Diana Carolina Villamil Sandoval

Diseño de Ingeniero industrial

Especialista en Gerencia de Producción y
Operaciones

Experimentos Magíster en Ingeniería con énfasis en

Sistemas de Calidad y Productividad
Coach con PNL
Prueba de
Hipótesis
✓ Útil para verificar si una
cierta afirmación acerca
de un parámetro
desconocido puede
considerarse como válida
basándose en los
resultados de una
muestra.
Prueba de Hipótesis de
Parámetros Poblacionales
Prueba de Medias
Comparación de una sola media con un
valor específico
Comparar la media, µ, de una sola población con un valor
especificado, µ0
1. Parámetro poblacional
𝑀𝑒𝑑𝑖𝑎 𝜇
2. Hipótesis nula
𝐻0 : 𝜇 = 𝜇0
3. Hipótesis alternativa
𝐻1 : 𝜇 ≠ 𝜇0
4. Nivel de significancia
𝛼 = 0,05 1 − 𝛼 100% 𝑁𝑖𝑣𝑒𝑙 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑛𝑧𝑎
5. Estadístico de prueba Si la población tiene un comportamiento
𝑥ҧ − 𝜇0 normal con varianza conocida o si la
𝑍0 = varianza no se conoce pero el tamaño de
𝜎Τ 𝑛
la muestra es lo suficientemente grande
(mayor a 30)
𝑥ҧ − 𝜇0
𝑡0 = Si la población tiene un comportamiento
𝑆Τ 𝑛 normal con varianza desconocida y el
tamaño de la muestra es pequeña (menor
6. Región de Rechazo o igual a 30)

✓ Se rechaza la hipótesis nula si …

𝑍0 > 𝑍1−𝛼Τ2
𝑡0 > 𝑡1−𝛼Τ2,𝑛−1
7. Valor Crítico
𝑍1−𝛼Τ2 = 𝐼𝑁𝑉. 𝑁𝑂𝑅𝑀. 𝐸𝑆𝑇𝐴𝑁𝐷(𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑)
𝑡1−𝛼Τ2,𝑛−1 = 𝐼𝑁𝑉. 𝑇. 2𝐶(𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑; 𝑔𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑡𝑎𝑑)
8. Conclusión 𝑁(0,1)

NO se rechaza

Se rechaza

𝜇=0
z
𝑍0 𝑍0

NO se rechaza

Se rechaza

𝑡0 𝑡𝛼,𝑛−1 𝑡0
𝑡1−𝛼,𝑛−1
2
t
2
Prueba de Medias
Estadístico de Criterios de
Hipótesis
Prueba Rechazo
𝐻0 : 𝜇= 𝜇0
𝑍0 > 𝑍1−𝛼Τ2
𝐻1 : 𝜇≠ 𝜇0
𝐻0 : 𝜇= 𝜇0 𝑥ҧ − 𝜇0
𝑍0 = 𝑍0 < 𝑍𝛼
𝐻1 : 𝜇< 𝜇0 𝜎Τ 𝑛
𝐻0 : 𝜇= 𝜇0
𝑍0 > 𝑍1−𝛼
𝐻1 : 𝜇> 𝜇0
Estadístico de Criterios de
Hipótesis
Prueba Rechazo
𝐻0 : 𝜇= 𝜇0
𝑡0 > 𝑡1−𝛼Τ2,𝑛−1
𝐻1 : 𝜇≠ 𝜇0
𝐻0 : 𝜇= 𝜇0 𝑥ҧ − 𝜇0
𝑡0 = 𝑡0 < 𝑡𝛼,𝑛−1
𝐻1 : 𝜇< 𝜇0 𝑆Τ 𝑛
𝐻0 : 𝜇= 𝜇0
𝑡0 > 𝑡1−𝛼,𝑛−1
𝐻1 : 𝜇> 𝜇0
Intervalo de confianza de la media
• El intervalo de confianza de 100 1 − 𝛼 por ciento para la
verdadera media poblacional es:

𝜎 𝜎
𝑥ҧ − 𝑍1−𝛼 ≤ 𝜇 ≤ 𝑥ҧ + 𝑍1−𝛼/2
2 𝑛 𝑛

𝑆 𝑆
𝑥ҧ − 𝑡1−𝛼,𝑛−1 ≤ 𝜇 ≤ 𝑥ҧ + 𝑡1−𝛼,𝑛−1
2 𝑛 2 𝑛
Prueba de Varianzas
Comparación de una sola varianza con
un valor específico
Probar la hipótesis de que la varianza de una población normal
es igual a una constante 20
Estadístico de
Hipótesis Criterios de Rechazo
Prueba
𝐻0 : 𝜎2 = 𝜎02 𝑋02 > 𝑋 2𝛼 𝑜 𝑋02 < 𝑋𝛼2
1− 2 ,𝑛−1 2 ,𝑛−1
𝐻1 : 𝜎2 ≠ 𝜎02
2
𝐻0 : 𝜎2 = 𝜎02 𝑛 − 1 𝑆
𝑋02 = 𝑋02 < 𝑋𝛼,𝑛−1
2
𝐻1 : 𝜎2 < 𝜎02 𝜎02
𝐻0 : 𝜎2 = 𝜎02
𝑋02 > 𝑋1−𝛼,𝑛−1
2
𝐻1 : 𝜎2 > 𝜎02
Prueba de Varianzas
𝑋2 𝛼 = 𝐼𝑁𝑉. 𝐶𝐻𝐼𝐶𝑈𝐴𝐷(𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑; 𝑔𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑡𝑎𝑑)
1− ,𝑛−1
2

Intervalo de confianza de la varianza

• Nivel de confianza: 100 1 − 𝛼
2 2
𝑛−1 𝑆 2
𝑛−1 𝑆
2 ≤𝜎 ≤ 2
𝑋 𝛼 𝑋𝛼
1− ,𝑛−1 ,𝑛−1
2 2
Prueba de Proporciones
Comparación de una sola proporción
con un valor específico
Probar la hipótesis de que la proporción de una población normal
es igual a una constante 𝑝0

Hipótesis Estadístico de Prueba Criterios de Rechazo

𝐻0 : 𝑝 = 𝑝0
𝑍0 > 𝑍1−𝛼Τ2
𝐻1 : 𝑝 ≠ 𝑝0
𝑝Ƹ − 𝑝0
𝐻0 : 𝑝 = 𝑝0 𝑍0 =
𝑝0 1 − 𝑝0 𝑍0 < 𝑍𝛼
𝐻1 : 𝑝 < 𝑝0
𝑛
𝐻0 : 𝑝 = 𝑝0
𝑍0 > 𝑍1−𝛼
𝐻1 : 𝑝 > 𝑝0
Prueba de Proporciones
𝑍1−𝛼Τ2 = 𝐼𝑁𝑉. 𝑁𝑂𝑅𝑀. 𝐸𝑆𝑇𝐴𝑁𝐷(𝑝𝑟𝑜𝑏𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑)
𝑁(0,1)

𝜇=0
z
𝑍0 𝑍0

Intervalo de confianza de la proporción

• Nivel de confianza: 100 1 − 𝛼

𝑝ො 1 − 𝑝ො 𝑝ො 1 − 𝑝ො
𝑝ො − 𝑍1−𝛼 ≤ 𝑝 ≤ 𝑝ො + 𝑍1−𝛼/2
2 𝑛 𝑛
Prueba de Hipótesis para
comparación de dos
Poblaciones o Tratamientos
Hipótesis para dos medias
Hipótesis Estadístico de Prueba Criterios de Rechazo
𝐻0 : 𝜇1 = 𝜇2
𝑍0 > 𝑍1−𝛼Τ2
𝐻1 : 𝜇1 ≠ 𝜇2 𝑥1 − 𝑥2
𝑍0 =
𝐻0 : 𝜇1 = 𝜇2
𝜎12 𝜎12 𝑍0 < 𝑍𝛼
𝐻1 : 𝜇1 < 𝜇2 +
𝑛1 𝑛2
𝐻0 : 𝜇1 = 𝜇2
𝑍0 > 𝑍1−𝛼
𝐻1 : 𝜇1 > 𝜇2
Distribuciones normales con varianza desconocida
Hipótesis Estadístico de Prueba Criterios de Rechazo
𝐻0 : 𝜇1 = 𝜇2 𝑺𝒊 𝝈𝟐𝟏 = 𝝈𝟐𝟐 𝑡0 > 𝑡1−𝛼Τ2,𝑣
𝐻1 : 𝜇1 ≠ 𝜇2
𝐻0 : 𝜇1 = 𝜇2 𝑥1 − 𝑥2
𝑡0 = 𝑡0 < 𝑡𝛼,𝑣
𝐻1 : 𝜇1 < 𝜇2 1 1
𝑆𝑝 +
𝑛1 𝑛2
𝐻0 : 𝜇1 = 𝜇2
𝑡0 > 𝑡1−𝛼,𝑣
𝐻1 : 𝜇1 > 𝜇2 𝑣 = 𝑛1 + 𝑛2 − 2
Hipótesis para dos medias
𝑛1 − 1 𝑆12 + 𝑛2 − 1 𝑆22
𝑆𝑝 =
𝑛1 + 𝑛2 − 2

Hipótesis Estadístico de Prueba Criterios de Rechazo

𝐻0 : 𝜇1 = 𝜇2 𝑺𝒊 𝝈𝟐𝟏 ≠ 𝝈𝟐𝟐 𝑡0 > 𝑡1−𝛼Τ2,𝑣
𝐻1 : 𝜇1 ≠ 𝜇2
𝐻0 : 𝜇1 = 𝜇2 𝑥1 − 𝑥2
𝑡0 = 𝑡0 < 𝑡𝛼,𝑣
𝐻1 : 𝜇1 < 𝜇2
𝑆12 𝑆22
+
𝑛1 𝑛2

𝐻0 : 𝜇1 = 𝜇2 2 2
𝑆12 𝑆2 𝑡0 > 𝑡1−𝛼,𝑣
𝐻1 : 𝜇1 > 𝜇2 +
𝑛1 𝑛2
𝑣=
𝑆12 Τ𝑛1 2 𝑆22 Τ𝑛2 2
+
𝑛1 − 1 𝑛2 − 1
Hipótesis para dos varianzas
Hipótesis Estadístico de Prueba Criterios de Rechazo
𝐻0 : 𝜎12 = 𝜎22 𝑆12
𝐻1 : 𝜎12 ≠ 𝜎22 𝐹0 = 2
𝑆2 𝐹0 > 𝐹1−𝛼,𝑛
1 −1,𝑛2 −1
𝑜
2
𝜎12 𝐹0 < 𝐹 𝛼
,𝑛 −1,𝑛2 −1
𝐻0 : 2 = 1 2 1
𝜎2
𝜎12
𝐻1 : 2 ≠ 1
𝜎2 𝑆22
𝐹0 = 2
𝐻0 : 𝜎12 = 𝜎22 𝑆1 𝐹0 > 𝐹1−𝛼,𝑛2−1,𝑛1 −1
𝐻1 : 𝜎12 < 𝜎22
𝑆12
𝐻0 : 𝜎12 = 𝜎22 𝐹0 = 2
𝑆2 𝐹0 > 𝐹1−𝛼,𝑛1 −1,𝑛2 −1
𝐻1 : 𝜎12 > 𝜎22
Hipótesis para dos proporciones
Hipótesis Estadístico de Prueba Criterios de Rechazo

𝐻0 : 𝑝1 = 𝑝2 𝑝
ෞ1 − 𝑝
ෞ2
𝑍0 = 𝑍0 > 𝑍1−𝛼Τ2
𝐻1 : 𝑝1 ≠ 𝑝2 1 1
𝐻0 : 𝑝 = 𝑝0 𝑝Ƹ 1 − 𝑝Ƹ +
𝑛1 𝑛2
𝑍0 < 𝑍𝛼
𝐻1 : 𝑝 < 𝑝0
𝐻0 : 𝑝 = 𝑝0 𝑥1 + 𝑥2
𝑝Ƹ = 𝑍0 > 𝑍1−𝛼
𝐻1 : 𝑝 > 𝑝0 𝑛1 + 𝑛2
 Intervalos de Confianza
Dos Tratamientos
Parámetro Límite Inferior Límite Superior
𝜇1 − 𝜇2
𝜎12 𝜎22 𝜎12 𝜎22
𝑋1 − 𝑋2 − 𝑍1−𝛼/2 + 𝑋1 − 𝑋2 + 𝑍1−𝛼/2 +
𝑛1 𝑛2 𝑛1 𝑛2

1 1 1 1
𝑋1 − 𝑋2 − 𝑡1−𝛼/2,𝑛1+𝑛2−2 𝑆𝑝 + 𝑋1 − 𝑋2 + 𝑡1−𝛼/2,𝑛1+𝑛2−2 𝑆𝑝 +
𝑛1 𝑛2 𝑛1 𝑛2

𝑆12 𝑆22 𝑆12 𝑆22

𝑋1 − 𝑋2 − 𝑡1−𝛼,𝑛 + 𝑋1 − 𝑋2 + 𝑡1−𝛼,𝑛 +
2 1 +𝑛2 −2 𝑛1 𝑛2 +𝑛 −2
2 1 2 𝑛1 𝑛2
𝜎12 𝑆12 𝑆12
𝐹𝛼 𝐹 𝛼
𝜎22 𝑆22 2 ,𝑛2 −1,𝑛1−1 𝑆22 1− 2 ,𝑛2−1,𝑛1−1
𝑝1 − 𝑝2
𝑝
ෞ1 1 − 𝑝
ෞ1 𝑝
ෞ2 1 − 𝑝
ෞ2 𝑝
ෞ1 1 − 𝑝
ෞ1 𝑝
ෞ2 1 − 𝑝
ෞ2
𝑝
ෞ1 − 𝑝
ෞ2 −𝑍1−𝛼/2 + 𝑝
ෞ1 − 𝑝
ෞ2 +𝑍1−𝛼/2 +
𝑛1 𝑛2 𝑛1 𝑛2
Poblaciones Pareadas
Comparación de dos medias con muestras dependientes
• En muchas situaciones experimentales no conviene o no es
posible tomar muestras independientes, sino que la mejor
estrategia es tomar muestras pareadas. Los datos de ambos
tratamientos se van obteniendo por pares, de forma que cada
par son datos que tienen algo en común.
Hipótesis Estadístico de Prueba
𝐻0 : 𝜇𝐷 = 0 𝑑ҧ
𝑡0 =
𝐻1 : 𝜇𝐷 ≠ 0 𝑆𝐷 Τ 𝑛

Criterio de Rechazo
𝑡0 > 𝑡1−𝛼Τ2,𝑛−1
ANOVA para
el DCA
✓ Experimentos con un solo
factor (Análisis de
Varianza)
Diseño completamente al azar
• Es el más simple de todos. Sólo considera dos fuentes de
variabilidad: los tratamientos y el error aleatorio.
• Todas las corridas experimentales se realizan en orden aleatorio
completo.
Tratamientos
T1 T2 T3 … Tk
Y11 Y21 Y31 ⋯ Yk1
Y12 Y22 Y32 ⋯ Yk2
Y13 Y23 Y33 ⋯ Yk3
Yij Valor observado j
⋮ ⋮ ⋮ ⋱ ⋮ del tratamiento i
n Tamaño de la
Y1n1 Y2n2 Y3n3 ⋯ Yknk muestra

✓ Se tienen k poblaciones o tratamientos, independientes y con medias desconocidas,

así como varianzas también desconocidas pero que se suponen iguales.
Notación de Puntos
✓ 𝑌.. = 𝑆𝑢𝑚𝑎 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑙𝑎𝑠 𝑁 = 𝑛1 + 𝑛2 + ⋯ + 𝑛𝑘 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠
✓ 𝑌ത.. = 𝑀𝑒𝑑𝑖𝑎 𝑔𝑙𝑜𝑏𝑎𝑙 𝑜 𝑝𝑟𝑜𝑚𝑒𝑑𝑖𝑜 𝑑𝑒 𝑡𝑜𝑑𝑎𝑠 𝑙𝑎𝑠 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠
• Relaciones válidas:
𝑛𝑖 𝑘 𝑛𝑖
𝑌𝑖. = ෍ 𝑌𝑖𝑗 𝑌.. = ෍ ෍ 𝑌𝑖𝑗
𝑗=1 𝑖=1 𝐽=1

𝑛𝑖
σ𝑗=1 𝑌𝑖𝑗 𝑌..
𝑌ത𝑖. = 𝑌ത.. =
𝑛𝑖 𝑁
Tabla de ANOVA para el DCA
Comparaciones o pruebas de
rango múltiples
✓ Si se rechazó la hipótesis nula, se debe revisar ¿cuáles
tratamientos son diferentes?
Comparación de parejas de
medias de tratamientos
Método LSD (Least significant difference
– Diferencia mínima significativa)
• Consiste en probar la igualdad de todos los posibles pares de
medias: k(k-1)/2
• Hipótesis:
𝐻0 : 𝜇𝑖 = 𝜇𝑗
𝐻1 : 𝜇𝑖 ≠ 𝜇𝑗

• Estadístico de prueba: Diferencia en valor absoluto entre sus

medias muestrales.
 1 1
𝑌ത𝑖∙ − 𝑌ത𝑗∙ > 𝑡1−𝛼,𝑁−𝑘 𝐶𝑀𝐸 + = 𝐿𝑆𝐷
2 𝑛𝑖 𝑛𝑗

• Cada diferencia de medias muestrales en valor absoluto que sea

mayor al LSD es significativa
• Si el diseño es balanceado, la diferencia mínima significativa es:
2𝐶𝑀𝐸
𝐿𝑆𝐷 = 𝑡1−𝛼,𝑁−𝑘
2 𝑛
Verificación de los supuestos
del modelo
✓ La validez de una prueba de ANOVA queda
supeditada a que los supuestos del modelo se cumplan
Supuesto de Normalidad
✓ Los residuos siguen una distribución normal con media cero
𝑒𝑖𝑗 = 𝑌𝑖𝑗 − 𝑌ത𝑖∙

Prueba de Shapiro-Wilks para

normalidad
• Se considera una muestra aleatoria de datos que proceden de
una distribución desconocida denotada por F(x). Se desea
verificar si los datos fueron generados por un proceso normal,
mediante las hipótesis estadísticas:
𝐻0 : 𝐿𝑜𝑠 𝑑𝑎𝑡𝑜𝑠 𝑝𝑟𝑜𝑐𝑒𝑑𝑒𝑛 𝑑𝑒 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑛𝑜𝑟𝑚𝑎𝑙 (𝐹(𝑥) 𝑒𝑠 𝑛𝑜𝑟𝑚𝑎𝑙).
𝐻1 : 𝐿𝑜𝑠 𝑑𝑎𝑡𝑜𝑠 𝑁𝑂 𝑝𝑟𝑜𝑐𝑒𝑑𝑒𝑛 𝑑𝑒 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑛𝑜𝑟𝑚𝑎𝑙
(𝐹(𝑥) 𝑁𝑂 𝑒𝑠 𝑛𝑜𝑟𝑚𝑎𝑙).
Procedimiento
1. Se ordenan los datos de menor a mayor.
Los datos ordenados se denotan así:
𝑋 1 ,𝑋 2 ,𝑋 3 ,⋯,𝑋 𝑛

2. De la tabla para la prueba, se obtienen los coeficientes

𝑎1 , 𝑎2 , 𝑎3 , ⋯ , 𝑎𝑘 donde k es aproximadamente 𝑛/2.
3. Se calcula el estadístico W definido como:
2
𝑘
1
𝑊= 2
෍ 𝑎𝑖 𝑋 𝑛−𝑖+1 −𝑋 𝑖
𝑛−1 𝑆
𝑖=1

4. Si el valor del estadístico es mayor que su valor crítico al nivel

𝛼 seleccionado en la tabla, se rechaza la normalidad de los
datos
Supuesto de Varianza
✓ Los residuos de cada tratamiento tienen la misma varianza 2.
Varianza constante u homogeneidad de varianzas

Prueba de Bartlett para

homogeneidad de varianzas
• Supone que se tienen k poblaciones o tratamientos
independientes, cada uno con distribución normal, donde las
varianzas son desconocidas.
• Se quiere probar la hipótesis de igualdad de varianzas dada por:
𝐻0 : 𝜎12 = 𝜎22 = ⋯ = 𝜎𝑘2 = 𝜎 2
𝐻1 : 𝜎𝑖2 ≠ 𝜎𝑗2 𝑝𝑎𝑟𝑎 𝑎𝑙𝑔ú𝑛 𝑖 ≠ 𝑗
Procedimiento
1. Mediante un DCA se obtienen k muestras aleatorias de
tamaños ni, de dichas poblaciones. El total de mediciones es N.
2. Se calcula el estadístico de prueba definido como:
𝑞
𝑋𝑜2 = 2,3026
𝑐
𝑘

𝑞 = 𝑁 − 𝑘 𝑙𝑜𝑔10 𝑆𝑝2 − ෍ 𝑛𝑖 − 1 𝑙𝑜𝑔10 𝑆𝑖2

𝑖=1
𝑘
1 −1 −1
𝑐 =1+ ෍ 𝑛𝑖 − 1 − 𝑁−𝑘
3(𝑘 − 1)
𝑖=1

𝑘 2
2
σ 𝑛
𝑖=1 𝑖 − 1 𝑆𝑖
𝑆𝑝 =
𝑁−𝑘
Procedimiento
3. Si el valor del estadístico es mayor que su valor crítico
2
𝑋(1−𝛼,𝑘−1) al nivel 𝛼 seleccionado, se rechaza la igualdad de
varianzas

Supuesto de Independencia
✓ Los eij son independientes entre sí.
La suposición de independencia en los residuos puede verificarse si se
grafica el orden en que se recolectó un dato contra el residuo
correspondiente.
Si al graficar en el eje horizontal el tiempo (orden de corrida) y en el eje
vertical los residuos, se detecta una tendencia o patrón no aleatorio
claramente definido, esto es evidencia de que existe una correlación entre
los errores y, por lo tanto, el supuesto de independencia no se cumple.
Diseño por
Bloques
✓ Características y usos de
los diseños de bloques
Diseño de Bloques completos al azar
(DBCA)
• Considera tres fuentes de variabilidad: el factor de tratamientos, el
factor de bloque y el error aleatorio.
• La palabra completo se debe a que en cada bloque se prueban
todos los tratamientos. Los bloques están completos.
Bloque
Tratamiento
1 2 3 … b
1 Y11 Y21 Y31 ⋯ Y1b
2 Y12 Y22 Y32 ⋯ Y2b
3 Y13 Y23 Y33 ⋯ Y3b

⋮ ⋮ ⋮ ⋮ ⋱ ⋮

k Yk1 Yk1 Yk1 ⋯ Ykb

✓ Se tienen k tratamientos y b bloques.

✓ Modelo estadístico: 𝒀𝒊𝒋 = 𝝁 + 𝝉𝒊 + 𝜸𝒋 + 𝜺𝒊𝒋
Diseño de Bloques completos al azar
(DBCA)
• En el análisis de varianza en el DBCA, se prueba la hipótesis:
𝐻0 : 𝜇1 = 𝜇2 =⋯ = 𝜇𝑘 = 𝜇
𝐻1 : 𝜇𝑖 ≠ 𝜇𝑗 para algún 𝑖 ≠ 𝑗
que es equivalente a:
𝐻0 : 𝜏1 = 𝜏2 =⋯ = 𝜏𝑘 = 0
𝐻1 : 𝜏𝑖 ≠ 0 para algún 𝑖

• Además, se prueba la hipótesis para el efecto del bloque:

𝐻0 : 𝛾1 = 𝛾2 =⋯ = 𝛾𝑘 = 0
𝐻1 : 𝛾𝑗 ≠ 0 para algún 𝑗
Análisis de varianza
ANOVA para DBCA
Comparación de parejas medias de
tratamiento para DBCA
𝑌ത𝑖∙ − 𝑌ത𝑗∙ > 𝐿𝑆𝐷
• Cada diferencia de medias muestrales en valor
absoluto que sea mayor al LSD es significativa
• En este caso, la diferencia mínima significativa es:

2𝐶𝑀𝐸
𝐿𝑆𝐷 = 𝑡𝛼,(𝑘−1)(𝑏−1)
2 𝑏
Diseño en Cuadro Latino (DCL)
Bloque II (columnas)

1 2 3 … 𝐤

𝟏 A = Y111 B = Y212 C = Y313 … K = Yk1k

𝟐 B = Y221 C = Y322 D = Y423 … A = Y12k

Bloque I
𝟑 C = Y331 D = Y432 E = Y533 … B = Y23k
(filas)
⋮ ⋮ ⋮ ⋮ ⋱ ⋮

𝐤 K = Ykk1 A = Y1k2 B = Y2k3 … J = Yjkk

Análisis de varianza
ANOVA para DCL

𝑘 𝑘 2 𝑘
2 𝑌∙∙∙ 𝑌∙∙𝑙2 𝑌∙∙∙2
𝑆𝐶𝑇 = ෍ ෍ 𝑌𝑖𝑗∙ − 𝑆𝐶𝑇𝑅𝐴𝑇 =෍ −
𝑁 𝑘 𝑁
𝑖=1 𝑗=1 𝑙=1

𝑘 𝑘 2
𝑌𝑖∙∙2 𝑌∙∙∙2 𝑌∙𝑗∙ 𝑌∙∙∙2
𝑆𝐶𝐵1 = ෍ − 𝑆𝐶𝐵2 =෍ −
𝑘 𝑁 𝑘 𝑁
𝑖=1 𝑗=1
Diseño en cuadro grecolatino
(DCGL)
Columnas

1 2 3 𝟒

𝟏 Aα Bβ Cγ Dδ

𝟐 Bδ Aγ Dβ Cα
Filas
𝟑 Cβ Dα Aδ Bγ

𝟒 Dγ Cδ Bα Aβ
Análisis de varianza
ANOVA para DCGL
Análisis de varianza
ANOVA para DBIB
Igualdad de efectos de los tratamientos
Fuente de variabilidad Suma de cuadrados Grados de Libertad

Tratamientos ajustado σ𝑘𝑖=1 𝑇𝑖2 𝑘−1

𝑆𝐶 𝑇𝑅𝐴𝑇 ∗ =𝑡
𝑘
𝑏
𝑌∙𝑗2 𝑌∙∙2
Bloques no ajustado 𝑆𝐶𝐵 = ෍ − 𝑏−1
𝑡 𝑁
𝑗=1

Error 𝑆𝐶𝐸 = 𝑆𝐶𝑇 − 𝑆𝐶 𝑇𝑅𝐴𝑇∗ − 𝑆𝐶𝐵 𝑁−𝑘−𝑏+1

𝑘 𝑏
𝑌 2
Total 𝑆𝐶𝑇 = ෍ ෍ 𝑌𝑖𝑗2 −
∙∙ 𝑁−1
𝑁
𝑖=1 𝑗=1
1 𝑏
𝑇𝑖 = 𝑌𝑖∙ − σ𝑗=1 𝑛𝑖𝑗 𝑌.𝑗 𝑖 = 1,2, ⋯ , 𝑘 - Total ajustado por bloques
𝑡
1 𝑠𝑖 𝑒𝑙 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑖 𝑜𝑐𝑢𝑟𝑟𝑒 𝑒𝑛 𝑒𝑙 𝑏𝑙𝑜𝑞𝑢𝑒 𝑗
𝑛𝑖 = ቊ
0 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
Análisis de varianza
ANOVA para DBIB
Igualdad de efectos de los bloques
Fuente de variabilidad Suma de cuadrados Grados de Libertad

Tratamientos no 𝑘
𝑌𝑖∙2 𝑌∙∙2 𝑘−1
ajustado 𝑆𝐶𝑇𝑅𝐴𝑇 =෍ −
𝑟 𝑁
𝑖=1

σ𝑏𝑗=1 𝐵𝑗2 𝑏−1

𝑆𝐶𝐵∗ = 𝑟
Bloques ajustado 𝑏

𝑆𝐶𝐸 = 𝑆𝐶𝑇 − 𝑆𝐶𝑇𝑅𝐴𝑇 − 𝑆𝐶𝐵∗ 𝑁−𝑘−𝑏+1

Error
𝑘 𝑏
𝑌 2
∙∙ 𝑁−1
𝑆𝐶𝑇 = ෍ ෍ 𝑌𝑖𝑗2 −
𝑁
Total 𝑖=1 𝑗=1
1 𝑘
𝐵𝑗 = 𝑌∙𝑗 − σ𝑖=1 𝑛𝑖𝑗 𝑌𝑖. 𝑗 = 1,2, ⋯ , 𝑏 - Total ajustado por tratamientos
𝑟

1 𝑠𝑖 𝑒𝑙 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑖 𝑜𝑐𝑢𝑟𝑟𝑒 𝑒𝑛 𝑒𝑙 𝑏𝑙𝑜𝑞𝑢𝑒 𝑗

𝑛𝑖 = ቊ
0 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
Diseño
Factorial
✓ Conceptos básicos y
diseños
Diseños factoriales con dos y
tres factores
Análisis de varianza
ANOVA para el diseño factorial a x b
Análisis de varianza
ANOVA para el diseño factorial a x b x c
ANOVA para el diseño factorial a x b x c
Diseños
Factoriales 2 k

✓ Aspectos
fundamentales, diseño
y aplicación
Diseño Factorial general 2 k

• El contraste es una combinación lineal de la forma

2 𝑘
𝐶 = σ𝑖=1 𝑐𝑖 𝑌𝑖 , 𝑐𝑜𝑛 σ 𝑐𝑖 = 0
Suma de
cuadrados para
cualquier
contraste C, que
solo tiene un
grado de libertad

✓ En el diseño factorial 22 (con la

notación de Yates) los
contrastes están dados por:
Diseños
Factoriales 3 k

✓ Aspectos fundamentales,
diseño y aplicación
Análisis del diseño factorial 3 2

• Modelo estadístico:

• Hipótesis:

𝐻0 : 𝛾𝑖 = 0 (𝑛𝑜 ℎ𝑎𝑦 𝑒𝑓𝑒𝑐𝑡𝑜 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑜 𝑑𝑒𝑙 𝑓𝑎𝑐𝑡𝑜𝑟 𝐴 𝑠𝑜𝑏𝑟𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑑𝑒 𝑟𝑒𝑠𝑝𝑢𝑒𝑠𝑡𝑎)

𝐻0 : 𝛿𝑗 = 0 (𝑛𝑜 ℎ𝑎𝑦 𝑒𝑓𝑒𝑐𝑡𝑜 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑜 𝑑𝑒𝑙 𝑓𝑎𝑐𝑡𝑜𝑟 𝐵 𝑠𝑜𝑏𝑟𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑑𝑒 𝑟𝑒𝑠𝑝𝑢𝑒𝑠𝑡𝑎)

𝐻0 : 𝛾𝛿 𝑖𝑗 = 0
(𝑛𝑜 ℎ𝑎𝑦 𝑒𝑓𝑒𝑐𝑡𝑜 𝑑𝑒 𝑖𝑛𝑡𝑒𝑟𝑎𝑐𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑜𝑠 𝑓𝑎𝑐𝑡𝑜𝑟𝑒𝑠 𝐴 𝑦 𝐵 𝑠𝑜𝑏𝑟𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑑𝑒 𝑟𝑒𝑠𝑝𝑢𝑒𝑠𝑡𝑎)
Análisis del diseño factorial 3 2