20.0
16.0
20.0
18.0
18.0
17.0
15.0
X4
84.0
93.0
90.0
95.0
79.0
82.0
88.0
71.0
87.0
87.0
86.0
90.0
91.0
90.0
90.0
Y
43.5
33.5
23.0
34.0
39.0
26.5
38.5
26.0
44.5
27.5
39.0
29.0
36.0
32.5
24.5
Ch'acu
X4
56.0
60.0
59.0
62.0
52.0
59.0
55.0
62.0
63.0
57.0
61.0
60.0
59.0
67.0
66.0
Ch'acu
Hem
X1 X
132.0 8
121.5 7
116.0 7
126.5 7
130.5 8
117.5 7
123.0 7
115.5 7
136.0 8
118.0 7
134.0 7
122.0 7
128.5 8
128.5 7
113.0 7
X
6
6
5
6
6
6
6
6
7
6
7
6
6
6
6
Hem
X1
106.5
108.0
93.0
106.0
105.5
104.0
103.5
103.0
118.0
104.0
113.0
105.5
111.0
108.0
102.5
Bibliografa consultada
AYALA, J. y PARDO, R. (1995). Optimizacin por diseos experimentales: con
aplicaciones en ingeniera. Primera Edicin. Edit. A & B S.A. CONCYTEC.
Lima - Per.
BALLUERKA, N. y Vergara, A. (2002). Diseos de Investigacin Experimental en
Psicologa. 1ra. Edicin. Edit. Prentice-Hall. Madrid Espaa
BECKER, W.A. (1986). "Manual de gentica cuantitativa". Academic enterprises.
Pullman Washington U.S.A.
BOWERMAN, B.L., OCONNELL,R.T. y KOEHLER,A. (2007). "Pronsticos, Series
de tiempo y Regresin: un enfoque aplicado". Cuarta Edicin. CENGAGE
Learning. Mxico.
CALZADA, B.J. (1970). "Mtodos Estadsticos para la investigacin". Edit. Jurdica.
Lima Per.
COCHRAN, W.G. (1978). "Mtodos Estadsticos". Primera Edicin. Editorial
Continental S.A. de C.V. Mxico.
COCHRAN, W. G. y COX, G. M. (1978). Diseos experimentales. Editorial Trillas.
S.A. Mxico.
DRAPER, N. and H. SMITH (1969). "Applied regression analysis". 2nd. Ed. New
York: McGraw-Hill Book Company.
FALCONER, D.S. (1983). "Introduccin a la gentica cuantitativa". Tercera edicin.
Impresin en Espaol. Edit. CECSA. Mxico.
GARCIA, R.M. (2004). "Inferencia Estadstica y diseo de Experimentos". Primera
Edicin. Edit. Universitaria de Buenos Aires - Argentina.
GUTIERREZ, H. y DE LA VARA, S. (2004). Anlisis y Diseo de Experimentos.
Primera Edicin. Edit. McGraw-Hill.
- 430 -
HENDERSON, C.R. (1952). "Estimation of variance and covariance components".

Presented at North Carolina Staties. Conference. Cornell University.
HERRERA, H.J.G. (1985). "Introduccin al Mejoramiento Gentico Animal". Colegio
de Postgraduados Centro de Ganadera. Chapingo - Mxico.
IBAEZ, Q.V. (1996). "Estimacin de Indices de Herencia en Rumiantes". Primera
Edicin. Editorial Universitaria. UNA-Puno.
IBAEZ, Q.V. (1998). "Modelos Lineales". Primera Edicin. Facultad de Ingeniera
Estadstica e Informtica UNA - Puno.
IBAEZ, V. (2003). Diseos Estadsticos con el SAS. Primera Edicin. Maestra
Ganadera Andina. UNA Puno.
IBAEZ, V. (2004). Estadstica Inferencial Aplicada a la Ganadera. Primera
Edicin. Maestra Ganadera Andina. UNA Puno.
IBAEZ, V. (2005). Bioestadstica. Primera Edicin. Edit. Universitaria. UNA Puno.
IBAEZ, V. (2005). Estadstica No Paramtrica. Primera Edicin. Edit.
Universitaria. UNA - FMVZ - Puno.
IBAEZ, V. (2006). Estadstica Inferencial Aplicada a la Salud. Primera Edicin
Edit. Universitaria. UNA - Puno.
IBAEZ, V., y ZEA, F.W. (2006). Aplicaciones con el Sistema de Anlisis Estadstico
SAS. Universidad Nacional Micaela Bastidas de Apurimac. SegundaEdicin.
Edit. Abancay-Apurimac.
IBAEZ, V. (2007). Estadstica Inferencial Aplicada a la Educacin. Primera
Edicin Edit. Universitaria. UNA - Puno.
IBAEZ, V. (2008). Gua de prcticas de Mtodos Estadsticos para la Investigacin.
Primera Edicin Edit. Universitaria. Facultad de Ciencias Agrarias. UNA Puno.
Anlisis y Diseo de Experimentos - 431 KUEHL, R.O. (2001). Diseo de experimentos: Principios estadsticos de diseo y
anlisis de investigacin. Segunda Edicin. Editorial Thomson y Learning.
LITTLE, T.M. y HILLS, F.J. (1985). "Mtodos Estadsticos para la Investigacin en
la Agricultura". Editorial TRILLAS S.A. de C.V. Mxico.
LOPEZ, E.A. (2008). "Diseo y Anlisis de Experimentos: Fundamentos y
aplicaciones en agronoma". Primera Edicin. Edit. Facultad de Agronoma.
Guatemala.
MANZANEDA, J. (2000). Diseo Experimental. Estadstica Aplicada.
MARTINEZ, G.A. (1988). "Diseos Experimentales. Mtodos y elementos de teora".
Primera Edicin. Editorial TRILLAS S.A. de C.V. Mxico.
MONTGOMERY, D.C. (2002). Diseo y Anlisis de Experimentos. 2da. Edicin.
Edit. Limusa Wiley, Mxico.
NETER, J. y WASSERMAN, W. (1977). "Applied Linear Statistical Models:
Regression, Analysis of Variance, and Experimental Designs". Octava Edicin.
Editorial Irwin-Dorsey Limited. USA.
OSTLE, B. (1981). " Estadstica Aplicada". Primera Edicin. Editorial LIMUSA
Mxico.
PEREZ-TEJADA, H.E. (2000). Estadstica para las ciencias sociales y del comportamiento.
2da. Edic. Edit. Oxford University Press Mxico, S.A. de C.V.
REYES, C.P. (1985). "Diseo de Experimentos Aplicados". Primera Edicin. Editorial

TRILLAS S.A. de C.V. Mxico. Tercera Reimpresin.
RODRIGUEZ DEL ANGEL, J.M. (1991). "Mtodos de Investigacin PECUARIA".
Primera Edicin. Editorial TRILLAS S.A. de C.V. Mxico.
SAS/STAT (2002). "User's Guide". SAS Institute Inc., Cary, NC., USA. Versin
9.12. Fourth Edition. Volume 2.
SIEGEL, S. y CASTELLAN, N.J. (1995). Estadstica No Paramtrica. 2da. Edic. Edit. Trillas,
Mxico.
- 432 -
STEEL, G.D.R. y TORRIE, H.J. (1996). "Bioestadstica principios y procedimientos".

Segunda Edicin. Editorial McGraw-Hill/Interamericana de Mxico, S.A. de
C.V.
SUSAN, M.J. (1994). "Estadstica para Biologa y de la Salud". Segunda Edicin.
Editorial Interamericana McGraw-Hill. Espaa.
TINEO, A.L. (2001). Manual para el Anlisis de Diseos Experimentales de
Superficie de Respuesta. 1ra. Edic. Edit. VRAC-OSA. UNSCH. Ayacucho,
Per.
VASQUEZ, A.V. (1990). "Experimentacin Agrcola". Primera Edicin. Editorial
AMARU Editores S.a. Lima - Per.
VENTURA, E.R. y ZAVALA, Z.A. (1994). "Mtodos Estadsticos Bsicos en la
Investigacin". Dpto. Acadmico de Estadstica e Informtica. UNA La Molina.
Lima - Per.
WAYNE, D. (2002). Bioestadstica: Bases para el anlisis de las ciencias de la salud.
4ta. Edic. Edit. UTEHA-Mxico.
WINER, B. J. (1962) Statistical Principles in Experimental Design. McGraw-Hill
Book Company, Inc. 672 p.
ZEA, F.W. (1995). "Estadstica y Diseos Experimentales". Primera Edicin. Facultad
de Ciencias Agrairias - UNA - Puno.
ZEA, F.W. e IBAEZ, Q.V. (1996). "I Curso de Sistema de Anlisis Estadstico SAS
para la Investigacin Experimental". Universidad Nacional Jorge Basadre
Grohomann Tacna. Facultad de Ciencias Agrcolas.
ZEA, F.W. e IBAEZ, V. (2003). "Tablas Estadsticas". Segunda Edicin. Edit.
Universitaria. Fac. Ciencias Agrarias - Puno - Per.
Tablas Estadsticas
- 434 -
0.25
gl
0.50
1 1.0005
2 0.816
3 0.765
4 0.741
5 0.727
TABLA A: Valores crticos de t

Nivel de significacin para una prueba unilateral
0.20
0.15
0.10
0.05
0.025
0.01
0.005 0.0005
Nivel de significacin para una prueba bilate ral
0.40
0.30
0.20
0.10
0.05
0.02
0.01
0.001
1.376
1.963
3.078
6.314 12.706 31.821 63.657 636.619
1.061
1.386
1.836
2.920
4.303
6.965
9.925 31.598
0.978
1.250
1.638
2.353
3.182
4.541
5.841 12.941
0.941
1.190
1.533
2.132
2.776
3.747
4.604
8.610
0.920
1.156
1.476
2.015
2.571
3.365
4.032
6.859
6
7
8
9
10
0.718
0.711
0.706
0.703
0.700
0.906
0.896
0.889
0.883
0.879
1.134
1.119
1.108
1.100
1.093
1.440
1.415
1.397
1.383
1.372
1.943
1.895
1.860
1.833
1.812
2.447
2.365
2.306
2.262
2.228
3.143
2.998
2.896
2.821
2.764
3.707
3.499
3.355
3.250
3.169
5.959
5.405
5.041
4.781
4.587
11
12
13
14
15
0.697
0.695
0.694
0.692
0.691
0.876
0.873
0.870
0.868
0.866
1.088
1.083
1.079
1.076
1.074
1.363
1.356
1.350
1.345
1.341
1.796
1.782
1.771
1.761
1.753
2.201
2.179
2.160
2.145
2.131
2.718
2.681
2.650
2.624
2.602
3.106
3.055
3.012
2.977
2.947
4.437
4.318
4.221
4.140
4.073
16
17
18
19
20
0.690
0.689
0.688
0.688
0.687
0.866
0.863
0.862
0.861
0.860
1.071
1.069
1.067
1.066
1.064
1.337
1.333
1.330
1.328
1.325
1.746
1.740
1.734
1.729
1.725
2.120
2.110
2.101
2.093
2.086
2.584
2.567
2.552
2.540
2.528
2.921
2.898
2.878
2.861
2.845
4.015
3.965
3.922
3.883
3.850
21
22
23
24
25
0.686
0.686
0.685
0.685
0.684
0.859
0.858
0.858
0.000
0.856
1.063
1.061
1.060
1.059
1.058
1.323
1.321
1.319
1.318
1.316
1.721
1.717
1.714
1.711
1.708
2.080
2.074
2.069
2.064
2.060
2.518
2.508
2.500
2.492
2.485
2.831
2.819
2.807
2.797
2.787
3.819
3.792
3.767
3.745
3.725
26
27
28
29
30
0.684
0.684
0.683
0.683
0.683
0.856
0.855
0.855
0.854
0.854
1.058
1.057
1.056
1.055
1.055
1.315
1.314
1.313
1.311
1.310
1.706
1.703
1.701
1.699
1.697
2.056
2.052
2.048
2.045
2.042
0.000
2.473
2.467
2.460
2.457
2.779
2.771
2.763
2.756
2.750
3.707
3.690
3.674
3.659
3.646
35
40
45
50
55
0.682
0.681
0.680
0.680
0.679
0.853
0.851
0.850
0.849
0.849
1.052
1.050
1.048
1.047
1.047
1.306
1.303
1.301
1.299
1.297
1.690
1.684
1.680
1.676
1.673
2.030
2.021
2.014
2.008
2.004
2.438
2.423
2.412
2.403
2.396
2.724
2.704
2.690
2.678
2.669
3.591
3.551
3.520
3.496
3.476
60
70
80
0.679
0.678
0.678
0.848
0.847
0.847
1.046
1.045
1.044
1.296
1.294
1.293
1.671
1.667
1.665
2.000
1.994
1.990
2.390
2.381
2.374
2.600
2.648
2.638
3.460
3.435
3.416
- 436 -
1
1 162
2 18.50
3 10.10
4 7.71
5 6.61
6 5.99
7 5.59
8 5.32
9 5.12
10 4.96
2
200
19.00
9.55
6.94
5.79
5.14
4.74
4.46
4.26
4.10
TABLAB1: DISTRIBUCIONF, Nivel de significacindel 5%

Grados de libertadparael numerador
3 4 5 6 7 8 9 10 11 12 13
216 225 230 234 237 239 241 242 243 244 245
19.20 19.20 19.30 19.30 19.40 19.40 19.40 19.40 19.40 19.40 19.40
9.28 9.12 9.01 8.94 8.89 8.85 8.81 8.79 8.76 8.74 8.73
6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96 5.94 5.91 5.89
5.41 5.19 5.05 4.95 4.88 4.82 4.77 4.74 4.70 4.68 4.66
4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06 4.03 4.00 3.98
4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.64 3.60 3.57 3.55
4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.35 3.31 3.28 3.26
3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.14 3.10 3.07 3.05
3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.98 2.94 2.91 2.89
11
12
13
14
15
4.84
4.75
4.67
4.60
4.54
3.98
3.89
3.81
3.74
3.68
3.59
3.49
3.41
3.34
3.29
3.36
3.26
3.18
3.11
3.06
3.20
3.11
3.03
2.96
2.90
3.09
3.00
2.92
2.85
2.79
3.01
2.91
2.83
2.76
2.71
2.95
2.85
2.77
2.70
2.64
2.90
2.80
2.71
2.65
2.59
2.85
2.75
2.67
2.60
2.54
2.82
2.72
2.63
2.57
2.51
2.79
2.69
2.60
2.53
2.48
2.76
2.66
2.58
2.51
2.45
2.74
2.64
2.55
2.48
2.42
2.72
2.62
2.53
2.46
2.40
16
17
18
19
20
4.49
4.45
4.41
4.38
4.35
3.63
3.59
3.55
3.52
3.49
3.24
3.20
3.16
3.13
3.10
3.01
2.96
2.93
2.90
2.87
2.85
2.81
2.77
2.74
2.71
2.74
2.70
2.66
2.63
2.60
2.66
2.61
2.58
2.54
2.51
2.59
2.55
2.51
2.48
2.45
2.54
2.49
2.46
2.42
2.39
2.49
2.45
2.41
2.38
2.35
2.46
2.41
2.37
2.34
2.31
2.42
2.38
2.34
2.31
2.28
2.40
2.35
2.31
2.28
2.25
2.37
2.33
2.29
2.26
2.22
2.35
2.31
2.27
2.23
2.20
21
22
23
24
25
4.32
4.30
4.28
4.26
4.24
3.47
3.44
3.42
3.40
3.39
3.07
3.05
3.03
3.01
2.99
2.84
2.82
2.80
2.78
2.76
2.68
2.66
2.64
2.62
2.60
2.57
2.55
2.53
2.51
2.49
2.49
2.46
2.44
2.42
2.40
2.42
2.40
2.37
2.36
2.34
2.37
2.34
2.32
2.30
2.28
2.32
2.30
2.27
2.25
2.24
2.28
2.26
2.24
2.22
2.20
2.25
2.23
2.20
2.18
2.16
2.22
2.20
2.18
2.15
2.14
2.20
2.17
2.15
2.13
2.11
2.18
2.15
2.13
2.11
2.09
26
27
28
29
30
4.23
4.21
4.20
4.18
4.17
3.37
3.35
3.34
3.33
3.32
2.98
2.96
2.95
2.93
2.92
2.74
2.73
2.71
2.70
2.69
2.59
2.57
2.56
2.55
2.53
2.47
2.46
2.45
2.43
2.42
2.39
2.37
2.36
2.35
2.33
2.32
2.31
2.29
2.28
2.27
2.27
2.25
2.24
2.22
2.21
2.22
2.20
2.19
2.18
2.16
2.18
2.17
2.15
2.14
2.13
2.15
2.13
2.12
2.10
2.09
2.12
2.10
2.09
2.08
2.06
2.09
2.08
2.06
2.05
2.04
2.07
2.06
2.04
2.03
2.01
40
50
60
70
4.08
4.03
4.00
3.98
3.23
3.18
3.15
3.13
2.84
2.79
2.76
2.74
2.61
2.56
2.53
2.50
2.45
2.40
2.37
2.35
2.34
2.29
2.25
2.23
2.25
2.20
2.17
2.14
2.18
2.13
2.10
2.07
2.12
2.07
2.04
2.02
2.08
2.03
1.99
1.97
2.04
1.99
1.95
1.93
2.00
1.95
1.92
1.89
1.97
1.92
1.89
1.86
1.95
1.89
1.86
1.84
1.92
1.87
1.84
1.81
14
245
19.40
8.71
5.87
4.64
3.96
3.53
3.24
3.03
2.86
15
246
19.40
8.70
5.86
4.62
3.94
3.51
3.22
3.01
2.85
16
1 246
2 19.40
3 8.69
4 5.84
5 4.60
6 3.92
7 3.49
8 3.20
9 2.99
10 2.83
17
247
19.40
8.68
5.83
4.59
3.91
3.48
3.19
2.97
2.81
TABLAB1: DISTRIBUCIONF, Nivel de significacindel 5%(Cont.)

18 19 20 30 40 50 60 70 80 100 200
247 248 248 250 251 252 252 252 253 253 254
19.40 19.40 19.40 19.50 19.50 19.50 19.50 19.50 19.50 19.50 19.50
8.67 8.67 8.66 8.62 8.60 8.58 8.57 8.57 8.56 8.55 8.54
5.82 5.81 5.80 5.75 5.72 5.70 5.69 5.68 5.67 5.66 5.65
4.58 4.57 4.56 4.50 4.46 4.44 4.43 4.42 4.41 4.41 4.39
3.90 3.88 3.87 3.81 3.77 3.75 3.74 3.73 3.72 3.71 3.69
3.47 3.46 3.44 3.38 3.34 3.32 3.30 3.29 3.29 3.27 3.25
3.17 3.16 3.15 3.08 3.04 3.02 3.01 2.99 2.99 2.97 2.95
2.96 2.95 2.94 2.86 2.83 2.80 2.79 2.78 2.77 2.76 2.73
2.80 2.79 2.77 2.70 2.66 2.64 2.62 2.61 2.60 2.59 2.56
11
12
13
14
15
2.70
2.60
2.51
2.44
2.38
2.68
2.58
2.50
2.43
2.37
2.67
2.57
2.48
2.41
2.35
2.66
2.56
2.47
2.40
2.34
2.65
2.54
2.46
2.39
2.33
2.57
2.47
2.38
2.31
2.25
2.53
2.43
2.34
2.27
2.20
2.51
2.40
2.31
2.24
2.18
2.49
2.38
2.30
2.22
2.16
2.48
2.37
2.28
2.21
2.15
2.47
2.36
2.27
2.20
2.14
2.46
2.35
2.26
2.19
2.12
2.43
2.32
2.23
2.16
2.10
2.42
2.31
2.22
2.14
2.08
2.40
2.30
2.21
2.13
2.07
16
17
18
19
20
2.33
2.29
2.25
2.21
2.18
2.32
2.27
2.23
2.20
2.17
2.30
2.26
2.22
2.18
2.15
2.29
2.24
2.20
2.17
2.14
2.28
2.23
2.19
2.16
2.12
2.19
2.15
2.11
2.07
2.04
2.15
2.10
2.06
2.03
1.99
2.12
2.08
2.04
2.00
1.97
2.11
2.06
2.02
1.98
1.95
2.09
2.04
2.00
1.97
1.93
2.08
2.03
1.99
1.96
1.92
2.07
2.02
1.98
1.94
1.91
2.04
1.99
1.95
1.91
1.88
2.02
1.97
1.93
1.89
1.86
2.01
1.96
1.92
1.88
1.84
21
22
23
24
25
2.16
2.13
2.11
2.09
2.07
2.14
2.11
2.09
2.07
2.05
2.12
2.10
2.08
2.05
2.04
2.11
2.08
2.06
2.04
2.02
2.10
2.07
2.05
2.03
2.01
2.01
1.98
1.96
1.94
1.92
1.96
1.94
1.91
1.89
1.87
1.94
1.91
1.88
1.86
1.84
1.92
1.89
1.86
1.84
1.82
1.90
1.88
1.85
1.83
1.81
1.89
1.86
1.84
1.82
1.80
1.88
1.85
1.82
1.80
1.78
1.84
1.82
1.79
1.77
1.75
1.82
1.80
1.77
1.75
1.73
1.81
1.78
1.76
1.73
1.71
26
27
28
29
30
2.05
2.04
2.02
2.01
1.99
2.03
2.02
2.00
1.99
1.98
2.02
2.00
1.99
1.97
1.96
2.00
1.99
1.97
1.96
1.95
1.99
1.97
1.96
1.94
1.93
1.90
1.88
1.87
1.85
1.84
1.85
1.84
1.82
1.81
1.79
1.82
1.81
1.79
1.77
1.76
1.80
1.79
1.77
1.75
1.74
1.79
1.77
1.75
1.74
1.72
1.78
1.76
1.74
1.73
1.71
1.76
1.74
1.73
1.71
1.70
1.73
1.71
1.69
1.67
1.66
1.71
1.69
1.67
1.65
1.64
1.69
1.67
1.65
1.64
1.62
40
50
60
70
1.90
1.85
1.82
1.79
1.89
1.83
1.80
1.77
1.87
1.81
1.78
1.75
1.85
1.80
1.76
1.74
1.84
1.78
1.75
1.72
1.74
1.69
1.65
1.62
1.69
1.63
1.59
1.57
1.66
1.60
1.56
1.53
1.64
1.58
1.53
1.50
1.62
1.56
1.52
1.49
1.61
1.54
1.50
1.47
1.59
1.52
1.48
1.45
1.55
1.48
1.44
1.40
1.53
1.46
1.41
1.37
1.51
1.44
1.39
1.35
500
254
19.50
8.53
5.64
4.37
3.68
3.24
2.94
2.72
2.55
Inf
254
19.50
8.53
5.63
4.37
3.67
3.23
2.93
2.71
2.54
- 438 -
1
1 4052
2 98.50
3 34.10
4 21.20
5 16.30
6 13.70
7 12.20
8 11.30
9 10.60
10 10.00
2
4999
99.00
30.80
18.00
13.30
10.90
9.55
8.65
8.02
7.56
3
5403
99.20
29.40
16.70
12.10
9.78
8.45
7.59
6.99
6.55
TABLAC1: DISTRIBUCIONF, Nivel de significacindel 1%

Grados delibertadparaelnumerador
4 5 6 7
8 9 10 11 12 13
5625 5764 5859 5928 5981 6023 6056 6083 6106 6126
99.30 99.30 99.30 99.40 99.40 99.40 99.40 99.40 99.40 99.40
28.70 28.20 27.90 27.70 27.50 27.30 27.20 27.10 27.10 27.00
16.00 15.50 15.20 15.00 14.80 14.70 14.50 14.50 14.40 14.30
11.40 11.00 10.70 10.50 10.30 10.20 10.10 9.96 9.89 9.82
9.15 8.75 8.47 8.26 8.10 7.98 7.87 7.79 7.72 7.66
7.85 7.46 7.19 6.99 6.84 6.72 6.62 6.54 6.47 6.41
7.01 6.63 6.37 6.18 6.05 5.91 5.81 5.73 5.67 5.61
6.42 6.06 5.80 5.61 5.47 5.35 5.26 5.18 5.11 5.05
5.99 5.64 5.39 5.20 5.06 4.94 4.85 4.77 4.71 4.65
11
12
13
14
15
9.64
9.33
9.07
8.86
8.68
7.20
6.93
6.70
6.51
6.36
6.21
5.95
5.74
5.56
5.42
5.67
5.41
5.21
5.04
4.89
5.31
5.06
4.86
4.69
4.56
5.07
4.82
4.62
4.46
4.32
4.88
4.64
4.44
4.28
4.14
4.74
4.50
4.30
4.14
4.00
4.63
4.39
4.19
4.03
3.89
4.54
4.30
4.10
3.94
3.80
4.46
4.22
4.02
3.86
3.73
4.39
4.16
3.96
3.80
3.67
4.34
4.10
3.90
3.75
3.61
4.29
4.05
3.86
3.70
3.56
4.25
4.01
3.82
3.66
3.52
16
17
18
19
20
8.53
8.40
8.29
8.18
8.10
6.23
6.11
6.01
5.93
5.85
5.29
5.18
5.09
5.01
4.94
4.77
4.67
4.58
4.50
4.43
4.44
4.34
4.25
4.17
4.10
4.20
4.10
4.01
3.94
3.87
4.03
3.93
3.84
3.77
3.70
3.89
3.79
3.71
3.63
3.56
3.78
3.68
3.60
3.52
3.46
3.69
3.59
3.51
3.43
3.37
3.62
3.52
3.43
3.36
3.29
3.55
3.46
3.37
3.30
3.23
3.50
3.40
3.32
3.24
3.18
3.45
3.35
3.27
3.19
3.13
3.41
3.31
3.23
3.15
3.09
21
22
23
24
25
8.02
7.95
7.88
7.82
7.77
5.78
5.72
5.66
5.61
5.57
4.87
4.82
4.76
4.72
4.68
4.37
4.31
4.26
4.22
4.18
4.04
3.99
3.94
3.90
3.85
3.81
3.76
3.71
3.67
3.63
3.64
3.59
3.54
3.50
3.46
3.51
3.45
3.41
3.36
3.32
3.40
3.35
3.30
3.26
3.22
3.31
3.26
3.21
3.17
3.13
3.24
3.18
3.14
3.09
3.06
3.17
3.12
3.07
3.03
2.99
3.12
3.07
3.02
2.98
2.94
3.07
3.02
2.97
2.93
2.89
3.03
2.98
2.93
2.89
2.85
26
27
28
29
30
7.72
7.68
7.64
7.60
7.56
5.53
5.49
5.45
5.42
5.39
4.64
4.60
4.57
4.54
4.51
4.14
4.11
4.07
4.04
4.02
3.82
3.78
3.75
3.73
3.70
3.59
3.56
3.53
3.50
3.47
3.42
3.39
3.36
3.33
3.30
3.29
3.26
3.23
3.20
3.17
3.18
3.15
3.12
3.09
3.07
3.09
3.06
3.03
3.00
2.98
3.02
2.99
2.96
2.93
2.91
2.96
2.93
2.90
2.87
2.84
2.90
2.87
2.84
2.81
2.79
2.86
2.82
2.79
2.77
2.74
2.81
2.78
2.75
2.73
2.70
40
50
60
70
80
7.31
7.17
7.07
7.01
6.96
5.18
5.06
4.98
4.92
4.88
4.31
4.20
4.13
4.07
4.04
3.83
3.72
3.65
3.60
3.56
3.51
3.41
3.34
3.29
3.25
3.29
3.19
3.12
3.07
3.04
3.12
3.02
2.95
2.91
2.87
2.99
2.89
2.82
2.78
2.74
2.89
2.78
2.72
2.67
2.64
2.80
2.70
2.63
2.59
2.55
2.73
2.62
2.56
2.51
2.48
2.66
2.56
2.50
2.45
2.42
2.61
2.51
2.44
2.40
2.36
2.56
2.46
2.39
2.35
2.31
2.52
2.42
2.35
2.31
2.27
14
6143
99.40
26.90
14.20
9.77
7.60
6.36
5.56
5.01
4.60
15
6157
99.40
26.90
14.20
9.72
7.56
6.31
5.52
4.96
4.56
16
1 6169
2 99.40
3 26.80
4 14.20
5 9.68
6 7.52
7 6.28
8 5.48
9 4.92
10 4.52
17
6182
99.40
26.80
14.10
9.64
7.48
6.24
5.44
4.89
4.49
TABLAC1: DISTRIBUCIONF, Nivel de significacindel 1%(Cont.)

18 19 20 30 40 50 60 70 80 100 200
6192 6201 6209 6261 6287 6303 6313 6320 6326 6335 6350
99.40 99.40 99.50 99.50 99.50 99.50 99.50 99.50 99.50 99.50 99.50
26.80 26.70 26.70 26.50 26.40 26.40 26.30 26.30 26.30 26.20 26.20
14.10 14.00 14.00 13.80 13.70 13.70 13.70 13.60 13.60 13.60 13.50
9.61 9.58 9.55 9.38 9.29 9.24 9.20 9.18 9.16 9.13 9.08
7.45 7.42 7.40 7.23 7.14 7.09 7.06 7.03 7.01 6.99 6.93
6.21 6.18 6.16 5.99 5.91 5.86 5.82 5.80 5.78 5.75 5.70
5.41 5.38 5.36 5.20 5.12 5.07 5.03 5.01 4.99 4.96 4.91
4.86 4.83 4.81 4.65 4.57 4.52 4.48 4.46 4.44 4.41 4.36
4.46 4.43 4.41 4.25 4.17 4.12 4.08 4.06 4.04 4.01 3.96
11
12
13
14
15
4.21
3.97
3.78
3.62
3.49
4.18
3.94
3.74
3.59
3.45
4.15
3.91
3.72
3.56
3.42
4.12
3.88
3.69
3.53
3.40
4.10
3.86
3.66
3.51
3.37
3.94
3.70
3.51
3.35
3.21
3.86
3.62
3.42
3.27
3.13
3.81
3.57
3.37
3.22
3.08
3.77
3.54
3.34
3.18
3.05
3.75
3.51
3.32
3.16
3.02
3.73
3.49
3.30
3.14
3.00
3.70
3.47
3.27
3.11
2.98
3.65
3.41
3.22
3.06
2.92
3.62
3.38
3.19
3.03
2.89
3.60
3.36
3.17
3.00
2.87
16
17
18
19
20
3.37
3.27
3.19
3.12
3.05
3.34
3.24
3.16
3.08
3.02
3.31
3.21
3.13
3.05
2.99
3.28
3.19
3.10
3.03
2.96
3.26
3.16
3.08
3.00
2.94
3.10
3.00
2.92
2.84
2.78
3.02
2.92
2.84
2.76
2.69
2.97
2.87
2.78
2.71
2.64
2.93
2.83
2.75
2.67
2.61
2.91
2.81
2.72
2.65
2.58
2.89
2.79
2.70
2.63
2.56
2.86
2.76
2.68
2.60
2.54
2.81
2.71
2.62
2.55
2.48
2.78
2.68
2.59
2.51
2.44
2.75
2.65
2.57
2.49
2.42
21
22
23
24
25
2.99
2.94
2.89
2.85
2.81
2.96
2.91
2.86
2.82
2.78
2.93
2.88
2.83
2.79
2.75
2.90
2.85
2.80
2.76
2.72
2.88
2.83
2.78
2.74
2.70
2.72
2.67
2.62
2.58
2.54
2.64
2.58
2.54
2.49
2.45
2.58
2.53
2.48
2.44
2.40
2.55
2.50
2.45
2.40
2.36
2.52
2.47
2.42
2.38
2.34
2.50
2.45
2.40
2.36
2.32
2.48
2.42
2.37
2.33
2.29
2.42
2.36
2.32
2.27
2.23
2.38
2.33
2.28
2.24
2.19
2.36
2.31
2.26
2.21
2.17
26
27
28
29
30
2.78
2.75
2.72
2.69
2.66
2.75
2.71
2.68
2.66
2.63
2.72
2.68
2.65
2.63
2.60
2.69
2.66
2.63
2.60
2.57
2.66
2.63
2.60
2.57
2.55
2.50
2.47
2.44
2.41
2.39
2.42
2.38
2.35
2.33
2.30
2.36
2.33
2.30
2.27
2.25
2.33
2.29
2.26
2.23
2.21
2.30
2.27
2.24
2.21
2.18
2.28
2.25
2.22
2.19
2.16
2.25
2.22
2.19
2.16
2.13
2.19
2.16
2.13
2.10
2.07
2.16
2.12
2.09
2.06
2.03
2.13
2.10
2.06
2.03
2.01
40
50
60
70
80
2.48
2.38
2.31
2.27
2.23
2.45
2.35
2.28
2.23
2.20
2.42
2.32
2.25
2.20
2.17
2.39
2.29
2.22
2.18
2.14
2.37
2.27
2.20
2.15
2.12
2.20
2.10
2.03
1.98
1.94
2.11
2.01
1.94
1.89
1.85
2.06
1.95
1.88
1.83
1.79
2.02
1.91
1.84
1.78
1.75
1.99
1.88
1.81
1.75
1.71
1.97
1.86
1.78
1.73
1.69
1.94
1.82
1.75
1.70
1.65
1.87
1.76
1.68
1.62
1.58
1.83
1.71
1.63
1.57
1.53
1.80
1.68
1.60
1.54
1.49
500
6361
99.50
26.10
13.50
9.04
6.90
5.67
4.88
4.33
3.93
Inf
6366
99.50
26.10
13.50
9.02
6.88
5.65
4.86
4.31
3.91
- 440 -
1
2
3
4
5
0.995
0.00
0.01
0.072
0.207
0.412
TABLAD: Distribucion de Chi-cuadrada

Probabilidadde un valor ms alto de chi-cuadrado
0.99 0.975 0.95 0.90 0.75 0.50 0.25 0.10 0.05 0.025
0.00 0.00 0.00 0.016 0.102 0.455 1.32 2.71 3.84 5.02
0.02 0.051 0.103 0.211 0.575 1.39 2.77 4.61 5.99 7.38
0.115 0.216 0.352 0.584 1.21 2.37 4.11 6.25 7.81 9.35
0.297 0.484 0.711 1.06 1.92 3.36 5.39 7.78 9.49 11.10
0.554 0.831 1.15 1.61 2.67 4.35 6.63 9.24 11.10 12.80
6
7
8
9
10
0.676
0.989
1.34
1.73
2.16
0.872
1.24
1.65
2.09
2.56
1.24
1.69
2.18
2.70
3.25
1.64
2.17
2.73
3.33
3.94
2.20
2.83
3.49
4.17
4.87
3.45
4.25
5.07
5.90
6.74
5.35
6.35
7.34
8.34
9.34
7.84
9.04
10.20
11.40
12.50
10.60
12.00
13.40
14.70
16.00
12.60
14.10
15.50
16.90
18.30
14.40
16.00
17.50
19.00
20.50
16.80
18.50
20.10
21.70
23.20
18.50
20.30
22.00
23.60
25.20
11
12
13
14
15
2.60
3.07
3.57
4.07
4.60
3.05
3.57
4.11
4.66
5.23
3.82
4.40
5.01
5.63
6.26
4.57
5.23
5.89
6.57
7.26
5.582
6.30
7.04
7.79
8.55
7.58
8.44
9.30
10.20
11.00
10.30
11.30
12.30
13.30
14.30
13.70
14.80
16.00
17.10
18.20
17.30
18.50
19.80
21.10
22.30
19.70
21.00
22.40
23.70
25.00
21.90
23.30
24.70
26.10
27.50
24.70
26.20
27.70
29.10
30.60
26.80
28.30
29.80
31.30
32.80
16
17
18
19
20
5.14
5.70
6.26
6.84
7.43
5.81
6.41
7.01
7.63
8.26
6.91
7.56
8.23
8.91
9.59
7.96
8.67
9.39
10.10
10.90
9.31
10.10
10.90
11.70
12.40
11.90
12.80
13.70
14.60
15.50
15.30
16.30
17.30
18.30
19.30
19.40
20.50
21.60
22.70
23.80
23.50
24.80
26.00
27.20
28.40
26.30
27.60
28.90
30.10
31.40
28.80
30.20
31.50
32.90
34.20
32.00
33.40
34.80
36.20
37.60
34.30
35.70
37.20
38.60
40.00
21
22
23
24
25
8.03
8.64
9.26
9.89
10.50
8.90
9.54
10.20
10.90
11.50
10.30
11.00
11.70
12.40
13.10
11.60
12.30
13.10
13.80
14.60
13.20
14.00
14.80
15.70
16.50
16.30
17.20
18.10
19.00
19.90
20.30
21.30
22.30
23.30
24.30
24.90
26.00
27.10
28.20
29.30
29.60
30.80
32.00
33.20
34.40
32.70
33.90
35.20
36.40
37.70
35.50
36.80
38.10
39.40
40.60
38.90
40.30
41.50
43.00
44.30
41.40
42.80
44.20
45.60
46.90
gl
0.01 0.005
6.63 7.88
9.21 10.60
11.3 12.80
13.30 14.90
15.10 16.70
26 11.20 12.20 13.80 15.40 17.30 20.80 25.30 30.40 35.60 38.90 41.90 45.60 48.30
27 11.80 12.90 14.60 16.20 18.10 21.70 26.30 31.50 36.70 40.10 43.20 47.00 49.60

Analisis y Diseño

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Analisis y Diseño

Diunggah oleh

Hak Cipta:

Format Tersedia

UNIVERSIDAD NACIONAL DEL ALTIPLANO - PUNO

Facultad de Ciencias Agrarias

Puno, Abril del 2009

V. Ibaez Q. - Docente FINESI - UNA - Puno

VLADIMIRO IBAEZ QUISPE

Anlisis y Diseo de Experimentos - iii -

La presente publicacin Anlisis y Diseo de Experimentos est

V. Ibaez Q. - Docente FINESI - UNA - Puno

Anlisis y Diseo de Experimentos - v -

1.3. Regresin Lineal Mltiple (RLM)..................................................... 40

b) IC para la respuesta media de E ( Y0 ) dado el vector X'0 .............. 50

V. Ibaez Q. - Docente FINESI - UNA - Puno

1.4. Regresin Curvilineal o no lineales.................................................... 83

CAPTULO 3: DISEO COMPLETAMENTE AL AZAR (DCA, DIA)

Intervalo Confidencial (IC)

Anlisis y Diseo de Experimentos - vii Pg.

CAPTULO 4: DISEO BLOQUE COMPLETO AL AZAR (DBCA)

CAPTULO 5: PRUEBAS DE COMPARACIN MLTIPLE DE MEDIAS

V. Ibaez Q. - Docente FINESI - UNA - Puno

Anlisis de Varianza (ANOVA).................................................... 228

CAPTULO 8: MTODOS Y DISEO DE SUPERFICIE DE RESPUESTA

Anlisis y Diseo de Experimentos - ix Pg.

CAPTULO 10: ANLISIS DE COVARIANZA (ANCOVA)

Bibliografa consultada ........................................................................ 429

Anlisis y Diseo de Experimentos - 1 -

V. Ibaez Q. - Docente FINESI - UNA - Puno

0 = Parmetro desconocido que indica la ordenada donde la lnea de

1 = Parmetro desconocido que indica la pendiente de la lnea de mejor

i = Error de perturbacin que puede tomar valores positivos o negativos.

Anlisis y Diseo de Experimentos - 3 Propiedades del modelo:

V. Ibaez Q. - Docente FINESI - UNA - Puno

Estimacin de la ecuacin de regresin.

Anlisis y Diseo de Experimentos - 5

= 0 , entonces se tiene que:

2 Yi 0 1X i ( 1) = 0 , haciendo operaciones elementales se tiene la prii =1

primera ecuacin, se encuentra, la segunda ecuacin normal.

En resumen de a) y b) se tiene las Ecuaciones Normales:

dividiendo entre n a ambos miembros tenemos: $ 0 =

V. Ibaez Q. - Docente FINESI - UNA - Puno

raciones elementales de lgebra, se llega a encontrar $ 1 en dos formas siguientes

Otra forma de encontrar $ 1 es usando la Regla de Cramer.

Anlisis y Diseo de Experimentos - 7 n

Algunas veces, se expresa en trminos de desviaciones $ 1 , utilizando letras

La recta de regresin estimada es:

$ es el estimador para la media de la observacin Yi, la cual corresY

ponde al valor Xi de la variable de prediccin.

V. Ibaez Q. - Docente FINESI - UNA - Puno

Anlisis y Diseo de Experimentos - 9 Frmulas de trabajo:.

TABLA DE ANALISIS DE VARIANZA PARA REGRESION LINEAL SIMPLE

Suma de Cuadrados (S.C.)

V. Ibaez Q. - Docente FINESI - UNA - Puno

Prueba de Hiptesis para ( 1 ).

2. Elegir el nivel de significacin:

, ( =0.01, = 0.05, = 0.10).

3. Estadgrafo de Contraste, elegida para este caso, la prueba t-Student y cuya

4. Establecer la Regin de decisin, determinando la regin crtica de la prueba.

RR H o : t c < -t 2,(n-2) t c > t 2,(n-2)

Anlisis y Diseo de Experimentos - 11 6. Si tc pertenece a RA H 0 : , aceptamos H0: y rechazamos la Ha:

Intervalo Confidencial (IC) para ( 1 ).

Intervalos de Confianza (IC) para la prediccin.

el valor de la media cuando X = X h X = X 0 y sea Y$h el valor

Y$h = $ 0 + $ 1 X , cuando X = X h entonces Y$h = $ 0 + $ 1 X h .

V. Ibaez Q. - Docente FINESI - UNA - Puno

Luego el intervalo confidencial del (1- )x100% para la respuesta media