Estadistica II

ESTADSTICA II
DISEO DE EXPERIMENTOS
JAIME SNCHEZ LEAL, Ph. D.

INSTITUTO TECNOLGICO DE CD. JUREZ.
MXICO
ESTADSTICA II: Diseo de Experimentos
Dr. Jaime Snchez Leal

Impresin: Taller Editorial del Instituto Tecnolgico de Ciudad Jurez
Blvd. Tecnolgico #1340, C.P. 32500
Cd. Jurez, Chih., Mxico
2007 (Primera edicin en trmite)
ISBN No. En trmite
Queda rigurosamente prohibida, sin la autorizacin escrita del titular del copyright,
bajo las sanciones establecidas en las leyes, la reproduccin total o parcial de esta
obra por cualquier medio o procedimiento, comprendidas la reprografa y el
tratamiento informtico y la distribucin de ejemplares de ella, mediante alquiler o
prstamo pblico.
ii
TABLA DE CONTENIDO
Captulo
Pgina
1. REGRESIN LINEAL SIMPLE

1.1 Correlacin
1.2 Modelo de Regresin Lineal Simple
1.3 Evaluacin de la Utilidad del Modelo
1.4 Estimacin de Intervalos de Confianza y Prediccin
1.5 Adecuacin del Modelo
Ejercicios Propuestos
1
2
15
20
33
37
47
2. REGRESIN LINEAL MLTIPLE
51
2.1 El Modelo Lineal Mltiple

2.2 Estimacin de Parmetros
2.3 Prueba de Hiptesis Sobre los Parmetros
2.4 Intervalos de Confianza y Prediccin
2.5 Adecuacin del Modelo
3. CONCEPTOS BSICOS DE DISEO DE EXPERIMENTOS
3.1 Terminologa y Conceptos de Experimentacin
3.2 Programa Experimental
3.3 Diseo de Tratamientos
3.4 Diseo Experimental
3.5 El Modelo General Aditivo
4. DISEO COMPLETAMENTE AL AZAR
4.1 Plan Experimental
4.2 Modelo Lineal
4.3 Anlisis de Varianza
4.4 Estimacin de Parmetros y Prueba de Hiptesis
4.5 Verificacin de la Adecuacin del Modelo
5. ANLISIS DE TRATAMIENTOS
51
53
61
77
82
90
93
94
97
99
101
102
104
105
105
110
111
114
124
140
145
5.1 Clases de Errores en Anlisis de Tratamientos

iii
145
5.2 Mtodo de Diferencia Mnima Significativa

5.3 El Mtodo de Rango de Tukey
5.4 Mtodo de Rango Mltiple se Student-Newman-Keuls
5.5 Prueba Nueva de Rango Mltiple de Duncan
5.6 Procedimiento de Dunnett
5.7 Intervalos de Confianza Simultneos
6. DISEOS DE BLOQUES
148
152
155
158
160
163
167
169
6.1 Diseo de Bloques Completos al Azar

6.1.1 Plan Experimental
6.1.2 Modelo Lineal y Estimacin de Parmetros
6.1.3 Anlisis de Varianza y Prueba de Hiptesis
6.2 Diseo de Cuadro Latino
6.3 Diseo de Cuadro Greco Latino
169
170
173
176
188
188
192
196
207
208
211
214
224
7. ANLISIS DE TRATAMIENTOS ESTRUCTURADOS
229
7.1 Contrastes
7.2 Contrastes Ortogonales
7.3 Diseo de Tratamientos Factoriales
7.4 Diseo de Tratamientos con Gradiente
7.5 Intervalos de Confianza Simultneos
8. DISEOS FACTORIALES
230
240
244
251
259
268
271
8.1 Diseos con Dos Factores

8.2 Diseos con Tres Factores
8.3 Diseo General Factorial
271
273
276
290
291
294
309
309
313
Apndice: Tablas
Referencias Bibliogrficas
217
233
iv
1. REGRESIN LINEAL SIMPLE.

Este captulo se dedicar a estudiar mtodos para hacer inferencia con
variables bidimensionales de una poblacin, es decir variables conjuntas. Por
ejemplo, supngase que se desea saber si es posible predecir la cantidad de horas de
mano de obra requerida para procesar ciertas rdenes de trabajo, para poder llevar un
mejor control y planeacin de la produccin, entonces primero se verifica si existe
correlacin entre estas variables; en caso positivo, se procede a estimar un modelo
que involucre a las variables, es decir usar un modelo de regresin lineal simple, el
cual recibe este nombre porque se usa slo una variable para predecir a otra, la
utilizacin de estos mtodos es el objetivo del presente captulo.
En este caso se estudiar la forma de hacer inferencia sobre la correlacin de
una poblacin a partir de los datos de una muestra y el concepto de modelo
probabilstico para predecir una variable en funcin de otra independiente, cuando
existe correlacin entre stas. El modelo probabilstico a considerar, es simple de tipo
lineal, tambin se estudiar la estimacin e inferencia sobre los parmetros.
Bsicamente se estudiar la correlacin entre dos variables, regresin lineal simple,
estimacin del modelo, su evaluacin de la aptitud, prediccin y adecuacin.
1.1 Correlacin.
La correlacin entre dos variables es el grado de fuerza con que dos variables
estn asociadas y es medido por el coeficiente de correlacin del momento del
producto de Pearson y definido por el cociente de la covarianza entre la raz cuadrada
del producto de la varianza de stas, a continuacin se presenta la definicin:
Definicin 1.1 Sean X y Y variables aleatorias con funcin de densidad de
probabilidad conjunta f (x, y), entonces el coeficiente de correlacin, denotado por ,
est definido por:
Cov ( X , Y )
=
, para V(X) y V(Y) > 0,
V ( X )V (Y )
donde: Cov(X, Y) es la covarianza de X y Y.
V(X) y V(Y), son las varianzas de las v. a. X y Y, respectivamente.
Es importante enfatizar que en la frmula del coeficiente de correlacin, el
denominador utiliza la raz cuadrada positiva del producto de las varianzas y los
rangos de valores para , est entre 1 y 1. Cuando el valor absoluto de es igual a
uno, esto significa que existe una correlacin perfecta, los valores cercanos a uno
significan buena correlacin, mientras que los valores cercanos al cero significan una
correlacin dbil y valores iguales a cero, significan una correlacin nula. Las
siguientes grficas muestran la dispersin de los datos para diferentes valores de .
Es importante enfatizar que es el coeficiente de correlacin lineal, ste

nicamente mide la relacin lineal de dos variables, lo cual no significa que pueda
haber una buena relacin cuadrtica, cbica, etc., entre dos variables como las que
representan las figuras 1.2, 1.6 y 1.7.
Figura 1.1 Relacin Lineal Buena entre Dos Variables.
Figura 1.2 Relacin Cuadrtica Buena o Curvilnea entre Dos Variables.
INSTITUTO TECNLGICO DE CD. JUREZ
Figura 1.3 Relacin Excelente entre Dos Variables.
Figura 1.4 Relacin Nula entre Dos Variables.
CORRELACIN Y REGRESIN LINEAL SIMPLE/JAIME SNCHEZ LEAL, Ph. D.
Figura 1.5 Relacin Lineal Regular entre Dos Variables.
Figura 1.6 Relacin Curvilnea Excelente entre Dos Variables.
Figura 1.7 Relacin Curvilnea Regular entre Dos Variables.
El coeficiente de correlacin , es un parmetro y al igual que los dems, ste

tiene estimadores, basados en estadsticos muestrales, para este caso el estimador
est denotado por r y se estima con los estimadores de la varianzas y covarianza
muestrales, el cual queda de la siguiente forma:
r =
Cov( X , Y )
,
V ( X )V (Y )
Sustituyendo las estimaciones se obtiene que r es igual a:

SS XY
,
r =
SS X SSY
donde: SS XY =
x y
i =1
i =1
i =1
xi y j
n
xi
n
SS X = x i2 i =1 ,
n
i =1
2
y i
n
i =1
.
2
SSY = y i
n
i =1
Al igual que otros estimadores, el coeficiente de correlacin muestral est

involucrado en un estadstico con una distribucin en forma de t de student, es decir:
r n2
~ tn 2 .
1 r 2
Supngase que se desea verificar la hiptesis nula que establece = 0, contra
la alternativa 0, entonces el estadstico de prueba est dado por:
r
~ t n 2 ,
2
1 r
n2
el cual tiene una distribucin t de student con n -2 grados de libertad e involucra el
parmetro y su estimador.
El procedimiento para verificar las hiptesis sobre el coeficiente de correlacin
se muestra a continuacin.
HIPTESIS:
Tabla 1.1 Tabla de Hiptesis sobre el Coeficiente de Correlacin.
NO DIRECCIONAL
DIRECCIONAL HACIA LA:
a)
b) Izquierda
c) Derecha
Ho: = o
Ha: o
Ho: o
Ha: < o
Ho: o
Ha: > o
ESTADSTICO DE PRUEBA:
r 0
~ tn 2
1 r 2
n2
Tabla 1.2 Valor-p para Hiptesis sobre el Coeficiente de Correlacin.
VALOR-P
NO DIRECCIONAL
a)
b)Izquierda
c) Derecha
Valor-p = P(t>|tc|) +
Valor-p = P(t < tc) Valor-p = P(t > tc)
P(t< -|tc|)
SUPUESTOS:
1. Los datos provienen de una muestra aleatoria.
2. Los datos tienen una distribucin normal bivariable.
REGIN DE RECHAZO:
a) No direccional
t
-t/2,
t/2,
Regin de
Rechazo
Regin de
Rechazo
Figura 1.8 rea de Rechazo para la Prueba No Direccional sobre el

Coeficiente de Correlacin.
Donde: tv , / 2 es obtenida de tal forma que P [t > tv , / 2 ] = / 2 .
b) Direccional Hacia la Izquierda
t
-t
Regin de
Rechazo
Figura 1.9 rea de Rechazo para la Prueba Direccional Hacia la

Izquierda sobre el Coeficiente de Correlacin.
Donde: t , es obtenida de tal forma que P [t < t , ] = .
c) Direccional Hacia la Derecha
t
t
Regin de
Rechazo

Derecha sobre el Coeficiente de Correlacin.
Donde: t , es obtenida de tal forma que P [t > t , ] = .

REGLAS DE DECISIN:
a) No direccional
Si tc > t / 2, o tc < t / 2, entonces rechazar Ho, de otra manera no
rechazar Ho.
Si tc < t , entonces rechazar Ho, de otra manera no rechazar Ho.
Si tc > t , entonces rechazar Ho, de otra manera no rechazar Ho.
Nota: para los tres casos la regla de decisin es:
Si el Valor-p < , entonces rechazar Ho, de otra manera no rechazar Ho.
Ejemplo 1.1: Un ingeniero de calidad encargado del proceso de ensamblar brazos
mecnicos para direccin de automvil, sospecha que existe alguna relacin
entre la presin del circuito neumtico y la altura de las graseras, para verificar
esta sospecha se obtuvo una muestra aleatoria cuyos datos se encuentran en
la tabla 1.1, donde X representa la presin de un circuito neumtico que son
atornillados en las tapas en libras por pulgada cuadrada y Y representa la altura
de la grasera a la tapa en centsimas de pulgada. La figura 1.11 muestra el
diagrama de dispersin para los datos, en la que se puede observar que existe
8
correlacin entre estas dos variables. Los datos proveen suficiente evidencia
para decir que existe correlacin entre la presin del circuito neumtico y la
altura de la grasera, con un nivel de significancia del 1%?
ALTURA DE LA GRACERA A LA TAPA
Tabla 1.3 Pares de Datos de la Presin de un Circuito Neumtico (X) y

Altura de la Grasera a la Tapa (Y).
X
35
35
40
40
45
Y
31.5
38.0
26.9
32.9
27.7
X
50
50
55
55
60
Y
24.6
26.1
21.2
25.6
14.6
45
31.3
60
21.9
50
40
30
20
10
10
20
30
40
50
PRESION DEL CIRCUITO
NEUMATICO
60
70
Figura 1.11 Diagrama de Dispersin para los Datos de la Tabla 1.3.
Solucin:
HIPTESIS:
Ho: = 0
Ha: 0
r 0
~ tn 2
1 r 2
n2
VALOR-P = P(t > |tc|) + P(t < -|tc|)
SUPUESTOS:
2. La variable Y tienen una distribucin normal con varianza constante.
REGIN DE RECHAZO:
t
-3.169
Regin de
Rechazo
3.169
Regin de
Rechazo
Figura 1.12 rea de Rechazo para la Prueba No Direccional sobre la

Relacin entre la Presin de un Circuito Neumtico y la
Altura de la Grasera a la Tapa.
Donde: t10, 0.005 es obtenida de tal forma que P [t > t10,0.005 ] = 0.005 .
REGLAS DE DECISIN:
Si t c > 3.169 o t c < 3.169 entonces rechazar Ho, de otra manera no rechazar
Ho.
10
CLCULOS:
Tabla 1.4 Pares de Datos de Presin de un Circuito Neumtico (x) y Altura
de la Grasera a la Tapa (y)
Obs
1
X
35
Y
31.5
X2
1225
Y2
992.25
XY
1102.5
2
3
4
5
6
7
8
9
10
11
12
TOTAL
35
40
40
45
45
50
50
55
55
60
60
570
38.0
26.9
32.9
27.7
31.3
24.6
26.1
21.2
25.6
14.6
21.9
322.3
1225
1600
1600
2025
2025
2500
2500
3025
3025
3600
3600
27950
1444.00
723.61
1082.4
767.29
979.69
605.16
681.21
449.44
655.36
213.16
479.6
9073.19
1330
1076
1316
1246.5
1408.5
1230
1305
1166
1408
876
1314
14778.5
xi y j
SS XY = xi y j i =1
i =1
,
n
(570 )(322.3)
= 14778.5
= 530.75 ,
12
= 530.75 .
i =1
SS XY
SS XY
SS X =
i =1
n
xi
2
xi i =1 ,
n
SS X = 27950
SS X = 875 .
(570 )2
12
= 875 ,
n
Yi
2
SSY =
Yi i =1 ,
n
i =1
n
SSY = 9073.1
SSY = 416.66 .
(322.3)2
12
= 416.66 ,
11
r =
r =
SS XY
SS X SSY
530.75
(875)( 416.66)
= 0.879 ,
r = 0.879 .
r 0
tC =
1 r 2
n2
t C = 5.829 .
0.879
1 ( 0.879)2
10
= 5.829 ,
DECISIN:
t C = 5.829 < 3.169 , entonces, se rechaza Ho.
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que existe correlacin entre
la presin del circuito neumtico y la altura de la grasera, con un nivel de
significancia del 1%.
Ejemplo 1.2: Una compaa tiene un sistema de produccin por rdenes de trabajo y
uno de los supervisores piensa que existe una relacin lineal positiva entre el
tamao de la orden de trabajo y las horas-hombre necesarias para procesar
dicha orden de trabajo, para verificar la sospecha del supervisor se le han dado
seguimiento a 10 rdenes, donde se ha registrado el tamao de la orden en
miles de piezas y las horas-hombre necesarias para elaborar dicha orden,
cuyos datos se muestran en la tabla 1.5. Los datos proveen suficiente
evidencia para decir que existe una correlacin positiva entre el tamao de la
orden de trabajo y las horas-hombre necesarias para procesar dicha orden de
trabajo, con un nivel de significancia del 5%?
Tabla 1.5 Tamao de rdenes de Trabajo y las Horas-Hombre Requeridas
para Elaborarlas.
Nm.
de
Orden
Tamao
Hrs.-Hombre
30
73
20
50
60 80
128 170
5
40
87
50 60
108 135
8
30
69
10
70 60
148 132
Solucin:
HIPTESIS:
Ho: 0
Ha: > 0
12
r 0
tc =
1 r 2
n2
VALOR-P= P(t > tc)
SUPUESTOS:
2. Los datos tienen una distribucin normal bivariable.
REGIN DE RECHAZO:
t
1.86
Regin de
Rechazo
Derecha entre el Tamao de la Orden de Trabajo y las
Horas-Hombre.
Donde: t 8, 0.05 es obtenida de tal forma que P [t > t8,0.05 ] = 0.05 .

REGLAS DE DECISIN:
Si t c > 1.86 entonces rechazar Ho, de otra manera no rechazar Ho.
Si el Valor-p < 0.05, entonces rechazar Ho, de otra manera no rechazar Ho.
CLCULOS:
n
= 500 ,
= 1100 ,
i =1
n
y
i =1
13
2
i
= 28400 ,
2
i
= 134660 ,
i =1
n
i =1
n
x y
i
= 61800 ,
i =1
xi y j
SS XY = xi y j i =1
i =1
,
n
(500 )(1100 )
= 61800
= 6800 ,
10
= 6800 .
i =1
SS XY
SS XY
n
xi
n
2
SS X = xi i =1 ,
n
i =1
SS X
2
(
500 )
= 28400
= 3400 ,
10
SSX = 3400 .
2
SSy =
i =1
SSY
n
yi
2
y i i =1 ,
n
2
(
1100 )
= 134660
10
= 13660 ,
SSY = 13660 .
SS XY
r =
,
SS X SSY
r =
6800
= 0.9978 ,
(3400)(13660)
r = 0.9978 .
r 0
0.9978
tC =
=
,
1 r 2
1 (0.9978)2
n2
8
0.9978
tC =
= 42.58 ,
1 ( 0.9978)2
8
14
tC = 42.58 .
DECISIN:
tC = 42.58 > 1.86 , entonces se rechaza Ho.
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que existe una correlacin
positiva entre el tamao de la orden de trabajo y las horas-hombre necesarias
para procesar dicha orden de trabajo, con un nivel de significancia del 5%.
1.2 Modelo de Regresin Lineal Simple.
Uno de las inquietudes principales del hombre en la vida, es el de predecir el

comportamiento de los sistemas, as que en esta ocasin, si se sabe que existe
correlacin entre dos variables, esto significa que una puede ser expresada en funcin
de la otra, la cual se le denomina variable independiente y a la primera dependiente,
para tal propsito se utilizar el concepto de modelo probabilstico.
Un modelo probabilstico aditivo est compuesto de la suma de dos trminos, el
determinstico y el error aleatorio, el primer trmino es una relacin determinstica
entre la variable independiente y dependiente y el segundo la parte aleatoria del
modelo sobre la cual se harn los supuestos para estimar y hacer inferencia sobre los
parmetros de la parte determinstica, el principal supuesto es que el valor esperado
del componente aleatorio es igual a cero de tal forma que el valor esperado de la
variable dependiente es igual al trmino determinstico, el cual se define a
continuacin.
Definicin 1.2 Un modelo probabilstico est compuesto por la suma de dos trminos,
uno determinstico y un error aleatorio, esto es:
y = f (x ) +
donde; y = variable dependiente la cual se desea predecir,
f(x) = componente determinstico y funcin de la variable independiente
de x,
= componente aleatorio, el cual se asume que tiene un valor esperado
igual a cero, i.e. E() =0.
Existe una gran variedad de modelos probabilsticos, los cuales dependen del
tipo de relacin funcional que se seleccione para x, puede ser una lnea o una curva
de segundo grado, etc.; puede ser cualesquier funcin, hasta una exponencial, en
este caso las intenciones son nicamente analizar el modelo ms simple, que es la
lnea recta, el cual se conoce como modelo de primer orden o regresin lineal simple,
es decir:
f ( x ) = 0 + 1 x ,
15
Entonces, el modelo de regresin lineal simple queda como sigue:

y = 0 + 1x + .
Donde: 0 .es el intercepto de la lnea y
1 , es la pendiente de la lnea.
La figura 1.14 muestra grficamente el significado del intercepto y de la
pendiente de una lnea, que en este caso representa a los datos. Ntese que 1 es la
pendiente y significa la cantidad que y aumenta por cada incremento en x; mientras
que, 0 es el intercepto y representa el valor de y, cuando el valor de x es igual a cero.
Y
y = 0 + 1 x
y
= 1
x
x
0
X
Figura 1.14 Regresin Lineal Simple.
El problema de prediccin de Y dado X, involucra la estimacin de los

parmetros 0 y 1 , los cuales son generalmente obtenidos por el mtodo de mnimos
cuadrados, el cual consiste en minimizar la suma de los cuadrados de las
desviaciones de los valores estimados y s, con respecto a las observaciones ys, es
decir:
n
min ( y i y i ) 2 ,
i =1
donde: y = 0 + 1xi ,
0 y 1 son estimadores de 0 y 1 , respectivamente.
16
Entonces para obtener los estimadores por mnimos cuadrados se resuelve el

siguiente problema:
n
Min
( y i 0 + 1x i ) 2 ,
i =1
Con respecto a 0 y 1 , cuya solucin est dada por:
1 =
SSxy
,
SSx
0 = y 1x ,
y i 1 x i .
0 =
n
A continuacin se resuelven dos ejemplos para ilustrar la aplicacin de los
estimadores de los coeficientes del modelo y su interpretacin.
Ejemplo 1.3: Utilizar el ejemplo del ingeniero de calidad encargado del proceso de
ensamblar brazos mecnicos para direccin mecnica, para estimar un modelo
de regresin lineal entre la presin del circuito neumtico en libras por pulgada
cuadrada y la altura de las graseras en centsimas de pulgada. Los datos se
encuentran en la tabla 1.6, donde X representa la presin de un circuito
neumtico que se usa para atornillar graseras en las tapas de una rtula y Y
representa la altura de la grasera a la tapa. La Figura 1.15 muestra el diagrama
de dispersin para los datos, en la que se puede observar que existe
correlacin entre estas dos variables. Estime los parmetros del modelo de
regresin lineal simple.
Tabla 1.6 Pares de Datos de la Presin de un Circuito Neumtico (X) y
Altura de la Grasera a la Tapa (Y)
X
35
35
40
40
45
45
Y
31.5
38.0
26.9
32.9
27.7
31.3
X
50
50
55
55
60
60
Y
24.6
26.1
21.2
25.6
14.6
21.9
17
ALTURA DE LA GRACERA A LA TAP
50
45
40
35
30
25
20
15
10
5
0
0
10
20
30
40
50
60
70
80
PRESION DEL CIRCUITO NEUMATICO
Figura 1.15 Diagrama de Dispersin para los Datos de la Tabla 1.6.
Solucin:
n
xi y j
SS XY = xi y j i =1
SS XY
SS XY
i =1
,
n
i =1
(570 )(322.3)
= 14778 .5
= 530.75
12
= 530.75
2
n
xi
n
2
SS X = xi i =1 ,
n
i =1
SS X = 27950
(570 )2
12
= 875 ,
SS X = 875 ,
SSxy
1 =
,
SSx
SS xy 530.75
1 =
=
= 0.6065 Centsimas de pulgada por libra
SS x
875
por pulgada cuadrada.
y i 1 x i
0 =
n
322.3 ( 0.6065 )(570 )
0 =
12
18
0 = 55.66 Centsimas de pulgada.

Interpretacin: 1= -0.6065, significa que por cada libra por pulgada cuadrada
de presin que se aumente en el circuito neumtico, la altura de la grasera
disminuye 0.6065 centsima de pulgada; mientras que 0 = 55.66 la altura de la
grasera cuando no existe ningn esfuerzo para atornillarla, es decir, cuando la
presin del circuito neumtico, es igual a cero.
Ejemplo 1.4: Utilizando el ejemplo de la seccin anterior sobre la compaa que tiene
un sistema de produccin por rdenes de trabajo y uno de los supervisores
piensa que existe una relacin lineal positiva entre el tamao de la orden de
trabajo y las horas-hombre necesarias para procesar dicha orden de trabajo,
para verificar la sospecha del supervisor se le ha dado seguimiento a 10
rdenes, donde se ha registrado el tamao de la orden en miles de piezas y las
horas-hombre necesarias para elaborar dicha orden y los datos se muestran en
la Tabla 1.7. Estimar los parmetros del modelo de regresin lineal simple.
Tabla 1.7 Tamao de rdenes de Trabajo y las Horas-Hombre Requeridas
para Elaborarlas.
Nm. de Orden
Tamao
Hrs.-Hombre
1
30
73
2
20
50
3
4
60 80
128 170
5
40
87
6
7
50 60
108 135
8
30
69
9
10
70 60
148 132
Solucin:
CLCULOS: Usando la informacin previa de ejemplo anterior.
n
i =1
i =1
x i = 500 ; y j = 1100
n
xi y j
SS XY = xi y j i =1
i =1
,
n
(500 )(1100 )
= 61800
= 6800
10
= 6800
i =1
SS XY
SS XY
n
xi
n
2
SS X = xi i =1 ,
n
i =1
SS X = 28400
SS X = 3400 ,
SSxy
1 =
,
SSx
(500 )2
10
= 3400 ,
19
SSxy
6800
= 2.0 Horas-hombre por millar de piezas.
SSx
3400
y i 1 x i
0 =
n
1100 (2)(500 )
0 =
10
0 = 10 Horas-hombre
1 =
Interpretacin: 1 = 2.0, significa que por cada millar de piezas adicional en la

orden de trabajo se necesitan 2 horas adicionales de mano de obra; mientras que 0 =
10 horas-hombre, significa que son necesarias 10 horas de administracin, tiempos de
preparacin, papeleo, etc., antes de iniciar la produccin.
1.3 Evaluacin de la Utilidad del Modelo.
En las secciones anteriores se ha estudiado la inferencia sobre el grado de

relacin entre las dos variables y posteriormente la estimacin de los parmetros del
modelo, pero la pregunta que surge es acerca de la utilidad del modelo, si ste puede
ser utilizado para predecir o antes debe ser ajustado, es decir, si la recta de regresin
se puede ajustar para que pase a travs del origen; o si la pendiente puede forzarse a
ser igual a cero; que es el caso cuando no existe correlacin.
Ntese que cuando cualesquier conjunto de datos bivariables son utilizados
para estimar un modelo; las frmulas darn algunas cifras como resultado, pero la
pregunta surge respecto a qu tan buenos son estos nmeros, o si acaso significan
algo en cuanto al contexto del problema, es decir, si el modelo es bueno para hacer
predicciones.
Un modelo que pasa a travs del origen significa que no existe un valor de la
variable dependiente cuando no hay presencia de la variable dependiente, por
ejemplo; cuando se busca una relacin insumo producto, materia prima necesaria
para producir un determinado nmero de piezas, es obvio que para producir cero
piezas, no se necesita materia prima, este es caso clsico de modelos que pueden
ajustarse a que pasen por el origen, estadsticamente significa establecer la hiptesis
sobre la igualdad a cero de la intercepcin.
Por otro lado, los resultados numricos de la frmula de la pendiente, siempre
sern diferentes de cero, pero la pregunta persiste, s sta puede ser forzada a cero,
esto significa que no existe correlacin, lo cual es equivalente a establecer la hiptesis
de que la pendiente es igual a cero, significando que el modelo no es bueno para
hacer predicciones, por lo tanto, si ya se llev a cabo una prueba de hiptesis sobre el
coeficiente de correlacin y no hubo evidencia para decir que la pendiente es diferente
de cero, entonces no existe modelo de regresin.
20
En esta seccin se estudiar la estimacin de la varianza, misma que se utiliza

para estimar la varianza del estimador de la intercepcin y de la pendiente; los
procedimientos para verificar las hiptesis acerca de la pendiente y la intercepcin y la
aplicacin a la solucin de algunos problemas e interpretacin de los mismos.
Para poder hacer inferencia sobre los parmetros del modelo es necesario
partir de algunos supuestos como son:
1. Para los valores fijos de la variable independiente X, la distribucin de la
variable dependiente Y, tiene una distribucin normal con varianza 2.
2. La media de la distribucin de la variable dependiente Y, es igual al valor
estimado por el modelo, es decir, E ( y ) = 0 + 1x .
3. La varianza de las distribuciones de Y, son constantes para todos los
valores de X.
4. Las observaciones son independientes.
Estos supuestos, se pueden resumir en una sola proposicin como sigue; los
errores del modelo son independientes, tienen una distribucin normal idntica con
media cero y varianza constante 2, es decir, i ~ iiN (0, 2) stos se muestran
grficamente en la figura 1.16 donde se muestra la forma y parmetros de las
distribuciones de Y, la varianza constante y el valor esperado.
E ( y ) = 0 + 1 x
0
X
Figura 1.16 Forma de las Distribuciones de Y.
Hasta este punto se han descrito las propiedades supuestas del modelo y de la
distribucin del error, pero la varianza del error no es conocida por lo que es
importante deducir un estimador, mismo que se describe a continuacin:
21
V ( y ) = E [ y i E ( y )]2
e = y i y i
( y i y i ) 2
S2 =
n2
Suma de cuadrados del error SC E
S2 =
=
Grados de libertad
n2
donde: SC E = ( y i y i ) 2 , frmula por definicin,
SCE = SSY 1SS XY .
Ejemplo 1.5: Para ilustrar la estimacin se utiliza uno de los ejemplos de la seccin
anterior, que estudia la relacin entre las horas de mano de obra y el tamao
de la orden de trabajo.
Solucin:
SS XY =
SS XY
SS XY
xi y j
i =1
j =1
xi y j
,
n
(500 )(1100 )
= 61800
= 6800 ,
10
= 6800 .
i =1
SS X
n
xi
n
i =1
,
2
= xi
n
i =1
SS X = 28400
SS X = 3400 .
(500 )2
= 3400,
10
2
n
yi
n
i =1
,
2
SSY = y i
n
i =1
SSY
2
1100 )
(
= 134660
10
= 13660 ,
SSY = 13660 .
SSxy
1 =
,
SSx
6800
1 =
3400
SCE = SSY 1SS XY ,
22
SCE = 13660 (2)6800 = 60 .

SC E
60
S2 =
=
= 7 .5 ,
n 2 10 2
S 2 = 7.5 .
Como se puede ver, el clculo de la estimacin de la varianza es relativamente
fcil.
Ahora, se pasar a plantear la hiptesis nula sobre la pendiente; esto es si la
pendiente es igual a cero, Ho: 1 = 0 contra la alternativa de que Ha: 1 0 ; como se
ha visto anteriormente, para verificar hiptesis es necesario conocer un estadstico en
funcin del estimador del parmetro hiptesis, el cual tenga una distribucin conocida;
en este caso y bajo los supuestos establecidos sobre independencia, normalidad y
varianza constante, el estimador de la pendiente 1 tiene una distribucin normal con
media
E ( 1) = 1
y varianza
2
V ( 1 ) =
.
( x i x )2
Debido a que 2 es desconocida, entonces se utiliza su estimador S2, por lo
que se obtiene un estimador de V ( 1) , entonces
1
~ t( n 2 )
S2
SS X
Este estadstico tiene una distribucin t de student con n 2 grados de libertad.
Entonces con este estadstico se puede disear el procedimiento de verificacin de
hiptesis el cual se detalla a continuacin.
Procedimiento para verificar la hiptesis sobre la pendiente del modelo de regresin

lineal simple.
HIPTESIS:
Tabla 1.8 Hiptesis para la Pendiente del Modelo de Regresin Lineal
Simple.
NO DIRECCIONAL
a)
b) Izquierda
c) Derecha
Ho: 1 = 0
Ha: 1 0
Ho: 1 0
Ha: 1 < 0
Ho: 1 0
Ha: 1 > 0
23
1
t=
~ t( n 2 )
S / SS X
Tabla 1.9 Valor-p para la Prueba de Hiptesis sobre la Pendiente del Modelo
de Regresin Lineal Simple.
VALOR-P
NO DIRECCIONAL
a)
b) Izquierda
c) Derecha
Valor-p = 2P(t > tc)
Valor-p = P(t< tc)
Valor-p = P(t> tc)
SUPUESTOS:
2. Para los valores fijos de X, la distribucin de Y es normal con varianza 2 .
3. La varianza 2 es comn para todas las distribuciones de cada valor de X.
REGIN DE RECHAZO:
a) No direccional
t
-t/2,
Regin de
Rechazo
t/2,
Regin de
Rechazo
Figura 1.17 rea de Rechazo para la Prueba No Direccional sobre la

Pendiente del Modelo.
24
t
-t,
Regin de
Rechazo

Izquierda sobre la Pendiente del Modelo.
t
t,
Regin de
Rechazo

Derecha sobre la Pendiente del Modelo.
25
REGLAS DE DECISIN:
a) No direccional
rechazar Ho.
Si t c > t , entonces rechazar Ho, de otra manera no rechazar Ho.
Ejemplo 1.6: Suponga que el ingeniero encargado del proceso de ensamblar brazos
mecnicos del ejemplo 1.3, desea probar si la pendiente del modelo es positiva
utilizando un nivel de significancia del 5%.
Solucin:
HIPTESIS:
Ho: 1 0
Ha: 1 > 0
1
t=
~ t( n 2 )
S / SS X
VALOR-P = P(tn-2 > tc)
SUPUESTOS:
26
REGIN DE RECHAZO:
t
1.812
Regin de
Rechazo

Derecha sobre la Pendiente del Modelo para Ensamblar
Brazos Mecnicos.
Donde: t 10, 0.05 es obtenida de tal forma que P [t > t 10,0.05 ] = 0.05 .
REGLAS DE DECISIN:
Si t c > 1.812 entonces rechazar Ho, de otra manera no rechazar Ho.
CLCULOS:
Usando la informacin previa para este ejemplo se tiene:
SS XY = 530.75 ; SS X = 875 , SSY = 416.66
SS xy 530.75
1 =
=
= 0.6065 Centsimas de pulgada por libra
SS x
875
por pulgada cuadrada.
322.3 ( 0.6065 )(570)
0 =
= 55.66 Centsimas de pulgada.
12
SCE = SSY 1SS XY
SCE = 416.66 ( 0.6065)( 530.75) = 94.76
SC E
94.76
S2 =
=
= 9.47
n 2 12 2
1
t=
~ t( n 2 )
S / SS X
27
t=
0.6065
3.078 / 875
= 5.82
DECISIN:
t C = 5.82 < 1.812 , entonces, no se rechaza Ho.
CONCLUSIN:
Los datos no proveen suficiente evidencia para decir que la pendiente del
modelo para ensamblar brazos mecnicos es positiva, con un nivel de
En cuanto al planteamiento de la hiptesis nula sobre la intercepcin; esto es
que el intercepto sea igual a cero, Ho: 0 = 0 contra la alternativa de que Ha: 0 0 ;
es necesario conocer un estadstico en funcin del estimador del parmetro
hipotetizado, el cual tenga una distribucin conocida; en este caso y bajo los
supuestos establecidos sobre independencia, normalidad y varianza constante, el
estimador del intercepto 0 tiene una distribucin normal con media, E ( 0 ) = 0 y
varianza;
2 X 2
.
V ( 0 ) =
SS X
Debido a que 2 es desconocida, entonces se utiliza su estimador S2, por lo

que se obtiene un estimador de V ( 0 ) , entonces:
0
~ t ( n 2)
SX
SS X
Este estadstico tiene una distribucin t de Student con n 2 grados de libertad.

Entonces con este estadstico se puede disear el procedimiento de verificacin de
hiptesis el cual se detalla a continuacin.
Procedimiento para verificar la hiptesis sobre el intercepto del modelo de regresin
lineal simple.
HIPTESIS:
Tabla 1.10 Hiptesis sobre el Intercepto del Modelo de Regresin
Lineal Simple.
NO DIRECCIONAL
a)
b) Izquierda
c) Derecha
Ho: 0 = 0
Ha: 0 0
28
Ho: 0 0
Ha: 0 < 0
Ho: 0 0
Ha: 0 > 0
0
t =
~ t ( n 2)
SX
SS X
Tabla 1.11 Valor-p para la Prueba de Hiptesis sobre el Intercepto del

Modelo de Regresin Simple.
VALOR-P
NO
DIRECCIONAL
a)
b) Izquierda
c) Derecha
Valor-p = 2P(tn-2 > tc)
Valor-p = P(tn-2 < tc) Valor-p = P(tn-2 > tc)
SUPUESTOS:
REGIN DE RECHAZO:
b) No direccional
t
-t/2,
t/2,
Regin de
Rechazo
Regin de
Rechazo

Intercepto del Modelo.
29
t
-t,
Regin de
Rechazo

Izquierda sobre el Intercepto del Modelo.

t
t,
Regin de
Rechazo

Derecha sobre el Intercepto del Modelo.
30
REGLAS DE DECISIN:
a) No Direccional
rechazar Ho.
Ejemplo 1.7: Utilizando el ejemplo 1.4 de la seccin anterior sobre la compaa que
tiene un sistema de produccin por rdenes de trabajo. Suponga que el
supervisor desea probar si el parmetro 0 del modelo es diferente de cero con
un nivel de significancia del 5%.
Solucin:
HIPTESIS:
Ho: 0 = 0
Ha: 0 0
0
t =
~ t ( n 2)
SX
SS X
VALOR-P = 2P(tn-2 > tc)

SUPUESTOS:
3. La varianza 2 es comn para todas las distribuciones de cada valor de Y.
31
REGIN DE RECHAZO:
t
-2.306
2.306
Regin de
Rechazo
Regin de
Rechazo

Intercepto del Modelo para el Sistema de Produccin por
rdenes de Trabajo.
Donde: t 8,.025 es obtenida de tal forma que P [t > t8,.025 ] = .025 .

REGLAS DE DECISIN:
Si t c > 2.306 o t c < 2.306 entonces rechazar Ho, de otra manera no rechazar
Ho.
CLCULOS: Usando la informacin previa para este ejemplo se tiene:
(500 )(1100 )
SS XY = 61800
= 6800 ,
10
SS XY = 6800 ,
SS X = 28400
SS X = 3400 ,
(500 )2
= 3400,
10
SSY = 134660
(1100 )2
10
= 13660 ,
SSY = 13660 ,
6800
1 =
3400
1100 (2)(500 )
,
0 =
10
32
0 = 10 Horas-hombre.
SCE = SSY 1SS XY ,
SCE = 13660 (2)6800 = 60 ,

SC E
60
S2 =
=
= 7 .5 ,
n 2 10 2
S 2 = 7.5 ,
t =
~ t ( n 2)
SX
SS X
t=
10.0
= 4.271
2.73(50 ) / 3400
DECISIN:
Si t c = 4.271 > 2.306 entonces rechazar Ho.
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que el intercepto del modelo
para el sistema de produccin por rdenes de trabajo es diferente de cero, con
un nivel de significancia del 5%.
1.4 Estimacin de Intervalos de Confianza y Prediccin.
En estadstica bsica se estudian mtodos para estimar intervalos de confianza

para los parmetros que definen a una poblacin, en el caso de regresin lineal, se ha
visto que para cada valor de X, existe una poblacin de Y, cuya media, E(Y), es
estimada con la recta de regresin y varianza constante 2 , esto es, que para todos
los valores diferentes de X, corresponde una poblacin independiente de Y como se
muestra en la figura 1.16. En este caso se pretende estimar intervalos de confianza
para la media de Y, dado el valor de X.
Por ejemplo, supngase que existe correlacin entre el volumen de ventas (X)
de un estanquillo de comida rpida y los gastos en que ste incurre mensualmente
(Y). Dado que los gastos de servicios al igual que sus proveedores, generalmente se
cobran un mes despus de que stos han sido consumidos; un vendedor de comida
rpida desea estimar cunto dinero debe guardar para pagar los gastos para el
prximo mes, en funcin de las ventas del presente mes. Una buena respuesta a este
problema sera estimar un intervalo de confianza para los gastos Y, en funcin de las
ventas que se conocen del presente mes, esto es, X est dado.
33
A continuacin se deduce la frmula para estimar un intervalo de confianza

para la media de Y, dado el valor de X, el cual llamaremos xf y la media estimada yf ,
la cual se calcula con la recta de regresin, una vez que las estimaciones o y 1 , han
sido obtenidas en funcin de una muestra de pares ordenados
( x 1, y 1 ),L ( x 2 , y 2 ),....., ( x n , y n ). Es decir:
E ( y f ) = o + 1 x f
y f = o + 1 x f .
Bajo los supuestos de normalidad, y f est distribuida normalmente con

varianza,V ( y f ) , la cual es estimada como sigue:
V ( y f ) = V ( o ) + V ( 1 x f ) .
Ntese que V ( y f ) , es denotada con , en lugar de una barra, con la finalidad

de diferenciar la varianza de la media de la observacin simple, substituyendo:
S 2 x 2
2
y
V (o ) = S =
o
nSS x
S2
, entonces
V ( 1 ) = S 21 =
SS X
1 (x x )2
,
V ( y f ) = S y2f = S 2 + f
n
SS
X
Por lo tanto, el intervalo de (1 )100% de nivel de confianza para E ( y f ) , dado un

valor xf , est dado por:
C y f t , / 2 S y f E ( y f ) y f + t , / 2 S y f = 1 .
De igual manera se puede estimar un intervalo de confianza para un valor
individual de Y, dado el valor de X, digamos xf, para predecir un intervalo de confianza
para una sola observacin de Y, digamos y f . Partiendo de que y tiene una
distribucin normal con media E (y ) y varianza 2 , entonces una observacin, para
un valor fijo x f tendr una varianza igual a la varianza del valor estimado de la media,
ms la varianza debido a la poblacin, esto es:
V (y f ) = V (y ) + V (y f ) ,
1 (x xf )2
S y2f = S 2 1 + +
,
SS X
n
Entonces, un intervalo de confianza del (1 )100% est dado por:
34
C y f t , / 2 S y f y f y f + t , / 2 S y f = 1 .
De la misma manera, se puede deducir una frmula para estimar un intervalo
de confianza para una media de un grupo de observaciones, obtenidas en el mismo
valor de X, digamos xf , la media de una muestra de k observaciones para el valor fijo
xf , esto es que la varianza para ese grupo de observaciones es igual a 2 k , por lo
tanto, la varianza para una media de k observaciones est dada por:
S y2f
1 1 (x xf )2
=S + +
.
SS X
k n
2
Entonces, el intervalo de (1 )100% de confianza para la media de un grupo

de k observaciones en el mismo valor de xf , est dado por:
Ntese que los intervalos de confianza para las observaciones individuales son
ms anchos que aquellos para las medias de k observaciones, y stos a su vez ms
que aquellos para las medias, esto se debe a la dimensin de las varianzas, se puede
ver que el factor que multiplica a la varianza, carece del trmino 1 1/k, lo que define
esta relacin:
S y2f < S y2f < S y2f , vase la figura 1.25.
35
LSCIndividuales
LSCk-medias
LSCmedias
LICmedias
LICk-medias
LICmedias
x
Figura 1.25 Representacin Grfica de los Intervalos de
Confianza.
A continuacin se resuelven algunos ejemplos para ilustrar la aplicacin de los

intervalos de confianza y su interpretacin.
Ejemplo 1.8: Considere nuevamente el ejemplo que estudia la relacin entre las horas
de mano de obra y el tamao de la orden de trabajo. Suponga que el supervisor
desea encontrar un intervalo de confianza del 98% para E(yf) cuando el tamao
de la orden es xf = 65.
Solucin: Usando la informacin previa de este ejemplo se tiene:
y f = o + 1 x f
y f = 10 + 2(65) = 140
SC E
60
S2 =
=
= 7 .5
n 2 10 2
Luego se estima la desviacin estndar:
1 ( x x )2
S y2f = S 2 + f
n
SS
X
1 (65 50) 2
= 1.246
S y2f = 7.5
+
10
3400
S y = 1.116
f
36
Para un intervalo del 98% de confianza, t8,.01 = 2.896
C y f t , / 2 S y f E ( y f ) y f + t , / 2 S y f = 1
C [140 2.896(1.116 ) E ( y f ) 140 + 2.896(1.116 )] = 0.98

136 .75 E ( y f ) 143 .23
CONCLUSIN: Con un nivel de confianza del 98% se concluye que el nmero
de horas-hombre requeridas cuando el tamao de la orden de trabajo es de 65
millares de piezas, est entre 136.75 y 143.23 horas-hombre.
Ejemplo 1.9: Suponga ahora que el supervisor desea predecir el nmero de horashombre que se requerirn para un tamao de orden de 75 usando un intervalo
de confianza del 95%.
Solucin: Usando la informacin anterior:
y f = o + 1 x f
y f = 10 + 2(75) = 160
SC E
60
S2 =
=
= 7 .5
n 2 10 2
Entonces la varianza para xf = 75 ser:
1 (x xf )2
2
2
S y f = S 1 + +
,
SS X
n
1 (50 75) 2
S y2f = 7.51 +
+
= 9.62 ,
3400
10
S y f = 3.10
C [160 2.306 (3.10 ) y f 160 + 2.306(3.10 )] = 0.95 .

152.85 y f 167.14
CONCLUSIN: Con un nivel de confianza del 95% se concluye que el nmero
de horas-hombre requeridas para un tamao de orden de 75 estar entre
152.85 y 167.14 horas-hombre.
37
Ejemplo 1.10: El superintendente de produccin ha pedido al supervisor del ejemplo

anterior que calcule ahora el promedio de horas-hombre necesarias para
cumplir con el programa de produccin durante los siguientes cuatro periodos,
si el tamao de orden por periodo es igual a 60. El supervisor decidi usar un
intervalo de confianza del 90% para calcular este valor.
Solucin: Usando la informacin anterior:
y f = o + 1 x f
y f = 10 + 2(60) = 130
SC E
60
S2 =
=
= 7 .5
n 2 10 2
Entonces la varianza para xf = 60 ser:
1 1 (x xf )2
S y2f = S 2 + +
,
SS X
k n
1 1 (50 60) 2
S y2f = 7.5 +
+
= 2.84 ,
4
10
3400
S y f = 1.68
C [130 1.86(1.68 ) y f 130 + 1.86(1.68 )] = 0.90 .

126.87 y f 133.12
El total de horas-hombre necesarias para los 4 periodos es:
4(126 .87 ) total de horas hombre 4(133 .12)
CONCLUSIN: Con un nivel de confianza del 90% se concluye que el total de

horas-hombre necesarias para cumplir con los 4 periodos con un tamao de
orden de 60 cada uno, est entre 507.48 y 532.48 horas-hombre.
1.5 Adecuacin del Modelo.
En esta seccin se estudiar la aptitud del modelo, lo cual consiste en verificar

los supuestos bsicos del modelo de regresin, que son: independencia de la
muestra, normalidad de los datos, varianza constante y adems la linealidad de los
datos. En la evaluacin de la adecuacin del modelo, los residuales Juegan un papel
muy importante, ya que se hacen varias grficas para validar los supuestos, mismos
que se resumieron en i ~ iiN (0, 2).
38
La estimacin de i est dada por ei = yi y i , por lo que es necesario, una vez

que se ha estimado los parmetros del modelo, estimar los residuales y hacer un
anlisis grfico de los mismos. Generalmente se buscan desviaciones con respecto al
modelo de regresin, como son la falta de linealidad o de ajuste, los residuales no son
independientes, la varianza no es constante, falta de normalidad y puntos fuera de
lugar. Para despejar estas dudas sobre el modelo de regresin, existen pruebas
estadsticas, pero en este caso nicamente se enfatizar sobre el anlisis grfico de
los datos disponibles.
Primeramente, se tratar el caso de la verificacin de linealidad de los datos,
como se mencionaba en la seccin 1.1, lo ms fcil es hacer un diagrama de
dispersin X-Y, como los de las figuras 1.1 al 1.7. Las figuras 1.1, 1.3 y 1.5 muestran
una buena relacin lineal entre stas, pero las figuras 1.2, 1.6 y 1.7 no muestran una
relacin lineal entre las variables. La construccin del diagrama de dispersin es fcil
y generalmente se encuentra en cualquier programa de estadstica u hoja de clculo.
En las siguientes figuras; la 1.26 muestra un diagrama de dispersin, en el cual la
relacin entre las variables es lineal, mientras la figura 1.27, muestra una relacin
entre las variables que no es lineal, podra haber una relacin de segundo grado. Este
tipo de problemas queda fuera del alcance de este libro, nuestro objetivo son los
modelos lineales, como se mencion al inicio del captulo.
30
y = 6.1657+1.939x
25
20
15
10
5
0
0
10
12
Figura 1.26 Relacin Lineal entre las Variables X y Y.
En el caso de las figuras 1.26 y 1.27, se puede hacer el anlisis de utilidad del
modelo, es decir, la verificacin de las hiptesis sobre la intercepcin y la pendiente
de igualdad a cero, como lo explica la seccin 1.3 y se puede encontrar que rechazan
las hiptesis nulas. Obviamente la conclusin sera que el modelo es bueno para
predecir la variable Y en funcin de X, Para los datos de la figura 1.26, se concluye
39
que el modelo es adecuado, pero no para los datos de la figura 1.27. En este caso, se
concluye que existe otro modelo que se podra adecuar mejor para dicha relacin y la
recomendacin es que se use otro modelo no lineal para el ajuste de los datos.
30
y = 5.8292+1.9756x
25
20
15
10
5
0
10
12
X
Figura 1.27 Relacin No Lineal entre las Variables X y Y.
Otra forma de revisar la adecuacin del modelo, es a travs de los diagramas

de dispersin de los residuales y la variable independiente X. Las figuras 1.28 y 1.29,
muestran una relacin lineal y una no lineal, respectivamente. Los residuales
corresponden a los datos de las figuras 1.26 y 1.27 y las conclusiones, obviamente
son iguales.
La diferencia entre el diagrama de dispersin X-Y y de los residuales, consiste
en que en los residuales ya se ha eliminado la tendencia lineal y como no existe algn
componente de tendencia adicional, estos datos no deben de mostrar ningn patrn
de comportamiento, esto se puede observar claramente en la figura 1.28. Mientras
que en la figura 1.29 se observa que los residuales tienen un comportamiento
cuadrtico o parablico, por lo que podramos decir que al modelo ajustado para
dichos datos aparte del componente lineal, le hace falta un componente cuadrtico. El
uso de cualquiera de la variable Y o los residuales, es indistinto, las conclusiones
deben ser las mismas, se pueden utilizar los dos para validar la conclusin en caso de
que exista alguna duda, cuando se utiliza slo un tipo de diagrama.
40
4
3
RESIDUALES
2
1
X
0
0
10
12
-1
-2
-3
Figura1.28 Relacin Lineal es Nula entre los Residuales y la Variable X.
8
6
RESIDUALES
4
2
X
0
0
10
12
-2
-4
-6
Figura 1.29 Relacin No Lineal entre los Residuales y la Variable X.
Lo siguiente es verificar la independencia de los residuales, lo que nos llevara

a la conclusin de que los datos son independientes, pero como esto es difcil de
verificar, principalmente se busca algn patrn de comportamiento o de auto
correlacin entre los residuales. Esto se puede lograr por medio de un diagrama de
dispersin de los residuales y el orden en que se obtuvieron los datos, tambin
41
conocido como grfico de tendencia. Si se encuentra algn tipo de comportamiento

cclico o de tendencia, entonces se puede concluir que los datos no son
independientes. A continuacin se muestran las grficas de los datos del modelo lineal
y no lineal.
RESIDUALES
3
2
1
0
1
11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
-1
-2
-3
ORDEN
Figura 1.30 Grfica de Tendencia de Residual Sin Patrn de Comportamiento.
En la figura 1.30 se puede observar que no hay realmente un comportamiento

cclico o de tendencia, por lo que se no puede concluir que los datos no son
independientes, mientras que en la figura 1.31 los residuales muestran un
comportamiento cclico, por lo tanto se concluye que el modelo no es adecuado, estos
residuales son de la lnea ajustada para los datos de la graficas 1.27. Para tener
mayor seguridad se puede aplicar la prueba de hiptesis de Corridas, este mtodo se
puede encontrar en libros de estadstica bsica.
La varianza constante, es otro de los supuestos bsicos del modelo de

regresin, el cual es verificado con el diagrama de dispersin de residuales que se
usan para ver la linealidad del modelo, para que se cumpla este supuesto, los
residuales deben mostrar estar dentro de una banda de ancho constante a lo largo del
diagrama como se observa en las figuras 1.28 y 1.29. A continuacin la figura 1.32
muestra un diagrama de dispersin donde la varianza es proporcional a X, por lo tanto
no es constante.
42
5
4
3
RESIDUALES
2
1
0
-1
11 13 15 17 19 21 23 25 27 29 31 33 35 37 39
-2
-3
-4
-5
-6
ORDEN
Figura 1.31 Grfica de Tendencia de Residual Con Patrn Cclico.
La normalidad de los residuales es otro de los supuestos bsicos del modelo de

regresin que hay que validar, el mtodo ms comn para hacerlo es con un
histograma y realmente lo que se busca es una gran desviacin con respecto a la
normal para declarar falta de normalidad en los residuales. La figura 1.33 muestra un
histograma de los residuales de los datos de la figura 1.26 con aproximacin a la
normal, por lo que se puede concluir que no hay falta de Normalidad, mientras que en
la figura 1.34, se puede decidir que hay falta de normalidad en los residuales.
30
25
20
RESIDUALES
15
10
5
0
-5 0
10
12
-10
-15
-20
-25
X
Figura 1.32 Diagrama de Residuales con Varianza no Constante.
43
12
FRECUENCIAS
10
0
1
RESIDUALES
Figura 1.33 Histograma de Residuales con Distribucin Aproximada a la Normal.
9
8
FRECUENCIAS
7
6
5
4
3
2
1
0
1
RESIDUALES
Figura 1.33 Histograma de Residuales con Distribucin no Normal.
Por ltimo, tambin es necesario buscar datos fuera de lugar o que pueden
diferir al resto de los datos, ya que est fuera de rango. Para detectar este tipo de
datos, generalmente se usan los diagramas de dispersin X-Y y de residuales, en la
figuras 1.26 y 1.27 se pueden observar que no existen datos fuera de lugar, mientras
44
que en las figuras 1.34 y 1.35, se muestran conjuntos de datos con observaciones
fuera de lugar.
30
25
20
15
10
5
0
0
10
12
Figura 1.34 Diagrama de Dispersin con Una Observacin Fuera de Lugar.
RESIDUALES
0
0
-2
10
12
-4
-6
-8
Figura 1.35 Diagrama de Residuales con Una Observacin Fuera de Lugar.
Un modelo de regresin es apto y til para hacer preediciones, si este cumple

con los supuestos bsicos y tambin existe evidencia para decir la pendiente del
modelo o el coeficiente de correlacin es diferente de cero. Bsicamente es lo que lo
que se ha revisado en este captulo. En caso de que algn modelo de regresin no
cumpla con todos los supuestos, podra se utilizado para hacer predicciones con una
mayor precaucin sobre las mismas.
45
Cuando estas faltas sean muy evidentes, se pueden aplicar algunas medidas
remediales para hacer que se cumplan dichos supuestos. Por ejemplo, para falta de
linealidad, se podra buscar algn modelo alternativo no lineal, dependiendo de la
sugerencia del diagrama de dispersin, para la varianza no constante, se pueden
aplicar algunas transformaciones; para la falta de normalidad, podra aplicarse
cualquiera de las medidas remediales anteriores. Para la falta de independencia, sera
necesario aplicar otro modelo u obtener otra muestra al azar para asegurar
independencia y en caso de tener puntos extremos o fuera de lugar, stos podran ser
eliminados. El estudio detallado de todas estas medidas queda fuera del objetivo de
este libro, por lo tanto, le dejamos al lector que quiera extenderse en este punto, que
consulte algn libro de regresin, en los que generalmente dedican un captulo sobre
transformaciones y otra medidas remediales.
46
1. Los siguientes datos fueron recabados por un estudiante de bioestadstica, quien

desea conocer la relacin que existe entre el peso y altura de 20 personas. Para
verificar lo anterior obtuvo una muestra aleatoria cuyos datos se encuentran en la
siguiente tabla donde X representa el peso de la persona en kilogramos y Y
representa la altura en centmetros. Los datos proveen suficiente evidencia para
decir que existe correlacin entre el peso y la altura de la persona, con un nivel de
significancia del 5%?
Peso (X)
63.5
63.5
64.0
65.0
65.2
65.3
65.0
65.5
65.5
65.9
Altura (Y)
110
140
120
115
155
125
170
137
155
190
Peso (X)
66.0
66.9
67.0
67.0
67.5
68.0
68.2
68.5
68.9
69.0
Altura (Y)
173
200
195
215
180
228
214
200
237
235
2. En un estudio de productividad llevado a cabo por el departamento de ventas de la

empresa Verma se recab la siguiente informacin acerca del porcentaje de
eficiencia de la mano de obra y las ventas de bolsas de nylon.
% de eficiencia (X)
93
97
99
100
101
103
104
98
96
98
97
Ventas (Y)
3528
4816
4991
5054
5852
5292
5621
2705
2607
5502
5614
% de eficiencia (X)
94
84
91
96
100
99
101
102
104
101
97
Ventas (Y)
5404
5887
5390
5712
4368
5544
4914
5292
5208
5208
6000
Suponga que los datos se obtuvieron de manera aleatoria. Proveen stos

suficiente evidencia para decir que existe correlacin entre la eficiencia de la mano
de obra y las ventas, con un nivel de significancia del 1%?
47
3. En un estudio sobre la resistencia a la tensin de un alambre, se tomaron las

siguientes mediciones a diferentes niveles de temperatura de la mquina.
Temp. (oF)
(X)
65
55
60
58
80
67
75
Resistencia
(Y)
109
115
105
114
120
116
118
a) Proveen stos suficiente evidencia para decir que existe correlacin entre la
resistencia del alambre y la temperatura, con un nivel de significancia del 1%?
b) Estime los parmetros del modelo de regresin lineal simple e interprete.
c) El modelo de regresin es adecuado?
4. Un profesor de matemticas desea saber si existe alguna relacin entre las horas
de estudio dedicadas a su clase y la calificacin del examen de cada uno de sus
alumnos. Para verificar lo anterior obtuvo una muestra aleatoria cuyos datos se
encuentran en la siguiente tabla donde X representa el nmero de horas de
estudio y Y representa la calificacin obtenida. Los datos proveen suficiente
evidencia para decir que existe correlacin entre las horas de estudio y la
calificacin con un nivel de significancia del 5%?
Horas de
estudio (X)
4
3
3.5
5.0
3.0
5.5
2.5
2.0
4.0
4.5
5.0
4.5
3.0
3.5
5.5
48
Calificacin
obtenida (Y)
70
79
88
99
67
99
89
41
53
76
58
63
72
87
65
5. En un estudio realizado por el ingeniero de proceso en el rea de llenado de

botellas de cierta empresa refresquera se sospecha que existe algn tipo de
relacin entre el volumen de llenado de las botellas y la velocidad de la banda
transportadora. Para verificar lo anterior se obtuvo una muestra aleatoria cuyos
datos se encuentran en la siguiente tabla donde X representa la velocidad de la
banda y Y representa el volumen de llenado. Los datos proveen suficiente
evidencia para decir que existe correlacin entre estas dos variables, con un nivel
de significancia del 5%?
Obs.
X
Y
1
2
3
4
5
6
7
8
9
10
11
12
300 200 400 200 300 400 200 300 400 200 300 200
330 229 226 331 333 331 328 332 330 332 331 328
6. Se sospecha que en una operacin de sellado de bolsas de plstico, el nmero de

bolsas mal selladas (Y), est relacionada con la temperatura de la selladora (X).
Los siguientes datos fueron recolectados para verificar lo anterior.
Obs.
X
Y
1
35
25
2
38
28
3
39
30
4
40
35
5
35
28
6
40
27
7
39
16
8
38
35
9
40
29
10
38
26
11
35
25
12
40
31
Obs.
X
Y
13
38
34
14
35
38
15
40
42
16
35
25
17
39
29
18
36
28
19
40
27
20
38
26
21
39
31
22
35
26
23
35
27
24
40
25
a) Los datos proveen suficiente evidencia para decir que existe correlacin
entre estas dos variables, con un nivel de significancia del 1%?
b) Estime los parmetros de regresin lineal simple e interprete.
7. Suponga que en el ejemplo de las horas dedicadas a estudiar y la calificacin
obtenida, el profesor desea probar si la pendiente del modelo de regresin es
positiva con un nivel de significancia del 5%.
8. Utilice el ejemplo de la resistencia del alambre y la temperatura de la mquina para
probar la hiptesis de que el parmetro 0 del modelo es diferente de cero con un
nivel de significancia del 1%.
9. Considere nuevamente el ejemplo que estudia la relacin entre porcentaje de
eficiencia de la mano de obra y las ventas de bolsas de nylon.
a) Suponga que se desea encontrar un intervalo de confianza del 98% para E(yf)
cuando la eficiencia de la mano de obra es xf = 95.
b) Suponga ahora que se desea predecir las ventas que se tendrn para un
porcentaje de eficiencia del 85% usando un intervalo de confianza del 95%.
49
50
2. REGRESIN LINEAL MLTIPLE.

En el capitulo anterior se estudi un modelo de regresin simple, donde se
usaba solamente una variable independiente o predictora, en este caso se analizarn
modelos de regresin mltiple cuando existen ms de una variable independiente, las
cuales se suponen pueden predecir una variable dependiente. Por ejemplo, cuando se
considera un proceso de moldeo de poliestireno, en el cual se usan perlas
expandibles y un agente expansor que al exponerse al calor puede aumentar su
tamao hasta 50 veces, estas perlas se funden dentro de un molde y la variable que
se desea predecir es la resistencia a la fractura, misma que est en funcin de la
temperatura y la presin del vapor que se utiliza en el proceso. Este es un ejemplo
con dos variables independientes, pero puede suceder que existan ms variables
independientes, esta es la razn por lo cual se le llama regresin mltiple.
Los modelos de regresin lineal mltiple, generalmente son modelos de primer
grado y lineales en sus parmetros, pero para abreviar, solamente se dice modelos de
regresin lineal mltiple, en este capitulo estudiaremos el modelo general, estimacin
de parmetros, inferencia sobre el modelo y los parmetros, y prediccin e intervalos
de confianza.
2.1 El Modelo Lineal Mltiple.

El modelo de regresin lineal mltiple, como se mencion anteriormente, es un
modelo lineal en sus parmetros de primer grado, es decir que las variables
independientes son consideradas nicamente dentro del modelo en primer grado,
cuando estas se consideran trminos cuadrticos y de interaccin, entonces pasan a
ser modelos de regresin polinomial. En este caso la regresin polinomial queda fuera
del objetivo de este libro. A continuacin se presenta un modelo de regresin lineal
mltiple de dos variables:
y = 0 + 1 x1 + 2 x 2 +
Donde: 0 , es el intercepcin del plano con la lnea del eje y ,

1 , es la pendiente del plano con respecto a x1,
2 , es la pendiente del plano con respecto a x 2 y

, representa el trmino del error.
En la figura 2.1 se representa un modelo de regresin lineal mltiple con dos

variables independientes, como el descrito anteriormente, 0 es el punto de
intercepcin del plano con el eje y, 1 es la derivada parcial del modelo con respecto a
x1, 2 es la derivada parcial del modelo con respecto a x 2 .
80
70
60
50
Y 40
30
20
S10
10
S7
0
1
S4
2
X1
X2
S1
10
Figura 2. 1 Modelo de Regresin Lineal con Dos Variables Independientes.

El modelo de regresin lineal con dos variables independientes puede ser
representado en forma matricial como se explica a continuacin. Supngase que se
toma una muestra al azar de n observaciones, entonces, el modelo puede ser
representado como sigue:
y i = 0 + 1 x i 1 + 2 x i 2 + i para i = 1K n,
Tambin, se puede expresar de la siguiente forma:

y 1 1
y 1
2 =
M M
1
y n
x11
x 21
M
x n1
x12 1
0
x 22 2
1 +
M M

x n 2 2
n
Donde:
y1
y
Y = 2
M

y n
52
1
1
X =
M
1
x11
x 21
M
x n1
x12
x 22
M
x n 2
INSTITUTO TECNOLOGICO DE CD. JUAREZ
1

= 2
M

n
0
= 1
2
Entonces, el modelo de regresin lineal mltiple se puede escribir de la

siguiente forma:
Y = X +
Donde: Y es un vector de orden n 1,

X es una matriz de orden n ( p + 1),
es un vector de orden ( p + 1) 1 y
es un vector de orden n 1.
De tal forma que el valor esperado del vector Y es igual a X , ya que el valor
esperado del error es cero, esto es:
E (Y ) = X .
De aqu en adelante, el modelo se representar en forma matricial, sin

mencionar el orden de los mismos, con el propsito de ahorrar tiempo y espacio. En la
siguiente seccin se estudia la estimacin del vector de parmetros.
2.2 Estimacin de Parmetros.

El problema de prediccin de Y dado X, involucra la estimacin del vector de
los parmetros , el cual es generalmente obtenido por el mtodo de mnimos
cuadrados, mismo que consiste en minimizar la suma de los cuadrados de las
desviaciones de los valores estimados y s, con respecto a las observaciones ys, es
decir:
n
Min.
(y
i =1
y i ) 2
Y de forma vectorial es igual a:
Min. (Y Y )' (Y Y )
CONCEPTOS BSICOS DE DISEO DE EXPERIMENTOS / JAIME SANCHEZ LEAL, Ph. D.
53
donde: Y = X ,
es el vector de estimadores de .
Entonces para obtener los estimadores por mnimos cuadrados se resuelve el
siguiente problema:
Min. (Y X )' (Y X ) ,
Con respecto a , cuya solucin est dada por:
= ( X ' X ) 1 X 'Y .
En el caso de dos variables independientes, la matriz ( X ' X ) , es conocida
como matriz de productos cruzados, las matrices ( X ' X ) y X ' Y , quedan como se
muestra a continuacin.
L 1 1
L x n1 1
L x n 2 M
1
1
X ' X = x11 x 21
x 21 x 22
n
n
X ' X = x i1
i =1
n
x i 2
i =1
1
1
X 'Y = x11 x 21
x 21 x 22
i1
2
i1
i =1
x
i =1
i1
x n1
i =1
x
x
i1 i 2
i =1
n
2
x
i2
i =1
x
i =1
n
x11
x 21
M
x 21
x 22
M
x n 2
xi 2
i2
n
y1 y i
L 1 ni =1
y
2
L x n1 = x i 1 y i
M i =1
L x n 2 n
y n x i 2 y i
i =1
Para obviar los subndices, ya que es claro que las sumatorias van de i=1,
hasta n, no aparecern en las sumatorias.
54
x x
x x x
x x x
X ' X = x1
x 2
1 2
2
2
1
2
1
X 'Y = x1y
x 2 y
Entonces, la ecuacin para

independientes, queda como sigue:
n
= x1
x 2
estimar
x x
x x x
x x x
1 2
2
2
1
2
1
cuando
hay
dos
variables
x1 y
x 2 y
Para resolver la ecuacin anterior, es necesario conocer sobre matrices, para

obtener el estimador del vector . En forma general, para p variables independientes,
las matrices ( X ' X ) y X ' Y , quedan como sigue:
x
x
x1
X' X =
M
x p
1
2
1
L
O
x x
1
x
x x
1 p
M
x p2
p
y
x y
1
X 'Y =
M
x y
p
1
Entonces la frmula = ( X ' X ) X 'Y , es vlida para cualquier valor de

p=1,2,, donde, p es el nmero de variables independientes. En el caso particular de
que nicamente tenemos una variable independiente, las matrices quedan como
sigue:
n
X X =
x1
x
x
1
2
1
55
y
X =
.
x
y
Estas frmulas nos llevan a los mismos resultados de regresin lineal

simple como se muestra a continuacin en los siguientes ejemplos.
Ejemplo 2.1: Supngase que un ingeniero que est moldeando partes de poliestireno
quiere predecir la fuerza necesaria para fracturar de las piezas, stas son
fabricadas depositando perlitas del poliestireno dentro de un molde, al cual se
le inyecta vapor de agua a cierta presin y durante un tiempo determinado;
entonces quiere predecir la fuerza a la ruptura en funcin de estas dos
variables, para lo cual condujo un experimento. Estimar el vector de
coeficientes del modelo de regresin lineal mltiple. La tabla 2.1 muestra los
datos que se obtuvieron:
Tabla 2. 1 Datos Sobre la Resistencia a la Ruptura de Piezas Moldeadas de
Poliestireno.
Fuerza a la Ruptura Presin del Vapor
Tiempo de inyeccin de Vapor
(Newton)
(Bars)
(Seg.)
34
1.0
10
55
2.0
15
45
1.5
10
46
1.5
15
47
1.5
10
43
1.0
15
45
1.5
10
59
2.0
15
34
1.0
10
44
1.5
15
56
2.0
10
47
1.5
15
40
1.0
10
54
2.0
15
30
1.0
10
45
2.0
15
1
SOLUCIN: El estimador de coeficientes esta dado por la frmula = ( X ' X ) X ' Y ,

por lo tanto debemos primero obtener la matriz de productos cruzados XX y el
vector XY. Para tal motivo se construye la siguiente tabla de sumatorias:
56
Tabla 2. 2 Datos Tabulares Resistencia a la Ruptura para

de los Parmetros.
Obs Y
X2
X1
X1Y
X2Y X1X2
1
34
10
1.0
34
340 10
2
55
15
2.0
110
825 30
3
45
10
1.5
67.5
450 15
4
46
15
1.5
69
690 22.5
5
47
10
1.5
70.5
470 15
6
43
15
1.0
43
645 15
7
45
10
1.5
67.5
450 15
8
59
15
2.0
118
885 30
9
34
10
1.0
34
340 10
10
44
15
1.5
66
660 22.5
11
56
10
2.0
112
560 20
12
47
15
1.5
70.5
705 22.5
13
40
10
1.0
40
400 10
14
54
15
2.0
108
810 30
15
30
10
1.0
30
300 10
16
45
15
2.0
90
675 30
TOTAL 724
200 24
1130
9205 307.5
X ' X = x1
x 2
Hacer la Estimacin
X12
1
4
2.25
2.25
2.25
1
2.25
4
1
2.25
4
2.25
1
4
1
4
38.5
X22
100
225
100
225
100
225
100
225
100
225
100
225
100
225
100
225
2600
x x
x x x
x x x
1
2
1
1 2
2
2
2
24
200
16
X X = 24 38.5 307.5
200 307.5 2600
y
X 'Y = x1y
x 2 y
724
X Y = 1130
9205
57
1.788306 0.290323 0.103226

( X X ) = 0.290323 0.516129 0.033871
0.103226 0.033871 0.012903
1
= ( X ' X )1 X ' Y
1.788306 0.290323 0.103226 724
= 0.290323 0.516129 0.033871 1130
0.103226 0.033871 0.012903 9205
16.475
= 16.709 .
0.2967
Entonces, el modelo de regresin lineal mltiple queda como sigue:
y = x = [1 x1
0

x 2 ] 1
2

y = x = [1 x1
16.475
x 2 ]16.709
0.296
y = 16.47 + 16.7 x1 + 0.296 x 2 .

Interpretacin: El modelo de regresin para predecir la fuerza de ruptura en
newton, expresa que cuando el tiempo de inyeccin de vapor y la presin son
igual a cero, entonces la fuerza a la ruptura es igual a 16.47 newton,
adicionalmente se puede interpretar que por cada bar de presin que se
aumente en la presin de vapor, la fuerza de ruptura aumentar 16.709 newton
y que por cada segundo de inyeccin de vapor que se aumente, la fuerza a la
ruptura aumentar en 16.7 ms 0.296 newton.
Ejemplo 2.2: Utilizar el ejemplo del ingeniero de calidad encargado del proceso de
ensamblar brazos mecnicos para direccin mecnica, para estimar un modelo
de regresin lineal entre la presin del circuito neumtico en libras por pulgada
cuadrada y la altura de las graseras en centsimas de pulgada. Los datos se
encuentran en la tabla 2.3, donde X representa la presin de un circuito
58
neumtico que se usa para atornillar graseras en las tapas de una rtula y Y
representa la altura de la grasera a la tapa. Estime los parmetros del modelo
de regresin lineal simple.
Tabla 2. 3 Pares de Datos de la Presin de un Circuito Neumtico (X) y
Altura de la Grasera a la Tapa (Y)
X
35
35
40
40
45
45
Y
31.5
38.0
26.9
32.9
27.7
31.3
X
50
50
55
55
60
60
Y
24.6
26.1
21.2
25.6
14.6
21.9
Solucin: Se procede a hacer una tabla que contenga las sumatorias requeridas para
las matrices, a continuacin se muestran los datos:
Tabla 2. 4 Datos Tabulares de la Altura de la Grasera para Calcular la
Estimacin de los Parmetros.
Obs
1
2
3
4
5
6
7
X
35
35
40
40
45
45
50
Y
31.5
38.0
26.9
32.9
27.7
31.3
24.6
X2
1225
1225
1600
1600
2025
2025
2500
Y2
992.25
1444.00
723.61
1082.4
767.29
979.69
605.16
8
9
10
11
12
TOTAL
50
55
55
60
60
570
26.1
21.2
25.6
14.6
21.9
322.3
2500
3025
3025
3600
3600
27950
681.21
449.44
655.36
213.16
479.6
9073.19
XY
1102.5
1330
1076
1316
1246.5
1408.5
1230
1305
1166
1408
876
1314
14778.5
Entonces las matrices quedan como sigue:
59
n
X X =
x1
x
x
1
2
1
570
12
X X =
570 27950
0.05428
2.6619
( X X )1 =
0.05428 0.00114286
y
X Y =
x1y
322.3
X Y =
14778.5
= ( X ' X )1 X ' Y
2.6619
0.05428 322.3
0.05428 0.00114286 14778.5

55.67
0.6065
De igual forma, el modelo de regresin queda como sigue:

y = x = [1 x ] 0
1

y = x = [1 x ] 0
1
y = 55.67 0.6065 x
Interpretacin: 1= -0.6065, significa que por cada libra por pulgada cuadrada
de presin que se aumente en el circuito neumtico, la altura de la grasera
disminuye 0.6065 centsima de pulgada; mientras que 0 = 55.67 es la altura
de la grasera cuando no existe ningn esfuerzo para atornillarla, es decir,
cuando la presin del circuito neumtico, es igual a cero.
60
Hasta este punto, se ha estudiado la estimacin del modelo y antes de hacer

predicciones es necesario verificar la validez del modelo, es decir, hacer inferencia
sobre la utilidad de las variables independientes, para predecir la variable
dependiente. La validacin del modelo es el tema de la prxima seccin.
2.3 Prueba de Hiptesis Sobre los Parmetros.
En la seccin anterior se vio la estimacin del modelo a travs de la estimacin

de sus parmetros y se ve claramente que cuando existen nmeros, al aplicar las
frmulas se obtendrn nmeros que vienen a ser la estimacin de los parmetros del
modelo de regresin, pero persiste la pregunta: qu tan buenas son las
estimaciones? o acaso se puede asumir que los parmetros son igual a cero, es decir
que las variables independientes no son predictoras de la variable dependiente. En
esta seccin se ver la prueba de hiptesis donde simultneamente se verifica la
igualdad a cero de todos los coeficientes de las variables independientes y
posteriormente en forma individual para cada parmetro.
El caso de verificacin de la hiptesis sobre la igualdad de todos los
coeficientes de las variables independientes igual a cero, es equivalente a establecer
que j = 0 j = 1,K, p , y de lo contrario que existe por lo menos un valor de los
coeficientes que es diferente de cero. Este proceso se lleva a cabo con anlisis de
varianza, el cual consiste en analizar las variaciones de las observaciones. A
continuacin se explica la descomposicin de la variacin total en funcin del modelo
y los residuales.
La variacin total de las observaciones est dada por las diferencias entre las
observaciones de la muestra y la media de los datos, esto es:
yi y ,
Al introducir el trmino de la estimacin del modelo, se suma y se resta una
vez, entonces la expresin queda como sigue:
y i y = y i y y i + y i = ( y i y i ) + ( y i y )
Cuando se eleva al cuadrado cada trmino y se suman, se obtendr lo
siguiente:
(y
y ) 2 = ( y i y i )2 + ( y i y ) 2
Claramente se observa que la suma de cuadrados total es igual a la suma de

cuadrados de los residuales ms la suma de cuadrados debido al modelo. En la
61
expresin anterior se puede demostrar que el trmino intermedio del primero por el
segundo es igual a cero, ya que stos no estn elevados al cuadrado y la sumatoria
de los residuales es igual a cero, por lo tanto el trmino del primero por el segundo se
elimina. Esto se lleva a cabo con la aplicacin de la regla del binomio al cuadrado de
lgebra bsica. Finalmente se observa que la siguiente expresin se cumple, sin
importar el nmero de variables independientes en el modelo:
SS T = SSE + SSR
Aplicando lgebra a cada una de las expresiones anteriores se puede llegar a
las siguientes igualdades:
r
(Y 1)2
SST = Y Y
n
r
Donde: 1 , es un vector columna de nmeros unos de orden nx1.
1
r
1 = M
1
Tambin se puede obtener aplicando la siguiente formula, misma que se puede
demostrar que son iguales usando un poco de lgebra:
2
yi
n
i
1
=
.
SST = y i2
n
i =1
La suma de cuadrados debido al modelo de regresin, despus de simplificarla

queda como sigue:
r
(Y 1)2
SSR = ' X 'Y
n
n
yi
SSR = ' X 'Y i =1
n
La suma de cuadrados de los errores o residuales queda como sigue:
SSE = SST SSR

SSE = Y 'Y ' X 'Y
62
Las sumas de cuadrados del modelo y del error al dividirlos por sus grados de
libertad, tienen una distribucin Chi-cuadrada, con p y n-p-1 grados de libertad,
respectivamente, por lo tanto, el cociente de estas dos variables, tiene una distribucin
F(p,n-p-1). Con estos conocimientos ya se puede hacer una prueba de hiptesis sobre
los coeficientes de las variables independientes, el procedimiento se muestra a
continuacin.
HIPTESIS:
Ho: 1 = 2 = L = p = 0
Ha: j 0 para algn valor de j = 1,L, p
SSR
p
~ F( p,n p 1)
SSE
(n p 1)
Valor-p = P(F(p, n-p-1) > Fc)
SUPUESTOS:
2. Los residuales tienen una distribucin normal.
3. La varianza es constante.
REGLA DE DECISIN:
Si el valor-p>, entonces rechazar la hiptesis nula, de otra forma no
rechazarla.
Si Fc>F(t-1, t(n-1),) entonces rechazar la hiptesis nula, de otra forma no rechazar.
REGIN DE RECHAZO:
63
F(p, (n-p-1); )
Regin
de
Rechazo
Figura 2.2 Regin de Rechazo para la Prueba de Igualdad a Cero de los

Coeficientes de Regresin.
Donde: F(t-1, t(n-1),) es obtenida de la tabla de tal forma que: P[F >F(t-1,t(n-1);)] =
CLCULOS:
Los clculos en este caso se llevan a cabo en forma tabular, de tal forma que lo
hacen ms sencillo, la tabla de anlisis de varianza para el modelo general de
regresin mltiple se muestra a continuacin:
Tabla 2. 5 Anlisis de Varianza para el Modelo de Regresin Mltiple.
Grados de
Suma de
Cuadrados
Fuentes
Fc
Libertad
Cuadrados
Medios
de
Variacin
Regresin
SSR
SSR/p
CMR/CME
p
Error
SSE
SSE/(n-p-1)
n-p-1
Total
SST
n-1
Para ilustrar el procedimiento previamente establecido, se solucionan dos

ejemplos a continuacin.
Ejemplo 2.3: Verifique la prueba de hiptesis sobre la igualdad a cero de los
coeficientes de las variables independientes del Ejemplo 2.1, con un nivel de
Solucin:
64
HIPTESIS:
Ho: 1 = 2 = 0
Ha: j 0 para algn valor de j = 1,2
SSR
p
~ F( p,n p 1)
SSE
(n p 1)
SUPUESTOS:
REGIN DE RECHAZO:
F(2, 13; 0.05)=4.67

Regin
de
Rechazo

Donde: F(2, 13; 0.5)=4.67, es obtenida de la tabla de tal forma que:

P[F >F(2, 13; 0.05)] = 0.05
REGLA DE DECISIN:
rechazarla.
Si Fc>F(2,
rechazar.
13; 0.5)=4.67,
entonces rechazar la hiptesis nula, de otra forma no
65
CLCULOS: Se usa los datos existentes del Ejemplo2.1.

Para poder llenar la tabla de anlisis de varianza, se calculan las siguientes
sumas de cuadrados:
2
yi
n
(724) 2
SST = y i2 i =1 = 33764
n
16
i =1
SST=1003
r 2
724
Y
(724 )2
(
1
)
SSR = ' X ' Y
= [16.475 16.709 0.2967]1130
n
16
9205
SSR=33540.1935-32761
SSR=779.1935
SSE=SST-SSR=1003-779.1935
SSE=223.8
Tabla 2. 6 Datos Tabulares de Resistencia a la Ruptura para Calcular la
Estimacin de los Parmetros.
X2
X1Y
X2Y
X1X2
X12
X22
Y2
Obs
Y
X1
1
34
1.0
10
34
340
10
1
100
1156
2
55
2.0
15
110
825
30
4
225
3025
3
45
1.5
10
67.5
450
15
2.25
100
2025
4
46
1.5
15
69
690
22.5 2.25
225
2116
5
47
1.5
10
70.5
470
15
2.25
100
2209
6
43
1.0
15
43
645
15
1
225
1849
7
45
1.5
10
67.5
450
15
2.25
100
2025
8
59
2.0
15
118
885
30
4
225
3481
9
34
1.0
10
34
340
10
1
100
1156
10
44
1.5
15
66
660
22.5 2.25
225
1936
11
56
2.0
10
112
560
20
4
100
3136
12
47
1.5
15
70.5
705
22.5 2.25
225
2209
13
40
1.0
10
40
400
10
1
100
1600
14
54
2.0
15
108
810
30
4
225
2916
15
30
1.0
10
30
300
10
1
100
900
16
45
2.0
15
90
675
30
4
225
2025
TOTAL 724
24
200
1130
9205
307.5
38.5
2600
33764
66
Tabla 2. 7 Anlisis de Varianza para el Modelo de Regresin Mltiple.

Fuentes de Grados de
Suma de
Cuadrados
Fc
Variacin
Libertad
Cuadrados
Medios
Regresin
2
779.19
389.59
22.63
Error
13
223.8
17.21
Total
15
1003
* Significativo al 5%.
F
4.67*
DECISIN:
FC>4.67, entonces, se rechaza la hiptesis nula.
CONCLUSIN:
Los datos proveen suficiente evidencia para declarar que existe por lo menos
un coeficiente de las variables independientes diferente de cero, con un nivel de
Ejemplo 2.4: Verifique la prueba de hiptesis sobre la igualdad a cero de los
coeficientes de las variables independientes del Ejemplo 2.2, con un nivel de
Solucin:
HIPTESIS:
Ho: 1 = 0
Ha: 1 0
SSR
p
~ F( p,n p 1)
SSE
(n p 1)
SUPUESTOS:
REGIN DE RECHAZO:
67
F(1, 10; 0.05)=4.67

Regin de Rechazo

Donde: F(1, 10; 0.5)=4.96 es obtenida de la tabla, de tal forma que:

P [F >F(1, 10; 0.05)] = 0.05
REGLA DE DECISIN:
rechazarla.
Si Fc>F(1,
rechazar.
10; 0.5)=4.96,
CALCULOS: Se usa los datos existentes del Ejemplo2.2.

Para poder llenar la tabla de anlisis de varianza, se calculan las
siguientes sumas de cuadrados:
Tabla 2. 8 Datos Tabulares de Altura de Graseras para Calcular la Estimacin
de los Parmetros.
Obs
1
2
3
4
5
6
7
68
X
35
Y
31.5
X2
1225
Y2
992.25
35
40
40
45
45
50
38.0
26.9
32.9
27.7
31.3
24.6
1225
1600
1600
2025
2025
2500
1444.00
723.61
1082.4
767.29
979.69
605.16
XY
1102.5
1330
1076
1316
1246.5
1408.5
1230
8
9
10
11
12
TOTAL
50
55
55
60
60
570
26.1
21.2
25.6
14.6
21.9
322.3
2500
3025
3025
3600
3600
27950
681.21
449.44
655.36
213.16
479.6
9073.19
1305
1166
1408
876
1314
14778.5
yi
n
(322.3)2
SST = y i2 i =1 = 9073.19
n
12
i =1
SST=416.74
r 2
322.3 (322.3)2
(
1
)
Y
SSR = ' X ' Y

= [55.67 0.6065 ]
n
12
14778.5
SSR=8979.28-8656.44=322.84
SSR=322.84
SSE=SST-SSR=416.74-322.84
SSE=759.59
Tabla 2. 9 Analisis de Varianza para el Modelo de Regresin Mltiple.

Fuentes de
Grados de
Suma de
Cuadrados
Fc
Libertad
Cuadrados
Medios
Variacin
Regresin
1
322.84
322.84
34.32
Error
10
93.90
9.39
Total
11
416.74
* Significativo al 5%.
F
4.96*
DECISIN:
FC>4.96, entonces, se rechaza la hiptesis nula.
CONCLUSIN:
Los datos proveen suficiente evidencia para declarar que existe por lo menos
un coeficiente de la presin del circuito neumtico, diferente de cero, con un
69
La prueba de hiptesis sobre los coeficientes de todas las variables

independientes, cuando se rechaza la nula, lleva a la conclusin de que por lo menos
uno de los coeficientes es diferente de cero, esto no asegura que todos sean
diferentes de cero, por lo tanto, es recomendable verificar los coeficientes de uno por
uno, incluyendo la intercepcin, el cual no se incluye en la prueba de hiptesis
anterior.
Para llevar a cabo una prueba de hiptesis sobre un parmetro, es necesario
conocer un estimador con su respectiva varianza y distribucin de los mismos, en el
caso del vector de parmetros , el estimador que conocemos es cuya forma es:
= ( X ' X ) 1 X ' Y .
Cuyo valor esperado del vector , es igual a , es decir:
E [ ] =
y la matriz de covarianza del estimador , est dada por la siguiente frmula:
V [ ] = 2 ( X ' X ) 1 .
Por lo tanto, el estimador de la matriz de covarianzas del estimador de , est
dada por:
V [ ] = 2 ( X ' X ) 1 = S 2 ( X ' X ) 1
S 2 = S 2 ( X ' X ) 1
S2 =
SS E
= CM E
n p 1
Ntese que la matriz de covarianzas S 2 , en una matriz de orden (p+1)x(p+1),

misma que est compuesta de los elementos siguientes:
S 20
2
S
2
S = 0 1
M
2
S 0 p
70
S 20 1
S 21
M
2
S 1 p
L S 20 p
L S 21 p
O
M
L S 2p
Supngase que los elementos de ( X ' X ) 1 , son denotados por aij, para i y j
=0,1,,p, entonces la varianza de los estimadores de los coeficientes del modelo de
regresin est dada de la siguiente forma:
S 2i = S 2 (aii ), para i = 1,L, p

Dados los conceptos anteriores y considerando que los supuestos bsicos se
cumplen, entonces, existe un estadstico con distribucin conocida que puede ayudar
a verificar las hiptesis sobre los coeficientes del modelo de regresin mltiple, este
estadstico est dado por:
i E [ i ]
S 2i
El cual tiene una distribucin t de student con n-p-1 grados de libertad. Con
esta informacin, ahora se describe el procedimiento para verificar hiptesis sobre un
slo coeficiente de regresin.
El procedimiento para verificar la hiptesis sobre los coeficientes del modelo de
regresin lineal mltiple, es bueno para cualquier valor de i=0, hasta p, el cual se
plantea en forma general.
HIPTESIS:
Tabla 2. 10 Hiptesis para los Coeficientes del Modelo de Regresin
Lineal Mltiple.
NO DIRECCIONAL
a)
b) Izquierda
c) Derecha
Ho: i = 0
Ha: i 0
Ho: i 0
Ha: i < 0
Ho: i 0
Ha: i > 0
i
t=
~ t ( n p 1)
S aii
= n p 1
Tabla 2. 11 Valor-p para la Prueba de Hiptesis sobre Coeficientes del Modelo
de Regresin Lineal Mltiple.
VALOR-P
NO DIRECCIONAL
71
a)
b) Izquierda
c) Derecha
Valor-p = 2P(tn-p-1 > tc) Valor-p = P(tn-p-1 < tc) Valor-p = P(tn-p-1 > tc)
SUPUESTOS:
REGIN DE RECHAZO:
a) No direccional
t
-t, /2
Regin de
Rechazo
t, /2
Regin de
Rechazo
Figura 2. 5 rea de Rechazo para la Prueba No Direccional sobre la Pendiente

del Modelo.
72
t
-t,
Regin de
Rechazo
Figura 2. 6 rea de Rechazo para la Prueba Direccional Hacia la Izquierda

sobre la Pendiente del Modelo.
Donde:
t ,
es obtenida de tal forma que P[t < t , ] = .
t
t,
Regin
de
R
Figura 2. 7 rea de Rechazo para la Prueba Direccional Hacia la Derecha

sobre la Pendiente del Modelo.
Donde:
t ,
es obtenida de tal forma que P [t > t , ] = .
REGLAS DE DECISIN:
73
a) No direccional
Si t c > t , / 2 o t c < t , / 2 entonces rechazar Ho, de otra manera no
rechazar Ho.
Si t c < t , entonces rechazar Ho, de otra manera no rechazar Ho.
Ejemplo 2.5 Para el Ejemplo 2.1 verificar las hiptesis sobre la igualdad a cero de los
coeficientes del modelo de regresin mltiple estimado, con un nivel de
significancia igual a 5%.
Solucin:
HIPTESIS:
Tabla 2. 12 Hiptesis para los Parmetros del Modelo.
a) Intercepcin
b) Presin
c) Tiempo
Ho: 0 = 0
Ha: 0 0
Ho: 1 = 0
Ha: 1 0
Ho: 2 = 0
Ha: 2 0
i
t=
~ t ( n p 1) Para i = 0, 1, 2
S aii
= 16 2 1 = 13
Valor-p = 2P(tn-p-1 > tc)
SUPUESTOS:
74
REGIN DE RECHAZO:
t
-t, /2=-2.16
t, /2=2.16
Regin de
Rechazo
Regin de
Rechazo
Figura 2. 8 rea de Rechazo para la Prueba No Direccional sobre la Pendiente

del Modelo.

REGLAS DE DECISIN:
Si t c > t , / 2 = 2.16 o t c < t , / 2 = 2.16 entonces rechazar Ho, de otra manera
no rechazar Ho.
Si el Valor-p <, entonces rechazar Ho, de otra manera no rechazar Ho.
CLCULOS: De la solucin del ejemplo 2.1 se obtiene la siguiente informacin:
1.788306 0.290323 0.103226
( X X ) = 0.290323 0.516129 0.033871
0.103226 0.033871 0.012903
1
16.475
= 16.709
0.2967
De la tabla de anlisis de varianza del ejemplo 2.3 se obtuvo el CME=17.21=S2.
Con esta informacin podemos proceder a calcular el estadstico t.
a) Verificacin de la hiptesis sobre la intercepcin.
75
tC =
0
S a00
16.475
(17.21)(1.788306 )
tC=2.96
DECISIN:
Dado que tC>2.16, entonces se rechaza la hiptesis nula.
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que la intercepcin del
modelo es diferente de cero, con un nivel de significancia del 5%. Tambin se
sabe que el modelo no debe ser forzado a que pase a travs del origen.
b) Verificacin de la hiptesis sobre 1.
tC =
1
S a11
16.709
(17.21)(0.516129 )
tC=32.37
DECISIN:
Dado que tC>2.16, entonces se rechaza la hiptesis nula.
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que la variable de presin de
vapor tiene un coeficiente diferente de cero, con un nivel de significancia del
5%. Tambin se sabe que el modelo puede incluir la presin del vapor como
una variable independiente para predecir la fuerza a la ruptura.
c) Verificacin de la hiptesis sobre 2.
tC =
1
S a11
0.2967
(17.21)(0.012603 )
tC=0.629
DECISIN:
76
Dado que tC2.16, entonces no se rechaza la hiptesis nula.

CONCLUSIN:
Los datos no proveen suficiente evidencia para decir que la variable tiempo de
inyeccin de vapor tiene un coeficiente diferente de cero, con un nivel de
significancia del 5%. Tambin se puede decir que el modelo no necesita incluir
al tiempo de inyeccin, como una variable independiente para predecir la fuerza
a la ruptura.
En resumen, los datos proveen evidencia para que el modelo de regresin
estimado sea reducido a usar solamente una variable independiente, con esto
el modelo se reduce a regresin lineal simple y se tienen que estimar de nuevo
los coeficientes.
Como se puede observar en el ejemplo anterior, se puede empezar con un
modelo de regresin mltiple y estimar sus coeficientes, pero no es recomendable
utilizarlo para hacer predicciones, sin antes verificar la utilidad del modelo; en la
primera etapa de la validacin cuando se verifica la hiptesis de que todos los
coeficientes de las variables independientes son igual a cero, excepto la intercepcin,
se podra llegar a la conclusin de que ninguna de las variables independientes es
buena para predecir la variable dependiente y ah termina todo.
Por otra parte si se concluye que por lo menos uno de los coeficientes es
diferente de cero, entonces, se tienen que verificar las hiptesis de igualdad a cero
para todos y cada uno de los coeficientes, con la finalidad de ver si el modelo puede
ser reducido y validarlo. Una vez terminada esta etapa, si hubo reduccin, se estima el
nuevo modelo y luego se pasa directamente a la prediccin, misma que se estudiar
en la siguiente seccin.
2.4 Intervalos de Confianza y Prediccin.
Los modelos de regresin en general son estimados con el propsito de hacer

predicciones, asimismo de ver si existe una relacin entre las variables
independientes y la dependiente. En las secciones anteriores se estudi cmo estimar
dichos modelos y adems cmo influyen las variables independientes con el propsito
de incluir nicamente las que tienen una relacin significativa, adicionalmente validar y
reducir el modelo para utilizar el menor nmero posible de variables predictoras. Una
vez con el modelo en su menor expresin y validado, generalmente se usa para hacer
predicciones a travs de intervalos de confianza. A continuacin se estudian los
intervalos de confianza para valores dados de las variables predictoras.
Partiendo de que los supuestos bsicos son ciertos, entonces para cada valor
fijo del vector X, digamos xf, existe una distribucin normal con media igual a E[y|xf], y
varianza 2, E[y|xf] ser denotado por E [ y f ] para mayor simplicidad. Por lo tanto, el
77
intervalo de (1 )100% de nivel de confianza para E [ y f ] , dado un valor xf , est dado

por:
C y f t , / 2 S y f E ( y f ) y f + t , / 2 S y f = 1 .
Donde: y f es el estimador de E [ y f ] ,
S y2f es la varianza de y f .
Para poder aplicar la frmula anterior, es necesario conocer la frmula del
estimador de E [ y f ] y de la varianza del estimador. Dado el valor xf, el estimador de
E [ y f ] , est dado por la siguiente frmula:
y f = xf
Y la varianza de y f , se obtiene de la siguiente forma:
V [ y f ] = V [ x f ] = x f V [ ]x f
V [ ] = 2 ( X ' X ) 1
V [ y f ] = 2 xf ( X X )1 xf
Entonces el estimador de la varianza de y f , est dado por:
Sy2f = 2xf ( XX)1xf

Sy2f = S 2 xf ( X X )1 xf
Sy2f = CME xf ( X X )1xf

Dadas las frmulas anteriores, ahora es posible estimar intervalos de confianza
para la media de la variable dependiente, dado un valor fijo del vector de variables
independientes.
Ejemplo2.6: Para el caso de ejemplo 2.2 de la altura de las graseras y de la presin
del circuito neumtico, estimar un intervalo de confianza del 95%, para la media
con una presin de 42 psi.
78
Solucin: El vector xf est dado por (1, 42), entonces la estimacin de la media, est
dada por:
y f = x f
55.67
y f = [1 42]
0.6065
y f = 30.197
Los siguientes resultados parciales fueron obtenidos de las soluciones de
ejemplos previos.
0.05428
2.6619
( X X ) 1 =
0.05428 0.00114286
CM E = 9.39
2.6619
S y2f = (9.39 )[1 42]
0.05428
S y2f = ( 9 . 39 )[0 . 38214
0.05428 1
.0011428 42
0 . 00627988
42
S y2f = (9 .39 )( 0.118385 )

S y2f = 1.1116355
S y f = 1.0543
C y f t , / 2Syf E(y f ) y f + t , / 2Syf = 1

t , / 2 = 2.22 , entonces, los lmites de confianza se calculan como sigue:
y f + t , / 2S y f = 30.197 + 2.22(1.0543 ) = 32.5375
y f t , / 2S yf = 30.197 2.22(1.0543) = 27.8564

79
C[27.8564 E [ y f ] 32.5375] = 0.95

El nivel de confianza de que la media de la altura de la grasera, cuando se
aplica una presin de 42 libras por pulgada cuadrada en el circuito neumtico,
est entre 27.85 y 32.53, es de 95 %.
El intervalo de confianza que se estima con la informacin anterior es para
medias, pero es comn que un intervalo de confianza sea estimado para un sola
observacin o para una media de una muestra de tamao m, bajo estas
circunstancias la frmula para estimar el intervalo es similar, lo nico que cambia es la
varianza, a continuacin se muestran las frmulas para estimar dichas varianzas e
intervalos.
Sy2f = S 2 [1 + xf ( X X )1 xf ] , para una observacin,

Sy2f = S 2 [1/ m + xf ( X X )1 xf ] , para medias de una muestra tamao m.
Entonces las frmulas para estimar los intervalos, quedan como sigue:
a) Para una media de una muestra.
C[ y f t , / 2S y f E [ y f ] y f + t , / 2S y f ] = 1 .
b) Para una observacin individual.
C[ y f t , / 2S y f E [ y f ] y f + t , / 2S y f ] = 1
Ejemplo 2.7: Para el caso de ejemplo 2.2 de la altura de las graseras y de la presin
del circuito neumtico, estimar un intervalo de confianza del 95%, para una
observacin y una media muestra de tamao 4 para una presin de 42 psi.
Solucin: El vector xf est dado por (1, 42), entonces la estimacin de la media, est
dada por:
y f = x f
y f = 30.197
S y2f = (9 .39 )( 0.118385 )
a) Para una observacin;
80
Sy2f = S 2 [1 + xf ( X X )1 xf ]
S y2f = (9 .39 )(1 + 0 .118385 ) = 10 .5
t , / 2 = 2.22 , entonces, los lmites de confianza se calculan como sigue:
y f + t , / 2S y f = 30.197 + 2.22(3.24) = 37.39
y f t , / 2S y f = 30.197 2.22(3.24) = 23.0
C[23.0 E [ y f ] 37.39] = 0.95
El nivel de confianza de que una observacin de la altura de la grasera, cuando
se aplica una presin de 42 libras por pulgada cuadrada en el circuito
neumtico, est entre 23 y 37.39, es de 95 %.
b) para una media de una muestra de tamao m:
Sy2f = S 2 [1/ m + xf ( X X )1 xf ]
S y2f = (9.39 )(1 / 4 + 0.118385 ) = 3.459
y f + t , / 2S y f = 30.197 + 2.22(1.8598) = 34.32
y f t , / 2S y f = 30.197 2.22(1.8598) = 26.06
C[26.06 E [ y f ] 34.32] = 0.95
El nivel de confianza de que la media de la altura de la grasera para una
muestra de tamao 4, cuando se aplica una presin de 42 libras por pulgada
cuadrada en el circuito neumtico, est entre 23 y 37.39, es de 95 %.
81
2.5 Adecuacin del Modelo.
En esta seccin se estudiar la aptitud del modelo, al igual que en el captulo

anterior, lo cual consiste en verificar los supuestos bsicos del modelo de regresin,
que son: independencia de la muestra, normalidad de los datos, varianza constante y
adems la linealidad de los datos. En la evaluacin de la adecuacin del modelo, los
residuales juegan un papel muy importante, ya que se hacen varias grficas para
validar los supuestos, mismos que se resumieron en i ~ iiN (0, 2).
Para verificar la aptitud del modelo, generalmente se buscan desviaciones con
respecto a los supuestos bsicos, como son la falta de linealidad o de ajuste, los
residuales no son independientes, la varianza no es constante, falta de normalidad y
puntos fuera de lugar. Para despejar estas dudas sobre el modelo de regresin,
existen pruebas estadsticas, pero en este caso nicamente se enfatizar sobre el
anlisis de residuales.
En esta ocasin se enfatizar el uso de los residuales para verificar los
supuestos bsicos: primeramente para verificar la linealidad del modelo, los puntos
fuera de lugar y la varianza constante, se utilizarn los diagramas de dispersin de los
residuales con respecto a las variables independientes en forma individual; para la
independencia de las observaciones se utiliza un diagrama de tendencia de los
residuales; por ltimo, para verificar la normalidad ahora se utilizar el histograma y el
diagrama o grfica de caja. A este proceso completo generalmente se le llama anlisis
de residuales. A continuacin se resuelve un ejemplo, para mostrar la aplicacin de
los conceptos.
Ejemplo 2.8: Utilizar el ejemplo 2.1 que dice: Supngase que un ingeniero que est
moldeando partes de poliestireno quiere predecir la fuerza a la fractura de las
piezas, stas son fabricadas depositando perlitas del poliestireno dentro de un
molde, al cual se le inyecta vapor de agua a cierta presin y durante un tiempo
determinado, entonces quiere predecir la fuerza a la ruptura en funcin de estas
dos variables, para lo cual condujo un experimento para estimar el vector de
coeficientes del modelo de regresin lineal mltiple. Tomando los resultados de
los ejemplos anteriores, hacer el anlisis de residuales.
Solucin: Se toma el modelo que se estim en el ejemplo 2.1, el cual est dado por:
y = 16.47 + 16.7 x1 + 0.296 x 2

Entonces los residuales quedan como se muestran en la tabla.
82
Tabla 2. 13 Datos Tabulares para Clculo y Anlisis de Residuales para el

Problema de Moldeo con Poliestireno.
a
la Residuales
de Fuerza
Fuerza a la Presin del Tiempo
inyeccin
de Ruptura
Vapor
Ruptura
Estimada
Vapor
(Bars)
(Newtons)
(Newtons)
(seg.)
34
1.0
10
36.13
-2.13
55
2.0
15
54.31
0.69
45
1.5
10
44.48
0.52
46
1.5
15
45.96
0.04
47
1.5
10
44.48
2.52
43
1.0
15
37.61
5.39
45
1.5
10
44.48
0.52
59
2.0
15
54.31
4.69
34
1.0
10
36.13
-2.13
44
1.5
15
45.96
-1.96
56
2.0
10
52.83
3.17
47
1.5
15
45.96
1.04
40
1.0
10
36.13
3.87
54
2.0
15
54.31
-0.31
30
1.0
10
36.13
-6.13
45
2.0
15
54.31
-9.31
8
6
4
RESIDUALES
2
0
-2
0,5
1,5
2,5
-4
-6
-8
-10
-12
PRESION
Figura 2. 9 Diagrama de Dispersin para los Residuales y la Presin de Vapor

del Problema de Moldeo con Poliestireno.
83
8
6
4
RESIDUALES
2
0
-2
10
12
14
16
-4
-6
-8
-10
-12
TIEMPO DE INYECCION
Figura 2. 10 Diagrama de Dispersin para los Residuales y el Tiempo de

Inyeccin del Problema de Moldeo con Poliestireno.
Se puede observar en las figuras 2.9 y 2.10 que no existe tendencia adicional
en los residuales, de antemano ya sabemos que la variable de tiempo de
inyeccin no es necesaria en el modelo, pero an as, se consider con
propsitos de ilustracin. Entonces se podra concluir que el modelo no
necesita trminos adicionales, de lo contrario ya se sabe que la segunda
variable independiente no es necesaria. Por otro lado, se puede observar que la
variacin de los residuales no es constante a lo largo de las variables
independientes, por lo tanto se puede decir que el supuesto de varianza
constante, no se cumple y es necesario hacer algn ajuste para corregir dicha
desviacin. Ese tipo de procedimientos queda fuera del alcance de este libro.
La figura 2.11 no muestra ninguna tendencia, por lo tanto, se puede decir que
hay independencia entre las observaciones; en cuanto a la normalidad, se
puede observar en las figuras 2.12 y 2.13 que los residuales estn lejos de
ajustar una distribucin normal. En conclusin es necesario que se tomen
medidas remediales para adecuar el modelo o de lo contrario, las inferencias
basadas en este modelo deben ser tomadas con las precauciones pertinentes,
para evitar cometer errores.
Otra forma de verificar rpidamente la normalidad, es buscar la simetra de la
distribucin, si hay simetra, entonces se busca la concentracin de informacin
sobre la media, La simetra se cumple generalmente cuando la media y la
mediana son aproximadamente iguales. S la mediana es menor que la media,
entonces la distribucin est sesgada hacia la izquierda, por otro lado, si la
84
mediana es mayor que la media, entonces la distribucin est sesgada hacia la

derecha.
8
6
4
RESIDUALES
2
0
-2
10
11
12
13
14
15
16
-4
-6
-8
-10
-12
ORDEN
Figura 2. 11 Diagrama de Tendencia para los Residuales del Problema de

Moldeo con Poliestireno.
0
-10,0
-8,0
-6,0
-4,0
-2,0
0,0
2,0
4,0
6,0
RESIDUAL
Figura 2. 12 Histograma de los residuales del Problema de Moldeo con

Poliestireno.
85
RESIDUAL
-20
-10
10
Figura 2. 13 Diagrama de Caja de los Residuales del Problema de Moldeo con

Poliestireno.
Ejemplo 2.9: Utilizar el modelo reducido del ejemplo 2.1, para predecir la fuerza a la
fractura de las piezas, con la presin del vapor de agua inyectado. Tomando los
resultados anteriores, hacer el anlisis de residuales.
Solucin: El modelo reducido est dado por:
y = 18.85 + 17.6 x
Se puede observar en las figuras 2.14 y 2.15 que no existe tendencia adicional
en los residuales o de la variable de respuesta, en esta ocasin se agreg el
diagrama de dispersin de la variable de respuesta para revisar las tendencias
no lineales. Entonces se podra concluir que el modelo no necesita trminos
adicionales. Por otro lado, se puede observar que la variacin de los residuales
es constante a lo largo de la variables independiente, para tener mayor
seguridad sobre la varianza constante, cuando existen datos que tienen varias
observaciones sobre un mismo valor de la variable independiente se pueden
hacer pruebas de hiptesis, con el estadstico F, sobre la igualdad de las
varianzas.
86
Tabla 2. 14 Datos Tabulares para Anlisis de Residuales para el Problema de

Moldeo Reducido con Poliestireno.
Fuerza a la Ruptura
Presin del Vapor
Residuales
(Newtons)
(Bars)
34
1.0
-2,45
55
2.0
0,95
45
1.5
-0,25
46
1.5
0,75
47
1.5
1,75
43
1.0
6,55
45
1.5
-0,25
59
2.0
4,95
34
1.0
-2,45
44
1.5
-1,25
56
2.0
1,95
47
1.5
1,75
40
1.0
3,55
54
2.0
-0,05
30
1.0
-6,45
45
2.0
-9,05
70
y = 18.85+ 17.6x
FUERZA A LA RUPTURA
60
50
40
30
20
10
0
0
0,5
1,5
2,5
PRESION
Figura 2. 14 Diagrama de Dispersin y Modelo Reducido para la Fuerza a la

Fractura de Poliestireno.
87
8
6
4
RESIDUALES
2
0
0
0,5
1,5
2,5
-2
-4
-6
-8
-10
PRESION
Figura 2. 15 Diagrama de Dispersin para los Residuales y la Presin de Vapor

del Problema de Moldeo con Poliestireno.
8
6
4
RESIDUALES
2
0
1
10
11
12
13
14
15
16
-2
-4
-6
-8
-10
ORDEN
Figura 2. 16 Diagrama de Tendencia para los Residuales del Moldeo Reducido

con Poliestireno.
La figura 2.16 no muestra ninguna tendencia, se puede decir que hay

independencia entre las observaciones. Se puede observar en las figuras 2.17 y
2.18 que los residuales estn distribuidos aproximadamente en forma normal.
En conclusin el modelo es adecuado para hacer inferencias. La grfica P-P, se
construye graficando la distribucin terica de la normal con la media y varianza
de los residuales y en el otro eje se grafican los percentiles de los mismos,
88
entre ms se acerquen los puntos a la lnea de tendencia, ms aproximados a

la normal estn los residuales.
7
6
5
4
3
2
1
0
RESIDUALES
Figura 2. 17 Histograma de los Residuales del Problema de Moldeo Reducido

con Poliestireno.
1,2
0,8
0,6
0,4
0,2
0
0
0,2
0,4
0,6
0,8
1,2
Figura 2. 18 Grfica P-P de los Residuales del Problema de Moldeo Reducido

con Poliestireno.
89
1. Un investigador desea saber cuanto influyen las horas de estudio y el

coeficiente intelectual de los estudiantes de ciencias en la calificacin de un
examen de habilidades verbales, con tal propsito seleccion estudiantes
de diferentes coeficientes intelectuales y les asigno diferentes horas de
estudio a cada uno y posteriormente les aplico el examen. Los resultados se
muestran en la siguiente tabla.
Horas de Estudio Coeficiente Intelectual Calificacin
1
80
60
1
85
62
1
90
68
1
95
70
1
100
69
2
80
75
2
85
76
2
90
71
2
95
80
2
100
78
3
80
79
3
85
82
3
90
84
3
95
86
3
100
83
4
80
88
4
85
89
4
90
93
4
95
95
4
100
94
a) Proveen stos suficiente evidencia para decir que existe un modelo de
regresin lineal mltiple, con un nivel de significancia del 1%?
d) Estime un intervalo del 99% de confianza para 2.5 horas de estudio, con
una persona de coeficiente intelectual de 95.
e) Verificar la aptitud del modelo.
2. En proceso qumico se considera que la presin y la temperatura en cual se
desarrolla es importante para la eficiencia, el ingeniero encargado del
proceso se dio a la tarea de registrar la temperatura y la presin de
diferentes horneadas, la tabla que se muestra a continuacin contiene la
informacin del proceso.
90
Temperatura Presin Rendimiento

127
207
91
141
210
95
121
205
88
132
204
91
143
203
94
139
202
92
123
208
87
127
201
88
130
208
91
133
206
92
137
218
96
146
217
99
132
203
90
120
219
92
130
211
92
a) Proveen stos suficiente evidencia para decir que existe un modelo de
regresin lineal mltiple, con un nivel de significancia del 1%?
d) Estime un intervalo del 95% de confianza para una temperatura de 145 y
una presin de 215.
3. Un medico quiere determinar el peso de las personas con la estatura y la
talla de la cintura, con tal propsito seleccion 15 varones y les midi la
estatura y la talla y los pes. Los resultados se muestran en la siguiente
tabla.
Estatura Talla Peso
154
86
82
162
89
86
182
82
86
162
98
93
194
97
93
191
99
98
190
80
85
192
78
86
173
93
91
171
79
78
193
81
88
152
78
75
179
83
89
184
78
86
193
92
94
91
a) Proveen stos datos suficiente evidencia para decir que existe un

modelo de regresin lineal mltiple, con un nivel de significancia del 5%?
d) Estime un intervalo del 95% de confianza para una estatura de 175 y una
talla de 89.
4. Un investigador piensa que la productividad de las personas en sus trabajos
depende de la motivacin y el compromiso, en una empresa de 20
empleados se les aplic un cuestionario para medir la motivacin y el
compromiso y el departamento de recursos humanos proporcion la
productividad de las personas, resultado los datos que se encuentran la
siguiente tabla.
Motivacin Compromiso Productividad
2.5
3.1
97
2.7
2.7
95
2.1
3.0
91
2.1
3.0
94
2.2
2.8
94
2.4
3.3
94
3.0
2.1
97
2.4
3.4
82
2.9
3.1
95
2.4
3.2
93
2.8
2.9
95
2.0
2.6
81
2.3
1.8
86
3.3
2.9
89
2.8
2.0
98
3.3
3.0
96
2.4
2.2
96
2.9
2.9
96
3.2
2.4
98
2.9
2.9
96
a) Proveen stos datos suficiente evidencia para decir que existe un
modelo de regresin lineal mltiple, con un nivel de significancia del 5%?
d) Estime un intervalo del 95% de confianza para una motivacin de 4 y un
compromiso de 3.
92
3. CONCEPTOS BSICOS DE DISEO DE EXPERIMENTOS.

El diseo y anlisis de experimentos tiene un papel muy importante en el
desarrollo cientfico y tecnolgico, el mtodo cientfico es uno de los ms usados en la
generacin de nuevos conocimientos y la parte del diseo y el anlisis de
experimentos son esenciales en dicho proceso. As como en el desarrollo tecnolgico
la necesidad de conocer cmo se comportan los sistemas, nos lleva generalmente al
planteamiento de preguntas que se contestan con un buen diseo de experimentos,
as como para la verificacin de hiptesis en la instrumentacin del mtodo cientfico.
Esto resalta la gran importancia del diseo de experimentos.
En la generacin de nuevo conocimiento, el mtodo cientfico se usa para
contestar preguntas y verificar hiptesis de los investigadores, de una manera objetiva
y sistemtica sobre fenmenos, procesos o sistemas sociales, biolgicos, fsicos,
qumicos, econmicos, industriales, etc. Este proceso cientfico requiere de diseo de
experimentos bien planeados para dar respuestas objetivas, claras y precisas a las
preguntas de los investigadores para obtener conclusiones slidas y conocimientos
que cumplan con los requerimientos de la ciencia.
De igual manera, en el proceso del desarrollo tecnolgico, es necesario
contestar preguntas o evaluar alternativas sobre los sistemas hechos por el hombre
con el propsito de mejorar la variable de respuesta; en este proceso tambin se
requiere de experimentos bien diseados y planeados con el objetivo de conocer
cules, cmo y cunto afectan los factores y la variable de respuesta del sistema.
Cada vez que un sistema cambia de condiciones se requiere que se vuelvan a
plantear de nuevo las preguntas y responderlas a travs del diseo de experimentos.
La aplicacin de experimentos diseados y analizados estadsticamente, ha
sido muy relevante en el desarrollo mundial desde sus inicios a principio del siglo XX,
cuando fueron introducidos por Sir. R. Fisher en Inglaterra, stos fueron aplicados en
la agricultura con la finalidad de mejorar los cultivos que dan de comer al mundo,
posteriormente su aplicacin se ha extendido a la mayora de las reas cientficas y
tecnolgicas. En las ltimas dcadas del siglo pasado su uso se intensific en la
industria, especialmente en las reas de ingeniera de calidad, diseo de productos y
procesos, y manufactura.
El diseo de experimentos es una herramienta til para determinar cules
factores, cmo y cunto influyen en las variables de respuesta de un proceso o
sistema, tambin se puede decir que es un proceso que sistemticamente varia los
factores y observa cmo stos afectan a las variables de respuestas. El diseo de
experimentos puede resolver algunas otras interrogantes sobre un sistema o proceso,
como determinar que tipo de relacin existe entre los factores y la variable de
respuesta, inclusive aplicado de forma iterativa y sistemticamente, se puede utilizar
para optimizar dichos sistemas y procesos.
El propsito de este libro, adicional a la introduccin de regresin, es estudiar

en los captulos subsecuentes, los diseos experimentales y su anlisis estadstico,
aplicados principalmente al rea de ingeniera y tecnologa. En este capitulo, se
estudiar la terminologa bsica, el programa experimental, la anatoma de un estudio
y los principios bsicos de la experimentacin.
3.1 Terminologa y Conceptos de Experimentacin.

En esta seccin se expondr la nomenclatura y conceptos bsicos de Diseo
de Experimentos con el propsito de explicar la metodologa de la planeacin de la
prxima seccin, los conceptos que se comentarn, son los de variable de respuesta,
factores, tratamientos, niveles, control, aleatorizacin, repeticin, bloqueo, variacin,
etc.
Para definir la terminologa iniciaremos esta seccin, suponiendo que se tiene
un sistema que responde a los cambios de variables endgenas y exgenas y que su
respuesta es una variable, la cual puede ser evaluada por algn medio. Tambin las
variables externas e internas pueden ser manipuladas y cuantificadas o clasificadas
de algn modo. La variable que representa la respuesta del sistema o proceso, la
llamaremos variable de respuesta, esta respuesta en el rea de ingeniera de calidad
es generalmente una caracterstica de calidad del producto que se est
manufacturando.
Las variables endgenas y exgenas que pueden ser manipuladas o
controladas fcilmente las llamaremos simplemente factores. Las variables o factores
que no pueden ser controladas fcilmente son conocidos como variables de bloqueo o
factores ruido. Con el propsito de simplificar la nomenclatura en este libro a los
factores controlables, les llamarn simplemente factores y a los factores ruido,
variables de bloqueo. La figura 3.1 muestra un esquema del proceso el cual va a estar
sujeto a la experimentacin.
Cuando se lleva a cabo un experimento, el propsito es principalmente
descubrir si un factor afecta la respuesta del sistema, para tal propsito se prueban
varios niveles del factor, a dichos niveles se les llaman tambin tratamientos, mismos
que dependen del objetivo del experimento. Entonces los tratamientos son los niveles,
valores, categoras o modalidades del factor, los cuales caracterizan de forma nica
una poblacin de inters, por lo tanto cada tratamiento define una poblacin. Un
trmino comn es el control, el cual es tambin un tratamiento que generalmente es
un nivel estndar del factor o simplemente un placebo o no tratamiento.
Por ejemplo, supngase que se quiere investigar la relacin entre el nivel del
voltaje de una soldadora con la resistencia a la ruptura de la soldadura en una
mquina de electrodos; los tratamientos pueden ser los diferentes niveles a los que
puede ser ajustada la mquina y el control es el nivel al cual generalmente opera la
94
INSTITUTO TECNOLOGICO DE CD JUAREZ
mquina de soldar en dicho proceso. La respuesta en este caso es la resistencia a la

ruptura, misma que se mide en las partes soldadas.
FACTORES CONTROLABLES
X1
X2 ... XP
VARIABLES DE
ENTRADAS:
Mat. Primas
Componentes y
Subensambles
MEDIDAS DE
EVALUACIN Y
CONTROL
Variable de Respuesta
PROCESO
PRODUCTO DE
SALIDA
Z1
Z2 ... ZP
FACTORES RUIDO O
DE BLOQUEO
Figura 3. 1 Diagrama Esquemtico de un Proceso para Experimentacin.
La unidad experimental es la mnima cantidad de material experimental a la

cual se le asigna un tratamiento, dicha asignacin debe ser en forma aleatoria. En el
ejemplo de la mquina de soldar, supngase que se estn soldando aros que son una
parte de un proceso de ensamble mayor, cada vez que las condiciones de operacin
de una mquina son cambiadas, sta requiere de cierto tiempo de estabilizacin, por
lo que es necesario que se procesen determinado nmero de piezas antes de
procesar la unidad experimental, la cual puede estar compuesta de un aro o varios,
esto depende del objetivo del experimento y de la cantidad de recursos disponibles, la
unidad experimental podra ser de 3 aros, 4 5, dependiendo tambin de la facilidad
para medir la variable de respuesta, en este caso la resistencia a la ruptura.
En el proceso del diseo de experimentos, la determinacin del tamao de la
unidad experimental es muy importante, ya que de esto depende el tamao del
experimento, el nmero de tratamientos a probar y el nmero de repeticiones por
tratamiento, la aleatorizacin y el bloqueo. Estos tres conceptos son bsicos en la
experimentacin, mismos que se describirn enseguida. Cuando se cuenta con
unidades experimentales homogneas, la asignacin de los tratamientos se hace
completamente al azar. Cuando las unidades experimentales no son homogneas, se
pueden utilizar tcnicas de bloqueo. Por eso la disponibilidad del material
95
experimental es importante en el proceso de planeacin, este proceso se describe en

la siguiente seccin.
El nmero de veces en que se replica un tratamiento depende del material
experimental y se conoce como replicacin, la cual consiste en repetir un experimento
bsico, que es cuando se lleva a cabo la experimentacin para hacer una sola
observacin de uno de los tratamientos. El experimento bsico tambin es conocido
como corrida o prueba. Entonces para hacer un experimento con cuatro tratamientos
y tres repeticiones, es necesario replicar el experimento bsico doce veces, es decir,
en el experimento de la mquina de soldar, si la unidad experimental consiste de un
aro, entonces se requieren doce aros. Si la unidad experimental consiste de tres aros,
entones se requieren 36 aros para ejecutar el experimento.
Para exponer los conceptos de bloqueo usaremos de nuevo el ejemplo de la
mquina de soldar, supngase que los aros que se soldan en dicho proceso vienen de
materiales de diferentes calibres y el calibre es un factor que no se desea investigar si
afecta o no a la variable de respuesta. Entonces, lo que procede es formar grupos de
los diferentes calibres y asignar los tratamientos al azar en cada grupo de calibre
diferente, esta tcnica se llama bloqueo y se usa para eliminar la variacin que pueda
ser introducida por el factor ruido calibre del material. As es que bloqueo es una
tcnica que se usa para incrementar la precisin de un experimento, un bloque es una
porcin del material experimental que es ms homogneo que el resto del material. Lo
que define el bloque es la existencia de uno o ms factores ruido en el experimento,
como puede ser la experiencia en los operadores, los turnos, lotes de materia prima,
proveedores, etc.
El anlisis estadstico de los experimentos planeados es de gran relevancia en
los avances cientficos y tecnolgicos y la aleatorizacin es el elemento fundamental
para el uso de mtodos estadsticos que conlleven a conclusiones vlidas y objetivas.
La aleatorizacin consiste en el orden de la asignacin del material experimental a los
tratamientos o tambin es el orden en el cual las corridas o pruebas van a ser
ejecutadas. La aleatorizacin es importante porque hace que las observaciones sean
independientes, dado que es un supuesto para que los mtodos estadsticos sean
vlidos. Tambin elimina los efectos de factores extraos que puedan estar presentes
durante la ejecucin del experimento.
La variacin en la caracterstica de calidad o variable de respuesta siempre
estar presente por muchas razones, por los tratamientos o factores ruido que estn
presentes durante la experimentacin, an si estos no estn presentes, existe la
variacin aleatoria o ruido blanco, la variacin es necesaria para poder reconocer las
posibles fuentes que la causan. La subdivisin de la variacin total en partes
atribuibles a sus fuentes potenciales, es un proceso llamado Anlisis de Varianza
(Anova), gran parte de este libro ser dedicada a detectar fuentes de variacin a
travs del Anova y es parte esencial del Diseo y Anlisis de Experimentos.
96
3.2 Programa Experimental.

Los experimentos se llevan a cabo para obtener informacin sobre poblaciones
de inters que son definidas por tratamientos, dicha informacin se usa en diferentes
formas desde hacer inferencia sobre parmetros de poblaciones, verificar hiptesis y
planear experimentos posteriores. La informacin obtenida en los experimentos se
usa inductivamente para hacer generalizaciones sobre poblaciones, esta informacin
proviene de muestras aleatorias para que las conclusiones sean vlidas; experimentos
mal conducidos pueden llevarnos a inducir conclusiones errneas, por eso es muy
importante que exista un programa experimental para conducir apropiadamente el
experimento. Para ampliar sobre este proceso se puede consultar Lentner y Bishop
(1986) y Montgomery (1991). Los pasos necesarios a dicho plan se describen
enseguida.
Pasos del Programa Experimental:

1. Establecimiento del Problema.
2. Seleccin de los Factores.
3. Seleccin de la Variable de Respuesta.
4. Seleccin del Espacio Inferencial.
5. Seleccin del Material Experimental.
6. Seleccin del Diseo Experimental.
7. Formulacin de un Modelo.
8. Recoleccin de Datos.
9. Anlisis de Datos.
10. Conclusiones e Interpretacin de Resultados.
Establecimiento del Problema. En este paso se establece claramente el

problema en funcin del proceso o sistema que se desea estudiar, los objetivos a
investigar, sus razones y las variables relacionadas con el problema, como se
visualiza en la figura 3.1.
Seleccin de los Factores. Los factores que se incluyen son aquellos que
estn en la lista de variables y que supuestamente afectan la salida del proceso o
sistema bajo estudio, en este paso, se debe de tener cuidado en no seleccionar
muchos factores, ya que esto complicara y hara muy grande el experimento. La
seleccin apropiada de los niveles de los factores es importante, ya que tambin
influyen en el tamao del experimento. En este paso se puede usar el conocimiento
no estadstico de las personas que operan el proceso o sistema.
Seleccin de la Variable de Respuesta. La variable o variables que se elijan
deben de proporcionar informacin sobre el proceso o sistema bajo estudio, de
acuerdo al objetivo planteado en el primer paso. El mtodo de medicin es importante
sobre todo si son costosos o la prueba es destructiva. Cuando una variable elegida es
97
muy costosa de medir, puede ser substituida por otra menos costosa pero que
proporcione informacin sobre el proceso o sistema.
Seleccin del Espacio Inferencial. Este puede ser definido como el conjunto
de poblaciones sobre la cuales las inferencias sern aplicadas, tambin conocido
como el marco de referencia donde las conclusiones sern aplicadas y vlidas. Por
ejemplo, si el sistema es una mquina de inyeccin de plstico, las inferencias son
vlidas para esa mquina nada ms. Si en el experimento intervienen varias
mquinas, entonces el espacio inferencial son todas las mquinas.
Seleccin del Material Experimental. Por lo general el material experimental
depende de los objetivos del experimento y de todos los pasos anteriores,
principalmente del mtodo de medicin de la variable de respuesta, el cual te ayuda a
definir la unidad experimental o la cantidad de material sobre el cual se puede hacer
una medida confiable de dicha variable; obviamente tambin depende del presupuesto
y recursos disponibles.
Seleccin del Diseo Experimental. El diseo experimental debe de
mantenerse lo ms simple, si es posible, completamente al azar, pero el diseo
depende del material experimental disponible y del espacio inferencial. En este libro
se estudiarn los diseos experimentales con o sin restricciones en el muestreo, lo
cual depende de las unidades experimentales.
Formulacin de un Modelo. Es un modelo matemtico aditivo que describe
las observaciones del experimento, este debe incluir todos los componentes que se
consideraron en el experimento. El modelo depende del Diseo Experimental, entre
ms simple sea el diseo ms simple es el modelo.
Recoleccin de Datos. En este paso es muy importante que la informacin
sea recolectada de acuerdo al plan experimental, mismo que define la aleatorizacin
de las observaciones. Estas deben de ser tomadas con precisin y cuidado para no
mezclarlas o confundirlas, es decir identificadas correctamente.
Anlisis de Datos. En este paso se realizan todos los clculos para realizar el
anlisis de acuerdo al Diseo Experimental y el Modelo matemtico para las
observaciones.
Conclusiones e Interpretacin de Resultados. En este paso se hace la
inferencia sobre las poblaciones de inters o el marco de referencia. Es de primordial
importancia que las implicaciones prcticas, en trminos de los objetivos del problema
sean establecidas clara y explcitamente, debe incluir restricciones de aplicabilidad,
limitaciones y cualquier nota importante que concierna a las conclusiones.
Los pasos del Programa Experimental tienen una correspondencia con los
pasos del mtodo cientfico, en este caso se cuenta con informacin adicional que
consiste en que de antemano se sabe que va a realizar un experimento. Los primeros
98
tres pasos corresponden a la etapa de afinacin del experimento, los siguientes cuatro
a la planeacin y definicin, mientras que los ltimos tres pasos corresponden a la
etapa de anlisis. En estas ltimas tres es donde se pondr nfasis en este libro.
Desde el punto de vista del mtodo cientfico, los primeros siete pasos del
Programa Experimental, corresponden al diseo de la investigacin y los ltimos tres,
al desarrollo. Todo Diseo de Investigacin Experimental tiene tres componentes
esenciales que son: Diseo de Tratamientos, Diseo Experimental y Diseo de
Respuesta o Muestreo. El Diseo de Tratamientos se refiere a la relacin que guardan
los tratamientos entre si. El Diseo Experimental se refiere a la relacin que existe
entre las unidades experimentales y los tratamientos; y el Diseo de Respuesta o
Muestreo estudia la variacin de los residuales debido al muestreo y submuestreo de
las unidades experimentales. Los dos primeros se van a explicar en detalle en las
siguientes secciones. Estos conceptos son ampliamente tratados por Lentner y Bishop
(1986), Federer (1955) y Urquhart(1981).
3.3 Diseo de Tratamientos.

Los tratamientos son las poblaciones de inters del investigador, la seleccin
de stos es el Diseo de Tratamientos, cuando todas las poblaciones de inters son
incluidas en los tratamientos, entonces al modelo se le llamar de Efectos Fijos,
cuando slo una muestra aleatoria de estos tratamientos es incluida en el Diseo, al
modelo se le llama de Efectos Aleatorios. Estos conceptos se retomarn cuando se
estudien los modelos, por lo pronto en esta seccin suponemos que el modelo es de
Efectos Fijos. El diseo de tratamiento es la estructura entre tratamientos y ste
puede ser Sin Estructura, Estructura de Grupos, Factorial o con Gradiente.
Diseo Sin Estructura, significa que los tratamientos bajo estudio no guardan
ninguna relacin entre si, no se puede identificar alguna variable especfica que haga
que los tratamientos puedan ser agrupados. Por ejemplo, supngase que se desea
investigar si existe alguna diferencia entre los operadores en la habilidad para
ensamblar un motor elctrico pequeo, la variable de respuesta es el tiempo que
duran para armar una pieza y los tratamientos son todos los operadores que realizan
dicha maniobra, si no existe alguna variable que permita hacer subgrupos dentro de
los tratamientos, entonces no hay Estructura. Algunas variables que permitan hacer
subgrupos, pueden ser la experiencia, edad, gnero de los operadores, etc.
Diseo con Estructura de Grupos, es cuando todos los tratamientos pueden
agruparse en subgrupos por alguna variable relacionada con los tratamientos.
Retomando el ejemplo de los operadores y el tiempo de ensamble, supngase que los
operadores se pueden reagrupar segn el gnero, entonces tambin se puede
investigar si existen diferencias debido al gnero, o que los operadores se puedan
reagrupar de acuerdo al turno.
99
Diseo Factorial, es cuando los tratamientos son compuestos por la

combinacin de los niveles de dos o ms factores. Por ejemplo, retomando la
ilustracin anterior de los operadores y el tiempo que tardan en ensamblar un motor
elctrico, supngase que se desea investigar si la experiencia y el gnero influyen
sobre la variable de respuesta, en experiencia se consideran tres niveles: sin
experiencia, experiencia moderada y muy experimentados, entonces los tratamientos
seran seis, descritos como se muestran en la tabla 3.1.
Tabla 3. 1
Nmero de
Tratamiento
1
2
3
4
5
6
Diseo de Tratamiento Factorial.

Gnero
Experiencia
Masculino
Masculino
Masculino
Femenino
Femenino
Femenino
Nada
Moderada
Suficiente
Nada
Moderada
Suficiente
Como se puede observar en un Diseo Factorial completo, los tratamientos son

todas las combinaciones de los niveles de todos los factores que se desean investigar,
generalmente a los Factores se les identifica con letras maysculas, A, B, C, etc.,
segn sea el nmero de factores y sus niveles correspondientes se denotan por las
letras minsculas a, b, c, etc., por lo tanto, el nmero de tratamientos para un Diseo
Factorial Completo de dos factores es igual al producto axb, mientras que de tres
factores es, axbxc, y as sucesivamente. Entonces el nmero de tratamientos
depende del nmero de Factores y de sus respectivos niveles, entre ms niveles, ms
tratamientos. Por esto, es recomendable mantener el nmero de niveles y factores lo
ms bajo posible, para no terminar con un experimento muy grande y por
consecuencia poco manejable.
El Diseo con Gradiente es cuando los tratamientos estn caracterizados por
un slo factor y sus niveles pueden ser ordenados, Por ejemplo, supngase que se
est investigando la relacin entre la resistencia a la ruptura de la soldadura de una
unin y el voltaje de los electrodos, la variable de respuesta es la resistencia a la
ruptura y los tratamientos son los diferentes niveles de voltaje que se consideren
como tratamientos. As puede haber un sinnmero de casos donde la estructura sea
de Gradiente, principalmente si el factor es numrico. Otro ejemplo puede ser la
experiencia de los operadores y su habilidad para ensamblar el motor elctrico, del
ejemplo antes mencionado.
Los objetivos planteados por el investigador determinan el Diseo de
Tratamientos y ste a la vez sugiere el modelo para las observaciones y el tipo de
anlisis de los resultados despus del Anlisis de Varianza, al cual se le llama anlisis
postanova o separacin de medias. Posteriormente se estudiarn dichos
procedimientos los cuales se dividen tratamientos con o sin estructura.
100
3.4 Diseo Experimental.

El Diseo Experimental es el plan experimental que se refiere a la manera en
que los tratamientos son asignados a las unidades experimentales y a la forma en que
los datos son recolectados, de acuerdo a los principios bsicos de estadstica, stos
deben de ser completamente al azar, pero la disponibilidad del material experimental
hace que este procedimiento elemental tenga que ser modificado, generando otro tipo
de diseos, es decir, si no existen suficientes unidades experimentales homogneas
disponibles, entonces es necesario disponer de material experimental, donde otras
fuentes de variacin no deseada estn presentes, esto ocasiona que se usen otros
diseos experimentales que bloqueen la variacin no deseada. Los Diseos
Experimentales ms comunes son Completamente al Azar, Bloques Completos al
Azar y los Cuadros Latinos.
El Diseo Completamente al Azar (CA) es cuando los tratamientos son
asignados completamente en forma aleatoria a las unidades experimentales y las
observaciones son hechas en el mismo orden. Por ejemplo, se retoma el ejemplo de
los operadores que van a ensamblar los motores elctricos, supngase que son cinco
operadores diferentes y se desea hacer tres repeticiones, entonces se requiere
ensamblar un total de 15 motores, a cada ensamble diferente se le llama corrida.
Entonces se hace una lista de 15 corridas especificando el operador, mismo que debe
tener 3 corridas, posteriormente se determina el orden aleatoriamente de las 15
corridas.
El Diseo de Bloques Completos al Azar (BCA), se aplica cuando las unidades
experimentales no son homogneas y tienen presente una fuente de variacin no
deseada asociada a un factor ruido, entonces las unidades experimentales se agrupan
con valores similares del factor ruido para formar los bloques, cada bloque debe de
tener tantas unidades experimentales como tratamientos, estos grupos llamados
bloques son heterogneos entre si y sus unidades experimentales homogneas. En
pocas palabras el Diseo BCA es para eliminar una fuente de variacin no deseada o
un factor ruido.
El plan experimental para este Diseo BCA se realiza asignando los
tratamientos completamente al azar dentro de cada bloque y para realizar las corridas
tambin los bloques se asignan aleatoriamente. Por ejemplo, supngase que en el
experimento de ensamblar motores elctricos, existen tres tipos de motores y su
efecto en el tiempo de ensamblado no se desea evaluar, entonces se puede hacer un
bloque por cada tipo de motor, cada bloque es una replicacin de los tratamientos,
son necesarias tambin 15 corridas para ejecutar dicho experimento y las corridas se
ejecutaran aleatorizando los bloques y los tratamiento dentro de los bloques.
El Diseo de Cuadro Latino (CL) se aplica cuando las unidades experimentales
tienen presentes dos fuentes de variacin no deseadas, entonces estas se agrupan de
101
acuerdo a estos dos factores ruido haciendo bloques para cada nivel de los factores
ruido, de tal forma que cada bloque de una variable de bloqueo contenga todos los
niveles de la otra variable de bloqueo y viceversa, de igual forma cada bloque debe de
contener todos los tratamientos en cualquiera de las dos variables de bloqueo, para
facilitar el lenguaje a los bloques de la primera variable de bloqueo se les llaman
columnas y a los de la segunda, Renglones o Filas. Tambin existe el Diseo de
Cuadro Grecolatino (CGL), el cual es utilizado para bloquear la variacin no deseada
de tres factores ruido presentes en las unidades experimentales. La determinacin del
plan experimental de estos dos ltimos diseos se ver detalladamente en los
captulos subsecuentes.
El Diseo de Respuesta o Muestreo que es el tercer componente de la
investigacin experimental, es bsicamente el plan para hacer el muestreo y
submuestreo en las unidades experimentales los cuales contribuyen directamente a
encontrar la variacin de los residuales debido al muestreo y submuestreo. Para el
propsito de este libro, el Diseo de Respuesta no se ver en gran extensin,
nicamente se ver muestreo simple aleatorio y en algunos casos muy raramente se
estudiar submuestreo puro. Por lo tanto los Diseos de Respuesta con muchas
restricciones o complicados quedan fuera del alcance de este libro.
3.5 El Modelo General Aditivo.

Uno de los pasos en el Programa Experimental es elaborar un modelo que
represente cada una de las observaciones que se va a realizar durante la ejecucin
del experimento, el modelo que se considera, es un modelo aditivo, como su nombre
lo dice, se suman los componentes, mismos que estn directamente relacionados con
los componentes de una investigacin experimental, stos son los componentes de
los tratamientos, del diseo experimental y del muestreo. Supngase que un
experimento se va a realizar bajo uno Completamente al Azar, entonces cada
observacin estar compuesta como lo indica el siguiente modelo:
y ij = + i + ij Para i=1,t y i=1,,n

Donde: yij, representa la j-sima observacin del tratamiento i-simo.
, representa la media general y es constante.
i, representa el componente del i-simo tratamiento tal que i = 0 .
ij, representa el error de la j-sima observacin del tratamiento i-simo.
t es el nmero de tratamientos.
n es el nmero de repeticiones de cada tratamiento.
A esta expresin se le llama Modelo General Aditivo de efectos fijos, porque en
ste se incluyen todos los tratamientos que puedan estar presentes durante la
experimentacin, la constante , representa la media de todas las observaciones,
cuando todos los valores de , son igual a cero, la media de todos los tratamientos es
102
igual a , bsicamente es la hiptesis nula que se verifica con el Anova, la hiptesis

alternativa es que al menos un valor de es diferente de cero, es decir que, hay
diferencia en los efectos de los tratamientos.
Como se puede observar en el modelo estn presentes los efectos de los
tratamientos y del muestreo que son los valores de , en este caso no est presente
un componente del diseo experimental, ya que el Completamente al Azar, no
considera fuentes de variacin no deseadas en las unidades experimentales,
obviamente en los otros diseos experimentales, donde hay factores ruido presentes,
stas deben de ser consideradas en el modelo. La construccin de los modelos para
cada situacin diferente, ser estudiada durante los captulos posteriores.
La estimacin de los parmetros del modelo general aditivo se hacen utilizando
el mtodo de mnimos cuadrados, as como fue estudiado en los captulos anteriores
de regresin, el cual consiste en minimizar la suma de los cuadrados de las
desviaciones de los valores observados y los estimados, es decir:
Min. (y ij y ij )
El desarrollo matemtico para encontrar la solucin de esta expresin, lleva a

deducir las frmulas que se usan para llevar a cabo el anlisis estadstico de los datos
y hacer la inferencia pertinente para cada caso.
Hasta ahora no se ha hecho ningn supuesto sobre el modelo, lo cual no es
necesario para la estimacin de los parmetros, pero si es necesario analizar los
datos y hacer las conclusiones e inferencias o la verificacin de las hiptesis
planteadas. Dichos supuestos son que cada tratamiento tiene una distribucin normal
con varianza comn 2 y que las muestras son independientes y obtenidas en forma
aleatoria, tambin se puede resumir en la expresin; ij iid N(0, 2).
103
1. Describa con sus palabras los siguientes conceptos:
a. Tratamiento
b. Control
c. Factor
d. Diseo experimental
e. Nivel
f. Variable de respuesta
g. Diseo de tratamiento
h. Unidad experimental
i. Diseo factorial
2. Describa una situacin donde pueda utilizar diseo de experimentos y
describa el programa experimental del paso 1 al 7.
104
4. DISEO COMPLETAMENTE AL AZAR.

El Diseo CA es el ms simple de todos los Diseos Experimentales y se usa
con el propsito de comparar un conjunto de tratamientos de inters, cuando existen
unidades experimentales homogneas disponibles para conducir el experimento, es
decir no hay factores ruido presentes. En este capitulo se estudiar el Diseo CA
bsico, esto es el Diseo de Tratamientos sin estructura, adems se explicar el Plan
Experimental, el Modelo Lineal, el Anlisis de Varianza, la Estimacin de Parmetros,
Prueba de Hiptesis y la Adecuacin del Modelo.
Las ventajas del Diseo CA, son que no hay restriccin en el nmero
tratamientos a probar, el anlisis es relativamente fcil y el nmero de grados
libertad para estimar la varianza es mximo, esto es, que no se pierden grados
libertad para bloquear factores ruido. Mientras que la desventaja principal
relativamente ineficiente cuando las unidades experimentales no son homogneas.
de
de
de
es
El diseo CA se utiliza para comparar dos o ms medias poblacionales, por

ejemplo, supngase que un ingeniero de mtodos desea comparar la habilidad de
varios obreros que realizan las mismas operaciones y a stos se les miden tiempos
para llevar a cabo cinco ensambles en forma aleatoria, para verificar la hiptesis de
que todos los operadores tienen la misma habilidad, es similar a establecer la
hiptesis nula de que todas las medias son iguales contra la alternativa de que por lo
menos una de estas medias es diferente a las dems, a continuacin se desarrolla un
mtodo para verificar esta hiptesis.
Esta prctica de verificar hiptesis con ms de dos medias es tan comn, que
estos mtodos se han desarrollado ampliamente hasta el grado de constituir por s
sola, un rea de la estadstica, la cual se llama diseo de experimentos que se
estudiar en los siguientes captulos, mientras que el mtodo de diseo
completamente al azar, que es el mtodo ms simple de esta rama de la estadstica,
se estudiara en este captulo.
4.1 Plan Experimental.

El Plan Experimental de un Diseo CA, en el cual la asignacin de los
tratamientos a las unidades experimentales o las corridas se hacen completamente al
azar. Dependiendo del tipo de unidad experimental o corrida, esto determina
bsicamente como se llevara a cabo el experimento, por ejemplo, si la unidad
experimental consiste en una corrida de produccin de una mquina en un lapso de
tiempo, y los tratamientos son diferentes condiciones de operacin de la mquina,
entonces el Plan Experimental, consiste en el orden en que se corren los tratamientos
y stos deben de ser completamente al azar, obviamente entre corrida y corrida se
debe dejar tiempo suficiente para que la mquina se estabilice, una vez que se
cambiaron las condiciones de operacin.
Existen varios mtodos para seleccionar el orden en el cual se deben llevar a

cabo las pruebas. Generalmente se usan nmeros aleatorios como una tabla,
computadora o calculadora, etc. Para elegir nmeros aleatorios en cualquier forma, es
recomendable utilizar una cantidad de dgitos de tal forma que la cantidad de nmeros
aleatorios y los existentes en conjunto de nmeros aleatorios sea mayor que tres, esto
es para que no salgan muchos nmeros repetidos. Otra forma es seleccionar la
cantidad de nmeros requeridos con un nmero de dgitos mayor y luego asignar el
rango, entonces el rango queda como el nmero asignado al azar. En la seleccin de
estos nmeros es muy importante que stos sean generados de una distribucin
uniforme.
Ejemplo 4.1: Supngase que se desea determinar la altura apropiada del brazo de
una troqueladora utilizada para conectar una terminal al extremo de un alambre
usado en un arns (Harness). Existen tres posibles alturas las cuales
determinan los tratamientos. Tambin se desean hacer diez pruebas para cada
altura. La caracterstica de calidad de inters en este caso es la fuerza
necesaria para despegar la terminal del alambre, la cual est dada en
kilogramos. Determine el Plan Experimental para este experimento.
Solucin: Los tratamientos son tres alturas A1, A2, y A3.
Nmero de pruebas necesarias = t x n = 3 x 10 = 30.
Plan experimental. Se seleccionan nmeros aleatorios del uno al 30 de una
calculadora y se eliminan los nmeros repetidos. La Tabla 4.1 muestra los
nmeros que se obtuvieron de una calculadora.
Tabla 4. 1 Nmeros Aleatorios en Orden de Aparicin.
11 3 14 6 25 30 10 29 15 16
20 23 22 21 4 17 24 1 26 27
9 2 28 5 19 12 13 7 8 18
La tabla anterior muestra los 30 nmeros que se obtuvieron de una
calculadora, estos fueron tabulados de 10 en 10, por el nmero de
replicaciones de cada tratamiento con el propsito de asignar un tratamiento
por rengln, es decir, al primer rengln se le asigna el primer tratamiento y as
sucesivamente, esta asignacin se muestra en la tabla 4.2, la cual determina el
plan experimental.
106
Tabla 4. 2 Plan Experimental para el Diseo de la Troqueladora.

Corrida
Tratamiento Corrida
Tratamiento Corrida
1
2
11
3
21
2
3
12
3
22
3
1
13
3
23
4
2
14
1
24
5
3
15
1
25
6
1
16
1
26
7
3
17
2
27
8
3
18
3
28
9
3
19
3
29
10
1
20
2
30
Tratamiento
2
2
2
2
1
2
2
3
1
1
Este mismo ejemplo se solucionar utilizando un programa de computadora,

como es Excel, esta mecnica puede ser fcilmente repetida en cualquier otro
programa de estadstica que genere nmeros aleatorios de una distribucin
uniforme. Primeramente genere 30 nmeros aleatorios y pngalos en la
primera columna, copie los valores nicamente a la segunda columna para
evitar que estos estn cambiando, asigne a los primeros diez renglones el
primer tratamiento, el segundo a los renglones del 11 al 20 y a los ltimos diez
el tercer tratamiento. La Tabla 4.3 muestra los resultados de las primeras dos
columnas.
Tabla 4. 3 Nmeros Aleatorios Generados en Excel.
Nmero Aleatorio Tratamiento
Nmero Aleatorio Tratamiento
0.40973
1
0.147486
2
0.841763
1
0.461804
2
0.07914
1
0.987368
2
0.495706
1
0.946748
2
0.327899
1
0.909814
2
0.356103
1
0.222764
3
0.280044
1
0.764668
3
0.833999
1
0.427265
3
0.650789
1
0.019849
3
0.622229
1
0.237105
3
0.965831
2
0.045225
3
0.219737
2
0.281314
3
0.286337
2
0.174399
3
0.47752
2
0.252597
3
0.399663
2
0.949221
3
DISEO COMPLETAMENTE AL AZAR /JAIME SNCHEZ LEAL, Ph. D.
107
Una vez que se tienen los nmeros aleatorios y los tratamientos en las dos
columnas, entonces se ordenan los reglones, intercambiando todo el rengln,
ordenando de menor a mayor los nmeros aleatorios, entonces el orden que
quede ser el nmero de la corrida. La Tabla 4.3 muestra los resultados de
estos pasos, que dan como consecuencia el Plan Experimental.
Tabla 4. 4 Plan Experimental para Troqueladora.
Corrida Nmeros
Tratamientos
Corrida Nmeros
Tratamientos
Aleatorios
Aleatorios
1
0.019849
3
16
0.40973
1
2
0.045225
3
17
0.427265
3
3
0.07914
1
18
0.461804
2
4
0.147486
2
19
0.47752
2
5
0.174399
3
20
0.495706
1
6
0.219737
2
21
0.622229
1
7
0.222764
3
22
0.650789
1
8
0.237105
3
23
0.764668
3
9
0.252597
3
24
0.833999
1
10
0.280044
1
25
0.841763
1
11
0.281314
3
26
0.909814
2
12
0.286337
2
27
0.946748
2
13
0.327899
1
28
0.949221
3
14
0.356103
1
29
0.965831
2
15
0.399663
2
30
0.987368
2
El Plan Experimental es el orden en que se ejecutarn los tratamientos, esto
significa que primero se ajustar la mquina a la altura tres y se tomar la
muestra de piezas, segn se haya determinado, en segundo trmino qued la
misma altura, as es que se toma la segunda muestra de la corrida dos,
posteriormente se ajusta la mquina a la altura uno, se espera un tiempo
necesario a que se estabilice la troqueladora y se toma la muestra de la corrida
tres, en consecuencia se ajusta la mquina a la altura uno, de deja estabilizar
la mquina y se toma la muestra de la corrida cuatro y as reiteradamente, en
el orden que muestra la tabla 4.4.
Ejemplo 4.2: Existen tres operadores que estn armando pequeos motores de
corriente continua, se piensa que existe diferencia en los tiempos de ensable
de stos, por tal motivo se seleccionaron 15 juegos completos para ensamblar.
Determinar un plan experimental para este estudio.
Solucin: Las unidades experimentales son los motores, se le asignan al azar los
operadores para que los armen. Se supone que no hay diferencia en los
108
conjuntos de piezas para armar el motor y que la persona analista de tiempos

es la misma, por lo que el orden en que se ejecutarn las corridas debe de ser
al azar y de uno por uno, para que el mismo analista tome todos los tiempos.
La primera columna de la tabla 4.5 muestra los nmeros aleatorios y la
columna dos, los tres tratamientos asignados de cinco en cinco a la vez.
Tabla 4. 5 Nmeros Aleatorios y Tratamientos.
Nmeros Aleatorios Operadores
0.062892
A
0.656685
A
0.20011
A
0.010752
A
0.980258
A
0.421646
B
0.33544
B
0.769056
B
0.866101
B
0.50497
B
0.746686
C
0.237469
C
0.55157
C
0.292321
C
0.873825
C
En la tabla 4.5 se ordenan todos los renglones en forma ascendente con los
nmeros aleatorios para obtener el plan experimental, el cual se muestra en la
tabla 4.6.
Tabla 4. 6 Plan Experimental para Ensamble de Motores.
Corrida Nmeros Aleatorios Tratamientos
1
0.010752
A
2
0.062892
A
3
0.20011
A
4
0.237469
C
5
0.292321
C
6
0.33544
B
7
0.421646
B
8
0.50497
B
9
0.55157
C
10
0.656685
A
11
0.746686
C
12
0.769056
B
13
0.866101
B
14
0.873825
C
15
0.980258
A
109
El Plan Experimental es el orden en que se ejecutarn los tratamientos, esto es

que primero se le asigna un conjunto de partes para armar un motor al
operador A y se le toma el tiempo, enseguida se hace la segunda corrida con el
operador A y la tercera tambin, posteriormente la cuarta corrida consiste en
que al operador C se le asigne un conjunto de partes y se le tome el tiempo
requerido para ensamblar el motor, consecutivamente, se le asigna un conjunto
de partes al operador C para que haga la quinta corrida como lo indica la tabla
4.6, La sexta corrida la ejecuta el operador B y as repetidamente hasta
completar las quince observaciones.
Hay otros mtodos para asignar aleatoriamente los tratamientos a las unidades
experimentales, el ms primitivo es el de la urna, el cual consiste en depositar papeles
con los nmeros de las unidades experimentales o corridas y sacar de uno por uno
para ir asignndolos a los tratamientos, hay urnas exprofeso con bolitas numeradas
para llevar a cabo este proceso. Otra forma es a travs de los paquetes estadsticos
que ya tienen rutinas para hacer la asignacin de cualquier diseo que vienen en los
mens, basta indicar el nmero de tratamientos y de replicaciones y el tipo de diseo
para obtener un plan Experimental.
4.2 Modelo Lineal.

El modelo representa cada una de las observaciones que se va a realizar
durante la ejecucin de un experimento, para un Diseo Bsico CA; es el modelo ms
simple donde, se suman los componentes debido a los tratamientos y del muestreo,
en este caso no existe un componente debido al Diseo Experimental, porque no
existe restriccin en el muestreo. Entonces cada observacin estar compuesta como
lo indica la siguiente ecuacin:

Donde: y ij , representa la j-sima observacin del tratamiento i-simo.

j , representa el componente del i-simo tratamiento, sujeto a
= 0.
ij , representa el error de la j-sima observacin del tratamiento i-simo.

t,
n,
es el nmero de tratamientos.
es el nmero de repeticiones de cada tratamiento.
Cuando los efectos de los tratamientos son iguales a cero o que no causan
diferencias los valores de , entonces la media de todos los tratamientos son igual a
, lo cual representa la hiptesis nula de igualdad de medias o que todos los valores
110
de son igual a cero. La hiptesis alternativa es que al menos un valor de sea

diferente de cero, es decir, que hay diferencia en los efectos de los tratamientos o que
por lo menos una media de tratamientos es diferente a las dems. Esto se estudiar
en una de las secciones subsecuentes.
Como se puede observar en el modelo estn presente los efectos de los
tratamientos y del muestreo, que son los valores de y , en este caso no est
presente el componente del diseo experimental, ya que el Completamente al Azar,
considera que unidades experimentales no tienen fuentes de variacin no deseadas.
Los supuestos sobre el modelo, son necesarios para analizar los datos y hacer las
conclusiones e inferencias o la verificacin de las hiptesis planteadas. Dichos
supuestos son que cada tratamiento tiene una distribucin normal con varianza
comn 2 y que las muestras son independientes y obtenidas en forma aleatoria,
tambin se puede resumir en la expresin; ij iid N(0, 2).
A esta expresin se le llama Modelo General Aditivo para Efectos Fijos, porque
en este caso incluye todos los tratamientos que puedan estar presentes durante la
experimentacin. Cuando no se pueden incluir todos los tratamientos en el
experimento, entonces se toma una muestra al azar de los tratamientos y al modelo
se llama de Efectos Aleatorios, bajo esta situacin las condiciones del modelo son
diferentes, el modelo queda igual, pero los supuestos son que ij iid N(0, 2) y j
iid.(0, 2 ). La hiptesis nula es que 2 = 0 , mientras que la alternativa es que
2 > 0 , el proceso de verificacin de hiptesis se realiza igual que el de Efectos Fijos

y las conclusiones sobre los tratamientos se generalizan, basados en los datos de las
muestras de los tratamientos. La hiptesis nula en este caso establece que el
componente de varianza, debido a los tratamientos, es igual a cero, mientras que la
alternativa establece que es mayor que cero. Ms adelante en este captulo se
retoma este tema de Efectos Aleatorios.
4.3 Anlisis de Varianza.
Supngase que se tienen t poblaciones y se quiere verificar la hiptesis de

igualdad de medias contra la alternativa, de que por lo menos una es diferente a las
dems con un Diseo CA: primeramente, se supone que todas las muestras
provienen de la misma poblacin, para tal caso es necesario retomar el supuesto de
que todas las poblaciones tienen varianzas iguales; bajo este supuesto y si la
hiptesis nula es cierta, la varianza comn puede estimarse de dos formas diferentes,
dado que se obtienen muestras independientes de cada poblacin en el diseo CA.
La primera estimacin se obtiene con un promedio ponderado de las varianzas
muestrales y en la segunda se utilizan las medias de las muestras para estimar la
varianza de medias muestrales, la cual es igual a la varianza comn dividida por el
tamao de la muestra. Este segundo mtodo de estimacin no es robusto mientras
111
que el primero si, es decir que si las medias de las poblaciones no son iguales, el
mtodo no robusto sobreestima la varianza, esto hace que la hiptesis de igualdad de
medias, se convierta en una de igualdad de varianzas; a continuacin se desarrolla
este mtodo llamado anlisis de varianza para un diseo CA.
Supngase que se tienen t poblaciones con medias desconocidas
i , i = 1,2,..., t y varianza comn 2 < ; donde; t muestras aleatorias de tamao n se
han sacado de cada poblacin, denotadas por Yi1, Yi2,, Yini , para i = 1, 2,,t, por
razones de simplicidad se asume que todas las n son iguales.
El clculo de los estimadores de la varianza est dado como sigue:
i) Estimador insesgado; Sp2
t
S p2 =
(n
1)Si2
i =1
N t
ni
donde: Si2 =
(y
j =1
ij
y i . )2
o
ni 1
2
ni
y ij
ni
j =1
2
y ij
ni
j =1
.
Si2 =
ni 1
t
N = n i o N = nt
i =1
ii) Estimador sesgado; Ss2

Ss2 = nS y2 ,
donde: S y2 =
(y
y .. =
i.
y .. )2
t 1
yi
=
t
y
tn
ij
Bajo el supuesto de que la hiptesis nula es cierta, las varianzas estimadas son
iguales, entonces el estadstico:
112
F=
Ss2
.
Sp2
Tiene una distribucin F con t 1 grados de libertad en el numerador y t (n 1)

grados de libertad en el denominador. En caso de que la hiptesis nula no sea cierta,
entonces F aumentar y se puede decidir rechazar la hiptesis nula, esto es si F
calculada es mayor que F( t 1, t ( n 1), ) , entonces rechazar Ho, de otra forma no rechazar.
La varianza del error es estimada con el estimador insesgado, tambin
conocido como Cuadrado Medio del Error (CME), mientras que el estimador sesgado,
tambin es conocido como varianza debido a los tratamientos, el cual se conoce
como Cuadrado medio de tratamientos o Cuadrado Medio debido a los Tratamientos
(CMT). En el modelo fcilmente se puede identificar que hay dos fuentes de variacin,
la del error y la de los tratamientos, la Tabla 4.8 muestra la descomposicin de la
varianza.
Aparentemente el clculo de los estimadores de varianza es difcil de la forma
en que stos han sido presentados para dar a conocer la lgica del mtodo; pero
existe un procedimiento rpido para calcularlos en forma tabular, la cual se presenta a
continuacin; en este caso se utiliza el caso general para muestras iguales y de
tamao diferente.
Tabla 4. 7 Tabla de Datos Muestrales.

Muestra de la Poblacin
K
1
2
K
y11
y21
K
y12
y22
K
M
M
K
y 1n1
y 2n2
y1.
y2.
ni
donde: y i . = y ij
j =1
y i . = y ij
j =1
t
yt1
yt2
M
y 1n1
yt.
t
y .. = y ij .
i =1 j =1
En este caso el cuadrado medio de tratamientos es el estimador de la varianza

cuando se utilizan las medias de las poblaciones y el CME es el estimador de la
varianza insesgada, equivalente al promedio ponderado de las varianzas, dado el
propsito del libro, no se demostrar algebraicamente esta equivalencia, los lectores
con buenas habilidades algebraicas pueden hacer el trabajo y demostrar lo anterior.
113
Tabla 4. 8 Anlisis de Varianza para un Diseo CA.

Fuentes de
Grados de
Suma de
Variacin
Libertad
Cuadrados
Tratamientos
t 1
SSTrt
Error
t(n-1)
SSE
Total
tn-1
SSTotal
Cuadrados
Medios
CMT
CME
F
CMT/CME
Donde: FC = y ..
tn
SSTotal = y ij2 FC,
SSTrt =
y i2. FC
n
SSE = SSTotal SSTrt
CMTrt =
SSTrt
CM E = SSE
Fc =
t 1
(nt 1)
CM T
.
CM E
Como se puede observar, despus de establecer las formulas, el Anova se

hace muy sistemtico para verificar las hiptesis de igualdad de medias, lo cual se
presenta en la siguiente seccin.
4.4 Estimacin de Parmetros y Prueba de Hiptesis.
A continuacin se estiman los parmetros del Modelo Lineal para el Diseo CA

La estimacin de los paramentos se hace utilizando el Mtodo de Mnimos
Cuadrados, el cual consiste en minimizar la suma de los cuadrados de los errores, es
decir:
114
Min.
ij2 = ( y ij i )2 .
i =1 j =1
i =1 j =1

desarrollar las frmulas que se muestran a continuacin, que son las derivadas
parciales de L con respecto a los parmetros y i.
t
n
L
= 2 ( y ij i ) = 0
i =1 j =1
t
n
L
= 2 ( y ij i ) = 0 , para i=1,t
i
i =1 j =1
Esto nos lleva a un sistema de ecuaciones lineales, conocidas como el sistema

normal de ecuaciones, la solucin de dicho sistema aunado con la restriccin de que:
= 0,
Da los siguientes estimadores de los parmetros:
= y .. =
1
nt
y ij =
i =1 j =1
1 t
y i.
nt i =1
i = y i . y ..
Entonces los estimadores de las medias de los tratamientos estn dadas por:
i = y i . =
1 n
y ij , para i=1,,t
n j =1
El estimador de 2 est dado por el CME, el cual se encuentra en la tabla de

Anova, cuya frmula para el caso en que todas las muestras sean de igual tamao,
est dado por:
CME =
1
nt
(y
i =1 j =1
ij
y i . )2 .
Ahora que ya se conocen los estimadores de los parmetros, entonces se

procede a la verificacin de hiptesis sobre las medias de los tratamientos, en el caso
de efectos fijos. Se debe de recordar que para el caso de efectos aleatorios la
hiptesis se plantea sobre el componente de varianza de los tratamientos. A
115
continuacin se presenta el procedimiento para verificar la hiptesis de igualdad de

dos o ms medias:
HIPTESIS:
Ho: 1 = 2 = K = t
Ha: Por lo menos una media difiere de las dems.
CMT
Fc =
~ F( t 1,t ( n 1))
CM E
Valor-p = P[F(t-1,t(n-1) >Fc]
SUPUESTOS:
1. Se tienen muestras independientes y aleatorias.
2. Las varianzas de todas las poblaciones son iguales.
3. Las poblaciones son aproximadamente normales.
REGIN DE RECHAZO:
F(t-1, t(n-1);)
Regin de Rechazo
Figura 4. 1 Regin de Rechazo para la Prueba de Igualdad de Medias.
Donde: F(t-1, t(n-1),) es obtenida de la tabla de tal forma que:

P[F >F(t-1,t(n-1);)] =
REGLA DE DECISIN:
Si el valor-p > entonces rechazar la hiptesis nula, de otra forma no rechazar.
116
Si Fc > F(t-1,
rechazar.
t(n-1),)
Ntese que en este caso no existen hiptesis direccionadas, por lo que el

procedimiento no presenta variaciones, por lo tanto es ms simple. Para ilustrar el
proceso, se resuelven dos problemas enseguida.
Ejemplo 4.3: Un ingeniero industrial encargado de implantar un sistema de incentivos,
sospecha que hay diferencia en la distribucin de tiempos necesarios para
llevar a cabo las operaciones bancarias por las diferentes personas que
atienden las cajas. Con el propsito de verificar tal sospecha tom tiempos de
cinco diferentes operaciones de cuatro dependientes, completamente al azar,
mismos que son expresados en minutos en la tabla 4.9. Los datos proveen
suficiente evidencia para soportar la sospecha del ingeniero? Use = 0.05.
Tabla 4. 9 Tiempos para Realizar Operaciones Bancarias.
Tiempos de los dependientes
A
B
C
D
4
7
6
12
5
4
11
4
2
6
6
5
4
5
5
8
6
6
10
5
Solucin:
HIPTESIS:
Ho: 1 = 2 = 3 = 4
CMT
Fc =
~ F( t 1,t ( n 1))
CM E
Valor-p = P[F(t-1,t(n-1) >Fc]
SUPUESTOS:
117
REGIN DE RECHAZO:
3.24
Regin de Rechazo
Figura 4. 2 Regin de Rechazo para los Tiempos de Operaciones

Bancarias de Cuatro Dependientes.
Donde: F(3, 16,.05) es obtenida de la tabla de tal forma que:

P[F >F(3,16,.05)] = .05
REGLA DE DECISIN:
Si Fc > F(3,16,.05) entonces rechazar la hiptesis nula, de otra forma no rechazar.
CLCULOS:
Las sumas de cuadrados requeridas para el anlisis se calculan como sigue:
t
SSTotal =
i =1 j =1
y ij2
y ..2
tn
SSTotal = 4 2 + 5 2 + 2 2 + ... + 8 2 + 5 2
1212
= 118 .95
20
y i2. y ..2
SST =
tn
i =1 n
t
212 + 28 2 + 38 2 + 34 2 1212
SST =
= 32.95
5
20
SSE = SSTotal SSTrt
SS E = 118.95 32.95 = 86
118
32.95
SSTrt
;
CMTrt =
= 10.98
4 1
t 1
SS E
;
CM E =
t ( n 1)
86
CM E =
= 5.37
4(5 1)
CM T
Fc =
CM E
10.98
Fc =
= 2.04
5.37
CMTrt =
Tabla 4. 10 Anlisis de Varianza para el

en un Diseo CA.
Fuentes de
Grados de Suma
de
Variacin
Libertad
Cuadrados
Tratamientos
32.95
3
Error
86
16
Total
118.95
19
Tiempo de Operaciones Bancarias

Cuadrados
Medios
10.98
5.37
Fc
2.04
DECISIN:
Fc < 3.24, entonces no rechazar Ho.
El valor-p > 0.05, entonces no rechazar Ho.
CONCLUSIN:
No existe suficiente evidencia para declarar alguna diferencia entre los tiempos
medios para realizar operaciones bancarias entre los cuatro dependientes, con
un nivel del 5%.
Ejemplo 4.4: Para comparar la efectividad de tres mtodos para llevar a cabo una
cierta operacin, se seleccion un grupo de 18 operadores de habilidad similar,
aleatoriamente se dividi en tres grupos de seis y se le asign uno de los tres
mtodos. Cada grupo fue entrenado por un perodo determinado y se
descalificaron aquellos operadores que no cumplieron con el nivel de
capacitacin requerido, los que calificaron fueron puestos a trabajar durante
media hora y el nmero de piezas ensambladas fue registrado, obtenindose
los resultados que se muestran a continuacin.
Existe suficiente evidencia para decir que hay diferencia entre la eficiencia
promedio de los mtodos para realizar la operacin? Use = 0.05.
119
Tabla 4. 11 Nmero de Piezas Ensambladas por los Diferentes Operadores

con Tres Mtodos Diferentes.
MTODOS
I
II
III
45
45
52
OBSERVACIONES
46 48 44 46
48 46 48
50 49 55 51
53
TOTAL
229
187
310
726
Solucin:
HIPTESIS:
Ho: 1 = 2 = 3
CMT
Fc =
~ F( t 1,t ( n 1))
CM E
Valor-p = P[F(t-1,t(n-1) > Fc]
SUPUESTOS:
REGIN DE RECHAZO:
3.89
Regin de Rechazo
Figura 4. 3 Regin de Rechazo para la Prueba de los Tres Mtodos de

Ensamble.
Donde: F(2, 12,.05) es obtenida de la tabla de tal forma que P[F >F(2,12,.05)] = .05.
120
REGLA DE DECISIN:
CLCULOS:
t
ni
SSTotal = y ij2
i =1 j =1
y ..2
ni
SSTotal = 45 2 + 46 2 + 48 2 + ... + 512 + 53 2

t
SSTrt =
i =1
726 2
= 147 .6
15
y i2.
y2
..
ni ni
229 2 187 2 310 2 726 2

SSTrt =
+
+
= 108.71
5
4
6
15
SSE = SSTotal SSTrt
SS E = 147.6 108.71 = 38.89
108.71
SSTrt
;
CMTrt =
= 54.35
CMTrt =
3 1
t 1
38.89
SSE
;
CM E =
= 3.24
CM E =
12
(ni 1)
CMTrt
CM E
54.35
Fc =
= 16.77
3.24
Fc =
Tabla 4. 12 Anlisis de Varianza para Piezas Ensambladas en un Diseo CA.
Fuentes de
Variacin
Tratamientos
Error
Total
Grados de Suma
de
Libertad
Cuadrados
108.71
2
38.89
12
147.6
14
Cuadrados
Medios
54.35
3.24
F
16.77
DECISIN:
Fc > 3.89, entonces rechazar Ho.
El valor-p < 0.05, entonces rechazar Ho.
CONCLUSIN:
Existe suficiente evidencia para declarar diferencia entre la eficiencia promedio
de los mtodos para realizar la operacin, con un nivel de significancia del 5%.
121
Ejemplo 4.5: Un Ingeniero de calidad que tiene a su cargo 25 mquinas de soldar por
termofusin para unir terminales a componentes electrnicos, sospecha que
existe variacin de la resistencia a la ruptura introducida por dichas mquinas.
Con el propsito de salir de dudas, se eligieron cuatro de stas para realizar un
experimento; posteriormente las mquinas se ajustaron para tener las mismas
condiciones de operacin de las cuales se obtuvieron cinco muestras
completamente al azar. Se midi la fuerza necesaria en libras para romper la
unin de la terminal y el componente. Los datos se muestran en la tabla 4.13.
Verifique la hiptesis, s existe variacin debido a las mquinas, con =0.05.
Tabla 4. 13 Fuerza Necesaria para Romper la Unin de la Terminal en Libras
por Pulgada Cuadrada.
A
68
70
72
69
71
MQUINAS
B
C
72
70
71
73
70
71
73
69
74
71
D
81
78
77
79
80
Solucin:
HIPTESIS:
Ho: 2 = 0
Ha: 2 > 0
Ntese que las hiptesis estn planteadas en trminos del componente

de varianza debido a los tratamientos, esto es porque se tom una
muestra aleatoria de las mquinas.
CMT
Fc =
~ F( t 1,t ( n 1))
CM E
Valor-p = P[F(t-1,t(n-1) > Fc]
SUPUESTOS:
4. Los efectos de los tratamientos son independientes, tienen distribucin
normal.
122
REGIN DE RECHAZO:
3.24
Regin de Rechazo
Figura 4. 4 Regin de Rechazo para las Maquinas Soldadoras.
Donde: F(3, 16,.05) es obtenida de la tabla de tal forma que P[F >F(3,16,.05)] = .05.
REGLA DE DECISIN:
CLCULOS:
ni
t
y2
SSTotal = y ij2 ..
tn
i =1 j =1
SSTotal = 68 2 + 70 2 + 72 2 + ... + 79 2 + 80 2
1459 2
= 292 .95
20
y i2. y ..2
=
tn
i =1 n
t
SSTrt
350 2 360 2 354 2 395 2 1459 2

+
+
+
= 254.15
5
5
5
5
20
SSE = SSTotal SSTrt
SSE = 292.95 254.15 = 38.8
254.15
SSTrt
;
CMTrt =
= 84.717
CMTrt =
4 1
t 1
SSE
38.8
;
CM E =
= 2.425
CME =
16
t (n 1)
SSTrt =
123
CMTrt
CME
84.717
Fc =
= 34.93
2.425
Fc =
Tabla 4. 14 Anlisis de Varianza para la Fuerza a la Ruptura en un Diseo CA.
Fuentes de
Variacin
Tratamientos
Error
Total
Grados de
Libertad
3
16
19
Suma de
Cuadrados
254.15
38.8
292.95
Cuadrados
Medios
84.717
2.425
F
34.93
DECISIN:
CONCLUSIN:
Existe suficiente evidencia para decir que las mquinas de soldar estn
introduciendo variacin en la resistencia a la ruptura de la soldadura con un
Es importante resaltar que en los problemas de efectos aleatorios, las hiptesis
se plantean en funcin del componente de varianza debido a los tratamientos,
obviamente las conclusiones se expresan en trminos de dicho componente, pero se
debe tener cuidado, ya que los tratamientos presentes en el proceso de
experimentacin slo son una muestra aleatoria del total de la poblacin de
tratamientos.
4.5 Verificacin de la Adecuacin del Modelo.
Una vez que se ha llevado a cabo la verificacin de las hiptesis, es necesario

verificar la aptitud o adecuacin del modelo, de la misma forma que se ha realizado
en los captulos de regresin, la verificacin de aptitud consiste en revisar que se
cumplan los supuestos bsicos de independencia de las muestras, normalidad y
varianza constante, es decir, ij iid N(0, 2), lo anterior es en el caso de un modelo
de efectos fijos, mientras que en el caso de efectos aleatorios en adicin a los
anteriores sera necesario verificar los supuestos de que los efectos de los
tratamientos son independientes y que tienen una distribucin normal, lo cual en la
prctica es difcil, ya que el tamao de muestra de los tratamientos generalmente es
muy pequeo, en caso de que se tenga un tamao de muestra suficientemente
grande para verificar los supuestos, se pueden utilizar las mismas tcnicas segn sea
el caso. En la evaluacin de la adecuacin del modelo, los residuales juegan un papel
124
muy importante, ya que se hacen varias grficas para validar los supuestos o se
verifican las hiptesis sobre los mismos.
La estimacin de los residuales i, estn dados por eij = y ij y ij , por lo que es
necesario, una vez que se ha estimado los parmetros del modelo, estimar los
residuales y hacer un anlisis grfico de los mismos. Generalmente se buscan
discrepancias sobre la independencia, la varianza comn, la normalidad y puntos
fuera de lugar. Para despejar estas dudas sobre el modelo, existen pruebas
estadsticas, las cuales se estudiarn en cada caso. La frmula de los residuales en el
caso del Diseo CA, es como sigue:
eij = y ij y ij y
y ij = y i . , para i=1,,t
Por lo tanto;
eij = y ij y i . .
Primeramente se verifica la independencia de las observaciones o de los
residuales, pero como esto es difcil de verificar, principalmente se busca algn patrn
de comportamiento o de autocorrelacin entre los residuales. Esto se hace en forma
visual por medio de un diagrama de dispersin de los residuales y el orden en que se
obtuvieron los datos, tambin conocido como grfico de tendencia. Si se encuentra
algn tipo de comportamiento cclico o de tendencia, entonces se puede concluir que
los datos no son independientes.
A continuacin, en la figura 4.5 se muestran las grficas de residuales en el
orden en que se obtuvieron, los datos son los residuales de un experimento con tres
tratamientos y diez repeticiones cada uno, ntese que esta grfica est relacionada
directamente con el plan experimental, es decir el orden del eje de las X es el plan
Experimental, y Y el valor de los residuales, es importante conectar los puntos con
una lnea para no perder el orden en que fueron obtenidos.
Es obvio que la habilidad del investigador es muy importante para encontrar
patrones de comportamiento en el diagrama de Dispersin o de Tendencia de los
residuales, los patrones ms comunes son cclicos o de tendencia lineal o cuadrtica
con respecto al orden, los cuales hasta cierto punto son fciles de visualizar. Existe
una prueba cuya hiptesis nula es que los datos son aleatorios, sta podra ser una
prueba de hiptesis a utilizar, aunque no se encuentra mucha diferencia con el
anlisis visual de la informacin, se recomienda cuando exista alguna duda sobre la
independencia, despus de haber realizado el anlisis visual de los residuales. Esta
es la prueba de rachas y se puede encontrar en los libros de estadstica bsica o
estadstica inferencial, generalmente bajo pruebas no paramntricas.
125
4
3
2
RESIDUALES
1
0
1
11
13
15
17
19
21
23
25
27
29
-1
-2
-3
-4
-5
ORDEN
Figura 4. 5 Grfica de Tendencia de Residual sin Patrn de Comportamiento.
Varianza constante es el otro supuesto que es necesario verificar para la

adecuacin o validez del modelo, esto se analiza visualmente en una grafica de
residuales contra los valores ajustados o con diagramas de Box de los residuales para
cada tratamiento, ntese que los datos ajustados son bsicamente las estimaciones
de las medias de los tratamientos, esto se cumple en el caso del Diseo CA, no
siempre se cumple.
La figura 4.6 muestra los residuales contra los tratamientos o valores ajustados
y por medio del anlisis visual se puede decir que el rango del tratamiento 1 es menor
que el de los tratamientos 2 y 3, los cuales son muy similares, entonces para tener
mayor seguridad sobre la homogeneidad de la varianza se recomienda hacer la
prueba de hiptesis de que todas las varianzas son iguales, hay dos mtodos ms
comnmente usados el de Hartley (1950) y el de Bartlett. Las hiptesis a verificar son
las siguientes:
Ho: 12 = 22 = L = t2
Ha: Por lo menos una varianza difiere de las dems.
Este procedimiento es recomendable para t3. A continuacin se explica

el procedimiento para verificar la hiptesis de igualdad de varianza.
126
4
3
2
RESIDUALES
1
0
-1
-2
-3
-4
-5
TRATAMIENTOS
Figura 4. 6 Grfica de Residuales contra Tratamientos o Valores Ajustados.
{ }
{ }
2
~ max Si
~ F1, 2
Fc =
min Si2
~
Valor-p = P( F 1, 2 > Fc )
SUPUESTOS:
1. Muestras aleatorias e independientes.
2. La distribucin de las poblaciones muestreadas es aproximadamente
normal.
REGLA DE DECISIN:
~
S Fc > F( 1, 2 , ) entonces rechazar Ho, de otra manera no rechazar Ho.
127
REGIN DE RECHAZO:
Regin de No Rechazo
F1, 2 ;1
Regin de No Rechazo
Regin de Rechazo
F1, 2 ;
Figura 4. 7 rea de Rechazo para la Prueba de Hiptesis de Igualdad
de Varianzas.
Donde: F( 1, 2 , ) es obtenida de tal forma que P [F > F( 1, 2 ,
) ]
= .
Ejemplo 4.6: Para Ilustrar el procedimiento de Hartley, tomamos los datos de la figura
4.6, donde los tamaos de muestra son iguales a diez y las varianzas de los
tratamientos son: s12 = 1.9, s22 = 4.13 y s32 = 3.36 .
Solucin: se presenta el procedimiento en el orden apropiado, como sigue.
HIPTESIS:
Ho: 12 = 22 = 32
{ }
{ }
2
~ max Si
~ F9, 9
Fc =
min Si2
~
Valor-p = P( F9, 9 > Fc )
128
SUPUESTOS:
normal.
REGIN DE RECHAZO:
Regin de No Rechazo
Regin de Rechazo
F9, 9;0.05 = 3.18

Figura 4. 8 rea de Rechazo para la Prueba de Hiptesis de Igualdad
de Varianzas.
Donde: F9, 9 ;0.05 = 3.18 , es obtenida de tal forma que P [F > F( 9, 9, 0.05 ) ] = 0.05 .
REGLA DE DECISIN:
~
S Fc >3.18 entonces rechazar Ho, de otra manera no rechazar Ho.
CLCULOS:
{ }
{ }
2
4.13
~ max Si
=
= 2.17
Fc =
2
1.9
min Si
DECISIN:
~
Dado que Fc < F( 1, 2 , ) entonces no se rechaza Ho,
129
CONCLUSIN:
Los datos no proveen suficiente evidencia para decir que por lo menos una
varianza de los tratamientos difiere de las dems, con un nivel de significancia
del 5%.
Es importante hacer notar que si el anlisis de las grficas nos indica que las
varianzas son similares, entonces no es necesario hacer la verificacin de la hiptesis
de igualdad de varianzas, esto se hace cuando existe duda de que las varianzas son
iguales. A continuacin se describe el procedimiento de Bartlett, para verificar dicha
hiptesis, el cual consiste en calcular un estadstico de prueba que tiene una
distribucin aproximada a la Chi-cuadrada con t-1 grados de libertad, bajo los
supuestos de normalidad. El estadstico de prueba est dado por:
c2 = 2.3026
q
,
c
donde:
t
q = (N t ) log10 S p2 (ni 1) log10 Si2

i =1
c = 1+
1 t
1
1

3(t 1) i =1 ni 1 N t
S p2 =
(n
i =1
1)Si2
N t
ni
Si2 =
y i.
ni
ni 1
y ij2
j =1
= CME
N = n i o N = nt
i =1
Este procedimiento parece ser un poco ms laborioso que el de Hartley, pero

es ms comn en los paquetes de estadstica, como es el minitab y otros. El
procedimiento es similar excepto que cambia el estadstico de prueba por una Chicuadrada. Es importante resaltar que este mtodo es muy sensible cuando no se
tiene normalidad en las poblaciones que se estn muestreando, por tal motivo es
necesario verificar normalidad antes de aplicar la prueba de Bartlett.
130
La Normalidad de las poblaciones de donde provienen las muestras es

importante, en este caso se puede verificar con la normalidad de los residuales, la
forma grfica ms sencilla es a travs de un histograma, el cual debe de mostrar una
forma amontonada, similar a la normal o con forma de campana, hay que recordar
que los datos con los que se cuentan en un diseo de experimentos no son muchos,
as es que no se debe ser muy estricto al analizar visualmente los histogramas. La
figura 4.9 muestra un histograma de 30 residuales que provienen de una distribucin
normal.
9
8
7
FRECUENCIA
6
5
4
3
2
1
0
RESIDUALES
Figura 4. 9 Histograma de Residuales Generados por una Distribucion Normal.
La figura 4.10 muestra el histograma de los residuales del problema resuelto en

el ejemplo 4.5 y como se puede observar no est muy lejano a que se parezca a una
distribucin normal, ya que el nmero total de observaciones es igual a 20, por lo
tanto si tienen forma de montn y es simtrica, lo ms probable es que ajuste la
distribucin normal. Solamente cuando la forma del histograma est muy lejos de
parecerse a una distribucin normal, se hace la prueba de hiptesis sobre normalidad.
Otra forma de anlisis visual es la de graficar los Percentiles con respecto a los
residuales, la frmula de los percentiles est dada por:
k .5
Pk = 100
,
N
donde: k es el rango o lugar del residual cuando estn ordenados

ascendentemente.
131
Los percentiles generalmente se redondean para obtener el nmero entero

ms cercano al resultado de la frmula anterior.
Tabla 4. 15 Tabla de Residuales Ordenados y Percentiles.
Rangos
Residuales
Res. Estndar Percentiles
Probabilidad
%
Normal
Acum. %
eij = y ij y i .
eij CME
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
-3.80341
-3.57059
-2.52042
-2.12768
-1.60331
-1.45434
-1.30756
-1.15043
-1.11282
-1.07666
-0.99095
-0.93726
-0.60741
-0.06242
-0.05017
0.047218
0.386458
0.537399
0.549775
1.006632
1.238547
1.297989
1.432309
1.569241
1.79936
1.81545
1.859612
2.050857
2.821547
3.096843
-2.45382
-2.30361
-1.62608
-1.37269
-1.03439
-0.93828
-0.84359
-0.74221
-0.71795
-0.69462
-0.63932
-0.60468
-0.39188
-0.04027
-0.03237
0.030463
0.249328
0.346709
0.354693
0.64944
0.799063
0.837412
0.92407
1.012413
1.160878
1.171258
1.19975
1.323134
1.820353
1.997963
2
5
8
12
15
18
22
25
28
32
35
38
42
45
48
52
55
58
62
65
68
72
75
78
82
85
88
92
95
98
2
2
8
11
18
21
23
26
26
27
29
30
37
49
49
51
59
62
62
72
76
77
79
81
85
85
85
88
94
96
La tabla 4.15 muestra los residuales del histograma del ejemplo 4.5, as como
los residuales estandarizados, los percentiles correspondientes y la probabilidad
normal acumulada, transformada a percentiles, mismos que estn graficados en la
figura 4.11. Los residuos estandarizados se obtienen de dividir los residuales por la
raz cuadrada del CME. Ntese que en stos los clculos y las grficas se pueden
hacer en Excel.
132
FRECUENCIA
0
RESIDUALES
PROBABILIDAD ACUMULADA
Figura 4. 10 Histograma de Residuales del Ejemplo 4.5.
-3
-2.5
-2
-1.5
-1
-0.5
0.5
1.5
2.5
ERROR ESTANDAR
Figura 4. 11 Grfica de Probabilidad Acumulada de los Residuales y de la

Distribucin Normal.
La grfica de probabilidades acumuladas de los residuales de la distribucin

normal parece una S muy estilizada, si se analiza la figura 4.11 sta no est lejos de
parecer una S estilizada, si se graficara en una escala logartmica en Y, sta
parecera una lnea recta, donde hay una desviacin con respecto a la S cerca del -1
de los residuales, pero dado que esta es una muestra de 30 observaciones, se puede
concluir que los residuales se distribuyen en forma normal.
133
Ejemplo 4.6: Usar el Ejemplo 4.3 que dice que un Ingeniero industrial encargado de
implantar un sistema de incentivos, sospecha que hay diferencia en la
distribucin de tiempos necesarios para llevar a cabo las operaciones
bancarias por las diferentes personas que atienden las cajas. Con el propsito
de verificar tal sospecha tom tiempos de cinco diferentes operaciones,
completamente al azar, de cuatro dependientes, mismos que son expresados
en minutos en la tabla 4.16 Verificar la validez del modelo.
Solucin: En este ejemplo no se cuenta con el plan experimental, por lo que no es
posible hacer la grfica de tendencia con respecto al orden de obtencin de
datos para verificar la independencia de los mismos, por lo tanto se procede a
hacer la grfica de residuales y valores ajustados, para verificar la varianza
constante, primeramente se calculan los residuales como se muestran en la
tabla 4.16.
6
5
4
RESIDUALES
3
2
1
0
-1
-2
-3
-4
VALORES AJUSTADOS
Figura 4. 12 Residuales versus Valores Ajustados o Medias de Tratamientos.
134
Tabla 4. 16 Residuales para Tiempos de Operacin.

Tratamientos
Tiempos
Residuales
Medias de
y ij
eij = y ij y i .
Trat. y i .
A
A
A
A
A
B
B
B
B
B
C
C
C
C
C
D
D
D
D
D
4
5
2
4
6
7
4
6
5
6
6
11
6
5
10
12
4
5
8
5
4.2
4.2
4.2
4.2
4.2
5.6
5.6
5.6
5.6
5.6
7.6
7.6
7.6
7.6
7.6
6.8
6.8
6.8
6.8
6.8
-0.2
0.8
-2.2
-0.2
1.8
1.4
-1.6
0.4
-0.6
0.4
-1.6
3.4
-1.6
-2.6
2.4
5.2
-2.8
-1.8
1.2
-1.8
Res.
Estndar
eij CME
-0.086
0.345
-0.950
-0.086
0.777
0.604
-0.691
0.173
-0.259
0.173
-0.691
1.467
-0.691
-1.122
1.036
2.244
-1.208
-0.777
0.518
-0.777
8
7
FRECUENCIA
6
5
4
3
2
1
0
RESIDUALES
Figura 4. 13 Histograma para los Residuales de los Tiempos de Operacin.
135
Tabla 4. 17 Residuales Ordenados y Percentiles Observados y Normales.

Rango
Residuales
Res. Estndar
Percentiles
Probabilidad
%
Normal
eij = y ij y i .
eij CME
Acum. %
1
-2.8
-1.20846
3
11
2
-2.6
-1.12214
8
13
3
-2.2
-0.9495
13
17
4
-1.8
-0.77687
18
22
5
-1.8
-0.77687
23
22
6
-1.6
-0.69055
28
24
7
-1.6
-0.69055
33
24
8
-1.6
-0.69055
38
24
9
-0.6
-0.25896
43
40
10
-0.2
-0.08632
48
47
11
-0.2
-0.08632
53
47
12
0.4
0.172637
58
57
13
0.4
0.172637
63
57
14
0.8
0.345274
68
64
15
1.2
0.517911
73
70
16
1.4
0.60423
78
73
17
1.8
0.776867
83
78
18
2.4
1.035822
88
85
19
3.4
1.467415
93
93
20
5.2
2.244281
98
99
La figura 4.12 muestra que la varianza del tratamiento D con media de 6.8,
aparenta tener una varianza mayor que las de los otros tratamientos, por lo que
se recomienda llevar a cabo una de las pruebas de igualdad de varianzas, en
este caso se ejecutar la prueba de Hartley. La figura 4.13 muestra el
histograma en el cual se puede observar que los datos estn cargados en la
segunda barra, lo mismo se puede observar en la tabla 4.17 de residuales, hay
6 datos de 20 entre -2 y -1.5, de igual forma se puede observar lo mismo en la
figura 4.14 que para los valores de Z entre -1 y -0.5 se encuentran 6 datos y
con mayor desviacin con respecto a la distribucin acumulativa.
Aunque existen dudas sobre la normalidad de los datos, la muestra es
demasiado pequea, para tomar una decisin y decir que los datos no
provienen de una distribucin normal, se recomienda usar una prueba de
normalidad en este caso. Generalmente, los puntos fuera de lugar son los que
ocasionan la no normalidad, pero en este caso no existen dichos puntos, esto
se verifica con los residuales estandarizados, si existen valores fuera del
intervalo de -3 y 3, entonces se puede hablar de puntos inusitados o fuera de
lugar.
136
PROBABILIDAD ACUMULADA %
-1.5
-1
-0.5
0.5
1.5
2.5
RESIDUALES ESTANDARIZADOS
Figura 4. 14 Grfica de Probabilidad Acumulada de los Residuales y de la

Distribucin Normal.
Ahora, se procede a verificar el supuesto de igualdad de varianzas.

HIPTESIS:
Ho: 12 = 22 = 32 = 42
{ }
{ }
2
~ max Si
~ F4, 4
Fc =
min Si2
~
Valor-p = P( F4, 4 > Fc )
SUPUESTOS:
normal.
REGLA DE DECISIN:
~
S Fc >6.39, entonces rechazar Ho, de otra manera no rechazar Ho.
137
REGIN DE RECHAZO:
Regin de No Rechazo
Regin de Rechazo
F4, 4;0.05 = 6.39

Figura 4. 15 rea de Rechazo para la Prueba de Hiptesis de
Igualdad de Varianzas.
Donde: F( 4, 4 ; 0.05 ) = 6.39 , es obtenida de tal forma que P [F > F( 4, 4, 0.05 ) ] = 0.05 .
CLCULOS:
Tabla 4. 18 Clculo de la Desviacin Estndar.
REP.
12
11
10
4.2
5.6
7.6
6.8
Media
Varianza
2.2
1.3
7.3
10.7
{ }
{ }
~ max Si2 10.7

=
= 8.23
Fc =
1.3
min Si2
138
DECISIN:
~
Dado que Fc < F( 1, 2 , ) entonces no se rechaza Ho,
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que por lo menos una
varianza de los tratamientos difiere de las dems, con un nivel de significancia
del 5%.
Independientemente de la duda sobre normalidad, se ha verificado que existe
por lo menos un par de varianzas de los tratamientos que difieren entre s, entonces
se recomienda hacer una transformacin para corregir la desigualdad de stas, una
transformacin en este caso es dividir en tres la media de los tratamientos.
Examinando la grfica 4.12 parece que puede haber una correlacin entre las
varianzas y la dimensin de la media de la muestra. De cualquier forma existen
algunas otras transformaciones que pueden ayudar a eliminar la falta de varianza
constante o de normalidad. Estos puntos se vern gradualmente en los siguientes
captulos.
139
4.1 Un investigador llevo a cabo un diseo de CA y obtuvo los datos que se muestran
a continuacin:
A
21
19
25
18
22
Tratamientos
B
C
20
24
20
19
22
20
20
21
19
20
D
20
20
20
20
19
a. Los datos proveen suficiente evidencia para decir que los tratamientos tienen
medias diferentes?
b. Cules son los supuestos para realizar la prueba de hiptesis del inciso a?
c. Realice un plan para llevar a cabo este experimento.
d. Estime ICS para la media de los tratamientos.
4.2 En un proceso qumico se considera que la temperatura en cual se lleva a cabo
es importante para el rendimiento, el ingeniero encargado del proceso se dio a la
tarea de planear un experimento completamente al azar, donde selecciono tres
temperaturas diferentes, para la cual realizo cinco corridas experimentales para
cada una, la tabla que se muestra a continuacin contiene la informacin del
proceso en el orden en que fueron obtenidos los datos.
Temperatura
140
160
160
150
140
160
140
150
150
140
160
150
150
160
140
Rendimiento
91
90
88
91
89
92
87
95
96
92
91
99
95
92
92
a. Verificar si la temperatura afecta el rendimiento del proceso qumico, con un

140
b. Establezca el modelo lineal para este estudio.

c. Verificar la adecuacin del modelo.
4.3 El ingeniero de calidad de una empresa que esta moldeando partes de plstico
sospecha que existe diferencia en la resistencia a la ruptura que producen las
cuatro mquinas de inyeccin que tienen trabajando para cumplir con la
demanda, para poder verificar la su sospecha, el ingeniero tomo cuatro muestras
aleatorias de cada una de las mquinas y les midi la resistencia a la ruptura en
kilogramos, los datos se muestran en la siguiente tabla.
94
95
92
94
MQUINAS
B
C
87
82
84
81
86
83
92
85
92
94
95
98
a. Verificar la hiptesis sobre la igualdad de medias de resistencia a la ruptura

de las mquinas, con un nivel de significancia del 1%.
c. Verificar la adecuacin del modelo.
4.4 Un ingeniero de mtodos esta preocupado por la habilidad de cinco operadores
que realizan la misma operacin, a el le gustara que todos tuvieran la misma
habilidad con el fin de balancear las lneas de produccin, para esto llevo a cabo
un entrenamiento y posteriormente les tomo tiempos para que realizaran la
operacin diez veces cada uno, este experimento lo realizo en un diseo
completamente al azar y los datos se muestran a continuacin.
1
77
76
79
71
81
78
72
78
75
76
OPERADORES
2
3
80
71
76
74
75
77
78
73
79
73
73
83
68
76
73
70
76
75
68
78
5
69
71
70
69
71
76
71
73
68
70
68
75
70
67
67
69
70
72
71
66
141
a. Verificar si los operadores realizan las operaciones con el mismo tiempo en

promedio, con un nivel de significancia del 5%.
c. Realice un plan experimental.
d. Verifique la adecuacin del modelo.
4.5 Una maquina soldadora de tecnologa de montaje de superficie, utilizada para fijar
componentes electrnicos a tarjetas, puede ser trabajada a diferentes
velocidades, el ingeniero de calidad quiere encontrar la velocidad a la que
produce menos defectos, para esto planea un experimento completamente al
azar, donde hace varias corridas experimentales de mil tarjetas cada una y
totaliza el nmero de defectos que encuentra al realizar una inspeccin del 100%.
La siguiente tabla muestra los datos que se obtuvieron. Los datos proveen
suficiente evidencia para declarar que la velocidad de la mquina produce medias
diferentes de defectos? Cul de los supuestos es ms probable que no se
cumpla?
VELOCIDAD DE LA MQUINA
Baja
Media
Alta
13
5
13
14
14
10
9
7
16
8
9
19
11
7
4.6 Un maestro tiene la opcin de poner uno de tres exmenes y desea saber si
estos tienen el mismo grado de dificultad, por lo que selecciono quince de sus
mejores estudiantes y aleatoriamente los dividi en tres grupos de cinco y les
asigno uno de los tres exmenes, a todos se les dio el mismo tiempo para
resolver el examen y se les calific. Los datos se encuentran en la siguiente tabla.
A
86
87
83
87
85
EXAMEN
B
84
82
87
85
86
C
92
88
90
90
89
a. Los datos proveen suficiente evidencia para decir que los exmenes
tienen diferente grado de dificultad?
142

4.7 Un nutri logo esta estudiando la efectividad de cuatro dietas para bajar el
colesterol, por lo que selecciona veinte personas que sufren de colesterol alto y
les asigna una de las cuatro dietas aleatoriamente de tal forma que cada dieta fue
asignada a cinco pacientes. Despus de un mes de llevar la dieta asignada, se
les midi la reduccin del colesterol en la sangre y los datos se encuentran en la
siguiente tabla.
DIETA
A
20.0
17.4
19.1
16.6
17.5
B
17.6
17.5
17.6
19.1
18.7
C
18.8
19.6
19.9
19.2
20.3
D
20.4
20.2
19.3
19.7
19.9
a. Los datos proveen suficiente evidencia para decir que las dietas no son
igualmente efectivas?
c. Realice un plan para llevar a cabo el experimento.
143
144
5. ANLISIS DE TRATAMIENTOS.
El Anlisis de Varianza para el diseo CA, verifica la hiptesis nula sobre la
igualdad de dos o ms medias de tratamientos, contra la alternativa sobre la
diferencia de una o ms medias con respecto a las dems, una vez que esta hiptesis
es rechazada, la siguiente etapa despus de que se concluye que existe evidencia
para declarar alguna diferencia, es hacer el anlisis de tratamientos, tambin
conocido como separacin de medias, estos procedimientos sirven para encontrar los
grupos de medias similares o encontrar las diferencias dependiendo del objetivo del
experimentador y de la estructura de los tratamientos, aunque en este capitulo
nicamente se estudiarn los mtodos para tratamientos no estructurados.
Los mtodos para separar medias dependen de la magnitud de los errores tipo
I y II, ya que el deseo del investigador es generalmente minimizar ambos errores, lo
cual es difcil de controlar dado que conforme uno disminuye el otro aumenta, es decir
son inversamente proporcionales. Generalmente se establece el valor del error tipo I y
el otro se controla o se disminuye aumentando el tamao de la muestra, lo cual no
siempre es posible. Esto es vlido para el anlisis de varianza, pero no para los
procedimientos de anlisis de tratamientos, mismos que tratan de controlar uno de los
errores relacionados con el error tipo I, pero de diferentes formas, esto se estudiar a
continuacin as como el mtodo de Diferencia Mnima Significativa; los mtodos de
Tukey, Student-Newman-Keuls, Rango Mltiple de Duncan, Dunnett e Intervalos de
Confianza Simultneos.
5.1 Clases de Errores en Anlisis de Tratamientos.

En el contexto del anlisis de varianza el valor del error tipo I, ya era
controlado, en el caso de los procedimientos de separacin de medias, el valor de
es para cada comparacin de un par de medias, y el nmero de comparaciones
incrementa exponencialmente con el nmero de tratamientos, el cual es igual al
nmero de combinaciones tomando dos a la vez, esto hace que el valor del error tipo I
para el experimento completo aumente, dependiendo del nmero de comparaciones
que se hagan, es por eso que han surgido una serie de clases de errores tipo I y con
stos, diferentes procedimientos para separacin de medias.
Entre las clases de error tipo I ms comunes, se tienen por comparacin, del
experimento, de familia, por experimento y rango. Los dos primeros se refieren a la
clase de error por comparacin y el otro dentro de un experimento, la clase de error
por familia, se refiere a una familia especifica de comparaciones preestablecidas, la
clase de error por rango se usa para separar una coleccin de p medias significativas,
este termino ser posteriormente discutido ms ampliamente. Estas clases de errores
son discutidos por Miller (1981) de acuerdo con Lerntner y Bishop (1986).
Considere que existe un nmero muy grande de repeticiones de un
experimento bajo ciertas condiciones dadas, por lo tanto existe un nmero de
comparaciones verificadas por un procedimiento de separacin de medias. En todas

las repeticiones, existe un nmero de comparaciones que fueron juzgadas
incorrectamente significativas, entonces, la fraccin de comparaciones juzgadas
incorrectamente significativas, es la clase de error tipo I por comparacin y est dado
por:
NCJI
C =
.
NTC
Donde: NCJI, es el nmero de comparaciones incorrectamente juzgadas
significativas en todas las repeticiones del experimento.
NTC, es el nmero total de comparaciones en todas las repeticiones
del experimento.
Ntese que el error tipo I por comparacin no se puede determinar
exactamente para todos los procedimientos de separacin de medias. Por otro lado
existe el error por comparacin para un slo experimento, el cual es conocido como
error tipo I del experimento, mismo que se determina dentro de un slo experimento y
definido como:
W =
NCJIE
NTCE
Donde: NCJIE, es el nmero de comparaciones incorrectamente juzgadas

significativas dentro de un slo experimento.
NTCE, es el nmero total de comparaciones dentro de un slo
experimento.
En la mayora de los anlisis postanova, W no puede establecerse, realmente
no se conoce y su resultado es una variable aleatoria para cada experimento, el valor
esperado de esta variable es conocido como la clase de error tipo I por experimento y
denotado por PE , es decir:
PE = E [ W ] , para todas las repeticiones del experimento.

Es importante mencionar que las repeticiones deben de desarrollarse bajo las
mismas condiciones experimentales.
Ahora tambin introducimos la clase de error compuesto para entender el error
de Rango. Supngase que se pueden hacer p-1 pruebas de comparaciones
independientes dentro de un conjunto de p medias, si cada comparacin se hace
usando , entonces la probabilidad de hacer una o ms decisiones incorrectas entre
estas p comparaciones es:
p = 1 (1 ) p 1 ,
146
El cual es llamado error tipo I compuesto o nivel de significancia para p medias,

es un error para p-1 pruebas independientes. Es importante mencionar que el error
compuesto, aumenta conforme aumenta el nmero de comparaciones
independientes, como se muestra en la siguiente tabla, suponiendo que = 0.05.
Tabla 5. 1 Error Tipo I Compuesto para Diferentes Rangos.
Rango
p
(1 0.05) p 1
p
2
0.950000
0.050000
3
0.902500
0.097500
4
0.857375
0.142625
5
0.814506
0.185494
10
0.630249
0.369751
15
0.487675
0.512325
20
0.377354
0.622646
30
0.225936
0.774064
En la tabla 5.1 se puede observar que para un conjunto de 5 medias, hay
cuatro comparaciones independientes con un error compuesto de 0.18, para un
conjunto de 30 medias y 29 comparaciones de pruebas independientes, el error
compuesto es de 0.77. Se puede observar que conforme aumenta el nmero de
comparaciones independientes, el error tipo I compuesto aumenta dramticamente.
Otra clase de error tipo I es el llamado del experimento y es fcil de determinar
para muchos procedimientos de separacin de medias, el cual est dado por:
E =
NECJI
NTE
Donde: NCJI, es el nmero de experimentos en los cuales las comparaciones

fueron incorrectamente juzgadas significativas.
NTE, es el nmero total de experimentos.
Ntese que un experimento es contado nicamente una sola vez, cuando una
o ms comparaciones se encontraron incorrectamente juzgadas, de esa forma se
obtiene el numerador de la proporcin y el nmero total de experimentos son las
repeticiones bajo las mismas condiciones experimentales.
Algunos procedimientos de separacin de medias son de comparacin mltiple
que no son independientes o de rango mltiple, en este caso el nivel de significancia
para p medias o error tipo I compuesto constituye un lmite superior del error. Para
hacer comparaciones de ciertos subconjuntos de las p-medias, el error compuesto de
tipo I es llamado nivel de significancia de las p medias; el subconjunto es de tamao k
ANLISIS DE TRATAMIENTOS /JAIME SNCHEZ LEAL, Ph. D.
147
para k p , cuando se consideran los subconjuntos para hacer las comparaciones,

entonces se dice que el mtodo es de comparaciones de rango mltiple.
Cuando un procedimiento de rango mltiple es aplicado a las k medias, la
totalidad de k (k 1) / 2 comparaciones son divididas en k-1 subconjuntos de pares de
medias, de acuerdo a la posicin que stas ocupan cuando estn ordenadas, todas
las medias adyacentes se ponen en un subconjunto de orden 2, todos los pares de
medias separadas por una media se colocan en un subconjunto de orden 3, en
general todas los pares de medias que estn entre p-1 medias se colocan en el
subconjunto de orden p, para p=2,3,,k. En un procedimiento de rango mltiple, la
coleccin de p , para todos los subconjuntos de orden p, forman la clase de error de
rango. Este concepto ser discutido en los procedimientos de separacin de rango
mltiple. A continuacin se desarrolla un ejemplo para describir los subconjuntos de
todos los rdenes.
Ejemplo 5.1: Supngase que un experimento fue ejecutado para comparar 5
tratamientos denotados por las letras A, B, C, D y E. Los tratamientos
ordenados de acuerdo a la magnitud de sus medias, quedan como sigue:
D>C>A>E>B. Determinar todos los subconjuntos de diferente orden.
Solucin: Existen un total de 5(4)/2=10 comparaciones divididas en 4 subconjuntos
como se muestra en la Tabla 5.2.
Tabla 5. 2 Subconjuntos de Orden p.
Orden p Comparaciones
2
DC, CA, AE, EB
3
DA, CE, EB
4
DE, CB
5
DB
Como se puede ver hay clases de errores de rango 2 , 3 , 4 y 5 , y estos
son los que se controlan en cada etapa es decir se busca que p . Hasta este
punto se han conceptualizado varios clases de errores tipo I, en las siguientes
secciones se describirn los mtodos de separacin de medias y se establece cual
clase de error esta utilizando con el propsito de comprender mejor.
5.2 Mtodo de Diferencia Mnima Significativa.

Este mtodo est basado en la prueba de t de student para verificar la
hiptesis nula sobre la igualdad de dos medias contra la alternativa de que las dos
medias son diferentes, mismo que es aplicado a todas las comparaciones, para t
148
tratamientos se tienen t(t-1)/2 pares de medias para comparar. Las hiptesis quedan
como sigue:
Ho: i = h parai h
Ha: i h parai h
El estadstico de prueba para llevar a cabo dicha prueba est dado por
tc =
( y i . y h. ) ( i h )
,
2CM E n
La diferencia de medias poblacionales, de acuerdo a la hiptesis nula se

establece igual a cero, CME es el cuadrado medio del error de la tabla de Anova,
mientras que n, es el nmero de replicaciones por tratamiento. El valor critico de t,
para el cual se decide que existe una diferencia significativa, est dado por la tabla de
t de student, con los grados de libertad del error, denotado por t ( gle, / 2 ) , al sustituir
este valor de t y la diferencia de las medias como la Diferencia Mnima Significativa
(DMS), se encontrar el valor mnimo de la diferencia de cualquier par de medias, a
partir del cual se decide que son diferentes. Esto queda como sigue:
t ( gle, / 2 ) =
(DMS ) (0)
,
2CM E n
Al despejar la DMS,
DMS = t ( gle, / 2 ) 2CM E n
DMS = t ( gle, / 2 )Sd ,

Donde: Sd = 2CM E n , es el error estndar de diferencia de medias.
Entonces, no es necesario hacer todo el procedimiento para verificar las
hiptesis de cada posible comparacin de medias, nicamente se compara la
diferencia absoluta de las medias muestrales con el valor de DMS para tomar
decisiones. Este procedimiento tambin es conocido como prueba DMS de Fisher, el
cual no es recomendable aplicarlo sin haber realizado previamente el Anova y que
haya resultado significativo, esto es hacer el DMS protegido. A continuacin se
desarrolla un ejemplo para ilustrar el procedimiento de DMS.
149
Ejemplo 5.2: Un Ingeniero de calidad que tiene a su cargo cuatro mquinas de soldar
por termofusin para unir terminales a componentes electrnicos, sospecha
que existe variacin de la resistencia a la ruptura introducida por dichas
mquinas. Con el propsito de salir de dudas, las mquinas se ajustaron para
tener las mismas condiciones de operacin de las cuales se obtuvieron cinco
muestras completamente azar y se midi la fuerza necesaria en libras para
romper la unin de la terminal y el componente. Los datos se muestran en la
tabla 5.3. El Anova fue realizado en el captulo anterior y se encontr que los
datos proveen suficiente evidencia para soportar la sospecha del ingeniero con
= 0.05. Aplicar el mtodo de diferencia mnima significativa para encontrar las
diferencias entre las medias de los tratamientos.
Tabla 5. 3 Fuerza Necesaria para Romper la Soldadura.
A
B
C
D
68
72
70
81
70
71
73
78
72
70
71
77
69
73
69
79
71
74
71
80
70.0
72.0
70.8
79.0
El CME=2.425 con 16 grados de libertad.
Solucin: Primero se obtiene el valor de t de student con 16 grados de libertad
y = 0.05, entonces t (16, 0.025 ) = 2.12 , por lo tanto el DMS est dado
por:
DMS = t ( gle, / 2 )Sd ,

Donde: Sd = 2CM E n , es el error estndar de diferencia de medias.
DMS = 2.12 2(2.425 ) 5
DMS = 2.088
Tabla 5. 4 Prueba de DMS para las Medias de Fuerza a la Ruptura.

Tratamiento y i .
y i . 70.0 y i . 70.8 y i . 72.0
D
79.0
9.0*
8.2*
7.0*
B
72.0
2.0
1.2
C
70.8
0.8
A
70.0
-
150
El asterisco denota que la media del tratamiento D es diferente

significativamente a B, C y A, de aqu se concluye que la medias de los
tratamientos B, C y A forman un grupo de medias y D es otro grupo por si
mismo. Con un nivel de significancia del 5%.
aleatoriamente se dividi en tres grupos y se le asign uno de los tres mtodos.
Cada grupo fue entrenado por un perodo determinado y se descalificaron
aquellos operadores que no cumplieron con el nivel de capacitacin requerido,
los que calificaron fueron puestos a trabajar durante media hora y el nmero de
piezas ensambladas fue registrado, obtenindose los resultados que se
muestran a continuacin. El Anova fue realizado en el capitulo anterior y se
encontr que los datos proveen suficiente evidencia para decir que por lo
menos uno de los mtodos es diferente a los dems, con = 0.05. Aplicar el
mtodo de diferencia mnima significativa para encontrar las diferencias entre
las medias de los tratamientos.
Tabla 5. 5 Nmero de Piezas Ensambladas por los Diferentes Operadores con
Tres Mtodos Diferentes.
MTODOS
OBSERVACIONES
TOTAL
I
45 46 48 44 46
229
II
45 48 46 48
187
III
52 50 49 55 51 53
310
726
Solucin: Primero se obtiene el valor de t de student con 12 grados de libertad
y = 0.05, entonces t(12, 0.025 ) = 2.179 , por lo tanto el DMS est dado
por:
DMS = t ( gle, / 2 )Sd ,

1
1
Donde: Sd = CM E + , es el error estndar de diferencia
ni nh
de medias con muestras de tamao diferentes.
Para comparar el mtodo III con el I, el Valor de la DMS est dado

por:
151
1 1
DMS = 2.179 3.24 +
6 5
DMS = 2.375
Para comparar el mtodo III con el II, el DMS est dado por:
1 1
DMS = 2.179 3.24 +
6 4
DMS = 2.531
Para comparar el mtodo III con el II, el DMS est dado por:
1 1
DMS = 2.179 3.24 +
5 4
DMS = 2.631
Tabla 5. 6 Prueba de DMS para las Medias de Piezas Ensambladas.

Tratamiento y i .
y i . 45.8 y i . 46 .75
III
51.66
5.86*
4.91*
II
46.75
0.95
I
45.8
Observando la tabla 5.6, se puede concluir que existe diferencia entre los
mtodos III y II, pero no entre II y I, por lo tanto se puede concluir que existen
dos grupos de medias, uno formado por el mtodo III nicamente y el otro
formado por los mtodos I y II.
5.3 El Mtodo de Rango de Tukey.

El procedimiento de Rango de Tukey (DHS) es muy conservador con respecto
al mtodo de DMS, Tukey pens que el mtodo DMS era muy liberal, que encuentra
diferencias muy fcilmente, por lo tanto debera de disear un mtodo que fuera ms
conservador en encontrar las diferencias entre medias, por lo tanto decidi usar los
rangos studentizados de orden k, para k igual al nmero total de tratamientos, esto es
asumiendo que las medias estaban lo ms alejado, cuando estas estaban ordenadas.
152
Por el contrario, el mtodo DMS supone que cada par de medias que est siendo
comparada, son adyacentes, es decir, el rango es de orden 2.
Los supuestos del mtodo de Rango de Tukey conllevan a una diferencia
critica significativa mayor que la DMS, por esta razn lo llaman la Diferencia Honesta
Significativa (DHS), la clase de error que tiene este mtodo es del experimentos, es
decir si = 0.05 , entonces se cometen errores en el 5% de los experimentos cuando
se aplica a un nmero grande de experimentos. Este procedimiento se aplica igual
que el de DMS, excepto que se calcula como sigue:
DHS = r( k , , gle ) Sd
2,
DHS = r( k , , gle ) CM E
Donde: r( k , , gle ) es el valor del rango studentizado de orden k, igual al nmero total de
medias que estn siendo comparadas, el cual se obtiene de la tabla A-10.
Ejemplo 5.4: Usando el ejemplo 5.2 aplicar el mtodo de Rango de Tukey para
encontrar las diferencias entre las medias de los tratamientos.
Solucin: Primero se obtiene el valor del rango studentizado con 16 grados de
libertad y = 0.05, entonces r( 4, 0.05, 16 ) = 4.05 , por lo tanto el DMS
est dado por:
2,
DHS = r( k , , gle ) CM E
DHS = 4.05 2.425
DHS = 2.82
Tabla 5. 7 Prueba de DHS para las Medias de Fuerza a la Ruptura.

Tratamiento y i .
y i . 70.0 y i . 70.8 y i . 72.0
D
79.0
9.0*
8.2*
7.0*
B
72.0
2.0
1.2
C
70.8
0.8
A
70.0
-
153
Se puede decir que la media del tratamiento D es diferente significativamente a

B, C y A, de aqu se concluye que las medias de los tratamientos B, C y A
forman un grupo de medias y D es otro grupo por si mismo. Con un nivel de
significancia del 5%. Es importante hacer notar que en este caso la solucin
final result igual para el DMS y DHS, pero los valores de las diferencias
crticas son diferentes, la diferencia de Tukey es siempre mayor que el DMS.
Ejemplo 5.5: Usando el ejemplo 5.3 aplicar el mtodo de Rango de Tukey para
encontrar las diferencias entre las medias de los tratamientos.
libertad y = 0.05, entonces r( 3, 0.05, 12 ) = 3.77 , por lo tanto el DHS
est dado por:
2,
1
1
, es el error estndar de diferencia
Donde: Sd = CM E +
ni nh
de medias con muestras de tamao diferentes.
Para comparar el mtodo III con el I, el valor de la DHS est dado por:
DHS =
3.77
2
1 1
3.24 +
6 5
DHS = 2.851
Para comparar el mtodo III con el II, el DHS est dado por:
DHS =
3.77
1 1
3.24 +
2
6 4
DHS = 3.097
Para comparar el mtodo III con el II, el DHS est dado por:
154
DHS =
3.77
1 1
3.24 +
2
5 4
DHS = 3.128
Tabla 5. 8 Prueba de DHS para las Medias de Piezas Ensambladas.

Tratamiento y i .
y i . 45.8 y i . 46 .75
III
51.66
5.86*
4.91*
II
46.75
0.95
I
45.8
Observando la tabla 5.6, se puede concluir que existe diferencia entre los
mtodos III y II, pero no entre II y I, por lo tanto se puede concluir que existen
dos grupos de medias, uno formado por el mtodo III nicamente y el otro
formado por los mtodos I y II. En este caso, las conclusiones resultaron
iguales, pero las diferencias significativas son mayores para Tukey.
5.4 Mtodo de Rango Mltiple se Student-Newman-Keuls.

Los mtodos de DMS y DHS estn en los extremos, por un lado el DMS es
demasiado liberal y DHS es demasiado conservador, ya que consideran los extremos
de los rangos studentizados 2 y el nmero de tratamientos, Newman y Keuls
propusieron usar los rdenes de la comparacin de acuerdo al nmero de medias que
los separan cuando estn ordenados, anteriormente ya se mostr cmo se pueden
hacer subconjuntos de comparaciones de igual orden. Por lo tanto se usarn valores
de los rangos mltiples studentizados y cada rango se obtiene usando , el cual es
igual a p , para cada subconjunto. Por lo tanto se calcula un valor crtico para cada
subconjunto de orden p, mismo que est dado por:
SNK ( p ) = r( p, , gle ) Sd
SNK ( p ) = r( p, , gle ) CM E
Donde: r( k , , gle ) es el valor del rango studentizado de orden p, el cual se obtiene de la

tabla A-10.
155
Ejemplo 5.6: En un proceso de atornillado automtico con pistolas neumticas se

sospecha que la presin del aire afecta la altura de las graseras, las cuales son
atornilladas a su base en dicho proceso, para verificar tal sospecha se realiz
un experimento completamente al azar con cuatro diferentes presiones y cinco
repeticiones. Los datos se muestran en la tabla 5.9.
Tabla 5. 9 Altura de Graseras para Diferentes Presiones en el Circuito
Neumtico.
Presin
Repeticiones
Medias
-4
Psi
Altura de la grasera a la base (10 pulgadas)
yi
1400
4230
4231
4225
4229
4229 4228.8
1200
4231
4234
4226
4234
4234 4231.8
1000
4232
4237
4232
4239
4236 4235.2
800
4241
4233
4235
4240
4241 4238.0
CME=9.09, con 16 grados de libertad.
libertad y = 0.05, entonces, SNK estn dados por:
SNK ( p ) = r( p, , gle ) Sd
SNK ( p) = r( p, , gle ) CME
Tabla 5. 10 Rangos Mltiples de Student-Newman-Keuls.

p r( p, 0.05, 16 ) SNK(p)
2 3.00
3 3.65
4 4.05
4.044
4.921
5.460
El rango mnimo significativo SNK(2) se usa para compararlo con la diagonal

principal de la tabla de diferencias, el SNK(3) se usa para comparar con la
primera diagonal arriba de la principal y as sucesivamente, hasta llegar a la
primera columna de diferencias y primer rengln.
Tabla 5. 11 Prueba de SNK para las Medias de la Altura de las Graseras.
Tratamiento y i .
y i . 4228 .8 y i . 4231 .8 y i . 4235 .2
4-800
4238.0
9.2*
6.2*
2.8
3-1000
4235.2
6.4*
3.4
2-1200
4231.8
3
1-1400
4228.8
156
Observando la tabla 5.11, se puede concluir que no existe diferencia entre los
tratamientos que tienen medias contiguas, pero hay diferencia entre el 4 y 1, 4
y 2, y 3 y 1, por lo tanto se puede concluir que existen tres grupos de medias,
uno formado por los tratamientos 4 y 3, otro formado por los tratamientos 3 y 2
y el tercer grupo est formado por los tratamientos 2 y 1.
Ejemplo 5.7: Usando el ejemplo 5.2 aplicar el mtodo de Rango Mltiple de StudentNewman-Keuls para encontrar las diferencias entre las medias de los
tratamientos.
El CME=2.425 con 16 grados de libertad y n=5.
libertad y = 0.05, entonces, SNK estn dados por:
SNK ( p ) = r( p, , gle ) Sd
SNK ( p) = r( p, , gle ) CME
Tabla 5. 12 Rangos Mltiples de Student-Newman-Keuls.

p r( p, 0.05, 16 ) SNK(p)
2 3.00
3 3.65
4 4.05
2.088
2.542
2.82
El rango mnimo significativo SNK(2) se usa para compararlo con la diagonal

principal de la tabla de diferencias, el SNK(3), se usa para comparar con la
Tabla 5. 13 Prueba de SNK para las Medias de Fuerza al Ruptura.

Tratamiento y i .
y i . 70.0 y i . 70.8 y i . 72.0
D
79.0
9.0*
8.2*
7.0*
B
72.0
2.0
1.2
C
70.8
0.8
A
70.0
-
157

B, C y A, de aqu se concluye que la medias de los tratamientos B, C y A
forman un grupo de medias, y D es otro grupo por si mismo. Con un nivel de
final result igual para el DMS, DHS y SNK.
5.5 Prueba Nueva de Rango Mltiple de Duncan.

Duncan desarroll una prueba para separar medias con rangos mltiples muy
similar a la de Student-Newman-Keuls, con proteccin para no encontrar diferencias
significativa falsas y las diferencias mnimas de los rangos se calculan usando la clase
de error compuesto, por lo tanto se requiere otros valores de rango studentizados,
mismos que estn dados en la tabla A-11 del apndice. Las diferencias crticas para
la prueba de Duncan estn dadas por:
D( p ) = r * ( p, , gle ) Sd
D( p ) = r * ( p, , gle ) CM E
Donde: r * ( p, , gle ) es el valor del rango especial studentizado de orden p, con clase de
error p , el cual ya est incorporado en los valores de la tabla A-11.
Ejemplo 5.8: Usar los datos del ejemplo 5.6 para aplicar el mtodo de Duncan para
encontrar las diferencias entre tratamientos.
Neumtico.
Presin
Medias
Psi
yi
1400
1200
1000
800
4228.8
4231.8
4235.2
4238.0
CME=9.09, con 16 grados de libertad y n=5.

libertad y = 0.05, entonces, D(p) estn dados por:
158
D( p ) = r * ( p, , gle ) Sd
D( p ) = r * ( p, , gle ) CM E
Tabla 5. 15 Rangos Mltiples de Duncan.

p r * ( p, 0.05, 16 ) D(p)
2 2.998
3 3.144
4 3.235
4.042
4.239
4.361
La diferencia critica del rango de Duncan que se usa para compararlo con la
diagonal principal de la tabla de diferencias es D(2), el D(3), se usa para
comparar con la primera diagonal arriba de la principal y as sucesivamente,
hasta llegar a la primera columna de diferencias y primer rengln con D(4).
Tabla 5. 16 Prueba de Duncan para las medias de la Altura de las Graseras.
Tratamiento y i .
y i . 4228 .8 y i . 4231 .8 y i . 4235 .2
4-800
4238.0
9.2*
6.2*
2.8
3-1000
4235.2
6.4*
3.4
2-1200
4231.8
3
1-1400
4228.8
Observando la tabla 5.16, se puede concluir que no existe diferencia entre los
tratamientos que tienen medias contiguas, pero hay diferencia entre el 4 y 1, 4
y 2, y 3 y 1, por lo tanto se puede concluir que existen tres grupos de medias,
uno formado por los tratamientos 4 y 3 con la mayor media muestral, otro
formado por los tratamientos 3 y 2 y el tercer grupo est formado por los
tratamientos 2 y 1 con la menor media muestral. Las pruebas de Duncan y
Student-Newman-Keuls en este caso dan los mismos resultados.
Ejemplo 5.9: Usando el ejemplo 5.2 aplicar el mtodo de Rango Mltiple de Duncan,
para encontrar las diferencias entre las medias de los tratamientos.
libertad y = 0.05, entonces, las diferencias crticas de Duncan
estn dados por:
159
D( p ) = r * ( p, , gle ) Sd
D( p ) = r * ( p, , gle ) CM E
Tabla 5. 17 Rangos Mltiples de Duncan.

p r * ( p, 0.05, 16 ) D (p)
2 2.998
3 3.144
4 3.235
2.088
2.189
2.253
El Rango mnimo significativo D(2) se usa para compararlo con la diagonal

principal de la tabla de diferencias, el D(3), se usa para comparar con la
Tabla 5. 18 Prueba de Duncan para las Medias de Fuerza al Ruptura.

Tratamiento y i .
y i . 70.0 y i . 70.8 y i . 72.0
D
79.0
9.0*
8.2*
7*
B
72.0
2.0
1.2
C
70.8
0.8
A
70.0
B, C y A, de aqu se concluye que las medias de los tratamientos B, C y A
forman un grupo de medias y D es otro grupo por si mismo. Con un nivel de
final result igual para el DMS, DHS, SNK y Duncan.
5.6 Procedimiento de Dunnett.

En algunos experimentos, dentro de los tratamientos, se encuentra el control o
estndar, generalmente al investigador nicamente le interesa comparar al control con
todos los dems, es decir t 1 comparaciones. Para tal situacin Dunnett dise un
procedimiento que controla el error del experimento, esto es E . En este caso la
diferencia absoluta del control y cada uno de los tratamientos es comparada contra
una diferencia crtica definida por:
160
D = d ( p, , gle )Sd
D = d ( p, , gle ) 2CM E
Donde: d ( k , , gle ) es el valor especial de Dunnett de orden p, con grados de libertad y

Error del experimento igual a , el cual se obtiene de la tabla A-12.
Ejemplo 5.10: Usar los datos del ejemplo 5.6 para aplicar el mtodo de Dunnett para
encontrar las diferencias entre las medias de los tratamientos, el control es el
tratamiento nmero cuatro.
Neumtico.
Presin
Medias
Psi
yi
1400
1200
1000
800
4228.8
4231.8
4235.2
4238.0

Solucin: Primero se obtiene el valor especial de Dunnett con 16 grados de libertad,
p = 3 y = 0.05, entonces, la diferencia crtica de Dunnett est dada por:
d ( 3, 0.05, 16 ) = 2.59
D = d ( p, , gle ) 2CM E
D = 2.59 2(9.09)
D = 4.938
La media del Control es y 4 = 4238 .0
161
Tabla 5. 20 Prueba de Dunnett para las medias de la Altura de las Graseras.

Tratamiento y i .
y i . 4238.0
3-1000
2-1200
1-1400
4235.2
4231.8
4228.8
2.8
6.2*
9.2*
Se puede concluir que no existe diferencia entre el control y el tratamiento 3,

pero si existe diferencia entre el control y los tratamientos 1 y 2. Con un error
del experimento de 0.05.
Ejemplo 5.11: Usando el ejemplo 5.2 aplicar el mtodo de Dunnett para encontrar las
diferencias entre las medias de los tratamientos, el control es el tratamiento C.
p=3 y = 0.05, entonces, la diferencia crtica de Dunnett est dada por:
d ( 3, 0.05, 16 ) = 2.59
D = d ( p, , gle )Sd
D = d ( p, , gle ) 2CM E
D = 2.59 2(5.37)
D = 3.796
La media del control es y 4 = 70 .8

Tabla 5. 21 Prueba de Dunnett para las Medias de Fuerza al Ruptura.
Tratamiento y i .
y i . 70.8
D
B
A
79.0
72.0
70.0
8.2*
1.2
0.8
La media del Control C es diferente a la media del tratamiento D, pero no se

encontr diferencia de la media del control y las medias de los tratamientos A y
B. con un nivel de significancia del 0.05.
162
5.7 Intervalos de Confianza Simultneos.

En ingeniera, generalmente se desea encontrar el o los mejores tratamientos,
es decir y esto depende del tipo de respuesta que se est analizando, por ejemplo en
un proceso qumico donde la variable es el rendimiento, es obvio que se buscan los
tratamientos con mayor rendimiento, por otro lado en un experimento donde la
variable de respuesta es la desviacin con respecto a un valor nominal u objetivo,
entonces los mejores tratamientos sern aquellos que tengan las medias ms
cercanas al nominal. Un procedimiento comn para identificar el mejor tratamiento es
usar Intervalos de Confianza Simultneos (ICS) para todas las medias de los
tratamientos.
Para calcular los intervalos de confianza simultneos, se ordenan las medias
de los tratamientos dependiendo del tipo de respuesta y se utiliza el valor especial de
Dunnett, ya que ste controla la clase de error del experimento, entonces el nivel de
confianza para las t medias muestrales de los tratamientos estn dados con un nivel
de confianza del (1 E )100 % , donde E = . Entonces los lmites del intervalo de
confianza para cada media de tratamiento estn dados por:
LC = y i d ( p, , gle ) CM E
para i = 1,L, t
Donde: d ( p, , gle ) es el valor especial de Dunnett de orden p = t 1p, con grados de

libertad y error del experimento igual a , el cual se obtiene de la tabla A-12.
Se utiliza p = t 1, ya que el intervalo del mejor tratamiento se compara contra
el resto de los tratamientos nicamente, las dems comparaciones no son de inters
del experimentador, nicamente se quiere detectar el grupo de medias que son
mejores, pero no diferentes estadsticamente entre si, la forma de ver si no son
diferentes es que exista un traslape en los intervalos de confianza, si no existe
ninguna interseccin entre intervalos, entonces las medias de los tratamientos se
declaran diferentes.
Ejemplo 5.12: Usar los datos del ejemplo 5.6 para aplicar el mtodo de ICS para
encontrar el grupo de mejores tratamientos, se desea que la altura de la
grasera sea mnima para evitar roces con otra partes de la direccin.
163

Neumtico.
Presin
Medias
Psi
yi
1400
1200
1000
800
4228.8
4231.8
4235.2
4238.0
Solucin: Primero se obtiene el valor especial de Dunnett con 16 grados de

libertad, p = 3 y = 0.05, entonces:
d ( 3, 0.05, 16 ) = 2.59
Sy = CME
para i = 1,L, t
Sy = 9.09 5 = 1.348
Tabla 5. 23 Intervalos de Confianza Simultneos para las Medias de la Altura
de la Grasera.
Tratamiento y i .
LCI
LCS
d ( p, , gle ) CME
n
4-800
4238.0
3.491
4234.5 4241.5
3-1000
4235.2
3.491
4231.8 4238.8*
2-1200
4231.8
3.491
4228.3 4235.3*
1-1400
4228.8
3.491
4225.3 4232.3*
Observando la tabla 5.23, se puede concluir que no existe diferencia entre la
media del tratamiento 1, 2 y 3 ya que el LCS del tratamiento 1 est incluido en
los intervalos de los tratamientos 2 y 3, por lo tanto los tratamientos 1, 2 y 3
forman el grupo de mejores tratamientos. Con un error del experimento de
0.05.
Ejemplo 5.13: Usando el ejemplo 5.2 aplicar el mtodo de ICS para encontrar el grupo
de mejores tratamientos, en este caso la variable es la fuerza necesaria para
romper la unin de la soldadura, entre ms grande sea la media, mejor.
164

d ( 3, 0.05, 16 ) = 2.59
Sy = CME
para i = 1,L, t
Sy = 2.425 5 = 0.6964
Tabla 5. 24 Intervalos de Confianza Simultneos para las Medias de la Fuerza
a la Ruptura.
Tratamiento y i .
LCI LCS
d ( p, , gle ) CME
n
D
79.0
1.8
77.2 81.8*
B
72.0
1.8
70.2 73.8
C
70.8
1.8
69.0 72.6
A
70.0
1.8
68.2 71.8
Observando la tabla 5.23, se puede concluir que el tratamiento con media
estadsticamente mayor a los dems es el D. Con un error del experimento de
0.05.
Otra forma de Intervalos de confianza Simultneos es estimar los intervalos de
confianza de las diferencias de medias del control menos los dems, o del la media
del tratamiento que aparece ser el ptimo menos cada uno de los dems, en caso de
que el intervalo estimado no contenga el cero, entones se puede decir que ese
tratamiento es diferente del control o del ptimo. Los lmites del intervalo de confianza
para la diferencia de medias de tratamientos estn dados por:
LC = (y o y i ) d ( p, , gle ) 2CM E
para i = 1,L, t e i o
Donde: d ( p, , gle ) , es el valor especial de Dunnett de orden p = t 1p, con

grados de libertad y error del experimento igual a , el cual se obtiene
de la tabla A-12.
y o , es la media del tratamiento ptimo o del control.
165
Ejemplo 5.14: Usando el ejemplo 5.2 aplicar el mtodo de ICS para diferencia de
medias con el propsito de encontrar el grupo de mejores tratamientos, en este
caso la variable es la fuerza necesaria para romper la unin de la soldadura,
entre ms grande sea la media, mejor.
d ( 3, 0.05, 16 ) = 2.59
LC = (y o y i ) d ( p, , gle ) 2CM E
S y = 2CM E
para i = 1,L, t e i o
Sy = 2(2.425 ) 5 = 0.9848
Tabla 5. 25 Intervalos de Confianza Simultneos para Diferencia de Medias de
la Fuerza a la Ruptura.
Comparacin y i .
LCI LCS
d ( p, , gle ) 2CME
n
D-B
79.0-72.0=7.0
2.55
4.45 9.55
D-C
79.0-70.8=8.2
2.55
5.65 10.75
D-A
79.0-70.0=9.0
2.55
6.45 11.55
Observando la tabla 5.24, se puede concluir que el tratamiento con media
estadsticamente mayor a los dems es el D y sta es diferente a las dems.
Con un error del experimento de 0.05.
166
5.1. Supngase que un experimento fue realizado y se encontr un CME=8.41, con
20 grados de libertad, calcular los valores crticos para cada una de las siguientes
pruebas:
a. DMS,
b. Tukey,
c. Student-Newman-Keuls,
d. Rango mltiple de Duncan,
e. Dunnett,
f. Calcular el error estndar para la diferencia de medias.
5.2. Para el ejercicio 4.1 del captulo anterior, aplicar las siguientes procedimientos
de separacin de medias:
a. DMS,
b. Tukey,
e. Dunnett, supngase que el control es la temperatura de 150,
f. Aplique los ISC para diferencia de medias para buscar el mejor rendimiento.
a. DMS,
b. Tukey,
e. Dunnett, supngase que el control es la mquina A,
f. Aplique los ISC para diferencia de medias para buscar la respuesta mayor.
a. DMS,
b. Tukey,
e. Dunnett, supngase que el control es el operador 4,
f. Aplique los ISC para diferencia de medias para buscar el menor tiempo.
167
a. DMS,
b. Tukey,
e. Dunnett, supngase que el control es la velocidad media,
f. Aplique los ISC para diferencia de medias para buscar el menor nmero de
defectos.
a. DMS,
b. Tukey,
e. Dunnett, supngase que el control es el examen A,
f. Aplique los ISC para diferencia de medias para buscar la calificacin ms
alta.
a. DMS,
b. Tukey,
e. Dunnett, supngase que el control es la dieta A,
f. Aplique los ISC de diferencia de medias para buscar la reduccin ms alta.
a. DMS,
b. Tukey,
e. Dunnett, supngase que el control es la dieta A,
f. Aplique los ISC de diferencia de medias para buscar la reduccin ms alta.
168
6. DISEOS DE BLOQUES
En los captulos anteriores se mencion que el Diseo CA es el ms simple de
todos los Diseos Experimentales y se usa con el propsito de comparar un conjunto
de tratamientos de inters, cuando existen unidades experimentales homogneas
disponibles para conducir el experimento, esto es cuando no hay factores ruido
presentes. En este capitulo se estudiarn los diseos experimentales cuando no se
tienen unidades experimentales homogneas, es decir se tienen uno o ms factores
ruido presentes, estos diseos son el de Bloques Completos al Azar (BCA), el Cuadro
Latino (CL) y el Cuadro Greco Latino (CGL), adems se explicar el Plan
Experimental, el Modelo Lineal y el Anlisis de Varianza para cada uno de los diseos
experimentales.
Las ventajas de estos diseos son que ayudan a eliminar la supuesta variacin
presente en las unidades experimentales que afectan la variable de respuesta, por
ejemplo, supngase que se desea verificar si cuatro mtodos diferentes para realizar
una cierta operacin en un proceso, tienen el mismo tiempo promedio de ejecucin,
para esto se cuenta con 12 operadores pero de diferentes habilidades, una forma de
eliminar el efecto de la habilidad sobre el tiempo promedio de ejecucin, es
agrupando los operadores en conjuntos de cuatro, de tal forma que la habilidad de
esos cuatro sea lo ms similar posible. A esta tcnica de separacin por grupos se le
llama bloqueo.
El Bloqueo, es una tcnica usada para incrementar la precisin en un
experimento mediante la eliminacin de variacin introducida por los factores ruido.
Un bloque es una porcin de material experimental que debe ser ms homogneo
que todo el conjunto de material experimental. Es importante mencionar que cada
bloque representa una replicacin de los tratamientos. El bloqueo involucra el hecho
de comparar las condiciones de inters en el experimento con cada bloque. En este
captulo se estudian los diseos experimentales que ayudan a controlar la variacin
introducida por uno, dos y tres factores ruido por medio de los diseos experimentales
BCA, CL y CGL, respectivamente.
6.1 Diseo de Bloques Completos al Azar.

El diseo de BCA consiste de agrupar las unidades experimentales en bloques
y los tratamientos son asignados completamente al azar dentro de cada bloque, por lo
tanto el nmero de unidades experimentales por bloque debe de ser mayor o igual al
nmero de tratamientos, con esta restriccin nos lleva a considerar algunas ventajas y
desventajas de dicho diseo.
El diseo BCA es de gran aceptacin en la prctica debido a sus ventajas
como el anlisis simple y directo; cuando es posible el bloqueo, el diseo es ms
preciso, no hay restricciones en el nmero de bloques, cuando se requiere de
repeticiones extras en ciertos tratamientos, entonces se pueden aplicar 2 ms por

bloques; si por desgracia, los datos de un bloque completo o parte de ste se pierde,
los datos se pueden omitir sin ninguna complicacin, cuando datos individuales son
perdidos, stos pueden ser estimados y mantener el anlisis simple.
Las desventajas principales del diseo BCA se presentan cuando la variacin
entre las UE de un bloque es grande, entonces el error experimental es muy grande.
El nmero de UE en un bloque debe de ser igual o mayor al nmero de tratamientos,
son necesarios ms supuestos en el BCA que en el CA, el nmero de grados de
libertad del error experimental es menor que en el CA y las observaciones perdidas
causan clculos adicionales.

El Plan Experimental de un diseo de BCA, es la asignacin de los
tratamientos a las unidades experimentales o las corridas de los bloques, la cual se
hace completamente al azar dentro de cada bloque y se hace una aleatorizacin
independiente para cada bloque. Entonces el Plan Experimental, consiste en el orden
en que se corren los tratamientos.
Ejemplo 6.1: Supngase que se desea determinar si cuatro diferentes mtodos para
realizar una cierta operacin de ensamble requieren de tiempos promedios
iguales, para tal motivo se seleccionaron 12 operadores de diferentes niveles
de experiencia, mismos que fueron agrupados de cuatro en cuatro de acuerdo
a su experiencia, con la finalidad de formar bloques. Determine un plan
experimental para llevar a cabo dicho experimento.
Solucin: Los tratamientos son A, B, C, y D. y los operadores estn en los bloques, es
decir cada cuadro representa un operador. Los bloques generalmente se
representan con nmeros romanos.
Plan experimental. Se seleccionan cuatro nmeros aleatorios tres veces en
forma independiente, conocidas como permutaciones de tamao cuatro, en
este caso los nmeros pueden ser del 0 al 9 de cualquier calculadora o
programa de computadora, tambin en este caso los nmeros repetidos se
eliminan. La Tabla 6.1 muestra los nmeros que se obtuvieron de una
calculadora.
Bloque Nmeros Aleatorios
1
7
5
1
8
2
5
2
4
0
3
6
1
2
3
170
Posteriormente se le asignan rangos a las permutaciones, para asignar los

tratamientos, al rango uno le corresponde el tratamiento A, al Rango 2 el
tratamiento B y as sucesivamente. Es decir para el Bloque 1: el nmero menor
es el uno, por lo tanto le corresponde el tratamiento A, el segundo nmero es el
5, por lo cual le corresponde el tratamiento B, el tercero en orden es el 7 por lo
tanto le corresponde el tratamiento C y por ltimo el 8 al cual le corresponde el
tratamiento D; este procedimiento se repite para cada bloque. El resultado de
este procedimiento se muestra en la tabla 6.2.
Tabla 6. 2 Asignacin de Tratamientos a las Unidades Experimentales.
Bloque Tratamientos
I
C B A D
II
D B C A
III
D A B C
Para tener mayor seguridad sobre la aleatorizacin, es comn que el orden en
que los bloques sern asignados, tambin se haga aleatoriamente, una
permutacin aleatoria de tres elementos est dada por (3, 2, 7) en rangos
equivale a (2, 1, 3), entonces el orden en que se ejecutan las corridas o se
asignan los tratamientos, est dada por la siguiente tabla.
Tabla 6. 3 Plan Experimental para Medir Tiempos de Ejecucin.
Bloque Tratamientos
II
D B C A
I
C B A D
III
D A B C
El Plan Experimental determina que primero se evaluar el grupo II con el
tratamiento D, posteriormente al segundo operador del grupo II con el
tratamiento B, despus al operador 3 del bloque II con el mtodo C y por ltimo
en el bloque II se evala al cuarto operador con el mtodo D, hasta aqu se
termina con el primer bloque, posteriormente se contina con el bloque I y
luego con el bloque III.
Ejemplo 6.2: Existen tres operadores que estn armando pequeos motores de
corriente continua, se piensa que existe diferencia en los tiempos de ensamble
de stos, por tal motivo se seleccionaron 15 juegos completos para ensamblar,
3 de cada modelo de un total de 5 modelos que actualmente solicitan los
clientes. Determinar un plan experimental para este estudio.
DISEOS DE BLOQUES /JAIME SNCHEZ LEAL, Ph. D.
171
Solucin: Existen tres tratamientos y 5 bloques, por lo tanto se seleccionan cinco

permutaciones de tres nmeros aleatorios para determinar el plan
experimental, la Tabla 6.4 muestra las cinco permutaciones de tamao 3.
Modelos Nmeros Aleatorios
I
6
7
1
II
4
3
5
III
3
6
1
IV
4
2
5
V
7
1
2
En este caso se asignan rangos a las permutaciones y como los tratamientos

son 1, 2 y 3, entonces el rango corresponde al nmero de tratamiento. El plan
Experimental se muestra en la tabla 6.5.
Tabla 6. 5 Asignacin de Tratamientos a las Unidades Experimentales.
Modelos Tratamientos
I
2
3
1
II
2
1
3
III
2
3
1
IV
2
1
3
V
3
1
2
El orden de asignar los modelos a los bloques se hace en forma aleatoria para
completar la aleatorizacin y se obtiene una permutacin aleatoria de tamao
5, y est dada a continuacin: (3, 1, 2, 5, 4).
Tabla 6. 6 Plan Experimental para Medir Tiempos de Ensamble.
Modelos Tratamientos
III
2
3
1
I
2
3
1
II
2
1
3
V
3
1
2
IV
2
1
3
172
El Plan Experimental consiste en que primero se evaluara al del modelo III con
el tratamiento 2, posteriormente al segundo operador del grupo III con el
tratamiento 3, despus al operador 3 del bloque III con el operador 1.
Posteriormente se contina la evaluacin de los modelos I, II, V y IV, con el
orden de los operadores que indica la tabla 6.6.
Es importante hacer notar que los procedimientos para obtener nmeros
aleatorios son muy variados, por lo tanto no existe solucin ni mtodos nicos para
determinar los planes experimentales, consecuentemente es muy posible que cada
vez que se obtenga una solucin, sta difiera de las anteriores.
6.1.2 Modelo Lineal y Estimacin de Parmetros.

durante la ejecucin de un experimento para un diseo BCA; se suman los
componentes debido a los tratamientos y el muestreo y en este caso s existe un
componente debido al Diseo Experimental, a causa de los bloques. Entonces cada
observacin estar compuesta como lo indica la siguiente ecuacin:
y ij = + i + j + ij Para i=1,, t y i=1,, b

Donde: y ij , representa la j-sima observacin del tratamiento i-simo.

i , representa el componente del i-simo tratamiento.
j , representa el componente del j-simo bloque. .
ij , representa el error de la j-sima observacin del tratamiento i-simo.
t, es el nmero de tratamientos.
b, es el nmero de bloques.
tratamientos, de los bloques y del muestreo, que son los valores de , y , en este
caso no est presente un componente de la interaccin de tratamientos y bloques,
dado que es un supuesto necesario en todos los diseos BCA. Los supuestos sobre
el modelo para Efectos Fijos, son necesarios para analizar los datos y hacer las
inferencias o la verificacin de las hiptesis sobre la igualdad de medias de
tratamientos y de bloques. Dichos supuestos son que cada tratamiento tiene una
distribucin normal con varianza comn 2 y que las muestras son independientes y
obtenidas en forma aleatoria, tambin que no existe interaccin entre bloques y
tratamientos. Lo anterior se puede resumir en:
i. ij iid N(0, 2),
ii.
= 0,
173
iii.
= 0,
iv. No existe interaccin entre bloques y tratamientos.

Los supuestos para el modelo de Efectos Aleatorios son:
i. ij iid N(0, 2),
ii. i iid N(0, 2 ),
iii. j iid N(0, 2 ),
iv. Los efectos , y , estn independientemente distribuidos.
En el modelo lineal para el diseo BCA hay dos efectos principales, los
tratamientos y los bloques, en los supuestos anteriores se asume que los dos efectos
principales son todos fijos o aleatorios, puede existir el caso en que uno de los dos
efectos es aleatorio y el otro es fijo. A continuacin se establecen los supuestos en el
caso de que los tratamientos son aleatorios y los efectos de los bloques fijos:
i. ij iid N(0, 2),
ii. i iid N(0, 2 ),
iii.
= 0,
iv. Los efectos y , estn independientemente distribuidos.

v. No existe interaccin entre bloques y tratamientos.
A este tipo de modelo se le llama de Efectos Mixtos. En la siguiente seccin
se presenta el anlisis de varianza, el cual es similar para cualquiera de los casos
anteriores, lo que cambia es la forma de concluir dependiendo del tipo de modelo
lineal.
A continuacin se estiman los parmetros del modelo lineal para el diseo
BCA, cuando los efectos son fijos se parte de:
y ij = + i + j + ij Para i=1,, t y i=1,, b
174
La estimacin de los paramentos se hace utilizando el Mtodo de Mnimos

decir:
Min.

i =1 j =1
Min.
2
ij
(y
i =1 j =1
ij
i j )2

parciales de L con respecto a los parmetros , y .
t
n
L
= 2 ( y ij i j ) = 0
i =1 j =1
t
n
L
= 2 ( y ij i j ) = 0 , para i=1,t
i
i =1 j =1
t
n
L
= 2 ( y ij i j ) = 0 , para j=1,b
j
i =1 j =1

normal de ecuaciones, la solucin de dicho sistema aunado con las restricciones para
el modelo de efectos fijos da los siguientes estimadores de los parmetros:
=0 y
= y .. =
= 0.
1 t b
1 t
y
=
y i.
ij tb
tb i =1 j =1
i =1
i = y i . y ..
i = y i . =
1 b
y ij , para i=1,, t
b j =1

Anova, cuya frmula est dada por:
175
CM E =
t
b
1
( y ij y ij )2
(b 1)(t 1) i =1 j =1
CM E =
t
b
1
( y ij i j )2
(b 1)(t 1) i =1 j =1

procede a la verificacin de hiptesis sobre las medias de los tratamientos para el
caso de efectos fijos. Se debe de recordar que para el caso de efectos aleatorios la
hiptesis se plantea sobre el componente de varianza de los tratamientos.
6.1.3 Anlisis de Varianza y Prueba de Hiptesis.

Despus de que los datos son coleccionados, estos se tabulan como se
muestran en la tabla 6.7, para simplificar los clculos del anlisis de varianza. As
como los clculos son tabulados como se muestra en la tabla 6.8.
Tabla 6. 7 Tabulacin de Datos para un Diseo BCA.
Tratamientos
Total de bloques
K t
Bloques
1
2
I
y 11 y 21 K y t 1
y .1
K
II
yt2
y 12 y 22
y .2
K M
M
M
M
M
b
y 1b y 2b K y tb
y .b
Totales de Tratamientos
y 1. y 2. K y t .
y ..
Donde: y i . = y ij ,
j =1
y . j = y ij
i =1
y .. = y ij .
i =1 j =1
Tabla 6. 8 Anlisis de Varianza para un Diseo BCA.

Fuentes de
Grados de
Suma de
Cuadrados
Variacin
Libertad
Cuadrados
Medios
Bloques
b-1
SSBloques
CMBloques
Tratamientos
t 1
SSTrt
CMTrt
Error
(t-1)(b-1)
SSE
CME
Total
tn-1
SSTotal
176
Fc
CMBloque/CME
CMTrt/CME
2
Donde: FC = y ..
tb
SSTotal = y ij2 FC,
SSTrt
y
=
SSBloques
2
i.
FC
y
=
t
2
.j
FC
SSE = SSTotal SSBloques SSTrt

CMTrt =
SSTrt
CM Bloques =
CM E = SSE
t 1
SSBloques
b 1
(t 1)(b 1)
A continuacin se presenta el procedimiento para verificar la hiptesis de

igualdad de dos o ms medias:
HIPTESIS:
i. Tratamientos
Ho: 1 = 2 = K = t = 0
Ha: Por lo menos un efecto de los tratamientos es diferente de cero.
ii. Bloques
Ho: 1 = 2 = K = b = 0
Ha: Por lo menos un efecto de los bloques es diferente de cero.
i. Tratamientos
CMTrt
Fc =
~ F[( t 1), ( t 1)( b1)]
CM E
Valor-p = P [ F[( t 1), ( t 1)( b1)] >Fc]
177
ii. Bloques
CMBloques
Fc =
~ F[( b1), ( t 1)( b1)]
CME
Valor-p = P[ F[( b 1), ( t 1)( b 1)] >Fc]
SUPUESTOS:
4. No existe interaccin entre los tratamientos y los bloques.
REGLA DE DECISIN:
i. Bloques
Si FBloques > F(b-1, (t-1)(b-1); ), entonces rechazar la hiptesis nula, de otra
forma no rechazar o Si el valor-p > , entonces rechazar la hiptesis
nula, de otra forma no rechazar.
ii. Tratamientos
Si FTrt > F(t-1, (t-1)(b-1); ), entonces rechazar la hiptesis nula, de otra forma no
rechazar o Si el valor-p > , entonces rechazar la hiptesis nula, de otra
forma no rechazar.
El procedimiento para verificar las hiptesis sobre los bloques es similar al de
los tratamientos, mismo que es obviado. Ntese que en este caso no existen hiptesis
direccionadas, por lo que el procedimiento no presenta variaciones, lo cual lo hace
ms simples. Para ilustrarlo el procedimiento se resuelven dos problemas enseguida.
Ejemplo 6.3: Un ingeniero industrial encargado de implantar un sistema de incentivos,

sospecha que hay diferencia en la distribucin de tiempos necesarios para
llevar a cabo las operaciones bancarias por las diferentes personas que
atienden las cajas, adicionalmente piensa que los clientes hacen diferentes
operaciones dependiendo del da de la semana en que stas sean realizadas.
Con el propsito de verificar tal sospecha tom tiempos de cinco diferentes
operaciones de cuatro dependientes, una en cada da de la semana, el orden
de asignacin fue completamente al azar dentro de cada da, los tiempos son
expresados en minutos en la Tabla 6.9. Los datos proveen suficiente
evidencia para soportar la sospecha del ingeniero? Use = 0.05.
178

Tratamientos
Bloques
A
B
C
D
I
4
5
6
5
II
4
6
6
5
III
2
4
5
4
IV
5
7
11
8
V
6
6
10
12
Solucin:
HIPTESIS:
i. Tratamientos
Ho: 1 = 2 = K = t = 0
ii. Bloques
Ho: 1 = 2 = K = b = 0
i. Tratamientos
CMTrt
Fc =
~ F[( t 1), ( t 1)( b1)]
CM E
Valor-p = P [ F[( t 1), ( t 1)( b1)] >Fc]
ii. Bloques
CMBloques
Fc =
~ F[( b1), ( t 1)( b1)]
CME
Valor-p = P[ F[( b 1), ( t 1)( b 1)] >Fc]
SUPUESTOS:
REGLA DE DECISIN:
i. Bloques:
179
ii. Tratamientos:
forma no rechazar.
CLCULOS:
1212
FC =
=
= 732.05
tb
20
t
n
y2
SSTotal = y ij2 ..
tn
i =1 j =1
y ..2
SSTotal = 4 2 + 5 2 + 22 + ... + 8 2 + 5 2 732.05 = 118.95

y i2. y ..2
=
tn
i =1 n
t
SSTrt
212 + 28 2 + 38 2 + 34 2
732.05 = 32.95
5
y .2j
SSBloques =
FC
t
20 2 + 212 + 15 2 + 312 + 34 2
SSTrt =
732.05 = 63.7
4
SSE = SSTotal SSTrt SSBloques
SSTrt =
SSE = 118.95 32.95 63.7 = 22.3

SST
32.95
;
CMTrt =
= 10.98
CMTrt =
4 1
t 1
SSBloques
63.7
;
CM Bloques =
= 15.925
CM Bloques =
b 1
5 1
SSE
86
CM E =
;
CM E =
= 5.37
(t 1)(n 1)
( 4 1)(5 1)
CMTrt
FTrt =
CM E
10.98
FTrt =
= 5.91
1.858
CMBloques
FBloques =
CME
15.925
FBloques =
= 5.91
1.858
180
Tabla 6. 10 Anlisis de Varianza para Tiempos de Operaciones

para el Diseo BCA.
Fuentes de
Grados de
Suma de
Cuadrados
Variacin
Libertad
Cuadrados
Medios
Das
4
63.7
15.925
Tratamientos
3
32.95
10.983
Error
12
86
1.858
Total
19
118.95
Bancarias
Fc
8.57 3.26*
5.91 3.49*
DECISIN:
i. Bloques
FBloques >3.26, entonces rechazar Ho.
ii. Tratamientos
FTrt >3.49, entonces rechazar Ho.
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que la variable de bloqueo si
afecta el tiempo de realizacin de las operaciones bancarias y que existe
suficiente evidencia para declarar alguna diferencia entre los tiempos medios
para realizar operaciones bancarias entre los cuatro dependientes, con un nivel
del 5%.
Ejemplo 6.4: Para comparar la efectividad de tres mtodos utilizados para llevar a
cabo una cierta operacin, se seleccion un grupo de 15 operadores con
habilidades diferentes y estos fueron asignados en grupos de tres de acuerdo a
sus habilidades y experiencias. Aleatoriamente se le asign uno de los tres
mtodos a cada uno de los operadores dentro de cada grupo, de tal forma que
cada grupo tiene asignados los tres tratamientos. Posteriormente los
operadores fueron puestos a trabajar durante media hora y el nmero de
piezas ensambladas fue registrado, quienes obtuvieron los resultados que se
muestran a continuacin.
Tabla 6. 11 Nmero de Piezas Ensambladas por los Diferentes Operadores
Bloques
Totales de
Tratamientos
Tratamientos
I
II
III
IV
V
A
45 46 48 44 46
229
B
45 48 46 48 46
233
C
52 50 49 55 51
257
Totales de
Boques
142 144 143 147 143
719
181
Existe suficiente evidencia para decir que hay diferencia entre la eficiencia
promedio de los mtodos para realizar la operacin? Use = 0.05.
Solucin:
HIPTESIS:
i. Tratamientos
Ho: 1 = 2 = K = t = 0
ii. Bloques
Ho: 1 = 2 = K = b = 0
i. Tratamientos
CMTrt
Fc =
~ F[( t 1), ( t 1)( b1)]
CM E
Valor-p = P [ F[( t 1), ( t 1)( b1)] >Fc]
ii. Bloques
CMBloques
Fc =
~ F[( b1), ( t 1)( b1)]
CME
Valor-p = P[ F[( b 1), ( t 1)( b 1)] >Fc]
SUPUESTOS:
REGLA DE DECISIN:
i. Bloques
ii. Tratamientos
forma no rechazar.
CLCULOS:
182
FC =
719 2
= 34464.067
tb
15
t
n
y2
= y ij2 ..
tn
i =1 j =1
y ..2
SSTotal
SSTotal = 45 2 + 46 2 + 48 2 + ... + 55 2 + 512 34464.067 = 128.933

t
SSTrt =
i =1
y i2. y ..2
n
tn
229 2 + 233 2 + 257 2

SSTrt =
34464.067 = 91.733
5
y .2j FC
SSBloques =
t
142 2 + 144 2 + 143 2 + 147 2 + 143 2
SSBloques =
34464.067 = 4.933
3
SSE = 128.933 91.733 4.933 = 32.267

SST
91.733
;
CMTrt =
= 45.867
CMTrt =
3 1
t 1
SSBloques
4.933
;
CM Bloques =
= 1.233
CM Bloques =
b 1
5 1
SSE
32.267
CM E =
;
CM E =
= 4.033
(t 1)(n 1)
(3 1)(5 1)
CMTrt
FTrt =
CM E
45.867
FTrt =
= 11.37
4.033
CMBloques
FBloques =
CME
1.233
FBloques =
= 0.31
4.033
Tabla 6. 12 Anlisis de Varianza para el Nmero de Piezas Ensambladas en

un Diseo de BCA.
Fuentes de
Grados de
Suma de
Cuadrados
Fc
F
Variacin
Libertad
Cuadrados
Medios
Bloques
4
4.933
1.233
0.31
4.53 ns
Tratamientos
2
91.733
45.867
11.37
5.14*
Error
8
32.267
4.033
183
Total
14
128.933
DECISIN:
i. Bloques
FBloques < 4.53, entonces no rechazar Ho.
ii. Tratamientos
FTrt >5.14, entonces se rechazar Ho.
El valor-p < 0.05, entonces se rechazar Ho.
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que la variable de bloques no
afecta la eficiencia de las operaciones y s existe suficiente evidencia para
declarar alguna diferencia entre las medias de las piezas armadas por unidad
de tiempo, debido a los diferentes mtodos, con un nivel del 5%.
Ejemplo 6.5: Un Ingeniero de calidad que tiene a su cargo 25 mquinas de soldar por
termofusin para unir terminales a componentes electrnicos, sospecha que
existe variacin de la resistencia a la ruptura introducida por dichas mquinas.
Con el propsito de salir de dudas, se eligieron cuatro de stas para realizar un
experimento; posteriormente las mquinas se ajustaron para tener las mismas
condiciones de operacin de las cuales se realizaron cinco corridas, una en
cada da de la semana con el propsito de separar la variacin debido a los
das, ya que se sospecha que afecta la resistencia a la ruptura de la soldadura.
Se seleccion una pieza al azar en cada corrida de cada mquina y se midi la
fuerza necesaria para romper la unin de la terminal al componente en libras
por pulgada cuadrada. Los datos se muestran en la tabla 6.13. Verifique la
hiptesis, s existe variacin debido a las mquinas, con =0.05.
Tabla 6. 13 Fuerza Necesaria para Romper la Unin de la Terminal en Libras
por Pulgada Cuadrada.
Tratamientos
Bloques
A
B
C
D
Lunes
68
70
70
77
Martes
70
71
71
78
Mircoles
72
74
73
81
Jueves
69
73
69
79
Viernes
71
72
71
80
Solucin:
HIPTESIS:
i. Tratamientos
Ho: 2 = 0
184
Ha: 2 > 0
ii. Bloques
Ho: 1 = 2 = K = b = 0
Ntese que las hiptesis estn planteadas en trminos del componente

de varianza debido a los tratamientos, esto es porque se tom una
muestra aleatoria de las mquinas.
i. Tratamientos
CMTrt
Fc =
~ F[( t 1), ( t 1)( b1)]
CM E
Valor-p = P [ F[( t 1), ( t 1)( b1)] >Fc]
ii. Bloques
CMBloques
Fc =
~ F[( b1), ( t 1)( b1)]
CME
Valor-p = P[ F[( b 1), ( t 1)( b 1)] >Fc]
SUPUESTOS:
4. Los efectos de los tratamientos son independientes, tienen distribucin
normal.
REGLA DE DECISIN:
i. Bloques
forma no rechazar o si el valor-p > , entonces rechazar la hiptesis
ii. Tratamientos
forma no rechazar.
CLCULOS:
185
FC =
1459 2
= 106434.05
tb
20
ni
t
y2
= y ij2 t ..
i =1 j =1
ni
y ..2
SSTotal
i =1
SSTotal = 68 + 70 + 72 2 + ... + 79 2 + 80 2 106434.05 = 292.95

2
y i2. y ..2
=
tn
i =1 n
t
SSTrt
350 2 360 2 354 2 395 2

+
+
+
106434.05 = 254.15
5
5
5
5
y .2j
SSBloques =
FC
t
285 2 + 290 2 + 300 2 + 290 2 + 294 2
SSBloques =
106434.05 = 31.2
4
SSTrt =
SSE = 292.95 254.15 31.2 = 7.6

SST
254.15
;
CMTrt =
= 84.717
CMTrt =
4 1
t 1
SSBloques
31.2
;
CM Bloques =
= 7 .8
CM Bloques =
5 1
b 1
SSE
7.36
CM E =
;
CM E =
= 0.633
12
(t 1)(n 1)
CMTrt
FTrt =
CM E
84.717
FTrt =
= 133.76
0.633
CMBloques
FBloques =
CME
7 .8
FBloques =
= 12.32
0.633
Tabla 6. 14 Anlisis de Varianza para la Fuerza a la Ruptura en un Diseo de

BCA.
Fuentes de
Grados de
Suma de
Cuadrados
Fc
F
Libertad
Cuadrados
Medios
Variacin
Das
4
31.2
7.8
12.32 3.2592*
Tratamientos
3
254.15
84.717
133.76 3.4903*
Error
12
7.6
.633
186
Total
19
292.95
DECISIN:
i. Bloques
FBloques < 3.25, entonces rechazar Ho.
El valor-p > 0.05, entonces rechazar Ho.
ii. Tratamientos
CONCLUSIN:
Los datos proveen suficiente evidencia para declarar que los das de la semana
si afectan la resistencia a la ruptura de la soldadura y que tambin existe
suficiente evidencia para decir que las mquinas de soldar estn introduciendo
variacin en la resistencia a la ruptura de la soldadura, con un nivel de
Es importante resaltar que en los problemas de efectos aleatorios, las hiptesis
se plantean en funcin del componente de varianza debido a los tratamientos,
obviamente las conclusiones se expresan en trminos de dicho componente, pero se
debe tener cuidado, ya que los tratamientos presentes en el proceso de
experimentacin slo son una muestra aleatoria del total de la poblacin de
tratamientos. El anlisis del ejemplo anterior es para un modelo de efectos mixtos,
donde los tratamientos son de efectos aleatorios y los bloques son de efectos fijos.
6.2 Diseo de Cuadro Latino.
En la seccin anterior se estudi el diseo de BCA, donde se considera que el

material experimental tiene una fuente de variacin, la cual se sospecha que afecta la
variable de respuesta, cuando se cuenta con informacin sobre las unidades
experimentales, el bloque es una forma efectiva para separar la variacin no deseada,
el diseo de CL es un diseo experimental que puede eliminar la variacin no
deseada de dos factores, mismos que son llamados columnas, hileras o renglones.
El diseo de CL consiste de agrupar las unidades experimentales por bloques
en dos sentidos y los tratamientos son asignados al azar, de tal forma que cada
tratamiento se encuentre una vez en cada columna y en cada hilera,
consecuentemente el nmero de unidades experimentales por columna e hilera, debe
de ser igual al nmero de tratamientos, de aqu que el nmero de unidades
experimentales es igual al nmero de tratamientos al cuadrado t 2 , de ah el nombre
de cuadro y a los tratamientos generalmente se les denota por una letra latina, por
187
eso el nombre de cuadro latino. Con la restriccin de aleatorizacin para lograr la

condicin anterior, nos lleva a considerar algunas ventajas y desventajas.
El diseo de CL es gran utilidad cuando dos fuentes de variacin no deseada,
pueden ser identificadas en las unidades experimentales, ya que la comparacin de
las medias de los tratamientos sern de mayor exactitud, cuando se aplique
efectivamente el bloqueo para las dos variables ruido, este diseo tiene una gran
sensibilidad, ya que el bloqueo efectivo da como resultado una disminucin en el error
experimental, el cual se refleja en la reduccin del cuadrado medio del error. El CL es
relativamente fcil de analizar comparado con el BCA, nicamente una suma de
cuadrados adicional es requerida. Cuando se necesitan ms grados de libertad en el
error, se pueden combinar varios diseos CL. Cuando datos individuales son
perdidos, stos pueden ser estimados y mantener el anlisis simple.
Las desventajas principales del diseo CL es que el nmero de columnas,
hileras y tratamientos deben de ser iguales, algunas veces es difcil obtener bloques
homogneos en dos dimensiones, especialmente cuando el nmero de tratamientos
es grande. Los diseos pequeos proveen pocos grados de libertad para estimar la
varianza debido al error experimental. Este diseo no es apropiado cuando existe
interaccin entre cualquier combinacin de los efectos de los tratamientos, columnas
e hileras.
El Plan Experimental de un diseo CL, es la asignacin de los tratamientos a

las unidades experimentales o las corridas de las columnas e hileras, se hace al azar,
de tal forma que dentro de cada columna e hilera se asigne solamente una vez cada
tratamiento y que todos los tratamientos aparezcan en todas las columnas y todas las
hileras. Entonces el Plan Experimental, consiste en el orden en que se corren los
tratamientos y stos deben de ser al azar para cada columna e hilera con la
restriccin antes mencionada, el procedimiento se enlista a continuacin:
i.
ii.
iii.
iv.
Seleccionar al azar un CL estndar de la tabla A-9, de tamao txt.

Ordenar al azar todas las columnas de CL seleccionado.
Ordenar al azar todas las hileras del CL excepto la primera.
Asignar aleatoriamente los tratamientos a las letras.
A continuacin se presentan un par de ejemplos para ilustrar el procedimiento de

una forma explcita.
Ejemplo 6.6: Un ingeniero encargado de implantar un sistema de incentivos, sospecha
que hay diferencia en los tiempos promedios necesarios para llevar a cabo las
operaciones bancarias por las diferentes personas que atienden las cajas,
adicionalmente piensa que los clientes requieren diferentes tipos de
188
operaciones dependiendo del da de la semana y la hora en que estas sean

realizadas. Con el propsito de verificar tal sospecha, el ingeniero planea llevar
a cabo un diseo CL para separar la variacin debido a los das y las horas en
que se realizan dichas operaciones, cuenta con cinco cajeros, cinco das de la
semana y dividi el horario en cinco segmentos; realizar el plan experimental.
Solucin: Primeramente, se seleccionan CL estndar de 5x5.
Tabla 6. 15 Cuadro Latino Estndar
A B C D E
E A B C D
D E A B C
C D E A B
B C D E A
1 2 3 4 5
Posteriormente se selecciona una permutacin de cinco nmeros aleatorios; (2,

6, 4, 3, 1) y en rangos corresponde a (2, 5, 4, 3, 1), esto significa que hay que
reacomodar las columnas en el orden en que indica la permutacin, esto se
muestra en la tabla 6.16.
Tabla 6. 16 Aleatorizacin de Columnas.
B E D C A
A D C B E 1
E C B A D 2
D B A E C 3
C A E D B 4
2 5 4 3 1
El tercer paso consiste en ordenar al azar las hileras de la 2 a la 5, por lo tanto

se obtiene una permutacin aleatoria de cuatro nmeros; (3, 8, 1, 0), en rangos
corresponde a (3, 4, 2, 1), entonces se ordenar al azar las hileras en el orden
que nos indica la permutacin. Ntese que la hilera uno es la dos del CL y as
sucesivamente la cinco es la cuatro para poder aleatorizar.
Tabla 6. 17 Aleatorizacin de Hileras.
B E D C A
D B A E C 3
C A E D B 4
E C B A D 2
189
A D C B E 1
Por ltimo se asignan aleatoriamente los tratamientos a las letras, esto tambin
se puede hace sacando cinco nmeros aleatorios o permutacin aleatoria; (7,
4, 3, 9, 6), los rangos de la permutacin son (4, 2, 1, 5, 3). A la letra A se le
asigna el cajero 4, a la letra B se le asigna el cajero 2, a la letra C se le asigna
el cajero 1, a la letra D se le asigna el cajero 5 y a la letra E se le asigna el
cajero 3. La siguiente tabla muestra el Cuadro Latino para ejecutar el
experimento.
Tabla 6. 18 Plan Experimental para Medir la Habilidad de los Cajeros.
Das
Horas Lunes Martes Mircoles Jueves Viernes
I
B
E
D
C
A
II
D
B
A
E
C
III
C
A
E
D
B
IV
E
C
B
A
D
V
A
D
C
B
E
El Plan Experimental es consiste en que el lunes a primera hora se evaluar al

tratamiento B que es el cajero 2, el mismo lunes se evaluar al segundo
perodo de tiempo se evaluar al tratamiento D o cajero 5, en el tercer horario
del mismo lunes se evaluar el cajero 1, posteriormente el tratamiento E que
corresponde al cajero 3 y finalmente en el lunes en el ltimo horario se evala
al tratamiento A, cajero 4 y as sucesivamente como se indica en el CL de la
tabla 6.18.
Ejemplo 6.7: Un Ingeniero de manufactura est investigando la capacidad de cuatro
maquinas, para tal motivo se seleccionaron cuatro operadores y cuatro
proveedores de materia prima; hacer un plan experimental para llevar a cabo el
estudio en un cuadro latino.
Solucin: Primeramente, se selecciona un CL estndar de 4x4.
Tabla 6. 19 Cuadro Latino Estndar.
A B C D
B A D C
D C A B
C D B A
1 2 3 4
190
Posteriormente se selecciona una permutacin de cinco nmeros aleatorios; (2,

6, 4, 3) y en rangos corresponde a (1, 4, 3, 2), esto significa que hay que
reacomodar las columnas en el orden en que indica la permutacin, esto se
muestra en la tabla 6.20.
A D C B
B C D A 1
D B A C 2
C A B D 3
1 4 3 2 4
El tercer paso consiste en ordenar al azar las hileras de la 2 a la 4, por lo tanto

se obtiene una permutacin aleatoria de tres nmeros; (3, 8, 1), en rangos
corresponde a (2, 3, 1), entonces se ordenar al azar las hileras en el orden que
nos indica la permutacin. Ntese que la hilera uno es la dos del CL y as
sucesivamente la cinco es la cuatro para poder aleatorizar.
A D C B
D B A C 2
C A B D 3
B C D A 1
Por ltimo se asignan aleatoriamente los tratamientos a las letras, esto tambin
se puede hacer sacando cinco nmeros aleatorios o permutacin aleatoria; (4,
3, 9, 6), los rangos de la permutacin son (2, 1, 4, 3). A la letra A se le asigna a
la mquina 2, a la letra B se le asigna la mquina 1, a la letra C se le asigna la
mquina 4, y a la letra D se le asigna la mquina 3. La siguiente tabla muestra
el Cuadro Latino para ejecutar el experimento.
Tabla 6. 22 Plan Experimental para Medir la Capacidad de las Mquinas.
Proveedores
Operador I II III IV
I
A D C B
II
D B A C
III
C A B D
IV
B C D A
191
El Plan Experimental consiste del orden en que se ejecutarn los tratamientos,

lo cual significa que la mquina etiquetada con A se deber correr con el
operador I y la materia prima del proveedor I, el operador II con la mquina
etiquetada como D con la materia prima del proveedor I. Ntese que se pueden
operar todas las mquinas con la materia prima del proveedor I, con los
operadores que indica la primera columna, y as sucesivamente para cada
materia prima o columna hasta agotar las cuatro columnas, colocando el
operador en la mquina que indica cada columna.

durante la ejecucin de un experimento, para un diseo CL; es el modelo lineal es la
suma de los componentes debido a los tratamientos y del muestreo y adems los
Diseo Experimental, es decir, mas los efectos de columnas e hileras. Entonces cada
observacin estar compuesta como lo indica la siguiente ecuacin:
y ijk = + i + j + k + ijk Para i=1,, t; i=1,, t y k=1,..., t

Donde: y ijk , representa la observacin del tratamiento i-simo en la j-sima
hilera y k-sima columna.

j , representa el efecto de la j-sima hilera.
k , representa el efecto de la k-sima columna.
ijk , representa el error del tratamiento i-simo en la j-sima hilera y kt,
sima columna.
es el nmero de tratamientos.
Como se puede observar en el modelo lineal estn presentes los efectos de los
tratamientos, de las hileras, de las columnas y del muestreo, que son los valores de ,
, y , en este caso no est presente un componente de la interaccin de
tratamientos con las columnas o hileras, dado que es un supuesto en todos los
diseos CL. Los supuestos sobre el modelo para Efectos Fijos, son necesarios para
analizar los datos y hacer las conclusiones e inferencias o la verificacin de las
hiptesis sobre la igualdad de medias de tratamientos y de los efectos sobre las
columnas e hileras.
Dichos supuestos son que cada tratamiento tiene una distribucin normal con
varianza comn 2 y que las muestras son independientes y obtenidas en forma
192
aleatoria, tambin que no existe interaccin entre tratamientos y columnas e hileras.

Lo anterior se puede resumir en:
i.
ijk iid N(0, 2),
ii.
iii.
iv.
v.
No existe interaccin entre columnas, hileras y tratamientos.
= 0,
=0,
=0

i. ij iid N(0, 2),
ii. i iid N(0, 2 ),
iv. k iid N(0, 2 ),
v. No existe interaccin entre columnas, hileras y tratamientos
vi. Los componentes de los efectos , , y , estn independientemente
distribuidos.
En el modelo lineal para el diseo de CL hay tres efectos principales, los
tratamientos, columnas e hileras, en los supuestos anteriores se asume que todos los
efectos principales son fijos o aleatorios, puede existir el caso en que uno de los
efectos es aleatorio y los otros son fijos. A continuacin se establecen los supuestos
en el caso de que los tratamientos son aleatorios y los efectos de las columnas e
hileras son fijos:
i. ij iid N(0, 2),
ii.
iii.
j iid N(0, 2 ),
iv.
k iid N(0, 2 ),
= 0,
193
v.
vi.
No existe interaccin entre columnas, hileras y tratamientos

Los componentes de los efectos
independientemente distribuidos.
, estn

se presenta al anlisis de varianza el cual es similar para cualquiera de los casos
anteriores, lo que cambia es la forma de concluir dependiendo del tipo de modelo
lineal.
A continuacin se estiman los parmetros del Modelo Lineal para el Diseo CL,
cuando los efectos son fijos se parte de:
y ijk = + i + j + k + ijk Para i=1,, t; i=1,, t y k=1,..., t

La estimacin de los paramentos, como es costumbre, se hace utilizando el
Mtodo de Mnimos Cuadrados, el cual consiste en minimizar la suma de los
cuadrados de los errores, es decir:
Min. L
t
L= ij2 = ( y ij i j k )2 .
i =1 j =1 k =1
i =1 j =1 k =1

parciales de L con respecto a los parmetros , , y .
t
t
t
L
= 2 ( y ij i j k ) = 0
i =1 j =1 k =1
t
t
t
L
= 2 ( y ij i j k ) = 0 , para i=1,t
i
i =1 j =1 k =1
t
t
t
L
= 2 ( y ij i j k ) = 0 , para j=1,t
j
i =1 j =1 k =1
t
t
t
L
= 2 ( y ij i j k ) = 0 , para k=1,t
k
i =1 j =1 k =1

normal de ecuaciones, es importante mencionar que los valores de i y de l en las
sumatorias, slo existen para los que indica el rengln j-simo y la columna k-sima la
194
solucin de dicho sistema aunado con las restricciones para el modelo de efectos
fijos:
i = 0 , i = 0 y k = 0
1 t t
1 t
y
=
y i ..
ijk
t 2 i =1 j =1
t 2 i =1
i = y i .. y ...
= y ... =
i = y . j . y ...
k = y ..k y ...
i = y i . =
1 t t
y ijk , para i=1,, t
t j =1 k

CM E =
t
t
t
1
( y ijk y ijk )2
(t 1)(t 2) i =1 j =1 k =1
CM E =
t
t
t
1
( y ij i j k )2
(t 1)(t 2) i =1 j =1 k =1

procede a la verificacin de hiptesis sobre las medias de los tratamientos, as como
la eficiencia de las variables de bloqueo, en el caso de efectos fijos. Se debe de
recordar que para el caso de efectos aleatorios la hiptesis se plantea sobre el
componente de varianza de los tratamientos.

muestran en las tablas 6.23 y 6.24, para simplificar los clculos del anlisis de
varianza. As como los clculos son tabulados como se muestra en la tabla 6.25.
195
Tabla 6. 23 Organizacin de las Observaciones para un Diseo CL.

Total de
Columnas
Hileras
Hileras
I
II
t
I
A
D B
y 21t
y 111 y 412
y .1.
II
D
B
E
y t 2t
y 421 y 222
y .2.
E
y 5t 1
Total de
Columnas
C
y 3t 2
A
y 1tt
y .t .
y ..t
y ...
y ..1
y ..2
Tabla 6. 24 Tabulacin de Datos para un Diseo CL.

Tratamientos
Hileras
1
2
y
y 111
21t
II
y 123
y 222
M
M
M
t
y 1tt
y 2t 3
Totales de
Tratamientos
y 1..
y 2..
k =1
k =1
j =1
t
y t 13
y t 2t
M
y tt 1
y t ..
t
Donde: y i .. = y ijk , y . j . = y ijk y .k . = y ijk , y y .. = y ijk .
Tabla 6. 25 Anlisis de Varianza para un Diseo CL.

Fuentes de
Grados de
Suma de
Libertad
Cuadrados
Variacin
Columnas
t-1
SSColumnas
Hileras
t-1
SSHileras
Tratamientos
t-1
SSTrt
Error
(t-1)(t-2)
SSE
Total
SSTotal
t2-1
196
j =1 k =1
Cuadrados
Medios
CMColumnas
CMHileras
CMTrt
CME
Fc
CMColumnas/CME
CMHileras/CME
CMTrt/CME
Donde: FC = y ...
t2
SSTotal = y ijk2 FC
j
SSTrt =
2
i ..
FC
SSColumnas =
SSHileras =
2
..k
y
j
FC
2
. j.
FC
SSE = SSTotal SSColumnas SSHileras SSTrt
CMTrt =
SSTrt
CMColumnas =
CM Hileras =
t 1
SSColumnas
SSHilerass
CM E = SSE
t 1
t 1
(t 1)(t 2)

HIPTESIS:
i. Tratamientos
Ho: 1 = 2 = K = t = 0
ii. Columnas
Ho: 1 = 2 = K = t = 0
197
Ha: Por lo menos un efecto de las columnas es diferente de cero.
iii. Hileras
Ho: 1 = 2 = K = t = 0
Ha: Por lo menos un efecto de las hileras es diferente de cero.
i. Tratamientos
CMTrt
Fc =
~ F[( t 1), ( t 1)( t 2 ) ]
CM E
Valor-p = P [ F[( t 1), ( t 1)( t 2 )] >Fc].
ii. Columnas
CMColumnas
Fc =
~ F[( t 1), ( t 1)( t 2 )]
CM E
Valor-p = P[ F[( t 1), ( t 1)( t 2 )] >Fc].
iii. Hileras
CM Hileras
Fc =
~ F[( t 1), ( t 1)( t 2 )]
CM E
Valor-p = P[ F[( t 1), ( t 1)( t 2 )] >Fc].
SUPUESTOS:
4. No existe interaccin entre columnas, hileras y tratamientos.
REGLA DE DECISIN:
i. Tratamientos
Si FTrt > F(t-1, (t-1)(t-2); ), entonces rechazar la hiptesis nula, de otra forma no
forma no rechazar.
ii. Columnas
Si FColumnas > F(t-1, (t-1)(t-2); ), entonces rechazar la hiptesis nula, de otra
iii. Hileras
198
Si FHileras > F(t-1, (t-1)(t-2); ), entonces rechazar la hiptesis nula, de otra forma
no rechazar o Si el valor-p > , entonces rechazar la hiptesis nula, de
otra forma no rechazar.
Ejemplo 6.8: Un ingeniero encargado de implantar un sistema de incentivos, sospecha
que hay diferencia en los tiempos promedios, necesarios para llevar a cabo las
operaciones bancarias por las diferentes personas que atienden las cajas,
adicionalmente, piensa que los clientes reciben diferentes tipos de operaciones
dependiendo del da de la semana y la hora en que estas sean realizadas. Con
el propsito de verificar tal sospecha, el ingeniero llev a cabo un diseo CL
para separar la variacin debido a los das y las horas en que se realizan
dichas operaciones, involucr a cinco cajeros, utiliz cinco das de la semana y
dividi el horario en cinco segmentos, los resultados obtenidos se muestran en
la tabla 6.26. Verificar la hiptesis sobre la igualdad de habilidades de los
cajeros, con un nivel de significancia del 1%.
Solucin:
HIPTESIS:
i. Tratamientos
Ho: 1 = 2 = K = t = 0
ii. Columnas
Ho: 1 = 2 = K = t = 0
iii. Hileras
Ho: 1 = 2 = K = t = 0
Lunes
Total de
Horarios Lunes Martes Mircoles Jueves Viernes Hileras
I
B
E
D
C
A
5
6
5
6
4
26
II
D
B
A
E
C
5
6
4
5
6
26
III
C
A
E
D
B
5
4
5
4
4
22
IV
E
C
B
A
D
6
11
7
5
8
37
VI
A
D
C
B
E
6
12
10
6
9
43
199
Total de
Columnas
27
39
31
26
31
154
i. Tratamientos
CMTrt
Fc =
~ F[( t 1), ( t 1)( t 2 ) ]
CM E
Valor-p = P [ F[( t 1), ( t 1)( t 2 )] >Fc].
ii. Columnas
CMColumnas
Fc =
~ F[( t 1), ( t 1)( t 2 )]
CM E
Valor-p = P[ F[( t 1), ( t 1)( t 2 )] >Fc].
iii. Hileras
CM Hileras
Fc =
~ F[( t 1), ( t 1)( t 2 )]
CM E
Valor-p = P[ F[( t 1), ( t 1)( t 2 )] >Fc].
SUPUESTOS:
REGLA DE DECISIN:
i. Tratamientos
forma no rechazar.
ii. Columnas
iii. Hileras
200
CLCULOS:
Tabla 6. 27 Tabulacin de Datos de las Operaciones Bancarias con Total de
Tratamientos.
Tratamientos
A B C D E
Hileras
I
4 5 6 5 6
II
4 6 6 5 5
III
4 4 5 4 5
IV
5 7 11 8 6
6 6 10 12 9
V
Totales de
Tratamientos 23 28 38 34 31
k =1
k =1
j =1
y i .. = y ijk , y . j . = y ijk y .k . = y ijk , y y .. = y ijk .
FC =
y ...2
j =1 k =1
154 2
= 2 = 948.64
t2
5
SSTotal = y ijk2 FC
j
SSTotal = 5 + 6 2 + 5 2 + ... + 9 2 948.64 = 117.36

2
SSTrt =
SSTrt
2
i ..
FC
t
23 2 + 28 2 + 38 2 + 34 2 + 312
=
948.64 = 26.16
5
i
SSColumnas =
SSColumnas
SSHileras =
y
k
2
..k
FC
27 2 + 39 2 + 312 + 26 2 + 312
=
948.64 = 20.96
5
y
j
2
. j.
FC
201
SSHileras =
26 2 + 26 2 + 22 2 + 37 2 + 43 2
948.64 = 62.16
5
SSE = 117.36 62.16 20.96 26.16 = 8.08

CMTrt =
SSTrt
; CMTrt = 26.16 = 6.54

t 1
4
SSColumnas
; CMColumnas = 20.96 = 5.24

t 1
4
SSHileras
CM Hileras =
; CM Hileras = 62.16 = 15.54
t 1
4
CM E = SSE
; CM E = 8.08
= 0.6733
(t 1)(t 2)
( 4)(3)
CMTrt
6.54
FTrt =
; FTrt =
= 9.71
0.6733
CM E
CMColumnas =
FColumnas =
FHileras =
CMColumnas
5.24
; FColumnas =
= 7.78
0.6733
CM E
CM Hileras
15.54
; FBloques =
= 23.08
CM E
0.6733
Tabla 6. 28 Anlisis de Varianza para las Operaciones Bancarias un Diseo CL.

Fuentes de
Grados de
Suma de
Cuadrados
Fc
F
Libertad
Cuadrados
Medios
Variacin
Columnas
4
62.16
15.54
23.08 5.41*
Hileras
4
20.96
5.24
7.78 5.41*
Tratamientos
4
26.16
6.54
9.71 5.41*
Error
12
8.08
0.6733
Total
24
117.36
DECISIN:
i. Tratamientos
ii. Columnas
FColumnas >5.41, entonces rechazar Ho.
202
iii. Hileras
FHileras >5.41, entonces rechazar Ho.
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que las variables de bloqueo
si afectan el tiempo de realizacin de las operaciones bancarias, por lo tanto
fue eficiente el diseo de CL y que existe suficiente evidencia para declarar
alguna diferencia entre los tiempos medios para realizar operaciones bancarias
entre los cinco dependientes, con un nivel del 1%.
Ejemplo 6.9: Un Ingeniero de manufactura est investigando la capacidad de cuatro
mquinas, para tal motivo se seleccionaron cuatro operadores y cuatro
proveedores de materia prima e hizo un plan experimental para llevar a cabo el
estudio en un cuadro latino. Cada corrida consisti de media hora de
produccin y se contabilizaron las piezas que cumplieron con las
especificaciones. Los datos que se recolectaron durante la ejecucin del
experimento se encuentran en la tabla 6.29. Verificar si existe alguna diferencia
entre las capacidades promedio de las mquinas, con un nivel de significancia
del 5%.
Tabla 6. 29 Produccin Aceptable por Corrida.
Proveedores
Total de
Operadores
Hileras
I
II
III
IV
I
A
D
C
B
68 77 70 70
285
II
D
B
A
C
78 71 70 71
290
III
C
A
B
D
73 72 74 81
300
IV
B
C
D
A
73 71 79 69
292
Total de
Columnas 292 291 293 291
1167
Solucin:
HIPTESIS:
i. Tratamientos
Ho: 1 = 2 = K = t = 0
203
ii. Columnas
Ho: 1 = 2 = K = t = 0
iii. Hileras
Ho: 1 = 2 = K = t = 0
i. Tratamientos
CMTrt
Fc =
~ F[( t 1), ( t 1)( t 2 ) ]
CM E
Valor-p = P [ F[( t 1), ( t 1)( t 2 )] >Fc].
ii. Columnas
CMColumnas
Fc =
~ F[( t 1), ( t 1)( t 2 )]
CM E
Valor-p = P[ F[( t 1), ( t 1)( t 2 )] >Fc].
iii. Hileras
CM Hileras
Fc =
~ F[( t 1), ( t 1)( t 2 )]
CM E
Valor-p = P[ F[( t 1), ( t 1)( t 2 )] >Fc].
SUPUESTOS:
REGLA DE DECISIN:
i. Tratamientos
forma no rechazar.
ii. Columnas
204
iii. Hileras
CLCULOS:
Tabla 6. 30 Tabulacin de Produccin Aceptable con Total de Tratamientos.
Mquinas
A
B
C
D
Operadores
I
68 70 70 77
II
70 71 71 78
III
72 74 73 81
IV
69 73 71 79
Totales de
Tratamientos 279 288 285 315
k =1
k =1
j =1
y i .. = y ijk , y . j . = y ijk y .k . = y ijk , y y .. = y ijk .
FC =
y ...2
t2
j =1 k =1
1167 2
= 85118.0625
42
SSTotal = y ijk2 FC
j
SSTotal = 68 + 77 2 + 70 2 + ... + 69 2 85118.0625 = 222.938

2
SSTrt =
SSTrt
2
i ..
FC
t
279 2 + 288 2 + 285 2 + 315 2
=
85118.0625 = 190.688
4
i
SSColumnas =
SSColumnas
SSHileras =
2
..k
FC
t
292 2 + 2912 + 293 2 + 2912
=
85118.0625 = 0.688
4
k
y
j
2
. j.
FC
205
285 2 + 290 2 + 300 2 + 292 2

85118.0625 = 29.188
4
SSE = 222.938 0.688 29.188 190.688 = 2.375
SSTrt
CMTrt =
; CMTrt = 190 .688 = 63.563
t 1
3
SSColumnas
CMColumnas =
; CMColumnas = 0.688 = 0.229
t 1
3
SSHileras
CM Hileras =
; CM Hileras = 29.188 = 9.729
t 1
3
CM E = SSE
; CM E = 2.375
= 0.396
(t 1)(t 2)
(3)(2)
CMTrt
63.563
FTrt =
; FTrt =
= 160.58
CM E
0.396
CMColumnas
0.229
; FColumnas =
= 0.58
FColumnas =
CM E
0.396
CM Hileras
9.729
FHileras =
; FHilerass =
= 24.58
CM E
0.396
SSHileras =
Tabla 6. 31 Anlisis de Varianza para la Produccin Aceptable en un Diseo de

CL.
Fuentes de
Grados de
Suma de
Cuadrados
Fc
F
Libertad
Cuadrados
Medios
Variacin
Proveedores
3
0.688
0.229
0.58 4.76ns
Operadores
3
29.188
9.729
24.58
4.76*
Mquinas
3
190.688
63.563
160.58 4.76*
Error
6
2.375
0.396
Total
15
222.938
DECISIN:
i. Tratamientos
ii. Columnas
FColumnas <4.76, entonces no rechazar Ho.
El valor-p < 0.05, entonces no rechazar Ho.
iii. Hileras
FHileras >4.76, entonces rechazar Ho.
206
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que la variable de bloqueo de
operadores si afecta la produccin aceptable promedio, mientras que las
materias primas de los diferentes proveedores no afecta. Por otro lado, s
existe suficiente evidencia para declarar alguna diferencia entre la produccin
aceptable promedio de las diferentes mquinas, con un nivel de significancia
del 5%.
6.3 Diseo de Cuadro Greco Latino.
El diseo de CGL es un diseo experimental que puede eliminar

sistemticamente tres fuentes de variacin no deseada que son llamadas columnas,
hileras y bloques o tratamientos griegos, este diseo es similar al CL y adems se
sobrepone otro CL con letras griegas que representa la tercera variable de bloqueo. El
diseo de CGL consiste de agrupar las unidades experimentales por bloques en tres
sentidos y los tratamientos son asignados al azar, de tal forma que cada tratamiento
se encuentre una vez en cada columna y en cada hilera, e igualmente se asigna los
niveles de la tercera variable de bloqueo, de tal manera que la letra griega se sita
solamente una vez en con cada letra latina y se frecuente una vez en cada columna e
hilera, a esta condicin se le llama ortogonalidad.
Al Igual que el CL el nmero de unidades experimentales por columna e hilera
debe de ser igual al nmero de tratamientos de las letras latinas y nmero de niveles
de las letras griegas, de aqu que el nmero de unidades experimentales es igual al
nmero de tratamientos al cuadrado t 2 , de ah el nombre de cuadro y a los
tratamientos generalmente se les denota por una letra latina y los niveles de la tercera
variable de bloqueo por una letra griega, por eso el nombre de Cuadro Greco Latino.
Con la restriccin de ortogonalidad y aleatorizacin, nos lleva a considerar algunas
ventajas y desventajas las cuales son muy similares a las del CL.
El diseo de CGL es gran utilidad cuando tres fuentes de variacin no
deseadas pueden ser identificadas en las unidades experimentales, ya que la
comparacin de las medias de los tratamientos sern de mayor exactitud cuando se
aplique eficientemente el bloqueo para las tres variables ruido, este diseo tiene una
gran sensibilidad, ya que el bloqueo efectivo da como resultado una disminucin en el
error experimental, el cual se refleja en la reduccin del cuadrado medio del error. El
CGL es relativamente fcil de analizar comparado con el BCA, nicamente dos sumas
de cuadrados adicionales son requeridas. Cuando se necesitan ms grados de
libertad en el error se pueden combinar varios diseos CGL. Cuando datos
individuales son perdidos, stos pueden ser estimados y hacer el anlisis.
Las desventajas principales del diseo CGL es que el nmero de columnas,
hileras, niveles griegos y tratamientos latinos deben de ser iguales, muy
frecuentemente es difcil obtener bloques homogneos en tres dimensiones,
207
especialmente cuando el nmero de tratamientos es grande. Los diseos pequeos

proveen pocos grados de libertad para estimar la varianza debido al error
experimental. Este diseo no es apropiado cuando existe interaccin entre cualquier
combinacin de los efectos de los tratamientos latinos, letras griegas, columnas e
hileras.
En el Plan Experimental de un diseo CGL, la asignacin de los tratamientos

latinos y griegos a las unidades experimentales o las corridas de las columnas e
hileras se hace al azar, de tal forma que dentro de cada columna e hilera se asigne
solamente una vez cada combinacin de tratamientos latinos y griegos, de tal manera
que cada combinacin aparezca en todas las columnas y todas las hileras. Entonces
el Plan Experimental, consiste en el orden en que se corren los tratamientos y stos
deben de ser al azar para cada columna e hilera con la restriccin antes mencionada,
el procedimiento se enlista a continuacin:
i.
ii.
iii.
iv.
Seleccionar aleatoriamente un CGL estndar de tamao txt.

Ordenar al azar todas las columnas de CGL seleccionado.
Ordenar al azar todas las hileras del CGL excepto la primera.
Asignar a azar los tratamientos a las letras latinas y griegas.
A continuacin se presentan un par de ejemplos para ilustrar el procedimiento de

una forma explcita.
Ejemplo 6.10: Un ingeniero encargado de implantar un sistema de incentivos,
sospecha que hay diferencia en los tiempos promedios necesarios para llevar a
cabo las operaciones bancarias por las diferentes personas que atienden las
cajas, adicionalmente piensa que los dependientes reciben diferentes tipos de
operaciones segn los clientes, para esto clasifica los tipos de operaciones en
cinco clases. Tambin sospecha que dependiendo del da de la semana y la
hora en que estas sean realizadas, son de diferente tipo lo cual puede afectar
los tiempos promedios. Con el propsito de verificar tal sospecha, el ingeniero
planea llevar a cabo un diseo CGL para separar la variacin debido a los das
y las horas en que se realizan dichas operaciones, cuenta con cinco cajeros,
cinco das de la semana y dividi el horario en cinco segmentos. Realizar el
plan experimental.
Solucin: Primeramente, se construye un CGL estndar de 5x5.
Tabla 6. 32 Cuadro Greco Latino Estndar
A B C D E
B C D E A
208
C
D
E
1
D
E
A
2
E
A
B
3
A
B
C
4
B
C
D
5
Posteriormente se selecciona una permutacin de cinco nmeros aleatorios (2,

6, 7, 1, 5) y en rangos corresponde a (2, 4, 5, 1, 3), esto significa que hay que
reordenar las columnas en el orden en que indica la permutacin, esto se
muestra en la siguiente tabla:
B D E A C
C E A B D 1
D A B C E 2
E B C D A 3
A C D E B 4
2
4
5
1 3
El siguiente paso consiste en ordenar al azar las hileras de la 2 a la 5, por lo

tanto se obtiene una permutacin aleatoria de cuatro nmeros (8, 2, 7, 1), en
rangos corresponde a (4, 2, 3, 1), entonces se reacomodan las hileras en el
orden que indica la permutacin. Ntese que la hilera uno es la dos del CL y
as sucesivamente, la cinco es la cuatro para poder aleatorizar.
B D E A C
A C D E B 4
D A B C E 2
E B C D A 3
C E A B D 1
2
4
5
1 3
Por ltimo se asignan aleatoriamente los niveles de la tercera variable de

bloqueo, esto tambin se puede hacer sacando cinco nmeros aleatorios o
permutacin aleatoria (7, 4, 3, 9, 6), los rangos de la permutacin son (4, 2, 1,
5, 3). A la letra se le asigna la clase de operacin 4, a la letra se le asigna
la clase de operacin 2, a la letra se asigna la clase de operacin 1, a la letra
se le asigna la clase de operacin 5 y a la letra se le asigna la clase de
operacin 3. La siguiente tabla muestra el Cuadro Latino para ejecutar el
209
experimento. En el ejemplo uno ya se haban asignado los tratamientos a las

letras latinas, este proceso es similar.
Tabla 6. 35 Plan Experimental para Medir la Habilidad de los Cajeros.
Das
Horas Lunes Martes Mircoles Jueves Viernes
A
I
B
E
C
D
D
E
II
C
B
A
A
E
III
B
C
D
B
C
IV
D
A
E
D
VI
C
A
B
E
El Plan Experimental determina el orden en que se ejecutarn los tratamientos,

esto significa que el lunes a primera hora se evaluar al tratamiento B con el
tipo de operacin , el mismo lunes se evaluar en el segundo perodo de
tiempo el tratamiento A con la operacin , en el tercer horario del mismo lunes
se evaluar el cajero D con la operacin , posteriormente se evaluar el
tratamiento E con la operacin y finalmente el lunes en el ltimo horario se
evala al tratamiento C con el tipo de operacin y as sucesivamente como
se indica en las columnas del CGL de la tabla 6.35.
6.3.2 Modelo Lineal y Estimacin de Parmetros para el Diseo CGL.

durante la ejecucin de un experimento, para un diseo CGL; es el modelo lineal
donde, se suman los componentes debido a los tratamientos y al muestreo, en este
caso existen componentes debido al Diseo Experimental, es decir columnas, hileras
y efectos de la variable griega. Entonces cada observacin estar compuesta como lo
indica la siguiente ecuacin:
y ijkl = + i + j + k + l + ijk Para i, j, k, y l=1,t.

Donde: y ijkl , representa la observacin del tratamiento i-simo en la j-sima
hilera y k-sima columna.
j , representa el efecto de la j-sima hilera.
k , representa el efecto de la k-sima columna.

l , representa el efecto del l-simo nivel de la variable griega.
210
ijkl , representa el error del tratamiento i-simo en la j-sima hilera y ksima columna.
t, es el nmero de tratamientos.
Como se puede observar en el modelo lineal, estn presentes los efectos de
los tratamientos, hileras, columnas, tratamientos griegos y latinos y muestreo, que son
los valores de , , , y , en este caso no est presente un componente de la
interaccin de tratamientos con las columnas, hileras y variable de bloqueo griego,
dado que es uno de los supuestos en los diseos CGL.
Los supuestos sobre el modelo para Efectos Fijos, son necesarios para
analizar los datos y hacer las conclusiones e inferencias o la verificacin de las
hiptesis sobre la igualdad de medias de tratamientos y de los efectos sobre las
columnas, hileras y de la variable griega. Dichos supuestos son que cada tratamiento
tiene una distribucin normal con varianza comn 2 y que las muestras son
independientes y obtenidas en forma aleatoria, tambin que no existe interaccin
entre tratamientos y columnas e hileras. Lo anterior se puede resumir en:
i. ijk iid N(0, 2),
ii.
iii.
iv.
=0
v.
=0
= 0,
=0,
vi. No existe interaccin entre columnas, hileras y tratamientos latinos y

griegos.
i. ij iid N(0, 2),
ii. i iid N(0, 2 ),
iv. k iid N(0, 2 ),
v. l iid N(0, 2 ),
211
vi. No existe interaccin entre columnas, hileras y tratamientos

vii. Los componentes de los efectos
estn
En el modelo lineal para el diseo CGL hay cuatro efectos principales, los
tratamientos, columnas, hileras y niveles de la variable griega, en los supuestos
anteriores se asume que todos los efectos principales son fijos o aleatorios, puede
existir el caso en que uno de los dos efectos es aleatorio y los otros son fijos. La
configuracin del modelo lineal se lo dejamos al lector, dado que ya se han
presentado algunos casos similares.
A continuacin se estiman los parmetros del Modelo Lineal para el Diseo
CGL, cuando los efectos son fijos se parte de:
y ijkl = + i + j + k + l + ijk Para i, j, k, y l=1,t.

La estimacin de los paramentos, como es costumbre, se hace utilizando el
Mtodo de Mnimos Cuadrados, el cual consiste en minimizar la suma de los
cuadrados de los errores, es decir:
Min.
2
ij
i =1 j =1 k =1 l =1
Min.
( y
ij
i j k l )2 .
i =1 j =1 k =1 l =1

parciales de L con respecto a los parmetros , , , y .
t
t
t
t
L
= 2 ( y ij i j k l ) = 0
i =1 j =1 k =1 l =1
t
t
t
t
L
= 2 ( y ij i j k l ) = 0 , para i=1,t
i
i =1 j =1 k =1 l =1
t
t
t
t
L
= 2 ( y ij i j k l ) = 0 , para j=1,t
j
i =1 j =1 k =1 l =1
212
t
t
t
t
L
= 2 ( y ij i j k l ) = 0 , para k=1,t
k
i =1 j =1 k =1 l =1
t
t
t
t
L
= 2 ( y ij i j k l ) = 0 , para l=1,t
l
i =1 j =1 k =1 l =1

normal de ecuaciones, es importante mencionar que los valores de i y de l en las
sumatorias slo existen para los que indica el rengln j-simo y la columna k-sima, la
solucin de dicho sistema aunado con las restricciones para el modelo de efectos
fijos:
i = 0 , i = 0 , k = 0 y l = 0 .
= y .... =
1
t2
y ijkl =
i =1 j =1 k =1 l =1
1 t
y i ...
t 2 i =1
i = y i ... y ....
i = y . j .. y ....
k = y ..k . y ....
l = y ...l y ....
Entonces, los estimadores de las medias de los tratamientos estn dados por:
i = y i ... =
1 t t t
y ijkl , para i=1,,t
t j =1 k =1 l =1

CM E =
t
t
t
t
1
( y ijkl y ijkl )2
(t 1)(t 3) i =1 j =1 k =1 l =1
CM E =
t
t
t
t
1
( y ij i j k l )2
(t 1)(t 3) i =1 j =1 k =1 l =1
213
Es importante recordar que los valores de i y de l en las sumatorias slo existen

para los que indica el rengln j-simo y la columna k-sima. Ahora que ya se conocen
los estimadores de los parmetros, entonces se procede a la verificacin de hiptesis
sobre las medias de los tratamientos, as como la eficiencia de las variables de
bloqueo en el caso de efectos fijos. Se debe recordar que para el caso de efectos
aleatorios la hiptesis se plantea sobre el componente de varianza de los
tratamientos.

varianza. As como los clculos son tabulados como se muestra en la tabla 6.38.
Tabla 6. 36 Organizacin de los Datos para un Diseo de CGL.
Total de
Columnas
Hileras
Hileras
I
II
t
I
A
D
B
y .1..
y 1113 y 4121
y 21t 5
II
t
Total de
Columnas
D
y 4214
B
y 2223
E
y 5t 15
C
y 3t 22
E
y t 2t 1
y .2..
A
y 1tt 4
y .t ..
y ..t .
y ....
y ..1.
y ..2.
Tabla 6. 37 Tabulacin de Datos para un Diseo de CGL.

Tratamientos Latinos Total de Trt.
Griegos
A
B
t
Griegos
y 1jk 1 y 2 jk 1 y tjk 1
y ...1
y 1jk 2 y 2 jk 2 y tjk 2
y ...2
y 2 jkt
y tjkt
M
y ...t
y 2...
y t ...
y ....
M
t
y 1 jkt
Totales de Trt.
Latinos
y 1...
214
Donde:
y i ... =
y ijkl , y . j .. =
y ijkl ,
y ..k . = y ijkl y y .... = y ijkl .

i
Tabla 6. 38 Anlisis de Varianza para un Diseo de CGL.

Fuentes de
Grados de
Suma de
Cuadrados
Libertad
Cuadrados
Variacin
Medios
Tratamientos
t-1
SSTrt
CMTrt
Letras Griegas
t-1
SSGriegas
CMGriegas
Hileras
t-1
SSHileras
CMHileras
Columnas
t-1
SSColumnas
CMColumnas
Error
(t-1)(t-3)
SSE
CME
2
Total
t -1
SSTotal
Fc
CMTrt/CME
CMGriegas/CME
CMHileras/CME
CMColumnas/CME
Donde: FC = y ....
t2
SSTotal = y ijk2 FC
i
SSTrt =
1
y i2... FC
t i
1
y ...2 l FC
t l
SSGriegas =
SSColumnas =
SSHileras =
1
y ..2k . FC
t k
1
y .2j .. FC
t j
SSE = SSTotal SSColumnas SSHileras SSTrt SSGriegas

CMTrt =
SSTrt
CMGriegas =
t 1
SSGriegas
t 1
215
CMColumnas =
CM Hileras =
SSColumnas
SSHilerass
CM E = SSE
t 1
t 1
(t 1)(t 3)
A continuacin se presenta el procedimiento para verificar las hiptesis de

igualdad de medias para tratamientos, griegas, columnas e hileras:
HIPTESIS:
i. Tratamientos
Ho: 1 = 2 = K = t = 0
ii. Griegas
Ho: 1 = 2 = K = t = 0
Ha: Por lo menos un efecto de las griegas es diferente de cero.
iii. Columnas
Ho: 1 = 2 = K = t = 0
iv. Hileras
Ho: 1 = 2 = K = t = 0
i. Tratamientos
CMTrt
Fc =
~ F[( t 1), ( t 1)( t 3 )]
CM E
Valor-p = P [ F[( t 1), ( t 1)( t 3 )] >Fc].
ii. Griegas
CMGriegas
Fc =
~ F[( t 1), ( t 1)( t 3 )]
CME
Valor-p = P [ F[( t 1), ( t 1)( t 3 )] >Fc].
216
iii. Columnas
CMColumnas
Fc =
~ F[( t 1), ( t 1)( t 3 )]
CM E
Valor-p = P[ F[( t 1), ( t 1)( t 3 )] >Fc].
iv. Hileras
CM Hileras
~ F[( t 1), ( t 1)( t 3 )]
CM E
Valor-p = P[ F[( t 1), ( t 1)( t 3 )] >Fc].
Fc =
SUPUESTOS:
4. No existe interaccin entre columnas, hileras, griegas y tratamientos.
REGLA DE DECISIN:
i. Tratamientos
forma no rechazar.
ii. Griegas
Si FGriegas > F(t-1, (t-1)(t-3); ), entonces rechazar la hiptesis nula, de otra forma
iii. Columnas
iv. Hileras
Ejemplo 6.11: Un ingeniero encargado de implantar un sistema de incentivos, llev a

cabo el experimento de un CGL que result en el ejemplo 6.10, a continuacin
217
se muestran los datos. Verificar las hiptesis de igualdad de medias para

tratamientos, griegas, columnas e hileras con un nivel de significancia del 5%.
Tabla 6. 39 Tiempos para Realizar Operaciones Bancarias Diseo de CGL.

Das
Total de
Horarios
Lunes Martes Mircoles Jueves Viernes Hileras
A
I
B
E
C
D
7
27
5
6
5
4
D
E
II
C
B
A
4
9
30
5
6
6
A
E
III
B
C
D
11
4
29
5
5
4
B
C
IV
D
A
E
6
4
29
6
5
8
D
V
C
A
B
E
5
39
6
12
10
6
Total de
Columnas
27
41
28
31
27
154
Solucin:
HIPTESIS:
i. Tratamientos
Ho: 1 = 2 = K = t = 0
ii. Griegas
Ho: 1 = 2 = K = t = 0
Ha: Por lo menos un efecto de las griegas es diferente de cero.
iii. Columnas
Ho: 1 = 2 = K = t = 0
iv. Hileras
Ho: 1 = 2 = K = t = 0
218
i. Tratamientos
CMTrt
Fc =
~ F[( t 1), ( t 1)( t 3 )]
CM E
Valor-p = P [ F[( t 1), ( t 1)( t 3 )] >Fc].
ii. Griegas
CMGriegas
Fc =
~ F[( t 1), ( t 1)( t 3 )]
CME
Valor-p = P [ F[( t 1), ( t 1)( t 3 )] >Fc].
iii. Columnas
CMColumnas
Fc =
~ F[( t 1), ( t 1)( t 3 )]
CM E
Valor-p = P[ F[( t 1), ( t 1)( t 3 )] >Fc].
iv. Hileras
CM Hileras
Fc =
~ F[( t 1), ( t 1)( t 3 )]
CM E
Valor-p = P[ F[( t 1), ( t 1)( t 3 )] >Fc].
SUPUESTOS:
4. No existe interaccin entre columnas, hileras, griegas y tratamientos.
REGLA DE DECISIN:
i. Tratamientos
forma no rechazar.
ii. Griegas
Si FGriegas > F(t-1, (t-1)(t-3); ), entonces rechazar la hiptesis nula, de otra forma
iii. Columnas
219
iv. Hileras
CLCULOS:
Tabla 6. 40 Tabulacin de Tiempos de Operaciones Bancarias con Total de
Tratamientos.
Tratamientos
Total de
A B C D E Griegas
Griegas
7 6 6 4 4
27
11 5 4 5 9
34
5 5 4 5 12
31
10 6 4 6 6
32
8 6 6 5 5
30
Totales de
154
Tratamientos 41 28 24 26 35
FC =
154 2
= 948.64
t
25
= y ijk2 FC
2
y ....
SSTotal
SSTotal = 5 + 6 + 5 2 + ... + 9 2 948.64 = 117.36

2
SSTrt =
1
y i2... FC
t i
412 + 28 2 + 24 2 + 26 2 + 35 2
948.64 = 39.76
5
1
SSGriegas = y ...2 l FC
t l
SSTrt =
27 2 + 34 2 + 312 + 32 2 + 30 2
SSGriegas =
948.64 = 5.36
5
1
SSColumnas = y ..2k . FC
t k
27 2 + 412 + 28 2 + 312 + 27 2
SSColumnas =
948.64 = 28.16
5
1
SSHileras = y .2j .. FC
t j
220
SSHileras =
27 2 + 30 2 + 29 2 + 29 2 + 39 2
948.64 = 17.76
5
SSE = SSTotal SSColumnas SSHileras SSTrt SSGriegas

SSE = 117.36 17.76 28.16 5.36 39.76 = 26.32
SSTrt
= 39.76 4 = 9.94
CMTrt =
t 1
SSGriegas
CMGriegas =
= 5.36 4 = 1.34
t 1
SSColumnas
= 28.16 = 7.04
CMColumnas =
4
t 1
SSHilerass
= 17.76 = 4.44
CM Hileras =
4
t 1
= 26.32 = 3.29
CME = SSE
(t 1)(t 3)
8
CMTrt 9.94
FTrt =
=
= 3.02
CM E
3.29
CMGriegas 1.34
=
= 0.407
FGriegas =
3.29
CME
CMColumnas 7.04
FColumnas =
=
= 2.139
CM E
3.29
CM Hileras 4.44
FHileras =
=
= 1.345
CM E
3.29
Tabla 6. 41 Anlisis de Varianza para Tiempos de Operaciones Bancarias en

un Diseo de CGL.
Fuentes de
Grados de
Suma de
Cuadrados
Fc
F
Libertad
Cuadrados
Medios
Variacin
Tratamientos
4
39.76
9.94
3.02
3.84ns
Griegas
4
5.36
1.34
0.407 3.84ns
Hileras
4
17.76
4.44
1.345 3.84ns
Columnas
4
28.16
7.04
2.139 3.84ns
Error
8
26.32
3.29
Total
24
117.36
DECISIN:
i. Tratamientos
FTrt <3.84, entonces no rechazar Ho.
221

ii. Griegas
FTrt <3.84, entonces no rechazar Ho.
iii. Columnas
FColumnas <3.84, entonces no rechazar Ho.
iv. Hileras
FHileras <3.84, entonces no rechazar Ho.
CONCLUSIN:
Los datos no proveen suficiente evidencia para decir que las variables de
bloqueo no afectan el tiempo de realizacin de las operaciones bancarias, por
lo tanto no fue eficiente el diseo de CGL. No existe suficiente evidencia para
declarar alguna diferencia entre los tiempos medios para realizar operaciones
bancarias entre los cinco dependientes, con un nivel del 5%.
Ntese que existen diseos experimentales para eliminar hasta tres fuentes de
variacin no deseadas, que se encuentren presentes en las unidades experimentales.
Hasta ahora se han estudiado, cuatro diseos experimentales, con diseo de
tratamientos sin estructura. En el siguiente captulo se estudiar el diseo de
tratamientos estructurado, mismo que puede ser aplicado en cualquier diseo
experimental.
En este capitulo se ha hecho nfasis en el manejo de las variables o factores
que estn presentes en las unidades experimentales, pero que se puede eliminar su
variacin a travs de las tcnicas de bloqueo, esto con el propsito de mejorar la
precisin de los experimentos, es decir para reducir el error introducido por el manejo
experimental de los datos y hacer conclusiones e inferencias objetivas y robustas. Es
importante mencionar que existen ms diseos de este tipo que sirven para eliminar
factores ruido.
222
6.1 Un experimento para investigar ocho tratamientos fue conducido bajo un diseo
de BCA, el factor de bloques fue los lotes de materia prima:
a. Establezca el modelo lineal para la variable de respuesta y explique los
trminos del modelo.
b. Escriba la tabla de Anova con sus fuentes de variacin y grados de libertad.
c. Establezca los supuestos para el Anova para un modelo de efectos Fijos.
6.2 Un experimento para investigar seis tratamientos fue conducido bajo un diseo
de CL, el factores de bloqueo fue los lotes de materia prima y operadores:
a. Establezca el modelo lineal para la variable de respuesta y explique los
trminos del modelo.
b. Escriba la tabla de Anova con sus fuentes de variacin y grados de libertad.
c. Establezca los supuestos para el Anova para un modelo de efectos
Aleatorios para los tratamientos y las variables de bloque son de efectos
fijos.
6.3 Un investigador llevo a cabo un diseo de BCA y obtuvo los datos que se
muestran a continuacin:
Bloques
I
II
III
IV
V
A
21
19
25
18
22
Tratamientos
B
C
20
24
20
19
22
20
20
21
19
20
D
20
20
20
20
19
a. Los datos proveen suficiente evidencia para decir que los tratamientos
tienen medias diferentes?
d. Estime ICS para la media de los tratamientos.
6.4 Para comparar la efectividad de cuatro mtodos utilizados para llevar a cabo una
cierta operacin, se seleccion un grupo de 20 operadores con habilidades
diferentes y estos fueron asignados en grupos de tres de acuerdo a sus
habilidades y experiencias. Aleatoriamente se le asign uno de los tres mtodos
a cada uno de los operadores dentro de cada grupo, de tal forma que cada
grupo tiene asignados los tres tratamientos. Posteriormente los operadores
fueron puestos a trabajar durante media hora y el nmero de piezas
ensambladas fue registrado, los resultados que se muestran a continuacin.
223
Bloques
I
II
III
IV
V
A
45
45
52
48
49
B
46
48
50
49
45
Mtodo
C
48
46
49
47
46
D
45
45
52
49
52
a. Los datos proveen suficiente evidencia para decir que los mtodos tienen
diferente eficiencia?
c. Establezca el modelo lineal para el diseo.
d. Realice las pruebas de DMS y DHS.
6.5 Un investigador llevo a cabo un diseo de CL y obtuvo los datos que se
Hileras
I
II
III
IV
A
D
C
B
I
43
48
43
43
Columnas
II
III
D 47 C 42
B 41 A 40
A 42 B 44
C 41 D 48
IV
B 43
C 41
D 49
A 42
c. Establezca el modelo lineal para el diseo.
d. Aplique los mtodos de separacin de medias de SNK, Tukey y Duncan.
6.6 Un Ingeniero de calidad que tiene a su cargo la operacin de soldar por
termofusin para unir terminales a componentes electrnicos, desea verificar si
existe variacin de la resistencia a la ruptura introducida por los operadores. Con
el propsito de salir de dudas, se eligieron cinco mquinas de soldar para
realizar un experimento; posteriormente las mquinas se ajustaron para tener las
mismas condiciones de operacin de las cuales se realizaron cinco corridas, una
en cada da de la semana con el propsito de separar la variacin debido a los
das, ya que se sospecha que afecta la resistencia a la ruptura de la soldadura.
Se seleccion una pieza al azar en cada corrida de cada operador de cada
mquina y de cada da diferente y se midi la fuerza necesaria para romper la
unin de la terminal al componente en libras por pulgada cuadrada. Los datos se
muestran en siguiente tabla.
224
Das
Maquina Lunes Martes Mircoles Jueves Viernes
I
B
E
D
C
A
35
41
37
41
34
II
D
B
A
E
C
38
36
34
40
40
III
C
A
E
D
B
42
36
41
36
34
IV
E
C
B
A
D
42
46
36
35
40
VI
A
D
C
B
E
36
42
45
36
39
a. Verifique la hiptesis, s existe variacin debido a los operadores, con
=0.05.
c. Aplique los mtodos de separacin de medias de SNK, Tukey y Duncan.
6.7 El ingeniero de calidad de una empresa que esta moldeando partes de plstico
demanda, para poder verificar la su sospecha, el ingeniero planeo un
experimento en un diseo de bloques completos al azar, donde la variable de
bloqueo fueron los lotes de materia prima y les midi la resistencia a la ruptura
en kilogramos de cada corrida experimental, los datos se muestran en la
siguiente tabla.
Lotes
I
II
III
IV
A
94
95
93
94
Mquinas
B
C
D
87
82
92
85
81
94
87
83
95
92
85
96
a. Los datos proveen suficiente evidencia para decir que hay diferencia entre
la medias de las maquinas?
c. Realice las pruebas de DMS y DHS.
d. Disee un plan experimental para este estudio.
e. Cul seria una unidad experimental?
6.8 En un proceso qumico se desea estudiar el efecto de la temperatura sobre el
rendimiento, pero han detectado por experiencia que los lotes de materia prima y
225
la temperatura del medio ambiente afectan el proceso, para eliminar las fuentes
de variacin no deseadas, se dise un cuadro latino donde las corridas
consistan de una hora, se seleccionaron diferentes horas durante la jornada
laboral y los lotes de materia prima para lleva a cabo el experimento. Los datos
se muestran en la siguiente tabla.
Lotes
Horas
I
II
III
IV
C
D
B
A
I
88
90
87
90
A
B
C
D
II
92
91
88
85
B
A
D
C
III
91
91
86
88
IV
D 91
C 89
A 88
B 87
a. Los datos proveen suficiente evidencia para decir que la temperatura

afecta el rendimiento?
b. Establezca el modelo lineal para el diseo.
c. Realice las pruebas de DMS y DHS y de Dunnett, supngase que el control
es la tratamiento A.
6.9 Un investigador llevo a cabo un diseo de CGL y obtuvo los datos que se
Hileras
I
II
III
IV
V
I
B 15
A 19
D 15
E 19
C 16
Columnas
II
III
IV
D 16 E 19 A 17
C 16 D 14 E 19
A 21 B 15 C 14
B 16 C 14 D 15
E 22 A 20 B 16
V
C 14
B 16
E 18
A 18
D 15
c. Establezca el modelo lineal para el experimento.
d. Realice un plan para llevar a cabo este experimento.
e. Estime ICS para la media de los tratamientos.
f. Realice las pruebas de Tukey, Duncan y SNK.
6.10 Un experimento se instrumentado con la finalidad de investigar la capacidad de
cuatro mquinas, de tal forma que se integraron tres variables de bloqueo: los
das, lotes de materia prima y operadores, el diseo fue un CGL. Los datos que
se presentan en la tabla representan la productividad de las mquinas bajo las
condiciones del plan experimental, las letras griegas representan los operadores.
226
Das
I
II
III
IV
Lotes
II
III
C 86 D 92 B 91
D 90 C 87 A 91
B 87 A 88 C 86
A 90 B 85 D 92
I
IV
A 93
B 89
D 89
C 87
a. Los datos proveen suficiente evidencia para decir que las mquinas tienen
eficiencias diferentes?
c. Establezca el modelo lineal para el experimento.
d. Realice un plan para llevar a cabo este experimento.
e. Estime ICS para la media de los tratamientos.
f. Realice las pruebas de DMS, Duncan y SNK.
227
228
7. ANLISIS DE TRATAMIENTOS ESTRUCTURADOS.

En captulos anteriores se ha mencionado que el Anlisis de Varianza para los
diseos experimentales, verifica la hiptesis nula sobre la igualdad de dos o ms
medias de tratamientos, contra la alternativa sobre la diferencia de una o ms medias
con respecto a las dems; una vez que se realiza dicho anlisis y ste resulta
significativo, la siguiente etapa es hacer el anlisis de los tratamientos, tambin
conocido como separacin de medias.
Existen dos familias de procedimientos para el anlisis de tratamientos, una
para no estructurados y la otra para diseos estructurados. En el captulo 5 se
estudiaron los mtodos para separacin de medias de tratamientos no estructurados,
en este capitulo estudiaremos algunos de la familia de procedimientos para analizar
los tratamientos estructurados.
Estos mtodos son ms efectivos y de mayor utilidad que los vistos
anteriormente, en la separacin de medias generalmente existen uno o ms mtodos
para cada estructura, los cuales se clasifican grupos y gradientes. La estructura de
grupos es cuando existen dos o ms subconjuntos de tratamientos con alguna
caracterstica comn, dentro de cada subconjunto y diferentes entre s. A dichos
subconjuntos de tratamientos se les llama grupos, entonces el total de tratamientos
consiste de dos a ms grupos. Por ejemplo en un experimento donde los operadores
son los tratamientos, existen mujeres y hombres como grupos y tambin los que
tienen ms de 10 aos de experiencia y los que tienen menos de 10.
Dentro de la estructura los diseos factoriales se pueden considerar como una
clasificacin especial de los tratamientos de grupos, los cuales consisten en la
combinacin de niveles de dos o ms factores, que se consideran simultneamente
en los tratamientos. Por ejemplo en un experimento diseado para un proceso
qumico, los tratamientos pueden ser la combinacin de presin y temperatura a
diferentes niveles, suponiendo que se prueban dos niveles de presin con tres niveles
de temperatura, entonces si se hacen todas las combinaciones, se tendra un diseo
factorial completo con 6 tratamientos, tambin conocidos como axb, donde a es el
nmero de niveles del factor A, y b es el nmero de niveles del factor B, como se
muestra en la siguiente tabla.
Tabla 7. 1 Diseo de Tratamientos Factorial 2x3.

Temperatura
Presin
b2
b3
b1
a1
a1 b1 a1 b2 a1 b3
a2
a2 b1 a2 b2 a2 b3
El diseo de tratamientos con gradiente se refiere a varios niveles del mismo

factor, que muestran una tendencia ascendente o descendente; por ejemplo en un
experimento donde la presin es el nico factor a considerar en los tratamientos,

estos pueden mostrar un gradiente, es decir que los niveles de los tratamientos son
numricos y muestran una tendencia a aumentar y estn igualmente espaciados. Por
ejemplo los tratamientos son los niveles de presin de 80, 90, 100 y 110 libras por
pulgada cuadrada, es decir la diferencia entre dos tratamientos contiguos elegidos es
igual para cualquier par.
Para analizar los diseos de tratamientos estructurados se estudiarn los
contrastes, contrastes ortogonales, polinomios ortogonales e intervalos de confianza
simultneos, en este capitulo se expondrn los procedimientos, as como su mejor
aplicacin de acuerdo a la organizacin de los tratamientos.
7.1 Contrastes.
La palabra contraste es la accin o el efecto de contrastar o la diferencia de
dos ms cosas, que a la vez significa comparar contra un estndar o algo ms, en
estadstica no es diferente, realmente en los procedimientos de separacin de
tratamientos, se comparan una media contra otra, es realmente un contraste, esto se
hace con los tratamientos que no tienen estructura, En este caso no se limita a la
comparacin de dos medias, sino una comparacin que involucre dos o ms
tratamientos, por tal motivo se dar una definicin para lo que es un contraste.
Supngase que se tienen un conjunto de t tratamientos con sus medias
1, 2 ,L, t . Un Contraste Q, es una combinacin lineal de medias cuyos coeficientes
suman igual a cero pero no todos son cero. Es decir:
t
Q = ci i
i =1
De tal forma que existe por lo menos un valor de i para el cual c i 0 , y

t
c
i =1
= 0.
De esta definicin se puede decir que existe un gran nmero de contrastes

considerando nicamente -1 y +1 para un conjunto de t medias, en total t(t-1)/2
contrastes diferentes, bsicamente son las comparaciones mltiples que se hacen
para tratamientos no estructurados, stas se pueden expresar en contrastes como
sigue:
Q = 1 2
Q = 1 3
Q = 1 t
Q = 2 3
230
Q = 2 t
Al tomar -1 y +1 como posibles valores para todos los coeficientes, podemos

tener:
Q = 1 2 + 3 4 ,
Q = 1 2 3 + 4 ,
Q = 1 + 2 3 4 .
Pero realmente los coeficientes no necesariamente son igual a -1 y +1, estos

pueden tomar diferentes valores, por ejemplo:
Q = 1 + 2 + 3 3 4 ,
Q = 4 1 2 3 4 5 ,
Q = 3 1 + 3 2 2 3 2 4 2 5 ,
Q = 5 1 2 3 2 4 5 ,
1
1
1
Q = 1 2 3 4 ,
3
3
3
Q = 1 0 .5 2 0 .5 3 .
Existe una cantidad infinita de contraste para un conjunto de t tratamientos,

pero estos puede que no tengan sentido, los contrastes deben de surgir de una
hiptesis, de tal forma que provengan de una pregunta originada de la estructura de
los tratamientos, por ejemplo supngase que de un total de cinco tratamientos, los
primeros dos pertenecen a un grupo 1 y los tres ltimos a otro grupo, en ese caso
sera deseable comparar el promedio de los primeros dos contra el del segundo
grupo, esto genera una hiptesis nula:
Ho:
1 + 2
3 + 4 + 5
,
2
3
Ho: 3 1 + 3 2 = 2 3 + 2 4 + 2 5 ,
Ho: 3 1 + 3 2 2 3 2 4 2 5 = 0 ,
Entonces el contraste quedara de la siguiente forma:

Q = 3 1 + 3 2 2 3 2 4 2 5 .
Ejemplo 7.1: Supngase que un experimento fue ejecutado para comparar 5

tratamientos denotados por las letras A, B, C, D y E. Los tratamientos son
operadores de un cierto tipo de mquina y tienen las caractersticas que se
ANLISIS DE TRATAMIENTOS ESTRUCTURADOS /JAIME SNCHEZ LEAL, Ph. D.
231
muestran en la siguiente tabla. Plantear los contrastes que puedan surgir por la
estructura de los tratamientos.
Tabla 7. 2 Estructura de Tratamientos por Grupos de Operadores.

Tratamiento Caractersticas
A
Hombre con ms de 15 aos de experiencia.
B
Hombre con menos de 15 aos de experiencia.
C
Mujer con ms 15 aos de experiencia.
D
Mujer con ms de 15 aos de experiencia.
E
Mujer con menos de 15 aos de experiencia.
Solucin: Existen varias comparaciones que podran surgir por la naturaleza de los
tratamientos o grupos, por ejemplo:
Tabla 7. 3 Comparaciones entre Grupos de Operadores.

Pregunta Comparaciones
1
Hombre vs. Mujeres
2
Ms de 15 aos de experiencia vs. menos de 15
3
Ms de 15 aos de experiencia vs. menos de 15 dentro de hombres
4
Ms de 15 aos de experiencia vs. menos de 15 dentro de mujeres
5
Mujeres vs. hombres dentro de ms de 15 aos de experiencia
6
Mujeres vs. hombres dentro de menos de 15 aos de experiencia
Hiptesis:
i. Hombre vs. mujeres
Ho: 3 1 + 3 2 2 3 2 4 2 5 = 0
Ha: 3 1 + 3 2 2 3 2 4 2 5 0
ii. Ms de 15 aos de experiencia vs. menos de 15
Ho: 21 3 2 + 2 3 + 2 4 3 5 = 0
Ha: 21 3 2 + 2 3 + 2 4 3 5 0
iii. Ms de 15 aos de experiencia vs. menos de 15 dentro de hombres
Ho: 1 2 = 0
Ha: 1 2 0
iv. Mujeres vs. hombres dentro de ms de 15 aos de experiencia
Ho: 3 + 4 2 5 = 0
Ha: 3 + 4 2 5 0
232
v. Mujeres vs. hombres dentro de ms de 15 aos de experiencia

Ho: 21 3 4 = 0
Ha: 21 3 4 0
vi. Mujeres vs. hombres dentro de menos de 15 aos de experiencia
Ho: 2 5 = 0
Ha: 2 5 0
Los coeficientes de las medias de las hiptesis se concentran en una

tabla como se muestra a continuacin:
Tabla 7. 4 Coeficientes de los Contrastes para Grupos de Operadores.
5
Tratamientos (i)
c ij
Contrastes (j) A B C D E
i =1
Q1
Q2
Q3
Q4
Q5
Q6
3 3 -2 -2 -2
2 -3 2 2 -3
1 -1 0 0 0
0 0 1 1 -2
2 0 -1 -1 0
0 1 0 0 -1
0
0
0
0
0
0
Los contrastes se pueden instaurar de acuerdo a las preguntas que surjan de

los grupos de los tratamientos como se muestran en el ejemplo 7.1. Existe un gran
nmero de combinaciones de coeficientes que cumplen con la condicin de contraste,
pero aplicado a una estructura dada, es posible que stos no signifiquen nada, por es
muy importante que las preguntas emanen de la estructura de los tratamientos. A
continuacin se resuelve otro ejemplo para ilustrar el establecimiento de contrastes y
la deduccin de los coeficientes.
Ejemplo 7.2: Supngase que un experimento fue ejecutado para comparar cuatro
tratamientos compuestos por dos factores, presin y temperatura, cada factor
tiene dos niveles. Los tratamientos son temperatura baja con presin baja,
temperatura baja con presin alta, temperatura alta con presin baja y
temperatura alta con presin alta. Plantear los contrastes que puedan surgir
por la estructura de los tratamientos.
Solucin: Existen varias comparaciones que podran surgir por la naturaleza de los
tratamientos o grupos, por ejemplo:
233
Tabla 7. 5 Comparaciones entre Grupos de los Factores de Presion y

Temperatura.
Pregunta Comparaciones
1
Temperatura alta contra baja
2
Presin baja contra alta
3
Temperatura baja contra alta dentro de los dos niveles de presin
Hiptesis:
i. Temperatura alta contra baja
Ho: 1 + 2 3 4 = 0
Ha: 1 + 2 3 4 0
ii. Presin baja contra alta
Ho: 1 2 + 3 4 = 0
Ha: 1 2 + 3 4 0
iii. Temperatura baja contra alta dentro de los dos niveles de presin
Ho: 1 2 3 + 4 = 0
Ha: 1 2 + 3 4 0
Tabla 7. 6 Coeficientes de los Contrastes para Grupos los Factores de Presion

y Temperatura.
4
Tratamientos
Contrastes (j) TbPb TbPa TaPb TaPa c ij
i =1
Q1
Q2
Q3
1
1
1
1
-1
-1
-1
1
-1
-1
-1
1
0
0
0
El siguiente punto es buscar un procedimiento adecuado para verificar los

contrastes, es decir disear un mtodo que nos lleve a verificar las hiptesis
relacionadas con stos. Para iniciar se puede establecer que el estimador de un
contraste Q, est dado por:
t
q = ci y i.
i =1
Donde y i . es la media del tratamiento i-simo.

Con los supuestos del anlisis de varianza, q es una combinacin lineal de
medias muestrales, entonces el error estndar de q, est dado por:
234
Sq2 = c i2
i =1
t
CME
c2
= CME i .
ni
i =1 ni
Entonces, un estadstico de prueba para los contrastes, tiene una distribucin t

de student, con grados de libertad del CME, esto es:
q Qo
tgle.
Sq
t=
Dado que en todas las hiptesis nulas la propuesta, es que el contraste sea
igual a cero, entonces la t queda como sigue:
t=
q
Sq
Otro estadstico de prueba es la F, ahora que el cuadrado del estadstico t, se

convierte en un estadstico F con un grado de libertad en el denominador y gle grados
de libertad en el denominador, el cual queda como sigue:
q2
t = 2 =
Sq
2
[ c y ]
i.
c2
CM E i
ni
F(1, gle)
Supngase que todos los tratamientos tienen tamaos de muestra iguales,

entonces:
F=
n ci y i .
CME c i2
De aqu, se deduce que la suma de cuadrados de un contraste Q, est dada

por:
SSQ =
n ci y i .
c
[ c y ]
=
n c
[ c y ]
=
c
n
2
i
nq 2
, con medias de tratamientos,
ci2
SSQ
i.
2
i
i.
2
i
SSQ
, con totales de tratamientos.

q2
, con medias de tratamientos y diferentes ns.
=
c i2
n
i
235
Entonces el estadstico de prueba para cualquier contraste est dado por:

F=
SSQ
CME
F(1, gle)
De esta forma es ms fcil incorporar todos los contrastes dentro de la tabla de

anlisis de varianza, a continuacin se resuelven dos ejemplos como ilustracin.
Ejemplo 7.3: Un Ingeniero de calidad que tiene a su cargo cuatro mquinas de soldar
por termofusin para unir terminales a componentes electrnicos, sospecha
que existe variacin de la resistencia a la ruptura introducida por dichas
mquinas. Con el propsito de salir de dudas, las mquinas se ajustaron para
tener las mismas condiciones de operacin de las cuales se obtuvieron cinco
muestras completamente azar y se midi la fuerza necesaria para romper la
unin de la terminal al componente en libras. Los datos se muestran en la
tabla 7.7. El Anova fue realizado en el captulo 4 y se encontr que los datos
proveen suficiente evidencia para soportar la sospecha del ingeniero con =
0.05. Las mquinas son de diferentes marcas y tienen diferentes formas de
alimentacin de materiales como se muestra en la tabla 7.8. Comparar las
mquinas de diferentes marcas y las semiautomticas vs. la automtica.

A
B
C
D
68
72
70
81
70
71
73
78
72
70
71
77
69
73
69
79
71
74
71
80
70.0
72.0
70.8
79.0
Tabla 7. 8 Caractersticas de las Mquinas para Soldar.

A
Marca ATM con alimentacin semiautomtica
B
C
Marca PLCH con alimentacin semiautomtica
D
Marca PLCH con alimentacin totalmente automtica
Solucin: Primero se establecen las hiptesis y luego se sacan los coeficientes

de los contrastes.
236
HIPTESIS:
i. Mquinas ATM vs. PLCH
Ho: 1 + 2 3 4 = 0
Ha: 1 + 2 3 4 0
ii. Mquinas semiautomticas vs. automtica
Ho: 1 + 2 + 3 3 4 = 0
Ha: 1 + 2 + 3 3 4 0
F=
SSQ
CME
F(1, gle)
Tabla 7. 9 Coeficientes de los Contrastes para Comparar Mquinas de Soldar.

4
Mquinas
2
Contrastes (j) A B C D cIJ
i =1
Q1
Q2
1
1
1 -1 -1
1 1 -3
4
12
Ahora se procede a calcular las sumas de cuadrados para los contrastes;
SSQ1 =
SSQ 2 =
n ci y i.
5[70 + 72 70.8 79]

5[ 7.8]
= 2
=
= 76.05
2
2
2
12
1 + 1 + ( 1) + ( 1)
5[70 + 72 70.8 3(79)]

5[ 24.2]
=
=
= 244.01
2
2
2
2
12
1 + 1 + 1 + ( 3)
2
i
n ci y i.
2
i
DECISIN:
El valor-p < 0.05, entonces rechazar Ho
237
Tabla 7. 10 Anlisis de Varianza para los Contrastes de las Mquinas de

Soldar.
Fuentes de
Grados de
Suma de
Cuadrados
F
F
Libertad
Cuadrados
Medios
Variacin
Mquinas
3
254.15
84.717
34.93 3.24*
Marcas
1
76.05
76.05
31.36 4.49*
Grado de
1
244.01
244.01
100.62 4.49*
Automatizacin
Error
16
38.8
2.425
Total
19
292.95
CONCLUSIN:
Existe suficiente evidencia para decir que las marcas y el grado de
automatizacin de las mquinas de soldar, estn introduciendo variacin en la
resistencia a la ruptura de la soldadura con un nivel de significancia del 5%.
aleatoriamente se dividi en tres grupos y se le asign a cada grupo uno de los
tres mtodos. Cada grupo fue entrenado por un perodo determinado y se
descalificaron aquellos operadores que no cumplieron con el nivel de
capacitacin requerido, los que calificaron fueron puestos a trabajar durante
media hora y el nmero de piezas ensambladas fue registrado, obtenindose
los resultados que se muestran a continuacin. El Anova fue realizado en el
captulo 4 y se encontr que los datos proveen suficiente evidencia para decir
que por lo menos uno de los mtodos es diferente a los dems, con = 0.05.
El mtodo I es el tradicional considerado como estndar, los mtodos II y III
son modificaciones del estndar. Comparar el estndar contra los otros dos
juntos y comparar los dos nuevos entre si.
Tabla 7. 11 Nmero de Piezas Ensambladas por

MTODOS
OBSERVACIONES
I
45 46 48 44 46
II
45 48 46 48
III
52 50 49 55 51 53
los Diferentes Operadores

MEDIAS
229/5=45.8
187/4=46.75
310/6=51.67
726/15=48.4
Solucin: Primero se establecen las hiptesis y luego se sacan los coeficientes

de los contraste.
238
HIPTESIS:
i. Mtodos nuevos vs. estndar
Ho: 21 2 3 = 0
Ha: 21 2 3 0
ii. Mtodos nuevos
Ho: 2 3 = 0
Ha: 2 3 0
F=
SSQ
CME
F(1, gle)
Tabla 7. 12 Coeficientes de los Contrastes para Mtodos de Ensamble.

3
Mtodos
2
Contrastes I II III cIJ
i =1
Q1
Q2
2 -1 -1
0 1 -1
6
2
Ahora se procede a calcular las sumas de cuadrados para los contrastes;
SSQ1
[ c y ] = [2(45.8) 46.75 51.67]

=
SSQ 2
[ c y ] = [46.75 51.67] = [ 4.92]

=
i.
2
i
i.
2
i
c
n
i
2 2 ( 1)2 ( 1)2
+
+
5
4
6
c
n
i
12 ( 1)2
+
4
6
[ 6.82]2
48 + 15 + 10
60
= 38.229
10
24
= 58.095
DECISIN:
i. Mtodos nuevos vs. estndar.
ii. Mtodos nuevos.
239
Tabla 7. 13 Anlisis de Varianza para los Contrastes de los

Ensamble.
Fuentes de
Grados de
Suma de
Cuadrados
Libertad
Cuadrados
Medios
Variacin
Mtodos
108.71
54.35
2
Estndar vs.
38.23
38.23
1
Nuevos
Nuevos
58.09
58.09
1
Error
38.89
3.24
12
Total
147.6
14
Mtodos de
Fc
16.77 3.89*
11.79 4.75*
17.92 4.75*
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que la eficiencia de los
mtodos nuevos es diferente del estndar, asimismo que existe diferencia en la
eficiencia entre los dos mtodos nuevos con un nivel de significancia del 5%.
7.2 Contrastes Ortogonales.
El concepto de contraste ya ha sido discutido ampliamente en la seccin

anterior, lo cual significa una pregunta sobre las medias de los tratamientos, misma
que se puede establecer en forma de hiptesis. El concepto de ortogonalidad en
estadstica significa independencia, mientras que en geometra significa
perpendicularidad, desde el punto de vista estadstico es importante contestar dos o
ms preguntas que sean independientes, ya que sera ms fcil de inferir sobre un
conjunto de contrastes ortogonales que los que no tienen dicha propiedad. A
continuacin se precisa ortogonalidad.
Se dice que dos contrastes Q1 y Q2 son ortogonales si:
t
c i 1c i 2
= 0 , para diferentes tamaos de muestras ni .
ni
i =1
c
i =1
c = 0 , para tamaos de muestras iguales.
i1 i 2
De esto, se dice que un conjunto de contrastes es ortogonal si todos los pares

posibles de contrastes cumplen con la propiedad de ortogonalidad. A continuacin se
resuelve un ejemplo para ilustrar dicho concepto.
Ejemplo 7.5: Usar los contrastes establecidos en el ejemplo 7.1 para verificar cuales
contrastes son ortogonales entre si.
240
Tabla 7. 14 Coeficientes de los Contrastes para Grupo de Operadores.

5
Tratamientos (i)
c ij
Contrastes (j) A B C D E
i =1
Q1
Q2
Q3
Q4
Q5
Q6
3 3 -2 -2 -2
2 -3 2 2 -3
1 -1 0 0 0
0 0 1 1 -2
2 0 -1 -1 0
0 1 0 0 -1
0
0
0
0
0
0
Solucin: Se verifica la ortogonalidad entre todos los pares posibles, igual a

6x5/2=15. Suponiendo que los tamaos de muestra para todos los
tratamientos son iguales.
Q1 y Q2:
t
c
i =1
i1 i 2
= (3)( 2) + (3 )( 3) + ( 2)( 2) + ( 2)( 2) + ( 2)( 3 ) = 5
Q1 y Q2 no son ortogonales.
Q1 y Q3:
t
c
i =1
c = (3)(1) + (3)( 1) + ( 2)(0) + ( 2)(0) + ( 2)(0) = 0
i1 i 3
Q1 y Q3 son ortogonales.
Q1 y Q4:
t
c
i =1
c = (3)(0) + (3)(0) + ( 2)(1) + ( 2)(1) + ( 2)( 2) = 0
i1 i 4
Q1 y Q5:
t
c
i =1
c = (3)( 2) + (3)(0) + ( 2)( 1) + ( 2)( 1) + ( 2)(0) = 10
i1 i 5
Q1 y Q6:
t
c
i =1
c = (3)(0) + (3)(1) + ( 2)(0) + ( 2)(0) + ( 2)( 1) = 5
i1 i 6
Q2 y Q3:
241
c
i =1
c = (2)(1) + ( 3)( 1) + ( 2)(0) + ( 2)(0) + ( 3)(0) = 5
i2 i3
Q2 y Q4:
t
c
i =1
c i 4 = ( 2)(0) + ( 3)(0) + ( 2)(1) + ( 2)(1) + ( 3)( 2) = 10
i2
Q2 y Q5:
t
c
i =1
c = ( 2)(2) + ( 3)(0) + ( 2)( 1) + ( 2)( 1) + ( 3)(0) = 0
i2 i5
Q2 y Q6:
t
c
i =1
c = ( 2)(0) + ( 3)(1) + (2)(0) + ( 2)(0) + ( 3)( 1) = 0
i2 i6
Q3 y Q4:
t
c
i =1
i3
c i 4 = (1)(0) + ( 1)(0) + (0)(1) + (0)(1) + (0)( 2) = 0
Q3 y Q5:
t
c
i =1
i3
c i 5 = (1)(2) + ( 1)(0) + (0)( 1) + (0)( 1) + (0)(0) = 2
Q3 y Q6:
t
c
i =1
i3
c i 6 = (1)(0) + ( 1)(1) + (0)(0) + (0)(0) + (0)( 1) = 1
Q4 y Q5:
t
c
i =1
i4
c i 5 = (0)( 2) + (0)(0) + (1)( 1) + (1)( 1) + ( 2)(0) = 2
Q4 y Q6:
242
c
i =1
i4
c i 6 = (0)(0) + (0)(1) + (1)(0) + (1)(0) + ( 2)( 1) = 2
Q5 y Q6:
t
c
i =1
i5
c i 6 = ( 2)(0) + (0)(1) + ( 1)(0) + ( 1)(0) + (0)( 1) = 0
CONCLUSIN:
Se encontr que Q1, Q3 y Q4 son ortogonales entre si y Q2, Q5 y Q6 tambin es
otro conjunto de contrastes ortogonales, cualquier otro par fuera de estos
conjuntos de contrastes, no cumple con el criterio de ortogonalidad.
Ejemplo 7.6: Usar los contrastes generados en el ejemplo 7.4 para verificar cuales
Tabla 7. 15 Coeficientes de los Contrastes para los Mtodos de Ensamble.

3
Mtodos
2
Contrastes I II III cIJ
i =1
Q1
Q2
2 -1 -1
0 1 -1
6
2
Solucin: Se verifica la ortogonalidad con la frmula para tamaos de muestras

diferentes ya que n1 = 5, n 2 = 4 y n3 = 6.
Q1 y Q2:
c i 1c i 2 (2)(0) ( 1)(1) ( 1)( 1) 1 1
1
=
+
+
=
+ =
ni
5
4
6
4 6
12
i =1
t
CONCLUSIN:
Los contrastes para comparar los mtodos no son ortogonales.
Ntese que los tamaos de muestra son importantes en la ortogonalidad de los

contrastes, en el ejemplo anterior si los tamaos de muestras hubieran sido iguales,
entonces los contrastes hubieran sido ortogonales.
243
Otra propiedad muy importante de los contrastes ortogonales es que sus

sumas de cuadrados son aditivas y no se traslapan debido a esta propiedad y el
mximo nmero de contrastes ortogonales en un conjunto de t tratamientos es t-1,
entonces la suma de la suma de cuadrados de un conjunto de contrastes ortogonales
es menor o igual a la suma de cuadrados de los tratamientos, tambin se deduce que
la suma de cuadrados de cualquier contraste, es siempre menor o igual a la suma de
cuadrados de los tratamientos.
Cualquier conjunto de contrastes ortogonales cuya suma de suma de
cuadrados sea igual a la de los tratamientos, se les llama conjunto completo de
contrastes ortogonales o conjunto ortogonal completo. Es importante notar que no
existe un conjunto ortogonal completo nico, puede haber ms de uno. Obviamente
un conjunto completo tiene t-1 contrastes ortogonales.
7.3 Diseo de Tratamientos Factoriales.
Los diseos de tratamientos factoriales completos consisten en que el nmero

de tratamientos son todas las posibles combinaciones de los niveles de los factores,
generalmente conocidos como diseos factoriales, en dichos diseos intervienen
cuando menos dos factores y se llevan a cabo con el propsito de evaluar los efectos
de dichos factores en forma individual y sus interacciones. La evaluacin de las
interacciones se hace con la finalidad de verificar si los efectos de los factores hacia
los tratamientos son aditivos, es decir si la aportacin de los efectos de los factores
hacia los tratamientos es exhaustiva y no hay efecto de las interacciones.
La interaccin entre dos factores es el comportamiento de un factor dentro de
los niveles de los otros, si estos se comportan en forma similar, se dice que no hay
interaccin, en caso de divergencias en los efectos de un factor dentro del otro, se
dice que si la hay, cuando no existe se dice que los efectos son aditivos, en caso de
interaccin, se dice que los factores son multiplicativos. La situacin de no interaccin,
realmente si genera un modelo aditivo, es decir que el efecto de los tratamientos se
puede explicar puramente con la suma de los efectos de los factores, de lo contrario,
el modelo sigue siendo aditivo, pero el efecto de los tratamientos no puede ser
explicado totalmente por la suma de los efectos de los factores, por tal motivo se
agrega un trmino ms debido a la interaccin, a continuacin se muestran los
modelos lineales y las grficas de ambos casos:
= + , sin interaccin,
= + + ( ) , con interaccin.
Donde: es el efecto del tratamiento,
Es el efecto del factor A,
es el efecto del factor B,
244
( ) , es el efecto de la interaccin.
Respuesta
b2
b1
Factor A
Figura 7. 1 Efecto de Tratamientos sin Interaccin.
Respuesta
b1
b2
Factor A
Figura 7. 2 Efecto de Tratamientos con Interaccin.
Un caso especial de conjunto completo ortogonal es cuando los tamaos de

muestra son iguales y en la estructura de los tratamientos es un diseo factorial
completo, como la que se muestra en el ejemplo 7.2. A continuacin se ilustra un
concepto mencionado.
245
Ejemplo 7.7: Usar los contrastes generados en el ejemplo 7.2 para verificar cuales
Q1: representa la hiptesis sobre el factor A, en este caso temperatura.
Q2: representa la hiptesis sobre el factor B, en este caso presin.
Q3: representa la hiptesis sobre la interaccin AxB, temperatura x presin.
Tabla 7. 16 Coeficientes de los Contrastes para un Diseo Factorial 2x2.
4
Tratamientos
Contrastes (j) TbPb TbPa TaPb TaPa c ij
i =1
Q1
Q2
Q3
1
1
1
1
-1
-1
-1
1
-1
-1
-1
1
0
0
0
Solucin: Se verifica la ortogonalidad con la frmula para tamaos de muestras

iguales. Para plantear los contrastes sobre los factores en forma
individual, nicamente se compara el nivel uno contra el dos. El
contraste de la interaccin se puede obtener multiplicando los
coeficientes del factor A y B, si Q1 y Q2 son ortogonales, entonces,
Q1xQ2 es tambin ortogonal, esto se puede verificar en la tabla 7.15
Q1 y Q2:
t
c
i =1
i1 i 2
= (1)(1) + (1)( 1) + ( 1)(1) + ( 1)( 1) = 0
Q1 y Q3:
t
c
i =1
i1 i 3
= (1)(1) + (1)( 1) + ( 1)( 1) + ( 1)(1) = 0
Q2 y Q3:
t
c
i =1
i2
c i 3 = (1)(1) + ( 1)( 1) + (1)( 1) + ( 1)(1) = 0
CONCLUSIN:
Todos los contrastes son ortogonales entre si, por lo tanto este conjunto
cumplira con las condiciones de conjunto ortogonal completo, si sus sumas de
cuadrados son iguales a la de los tratamientos.
246
Ejemplo 7.8: Usar los datos del ejemplo 6.9, para analizar la estructura factorial, las
caractersticas de los tratamientos se muestran en las siguientes tablas, as
como sus datos. Digamos que las marcas de las mquinas es el factor A y el
grado de automatizacin es el factor B.
Tabla 7. 17 Caracteristicas de las Mquinas de Soldar.

A
B
Marca ATM con alimentacin totalmente automtica
C
Marca PLCH con alimentacin semiautomtica
D
Marca PLCH con alimentacin totalmente automtica

4
Tratamientos
c i2
Contrastes
A1B1 A1B2 A2B1 A2B2
i =1
B
Factor A
Factor B
Interaccin AxB
1
1
1
1
-1
-1
-1
1
-1
-1
-1
1
4
4
4
Tabla 7. 19 Tabulacin de Datos con Total de Tratamientos de Fuerza a la

Ruptura.
Mquinas
A
B
C
D
Operadores
I
68 70 70 77
II
70 71 71 78
III
72 74 73 81
IV
69 73 71 79
Totales de
Tratamientos 279 288 285 315
Solucin: Primero se establecen las hiptesis y luego se sacan los coeficientes de los
contrastes.
HIPTESIS:
Ho: 1 + 2 3 4 = 0
Ha: 1 + 2 3 4 0
247
ii. Mquinas semiautomticas vs. automticas

Ho: 1 2 + 3 4 = 0
Ha: 1 2 + 3 4 0
iii. Comportamiento del grado de automatizacin dentro de las marcas
Ho: 1 2 3 + 4 = 0
Ha: 1 2 3 + 4 0
F=
SSQ
F(1, gle).
CME
Tabla 7. 20 Anlisis de Varianza para un Diseo CL Factorial 2x2.

Fuentes de
Grados de
Suma de
Cuadrados
Fc
F
Libertad
Cuadrados
Medios
Variacin
Proveedores
3
0.688
0.229
0.58 4.76ns
Operadores
3
29.188
9.729
24.58
4.76*
Mquinas
3
190.688
63.563
160.58 4.76*
Marcas
1
68.0625
68.0625
171.87 5.99*
Grado de
1
95.0625
95.0625
240.05 5.99*
Automatizacin
Interaccin AxB
1
27.5625
27.5625
69.6
5.99*
Error
6
2.375
0.396
Total
15
222.938
CLCULOS:
Ahora se procede a calcular las sumas de cuadrados para los
contrastes;
SSFactor A
[ c y ]
=
2
2
[
[
279 + 288 285 315]
33]
=
=
= 68.0625
SSFactor B
[ c y ]
=
2
2
[
[
279 288 + 285 315]
39]
=
=
= 95.0625
i.
2
i
n c
i.
2
i
n c
4( 4)
4( 4)
248
16
[ c y ] = [279 288 285 + 315]

=
2
SSInteracin AxB
16
i.
2
i
n c
4( 4)
2
[
21]
=
16
= 27.5625
DECISIN:
El valor-p < 0.05, entonces rechazar Ho
ii. Mquinas semiautomticas vs. automticas
iii. Comportamiento del grado de automatizacin dentro de las marcas
CONCLUSIN:
Existe suficiente evidencia para decir que las marcas, el grado de
automatizacin de las mquinas de soldar y su interaccin afecta la eficiencia,
con un nivel de significancia del 5%.
Ntese que la suma de las sumas de cuadrados de los tres contrastes es igual
a la suma de cuadrados de los tratamientos, los tres contrastes son ortogonales entre
si, por lo tanto se tiene un conjunto completo de contrastes ortogonales, este conjunto
es tpico para analizar diseo de tratamientos factoriales 2x2, cuando se tenga un
factorial completo ms grande, el nmero de contrastes se incrementa y se complica
un poco ms, por ejemplo el 2x3, que sera el siguiente en tamao, en este caso se
tienen 5 contrastes, uno para el factor A, 2 para B y 2 para la Interaccin. A
continuacin se presenta el conjunto de contrastes para un diseo factorial 2x3.
Supngase que los tratamientos estn diseados como muestra la tabla 7.20.
Tabla 7. 21 Diseno de Tratamientos Factorial 2x3.

Temperatura
Presin
b1
b2
b3
a1
a1 b1 a1 b2 a1 b3
a2
a2 b1 a2 b2 a2 b3
Entonces la tabla de contrastes ortogonales est dada como sigue: el primer

contraste para el factor A, nicamente se comparan los niveles unos de A contra los
dos, para el factor B se compara el nivel uno y dos contra el tercer nivel y en el
contraste tres se compara el nivel uno con el dos, para que estos sean ortogonales
entre si. Los contrastes cuatro y cinco se obtienen multiplicado el primero con el
segundo y el tercero, respectivamente. Si los primeros tres contrastes son
ortogonales, entonces sus productos tambin lo son, por lo tanto, si todos los
tratamientos tienen igual nmero de replicaciones, entonces el total de stos forman
un conjunto completo de contrastes ortogonales.
249

4
Tratamientos
c i2
Contraste a1 b1 a1 b2 a1 b3 a2 b1 a2 b2 a2 b3 i =1
Q1
1
1
1
-1
-1
-1
6
Q2
1
1
-2
1
1
-2
12
Q3
1
-1
0
1
-1
0
4
Q4
1
1
-2
-1
-1
2
12
Q5
1
-1
0
1
-1
0
4
El contraste Q1 establece la hiptesis para verificar si los efectos del Factor A

sobre la variable de respuesta son todos iguales a ceros, es decir que el factor A no
afecta la variable de respuesta, los contrastes Q2 y Q3 representan conjuntamente la
hiptesis que el factor B no afecta la variable de respuesta, de igual forma los
contrastes Q4 y Q5 representan la hiptesis nula de que los efectos de los
tratamientos son aditivos o que no existe interaccin. Dada la propiedad de conjunto
de contrastes ortogonales completos, bajo el supuesto de que todos los tratamientos
tienen igual nmero de replicaciones, entonces las sumas de cuadrados para cada
uno de los factores y la interaccin, estn dados por:
SSFactor A = SS A = SSQ1 , con 1=(a-1) grados de libertad,

SSFactor B = SSB = SSQ 2 + SSQ 3 , con 2=(b-1) grados de libertad,
SSInt . AxB = SS AxB = SSQ 4 + SSQ 5 , con 2=(a-1)(b-1) grados de libertad.
Estas sumas de cuadrados bajo las condiciones ya mencionadas, cumplen con
la siguiente expresin:
SSTrt = SS A + SSB + SS AxB
Por lo tanto, para facilitar el clculo de las sumas de cuadrados de la

interaccin, sta se obtiene por diferencia de la suma de cuadrados de los
tratamientos como se indica a continuacin:
SS AxB = SSTrt SS A SSB .
Ntese, que el concepto de ortogonalidad es muy importante, ya que esto

establece hiptesis independientes, lo cual conlleva a que las sumas de cuadrados
son aditivas y no se traslapan, adems nos ayuda a calcular algunas sumas de
cuadrados por diferencia, dependiendo del conjunto total de contrastes ortogonales, y
a analizar diseos factoriales no muy grandes, aparte de otros diseos de grupos y
los de gradiente que trataremos en la siguiente seccin.
250
7.4 Diseo de Tratamientos con Gradiente.
El diseo de tratamientos con gradiente es muy comn cuando el

experimentador quiere ir ms all de slo verificar si los tratamientos afectan a la
variable de respuesta, como es investigar qu tipo de relacin existe entre el factor de
los tratamientos y la variable de respuesta, esto es posible cuando el factor es
numrico y se desea saber qu tendencias existen entre estas dos variables; lineal,
cuadrtica o cbica, etc. Este diseo es de un slo factor numrico y los tratamientos
son niveles establecidos en forma de gradiente, por ejemplo si los tratamientos son
niveles de temperatura de un proceso qumico, estos pueden ser 200, 220, 240, 260 y
280 grados Fahrenheit.
Los diseos de tratamientos con gradiente son muy tiles, ya que se puede
estimar un modelo de regresin polinomial que explique el comportamiento de la
variable de respuesta con respecto al factor bajo investigacin. Para hacer esto se
parte de condiciones que facilitan la tarea de llegar a dicho modelo, como es que los
tratamientos estn igualmente espaciados y todos los tratamientos tienen igual
nmero de rplicas.
Un mtodo general para ajustar la variable de respuesta a un polinomio de t-1
grados, puede ser el mtodo de mnimos cuadrados por medio de regresin
polinomial, el cual no est al alcance de este libro, pero un mtodo fcil y rpido es a
travs de los polinomios ortogonales para cuando los tratamientos estn igualmente
espaciados y tienen muestras del mismo tamao. Este procedimiento consiste en
verificar a travs de contrastes para la relacin lineal, cuadrtica, cbica, etc. Y
posteriormente estimar los polinomios ortogonales que son significativos, sin tener
que estimar toda la ecuacin y luego verificar cuales coeficientes son significativos,
por lo que permite ahorrar tiempo y trabajo, esto es gracias a la propiedad de
ortogonalidad de dichos polinomios. Los contrastes se encuentran tabulados en la
tabla del apndice A11 y el modelo para la variable de respuesta se expone a
continuacin.
y = + a1P1( x ) + a2 P2 ( x ) + ... + at 1Pt 1( x ) +
t 1
y = + au Pu ( X ) + ,
u =1
donde: Pu ( x ) , es un polinomio ortogonal de orden u, y

au es el coeficiente del polinomio de orden u.
Los primeros cuatro polinomios ortogonales se muestran a continuacin:
x x
P1( x ) = 1
,
d
251
x x 2 t 2 1
,
P2 ( x ) = 2

12
d
x x 3 x x 3t 2 7
,
P3 ( x ) = 3

20
d
d
x x 4 x x 2 3t 2 13 3(t 2 1)(t 2 9)
+
P4 ( x ) = 4

,
14
560
d
d
donde: d es la distancia entre los tratamientos,

t es el nmero de tratamientos o niveles,
, son constantes que aseguran que los polinomios tomen nmeros
enteros y se encuentran en la tabla A14.
Los estimadores de los coeficientes del modelo para ajustar una curva
polinomial a la variable de respuesta estn dados como sigue:
= y .. =
y ..
,
tn
t
a u =
qu
c
i=
2
iu
c
i =1
t
iu
c
i=
y i.
2
iu
a u =
c
i =1
iu
y i.
n c iu2
i=
Entonces, la estimacin del modelo queda como sigue:

t 1
y = + a u Pu ( X ) .
u =1
En el modelo, nicamente se toman en cuenta los polinomios ortogonales que

son significativos en el anlisis de varianza, a continuacin se resuelve un ejemplo
para ilustrar el procedimiento.
252
Ejemplo 7.9: En un proceso de atornillado automtico con pistolas neumticas se

sospecha que la presin del aire afecta la altura de las graseras, las cuales son
atornilladas a su base, para verificar tal sospecha se realiz un experimento
completamente al azar con cuatro diferentes presiones y cinco replicaciones.
Los datos se muestran en la tabla 7.21. Verificar qu tipo de relacin existe
entre la altura de la grasera y la presin del circuito neumtico y estimar el
modelo de regresin polinomial que ms se ajuste a la variable de respuesta.

Neumtico.
Medias
Presin
Replicaciones
-4
Psi
Altura de la grasera a la base (10 pulgadas)
yi
1400
4230
4231
4225
4229
4229 4228.8
1200
4231
4234
4226
4234
4234 4231.8
1000
4232
4237
4232
4239
4236 4235.2
800
4241
4233
4235
4240
4241 4238.0
Tabla 7. 24 Coeficientes de Polinomios Ortogonales para Ejemplo de las

Graseras.
4
Tratamientos
2
Polinomio 800 1000 1200 1400 c i
i =1
Lineal
Cuadrtico
Cbico
-3
1
-1
-1
-1
3
1
-1
-3
3
1
1
20
4
20
Solucin: Primeramente se establecen las hiptesis y luego se obtiene la

estimacin de los contrastes, ya que stas adems de ser tiles en el
clculo de las sumas de cuadrados, tambin para el clculo de los
coeficientes de los polinomios.
HIPTESIS:
i. Lineal
Ho: No existe una relacin lineal entre la presin y la altura de la grasera.
Ha: Existe una relacin lineal entre la presin y la altura de la grasera.
ii. Cuadrtica
Ho: No existe una relacin cuadrtica entre la presin y la altura de la
grasera.
Ha: Existe una relacin cuadrtica entre la presin y la altura de la
grasera.
253
iii. Cbica
Ho: No existe una relacin cbica entre la presin y la altura de la
grasera.
Ha: Existe una relacin cuadrtica entre la presin y la altura de la
grasera.
F=
SSQ
CME F(1, gle)
q u = c iu y i .
i =1
qL = 3( 4228.8) + ( 4231.8) ( 4235.2) 3( 4238.0) = 31

qQ = ( 4228 .8) + ( 4231 .8) + ( 4235 .2) ( 4238 .0) = 0.2
qC = ( 4228 .8) 3( 4231 .8) + 3( 4235 .2) ( 4238 .0) = 1
2
SSu =
nq u
c iu2
5( 31)2
SSL =
= 240.25
20
5(0.2)2
SSQ =
= 0.05
4
5(1)2
SSQ =
= .025
20
Tabla 7. 25 Anlsis de Varianza para Polinomios Ortogonales para la Altura de

las Grasera.
Fuentes
Grados de
Suma de
Cuadrados
Fc
F
de
Libertad
Cuadrados
Medios
Variacin
Presin
3
240.6
80.2
7.8 3.24*
Lineal
1
240.25
240.25
23.38 4.49*
Cuadrtico
1
0.05
0.05
<1
Cbico
1
0.025
0.025
<1
Error
16
164.4
10.275
Total
19
405
254
DECISIN:
i. Lineal
ii. Cuadrtica
Fc <1, entonces no rechazar Ho.
iii. Cbica
CONCLUSIN:
Los datos no muestran evidencia para decir que existe una tendencia
cuadrtica y cbica, pero si hay evidencia para decir que existe una tendencia
lineal, por lo tanto se procede a estimar un modelo lineal para predecir la altura
de las graseras, en funcin de la presin del aire en el circuito neumtico.
ESTIMACIN DEL MODELO:
y = + a1P1( x )
x
x x
x 1100
= 2
P1( x ) = 1
=
11
d
200 100
q
31
a1 = t 1 =
= 1.55
20
2
ci1
i=
= y .. = 4235 .45
x
y = + a1P1( x ) = 4235 .45 1.55

11
100
y = 4250.5 0.0155 x
INTERPRETACIN:
La altura de la grasera, dada en diezmilsimas de pulgada, est expresada por
4250.5 menos 0.0155 por cada psi de presin de aire del circuito neumtico,
usado para atornillar dicha grasera, es decir por cada psi que se aumente en el
circuito neumtico, se disminuye la altura en 0.0155 diezmilsimas de pulgada.
Ejemplo 7.10: En un proceso de soldadura por arco elctrico, el ingeniero de

manufactura desea saber la relacin que existe entre la corriente y la
resistencia a la ruptura, con tal propsito l llev a cabo un experimento
completamente al azar. De acuerdo a los controles de la mquina se hizo un
255
diseo de tratamientos con gradiente. Los datos se muestran en la tabla 7.24.

Verificar qu tipo de relacin existe entre la resistencia a la ruptura y la
corriente para soldar y estimar el modelo de regresin polinomial que mejor se
ajuste a la variable de respuesta.
Tabla 7. 26 Resistencia a la Ruptura para la Soldadura para Diferentes Niveles

de Corriente.
Replicaciones
Medias
Corriente Resistencia a la ruptura en Libras
yi
620 82.8 79.8
84.0
85.2 86.2
83.60
660 91.8 94.0
89.6
88.8 89.2
90.68
700 85.4 91.4
92.0
92.6 85.4
89.36
740 95.6 99.0 103.4 100.2 98.8
99.40
Tabla 7. 27 Coeficientes de Polinomios Ortogonales para el Ejemplo de

Soldadura.
4
Tratamientos
c i2
Polinomio 620 660 700 740

i =1
Lineal
Cuadrtico
Cbico
-3
1
-1
-1
-1
3
1
-1
-3
3
1
1
20
4
20
Solucin: Primeramente se establecen las hiptesis y luego se obtiene la

estimacin de los contrastes.
HIPTESIS:
i. Lineal
Ho: No existe una relacin lineal entre la resistencia a la ruptura de la
soldadura y la corriente.
Ha: Existe una relacin lineal entre resistencia a la ruptura de la
ii. Cuadrtica
Ho: No existe una relacin cuadrtica entre la resistencia a la ruptura de
la soldadura y la corriente.
Ha: Existe una relacin cuadrtica entre la resistencia a la ruptura de la
iii. Cbica
Ho: No existe una relacin cbica entre la resistencia a la ruptura de la
256
Ha: Existe una relacin cuadrtica entre la resistencia a la ruptura de la

F=
SSQ
CME
~ F(1, gle )
CLCULOS:
qu =
c
i =1
iu
y i.
qL = 3(83.6) (90.68) + (89.36) + 3(99.4) = 46.08

qQ = (83.6 ) (90.68 ) (89.36 ) + (99.4 ) = 2.96
qC = (83.6) + 3(90.68 ) 3(89.36 ) + (99.4 ) = 19.76
2
nqu
SSu =
c iu2
5( 46.08 )2
= 530.84
20
5(2.96)2
SSQ =
= 10.952
4
5(19.76)2
SSQ =
= 97.614
20
SSL =
Tabla 7. 28 Anlsis de Varianza para Polinomios Ortogonales

de Soldadura.
Fuentes
Grados de
Suma de
Cuadrados
de
Libertad
Cuadrados
Medios
Variacin
Corriente
3
639.41
213.4
Lineal
1
530.84
530.84
Cuadrtico
1
10.95
10.95
Cbico
1
97.61
97.61
Error
16
128.32
8.02
Total
19
767.73
para el Ejemplo
Fc
22.58 3.24*
66.19 4.49*
1.36 4.49ns
12.17 4.49*
DECISIN:
i. Lineal
257
ii. Cuadrtica
iii. Cbica
Fc <1, entonces rechazar Ho.
El valor-p > 0.05, entonces rechazar Ho.
CONCLUSIN:
Los datos no muestran evidencia para decir que existe una tendencia
cuadrtica, pero hay evidencia para decir que existe una tendencia lineal y
cbica, por lo tanto se procede a estimar un modelo polinomial para predecir la
resistencia a la ruptura, en funcin de la corriente aplicada por la mquina de
soldar.
ESTIMACIN DEL MODELO:
y = + a1P1( x ) + a 3 P 3 ( x )
x x
x 680 x
P1( x ) = 1
= 2
34
=
d
40 20
x x 3 x x 3t 2 7
P3 ( x ) = 3

d d 20
3
10 x 680 x 680 3( 4)2 7
P3 ( x ) =

3 40 40 20
1
P3 ( x ) =
( x 680 )3 0.17 x + 116.167
12
q
46.08
= 2.30
a1 = t 1 =
20
2
ci1
i=
a1 =
q1
c
i=
2
i1
19.76
= 0.988
20
= y .. = 90.76
y = + a1P1( x ) + a3 P3 ( x )
x
34 + 0.988 ( x 680)3 0.17 x + 116.167

y = 90.76 + 2.3
20
12
3
y = 127 .33 0.053 x + 0.0823( x 680 )
258
INTERPRETACIN:
La resistencia a la ruptura en libras, est dada por el modelo antes
mencionado, para un nivel de corriente x, se puede estimar la media de la
resistencia a la ruptura con ese modelo. La estimacin de la resistencia para
una corriente de 680, es igual a 91.29 libras.
Es importante mencionar que la estimacin se puede hacer con un modelo de

regresin polinomial, pero como se dijo anteriormente, el mtodo est fuera del
alcance de este libro. El enfoque de diseo de experimentos y polinomios ortogonales
proporciona la herramienta para contestar las preguntas del investigador, cuando
conciernen a los tipos de relacin entre la variable de respuesta y los factores, ntese
que los polinomios ortogonales tambin podran aplicarse a un diseo factorial con
dos o ms factores con gradiente, entonces se genera un modelo polinomial con ms
trminos.
7.5 Intervalos de Confianza Simultneos.
Un tipo especial de intervalos de confianza simultneos fue estudiado en la

seccin 5.7, el cuales consista en comparaciones de las medias de todos los
tratamientos contra el mejor, es decir intervalos simultneos para diferencias de
medias, los cuales involucran a un par de medias. En esta seccin se presentan
intervalos de confianza simultneos para un conjunto de contrastes los cuales
involucran dos o ms medias, dicho conjunto no necesita ser ortogonal. Tres
procedimientos se presentarn: rangos studentizados, Scheffe y Bonferroni, para
cada caso se indicar la clase de error.
Para calcular los intervalos de confianza simultneos de rango studentizado,
supngase que se tiene un conjunto de t tratamientos con sus medias 1, 2 ,L, t .
Un Contraste Q, es una combinacin lineal de medias cuyos coeficientes suman a
cero y por lo menos uno es diferente de cero. Es decir:
t
Q = ci i
i =1
De tal forma que su estimador est dado por:

q=
c y
i =1
Entonces los intervalos de confianza simultneos de rango studentizado est

dado por:
t
LC = c i y i r( t , , gle )
i =1
CM E
c
n
i =1
259
Donde: r( t , , gle ) es el valor especial de rango studentizado de orden t, con gle

grados de libertad de CME y error por experimento igual a , el cual
se obtiene de la tabla A-10.
El rango studentizado que se obtiene de la tabla, est dado para tamaos de
muestras iguales, por lo tanto este procedimiento no es exacto para cuando los
tratamientos tienen tamaos de muestras diferentes, de cualquier forma cuando las
diferencias entre tamaos de muestras son pequeas, el procedimiento se aproxima
a la exactitud.
t
Ntese que en la comparacin de dos medias el trmino de
c
i =1
2 se
reduce a la unidad y el rango del intervalo de confianza sera igual a la diferencia

mnima significativa para la prueba de Tukey.
De igual forma se definen los intervalos de confianza simultneos de Scheffe,
los cuales estn basados en el 1- percentil de la distribucin F, para una coleccin
de contrastes, los ICS tienen un nivel de confianza conjunto de que todos los
intervalos puedan contener la funcin paramtrica definida en cada uno de los
contrastes. Consecuentemente es de la clase de error del experimento. La mayor
diferencia entre el mtodo de Scheffe el de Rango studentizado es que el de Scheffe
es un mtodo exacto para cuando los tratamientos tienen tamaos de muestras
diferentes.
Para un contraste Q, los ICS de Scheffe estn dados por:
LC = c i y i (t 1)F( t 1, gle; )CM E

i =1
LC = c i y i (t 1)F( t 1, gle; )
i =1
CME
n
c i2
, para n diferentes.
ni
2
i
, para n iguales.
Donde: F( t 1, gle; ) es el 1- percentil de la distribucin F, con t-1 grados de

libertad en el numerador y con gle grados de libertad de CME en el
denominador y error del experimento igual a , el cual se obtiene de
la tabla A-4 a la A-8.
Los ICS de Bonferroni fueron diseados para un conjunto pequeo de m
contraste de inters del investigador, si m es pequea, se puede mejorar
considerablemente el ancho de los intervalos, es decir, intervalos ms angostos que
los que se obtendran con los procedimientos previos.
260
Para el procedimiento de Bonferroni el valor de se refiere a la clase de error

del experimento del conjunto especifico de m contrastes, consecuentemente 1- es
el nivel de confianza de que los m intervalos simultneos contengan los verdaderos
valores de las funciones paramtricas de inters. En este procedimiento a cada uno
de los intervalos se le asignar error de / m , de aqu que el error para la coleccin
de intervalos es a lo ms y el coeficiente de confianza es cuando menos 1- . Para
calcular los lmites se usa la distribucin t de student.
Para un contraste Q, los ICS de Bonferroni estn dados por:
LC = c i y i t ( gle; 2m )
i =1
c i2
, para n diferentes.
CM E
ni
CM E
i =1
2
i
, para n iguales.
donde: t( gle; 2m ) es el 1- 2m percentil de la distribucin t, con gle grados de

libertad de CME y error del experimento igual a 2m , el cual se
obtiene de la tabla A-2.
Ejemplo 7.11: Usar los datos del ejemplo 7.3 para aplicar los mtodos de ICS, con los
contrastes generados en el mismo ejemplo, establezca el coeficiente de
confianza en 0.95.
A
B
C
D
68
72
70
81
70
71
73
78
72
70
71
77
69
73
69
79
71
74
71
80
70.0 72.0 70.8 79.0
HIPTESIS:
Ho: 1 + 2 3 4 = 0
Ha: 1 + 2 3 4 0
261

Ho: 1 + 2 + 3 3 4 = 0
Ha: 1 + 2 + 3 3 4 0
Tabla 7. 30 Coeficientes de los Contrastes para Grupos de Mquinas para

Soldar.
4
Mquinas
2
Contrastes (j) A B C D cIJ
i =1
Q1
Q2
1
1
1 -1 -1
1 1 -3
4
12
Solucin:
i. ICS con el procedimiento de Rango Studentizado.
Primero se obtiene el valor especial de rango studentizado con 16 grados de
libertad, k = 4 y = 0.05, entonces:
r( 4, 0.05, 16 ) = 4.05
t
CM E
i =1
c
i =1
S y = CME
n
Sy = 2.425 5 = 0.696
= 4.05(0.696 )
n
q1 = 70.0 + 72.0 70.8 79.0 = 7.8
q2 = 70.0 + 72.0 + 70.8 3(79.0) = 24.2
r( p, , gle ) CME
Tabla 7. 31 Intervalos de Confianza Simultneos de Rango Studentizado para

la Fuerza de Ruptura de la Soldadura.
t
t
Contraste
Q
LCI
LCS
CME
c
2
ci 2
r
i
( p, , gle )
n i =1
i =1
Q1
Q2
262
-7.8
-24.2
2
3
5.636
8.454
-13.43 -2.16
-32.65 -15.74
Observando la tabla 7.30, se puede concluir que existe evidencia para declarar
que hay diferencia entre las mquinas ATM y PLCH y tambin existe diferencia
entre las medias de las mquinas semiautomticas y automticas, ya que los
intervalos de confianza simultneos no incluyen el cero. Con una clase de error
del experimento del 0.05.
ii. ICS con el procedimiento de Scheffe.
Primero se obtiene el valor de F con 3 grados de libertad en el numerador y
16 grados de libertad en el denominador y = 0.05, entonces:
F( 3, 16; 0.05 ) = 3.24

t
CME
c i2
n
i =1
CME
2.425
= 3(3.24)
= 27.4
(t 1)F( t 1, gle; )
n
5
LC = ci y i (t 1)F( t 1, gle; )
q1 = 70.0 + 72.0 70.8 79.0 = 7.8

q2 = 70.0 + 72.0 + 70.8 3(79.0) = 24.2
Tabla 7. 32 Intervalos de Confianza Simultneos de Scheffe para la Fuerza de

Ruptura de la Soldadura.
4
Contraste
q
LCI
LCS
CM E
cIJ2
(t 1)F( t 1, gle; )
c i2
i =1
n
Q1
-7.8
4
10.47
-18.27 2.67
Q2
-24.2
12
18.13
-42.33 -6.07
Observando la tabla 7.31, se puede concluir que no existe evidencia para

declarar una diferencia entre las mquinas ATM y PLCH, por otro lado existe
evidencia para decir que hay diferencia entre las medias de las mquinas
semiautomticas y automticas. Con una clase de error del experimento del
0.05.
iii. ICS con el procedimiento de Bonferroni.
Primero se obtiene el valor de t de Student con 16 grados de libertad y
/ 2m = 0.0125, entonces:
t (16; 0.0125 ) = 2.473

t
i =1
CM E
2
i
263
q1 = 70.0 + 72.0 70.8 79.0 = 7.8

q2 = 70.0 + 72.0 + 70.8 3(79.0) = 24.2
Tabla 7. 33 Intervalos de Confianza Simultneos de Bonferroni para la Fuerza

de Ruptura de la Soldadura.
4
Contraste
q
LCI
LCS
CM E
cIJ2 t ( gle; 2m )
c i2
n
i =1
Q1
Q2
-7.8
-24.2
4
12
3.44
5.96
-11.24 -4.36
-30.16 -18.24
Observando la tabla 7.32, se puede concluir que existe evidencia para declarar
que hay diferencia entre las mquinas ATM y PLCH y tambin existe diferencia
entre las medias de las mquinas semiautomticas y automticas, ya que los
intervalos de confianza simultneos no incluyen el cero. Con una clase de error
del experimento del 0.05.
Ejemplo 7.12: Usar los datos del ejemplo 7.4 para aplicar los mtodos de ICS, con los
contrastes generados en el mismo ejemplo. Establezca el coeficiente de
confianza en 0.95.
Tabla 7. 34 Nmero de Piezas Ensambladas por
MTODOS
OBSERVACIONES
I
45 46 48 44 46
II
45 48 46 48
III
52 50 49 55 51 53
los Diferentes Operadores

MEDIAS
229/5=45.8
187/4=46.75
310/6=51.67
726/15=48.4
HIPTESIS:
i. Mtodos nuevos vs. estndar
Ho: 21 2 3 = 0
Ha: 21 2 3 0
ii. Mtodos nuevos
Ho: 2 3 = 0
Ha: 2 3 0
264
Tabla 7. 35 Coeficientes de los Contrastes para los Mtodos de Ensamble.

3
Mtodos
cIJ2
Contrastes I II III
i =1
Q1
Q2
2 -1 -1
0 1 -1
6
2
El CME=3.24 con 12 grados de libertad del error y un promedio de n=5.

Solucin:
i. ICS con el procedimiento de Rango Studentizado.
Primero se obtiene el valor especial de rango studentizado con 12 grados de
libertad, k = 3 y = 0.05, entonces:
r( 3, 0.05, 12 ) = 3.77
t
i =1
CM E
c
i =1
S y = CME
n
Sy = 3.24 5 = 0.805
= 3.77(0.805 ) = 3.035
n
q1 = 2( 45.8) 46.75 51.67 = 6.82
q2 = 46.75 51.67 = 4.92
r( p, , gle ) CME
Tabla 7. 36 Intervalos de Confianza Simultneos de Rango Studentizado para

Piezas Ensambladas.
t
t
Contraste
q
LCI
LCS
CME
c
2
ci 2
r
i
( p, , gle )
n i =1
i =1
Q1
Q2
-6.82
-4.92
2
1
6.07
3.03
-12.89 -0.75
-7.95 -1.89
eficiencia entre los dos mtodos nuevos. Con una clase de error del
experimento del 0.05.
265
ii. ICS con el procedimiento de Scheffe.

Primero se obtiene el valor de F con 2 grados de libertad en el numerador y
12 grados de libertad en el denominador y = 0.05, entonces:
F( 2, 12; 0.05 ) = 3.89
c i2
LC = c i y i (t 1)F( t 1, gle; )CM E
ni
i =1
t
(t 1)F( t 1, gle; )CME = 2(3.89)(3.24) = 25.2
q1 = 2( 45.8) 46.75 51.67 = 6.82

q2 = 46.75 51.67 = 4.92
Q1 :
cI2 4 1 1 48 + 15 + 10 73
= + + =
=
5 4 6
60
60
i = 1 ni
Q1 :
cI2 1 1 6 + 4 5
= + =
=
4 6
24
12
i =1 ni
Tabla 7. 37 Intervalos de Confianza Simultneos de Scheffe para los Mtodos

de Ensamble.
3
Contraste
q
LCS
cI2
c i2 LCI
(
1
)
t
F
CM
( t 1, gle; )
E
ni
i = 1 ni
Q1
Q2
-6.82 73/60
-4.92 5/12
5.53
3.24
-12.35 -1.29
-8.16 -1.68
iii. ICS con el procedimiento de Bonferroni.
Primero se obtiene el valor de t de Student con 12 grados de libertad y
/ 2m = 0.0125, entonces:
t (16; 0.0125 ) = 2.56
t
LC = c i y i t ( gle; 2m ) CM E
i =1
c i2
ni
q1 = 2( 45.8) 46.75 51.67 = 6.82

q2 = 46.75 51.67 = 4.92
266
Tabla 7. 38 Intervalos de Confianza Simultneos de Bonferroni para los

Mtodos de Ensamble.
3
Contraste
q
LCS
cI2
c 2 LCI
t ( gle; 2m ) CM E i
ni
i = 1 ni
Q1
Q2
-6.82 73/60
-4.92 5/12
5.08
2.97
-11.9 -1.74
-7.89 -1.95
267
7.1 Con los datos del ejercicio 4.1, establezca un conjunto completo de contrastes
ortogonales con sus hiptesis correspondientes y lleve a cavo las pruebas e
intgrelas a la tabla de Anova.
7.2 Para los datos del proceso qumico del ejercicio 4.2, investigue que tipo de
relacin existe entre el rendimiento y la temperatura y estime la ecuacin que
representa dicha relacin.
7.3 Las maquinas del ejercicio 4.3 se describen en la siguiente tabla, establezca un
conjunto de contrastes ortogonales completos con sus respectivas hiptesis y
verifquelas con un nivel de significancia del 1%.
Mquina
A
B
C
D
Descripcin
Marca FCL sin cmara de precalentado
Marca FCL con cmara de precalentado
Marca ISI sin cmara de precalentado
Marca ISI con cmara de precalentado
7.4 La estructura de los tratamientos del ejercicio 4.4 esta dada por la siguiente
tabla, establezca un conjunto de contrastes ortogonales completos con sus
respectivas hiptesis y verifquelas con un nivel de significancia del 5%.
Operador
1
2
3
4
5
Descripcin
Hombre sin experiencia previa
Hombre con experiencia previa
Hombre con experiencia previa
Mujer sin experiencia previa
Mujer con experiencia previa
7.5 La estructura de los tratamientos del ejercicio 4.4 esta dada por la siguiente
tabla, establezca un conjunto de contrastes ortogonales completos con sus
Operador Aos de Experiencia
1
2
2
4
3
6
4
8
5
10
268
7.6 Para los datos del ejercicio 4.5, investigue la relacin que existe entre la
velocidad de la mquina y el nmero de defectos encontrados en las tarjetas y
estime la ecuacin. Supngase que las velocidades estn igualmente
espaciadas.
7.7 En el ejercicio 4.6, el examen A es el estndar y se desea comparar con los

dems:
a. Establezca los contrastes, las hiptesis y verifquela.
b. Estime los ICS con el mtodo de Scheffe.
c. Estime los ICS con el mtodo de Bonferroni.
7.8 La estructura de los tratamientos del ejercicio 4.7 se muestra en la siguiente

tabla. Establezca un conjunto de contrastes ortogonales completos con sus
Contenido de Contenido en
Dieta
Protenas
Carbohidratos
A
Bajo
Bajo
B
Bajo
Alto
C
Alto
Bajo
D
Alto
Alto
7.9 En el ejercicio 4.7, la dieta D es el estndar y se desea comparar con las dems:
a. Establezca los contrastes, las hiptesis y verifquela.
b. Estime los ICS con el mtodo de Scheffe.
c. Estime los ICS con el mtodo de Bonferroni.
269
270
8. DISEOS FACTORIALES.
Los diseos factoriales son experimentos con una estructura de tratamientos
muy bien definida, donde estos son la combinacin de niveles de dos o ms factores,
de esta forma se definen los tratamientos. Un diseo factorial completo consiste de
todas las combinaciones entre los niveles de los factores, tambin existen factoriales
fraccionados, donde los tratamientos bajo experimentacin son un subconjunto del
factorial completo, En este capitulo se estudiarn los factoriales completos de dos y
tres factores y el modelo del diseo factorial general. En cada uno de estos casos, se
desarrollarn los modelos lineales y supuestos y el anlisis de varianza.
Como se menciona anteriormente los diseos factoriales son diseos de
tratamiento, es decir, es la forma en que los tratamientos son seleccionados, mismos
que pueden ser aplicados o corridos en cualquiera de los diseos experimentales que
se han visto en los captulos 4 y 6, con la ventaja de que se pueden analizar los
tratamientos ms los efectos de los factores y sus interacciones. En el captulo 7 se
estudiaron los diseos factoriales y su anlisis por medio de contrastes, en este
captulo se analizar en la forma tradicional con sumas de cuadrados.
Los diseos factoriales al igual que otros diseos, tienen sus ventajas y
desventajas, algunas se sus ventajas son: la flexibilidad de usar cualquier nmero de
factores y niveles en cada uno, est sujeto nicamente a la disponibilidad de recursos;
se pueden usar en cualquier diseo experimental; se pueden investigar las
interacciones y los factores en forma independiente, en la ausencia de interacciones,
el experimento se considerara como experimento simultneo para cada factor.
Cuando hay ms de dos factores es muy poco probable que haya ausencia de
interaccin.
Las principales desventajas de los experimentos factoriales son: cuando
existen datos perdidos el anlisis se vuelve complejo; las interacciones de dos o ms
factores son difciles de interpretar y pueden llevar a conclusiones errneas, este
material se estudiar ms adelante; el tamao del experimento se convierte
excesivamente grande cuando existen varios factores con demasiados niveles, ya que
se requieren dos replicaciones cuando menos para estimar la varianza del error
experimental.
8.1 Diseos con Dos Factores.

En este caso se consideran experimentos que tienen nicamente dos factores,
los cuales denotaremos como factor A y B. Supngase que A tiene a2 niveles y el
factor B, tiene b2 niveles, el total de tratamientos resultante es axb, por lo que
generalmente se le llama diseo factorial axb, el diseo ms pequeo que puede
resultar es uno de 2x2, este caso se trat en el capitulo anterior, donde se habla de la
interaccin y de los efectos principales. En esta seccin se estudiar el diseo
factorial axb en forma general, para cualquier valor de a y b mayor que dos, as como
su modelo lineal y estimacin de parmetros, y el anova y verificacin de hiptesis.
La interaccin entre dos factores es la falta de aditividad de sus efectos, o la
falta de paralelismo en las grficas de efectos. Si el comportamiento de un factor
dentro de los niveles del otro es similar, entonces no hay interaccin; cuando hay
discrepancias en los efectos de un factor dentro del otro entonces hay interaccin, la
en la ausencia de sta se dice que sus efectos son aditivos, de lo contrario, se dice
que sus efectos son multiplicativos.
La ausencia de interaccin, realmente genera un modelo aditivo, es decir que
el efecto de los tratamientos se puede explicar puramente con la suma de los efectos
de los factores, por otro lado cuando hay interaccin, el modelo sigue siendo aditivo,
pero el efecto de los tratamientos no puede ser explicado totalmente por la suma de
stos, por tal motivo se agrega un trmino ms atribuible a la interaccin, a
continuacin se muestran los modelos lineales para el efecto de tratamientos y las
grficas de ambos casos:
ij = i + j , sin interaccin,
ij = i + j + ( )ij , con interaccin, para ( )ij 0
A continuacin se muestran dos grficas, una con interaccin y otra sin
interaccin.
Respuesta
b2
b1
Factor A
Figura 8. 1 Efecto de los sin Interaccin
272
Respuesta
b1
b2
Factor A
Figura 8. 2 Efecto de Factores con Interaccin.
Las ilustraciones anteriores son para la interaccin de dos factores, conforme

aumenta el nmero de factores, es ms difcil representar grficamente los efectos
para verificar si existe o no interaccin, por lo tanto se recurre al anova.

durante la ejecucin de un experimento para un diseo Factorial, donde los efectos de
los tratamientos se descomponen en efectos principales e interaccin, se suman los
componentes debido a los tratamientos y el muestreo. Para facilidad se asume que el
experimento se lleva a cabo en un diseo CA. Entonces cada observacin estar
compuesta como lo indica la siguiente expresin:
y ijk = + i + j
i = 1,K, a
+ ( )ij + ijk , Para j = 1,K, b
k = 1,K, n
Donde: y ijk , representa la k-sima observacin del tratamiento compuesto del isimo nivel del factor A y el j-simo nivel del factor B.
i , representa el efecto del i-simo nivel del factor A.
j , representa el efecto del j-simo nivel del factor B.
DISEOS FACTORIALES /JAIME SNCHEZ LEAL, Ph. D.
273
( )ij , representa el efecto de la interaccin del i-simo nivel del factor A

y j-simo nivel del Factor B.
ijk , representa el error de la k-sima observacin del tratamiento del isimo nivel del factor A y j-simo nivel del factor B.
tratamientos, compuestos de los efectos principales de los factores, la interaccin y el
error de las observaciones, , y , los supuestos sobre el modelo para Efectos
Fijos, son necesarios para analizar los datos y hacer las inferencias o la verificacin
de las hiptesis sobre la igualdad de medias para los factores e interaccin. Dichos
supuestos son que cada tratamiento tiene una distribucin normal con varianza
comn 2 y que las muestras son independientes y obtenidas en forma aleatoria. Lo
anterior se puede resumir en:
i. ij iid N(0, 2),
ii.
= 0,
iii.
= 0,
iv.
( )
ij
=0 y
( )
ij
=0

i. ij iid N(0, 2),
ii. i iid N(0, A2 ),
iii. j iid N(0, B2 ),
2
iv. ( )ij iid N(0, AB
),
v. Los efectos
distribuidos.
( )
, estn independientemente
En el modelo lineal para el diseo Factorial hay dos efectos principales, los del
factor A y B, en los supuestos anteriores se asume que los dos efectos principales
son todos fijos o aleatorios, puede existir el caso en que uno de los dos efectos es
aleatorio y el otro es fijo. A continuacin se establecen los supuestos en el caso de
que los efectos del factor A son aleatorios y los efectos del B fijos:
i. ij iid N(0, 2),
274
ii. i iid N(0, A2 ),
iii.
=0 y
( )
ij
=0
iv. Los efectos , ( ) y , estn independientemente distribuidos.

se presenta el anlisis de varianza, el cual es similar para cualquiera de los casos
anteriores, lo que cambia es la forma de concluir, dependiendo del tipo de modelo
lineal.
factorial para efectos fijos, para tal propsito se parte del modelo lineal:
y ijk = + i + j
i = 1,K, a
+ ( )ij + ijk , Para j = 1,K, b
k = 1,K, n
La estimacin de los parmetros se hace utilizando el Mtodo de Mnimos

decir:
a
ijk2
Min.
i =1 j =1 k =1
a
( y ijk i j ( )ij )2 .
Min.
i =1 j =1 k =1

parciales de L con respecto a los parmetros , , ( ) y . Esto conlleva a un
sistema de ecuaciones lineales, conocidas como el sistema normal de ecuaciones, la
solucin de dicho sistema aunado con las restricciones para el modelo de efectos fijos
da los siguientes estimadores de los parmetros:
= 0,
= y .. =
= 0,
( )
i
ij
=0 y
( )
ij
=0
1 a b n
y ijk
abn i =1 j =1 k =1
275
i = y i .. y ...
i = y . j . y ...
( )ij = y ij . y i .. y . j . + y ...
CM E =
a b n
1
( y ijk y ijk )2
ab(n 1) i =1 j =1 k =1
CM E =
a b n
1
( y ijk i j ( )ij )2
ab(n 1) i =1 j =1 k =1

procede a la verificacin de hiptesis sobre los efectos de los factores e interaccin
para el caso de efectos fijos. Se debe de recordar que para el caso de efectos
aleatorios la hiptesis se plantea sobre el componente de varianza de los
tratamientos.
Despus de que los datos son coleccionados, stos se tabulan como se

muestran en la tabla 8.1, para simplificar los clculos del anlisis de varianza, los
cuales se muestran en la tabla 8.2. La tabla 8.1 parte de los totales de los
tratamientos para obtener los subtotales y sumas de cuadrados.
Tabla 8. 1 Clasificacin de los Totales de Tratamiento por Niveles de Factores.

Niveles del Factor B
Total para
K
Niveles del
Niveles de A
1
2
b
Factor A
1
y 11. y 12. K y 1b.
y 1..
K
2
y 2b.
y 21. y 22.
y 2..
K
M
M
M
M
M
A
y a1. y a 2. K y ab.
y a..
Totales para
Niveles de B y .1. y .2. K y .b.
y ...
276
Donde: y ij . = y ijk ,
k =1
y i .. = y ijk ,
j =1 k = 1
y . j . = y ijk y
i =1 k =1
y ... = y ijk .
i =1 j =1 k =1
Tabla 8. 2 Anlisis de Varianza para un Diseo Factorial Completamente al Azar.

Fuentes de
Grados de
Suma de
Cuadrados
Fc
Libertad
Cuadrados
Variacin
Medios
Tratamientos
ab 1
SSTrt
CMTrt
CMTrt/CMError
Factor A
a 1
SSA
CMA
CMA/CMError
Factor B
b 1
SSB
CMB
CMB/CMError
Interaccin AxB
(a 1)(b-1)
SSAxB
CMAxB
CMAxB/CMError
Error
ab(n-1)
SSError
CMError
Total
abn-1
SSTotal
B
Donde: FC = y ...
abn
SSTotal = y ijk2 FC
i
1
y ij2. FC
n i j
SSTrt =
SS A =
1
y i2.. FC
bn i
SSB =
1
y .2j . FC
an j
SS AxB = SSTrt SS A SSB

SSError = SSTotal SSTrt
CMTrt =
SSTrt
CM A = SS A
ab 1
a 1
277
CMB = SSB
b 1
CM AxB = SS AxB
CM Error =
(a 1)(b 1)
SSError
ab(n 1)

HIPTESIS:
i. Factor A
Ho: 1 = 2 = K = a = 0
Ha: Por lo menos un efecto del factor A es diferente de cero.
ii. Factor B
Ho: 1 = 2 = K = b = 0
Ha: Por lo menos un efecto del factor B es diferente de cero.
iii. Interaccin AxB
Ho: ( )ij = 0 para todos los valores de i y j.
Ha: ( )ij 0 para algn valor de i y de j, o por lo menos un efecto de
la Interaccin AxB es diferente de cero.

Las hiptesis anteriores son equivalentes a lo siguiente:
Ho: No hay Interaccin.
Ha: Si existe interaccin.
i. Factor A
CM A
FA =
~ F[( a 1), ab ( n 1)]
CM E
Valor-p = P [ F[( a 1), ab( n 1)] >FA].
ii. Factor B
CM B
FB =
~ F[( b 1), ab ( n 1)]
CM E
Valor-p = P [ F[( b 1), ab( n 1)] >FB].
278
iii. Interaccin AxB

CM AxB
FAxB =
~ F[( a 1)( b 1), ab ( n 1)]
CM E
Valor-p = P [ F[( a 1)( b 1), ab( n 1)] >FAB].
SUPUESTOS:
REGLA DE DECISIN:
i. Factor A
Si FA > F[(a-1), ab(n-1); ], entonces rechazar la hiptesis nula, de otra forma
ii. Factor B
Si FB > F[(b-1), ab(n-1); ], entonces rechazar la hiptesis nula, de otra forma
iii. Interaccin AxB
Si FAxB > F[(a-1)(b-1), ab(n-1); ], entonces rechazar la hiptesis nula, de otra
El procedimiento para verificar las hiptesis sobre los factores y la interaccin
son similares al de los tratamientos, mismo que es obviado. Ntese que en este caso
no existen hiptesis direccionadas, por lo que el procedimiento no presenta
variaciones, lo cual lo hace ms simples.
El anlisis de los tratamientos o de efectos principales despus del anova,
depende de que la interaccin sea significativa o no, cuando no existe interaccin los
factores se analizan separadamente para seleccionar los mejores niveles de los
factores A y B. En el caso de que exista interaccin se procede a hacer una
separacin de las medias de los tratamientos con uno de los procedimientos que se
estudiaron en los captulos 5 y 7. A continuacin se indican los errores estndar para
la separacin de medias para un diseo de dos factores.
279
Tabla 8. 3 Errores Estndar para Comparaciones entre Medias para un Factorial axb.
Diferencia entre Medias
Estimador Error Estndar Rango
a
Factor A
y i .. y h..
2CM Error nb
Factor B
y . j . y .h .
2CM Error na
Tratamiento AB,
en mismo nivel de A
Tratamiento AB,
en mismo nivel de B
Tratamiento AB,
en diferentes nivel de A y B
y ij . y ih.
2CMError n
y ij . y hj .
2CMError n
y ij . y hk .
2CMError n
ab
Ejemplo 8.1: En un proceso de moldeo por inyeccin se desea saber si la temperatura

y la presin de la cmara afectan el dimetro de cilindros moldeados, para tal
propsito se seleccionaron tres niveles para cada uno de los factores y se llev
a cabo un diseo experimental completamente al azar. La siguiente tabla
muestra los resultados del experimento. Hacer el anlisis de varianza de la
interaccin y de factores en caso necesario, con el procedimiento de Tukey,
con un nivel de significancia del 5%.
Tabla 8. 4 Dimetros de Cilindros Moldeados de un
CA.
Tratamiento
Repeticiones
(Milsimas de Pulgada)
Temperatura Presin
Baja
Baja
499 501 498 500 502
Baja
Media
502 501 505 503 504
Baja
Alta
496 497 495 495 494
Media
Baja
495 493 495 494 495
Media
Media
498 500 501 503 502
Media
Alta
503 501 498 499 498
Alta
Baja
499 498 500 498 502
Alta
Media
503 505 506 507 501
Alta
Alta
499 496 498 495 493
Factorial 3x3 en un Diseo
2500
2515
2477
2472
2504
2499
2497
2522
2481
Solucin:
HIPTESIS:
i. Factor A
Ho: 1 = 2 = K = a = 0
280
ii. Factor B
Ho: 1 = 2 = K = b = 0
iii. Interaccin AxB
iv. Factor A
CM A
FA =
~ F[( a 1), ab ( n 1)]
CM E
Valor-p = P [ F[( a 1), ab( n 1)] >FA].
v. Factor B
CM B
FB =
~ F[( b 1), ab ( n 1)]
CM E
Valor-p = P [ F[( b 1), ab( n 1)] >FB].
vi. Interaccin AxB
CM AxB
FAxB =
~ F[( a 1)( b 1), ab ( n 1)]
CM E
Valor-p = P [ F[( a 1)( b 1), ab( n 1)] >FAB].
SUPUESTOS:
REGLA DE DECISIN:
i. Factor A
Si FA > F[(a-1), ab(n-1); ], entonces rechazar la hiptesis nula, de otra forma
ii. Factor B
Si FB > F[(b-1), ab(n-1); ], entonces rechazar la hiptesis nula, de otra forma
281
iii. Interaccin AxB

Si FAxB > F[(a-1)(b-1), ab(n-1); ], entonces rechazar la hiptesis nula, de otra
CLCULOS:
Tabla 8. 5 Clasificacin de los Totales de Tratamiento por Niveles de Presion y
Temperatura.
Totales para
Presin
Temperatura
1
2
3
Temperatura
1
2500 2515 2477
7492
2
2472 2504 2499
7475
3
2497 2522 2481
7500
Totales para
Presin
7469 7541 7457
22467
FC =
22467 2
= 11217024 .2
abn (3)(3)(5)
SSTotal = y ijk2 FC
y ...2
SSTotal = 499 + 501 + 498 2 + L + 493 2 11217024 .2 = 576.8

1
SSTrt = y ij2. FC
n i j
1
SSTrt = 2500 2 + 2472 2 + L + 24812 11217024 .2 = 457.6
5
1
SSTemperatura =
y i2.. FC
bn i
1
SSTemperatura =
7492 2 + 7475 2 + 7500 2 11217024 .2 = 21.733
3(5)
1
SSPr esin =
y .2j . FC
an j
1
SSPr esin =
7469 2 + 75412 + 7457 2 11217024 .2 = 275.2
3(5)
SSInteracci n = SSTrt SS A SSB
SSInteracci n = 457.6 21.733 275.2 = 160.667
SSError = 576 .8 457 .6 = 119 .2
2
282
457.6
= 57.225
ab 1
8
21.773
SS A
CMTemp =
=
= 10.867
a 1
2
275.2
SSB
CMPr esin =
=
= 137.6
b 1
2
160.667
CM AxB = SS AxB
=
= 40.167
(a 1)(b 1)
(2)(2)
119.2
SSError
CMError =
=
= 3.311
ab(n 1) (9)( 4)
CMTrt =
SSTrt
Tabla 8. 6 Anlisis de Varianza

un Diseo CA.
Fuentes de
Grados de
Variacin
Libertad
Tratamientos
8
Temperatura
2
Presin
2
Interaccin AxB
4
Error
36
Total
44
el Dimetro de Cilindros para un Factorial en

Suma de
Cuadrados
457.6
21.733
275.2
160.667
119.2
576.8
Cuadrados
Medios
57.225
10.867
137.6
40.167
3.311
Fc
17.28
3.28
41.55
12.13
2.21*
3.26*
3.26*
2.63*
DECISIN:
i. Factor A
FA > 3.26, entonces rechazar la hiptesis nula.
ii. Factor B
FB > 3.26, entonces rechazar la hiptesis nula.
iii. Interaccin AxB
FAxB > 2.63, entonces rechazar la hiptesis nula.
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que la presin y la
temperatura a la que el plstico es inyectado si afecta el dimetro de los
cilindros, tambin existe interaccin entre la presin y la temperatura con un
En este caso la interaccin es significativa, por lo tanto los efectos de la presin
y la temperatura no son aditivos, esto implica que el anlisis pos anova se hace
con los tratamientos directamente, no tiene caso analizar los efectos de los
283
factores o efectos principales, ya que los efectos son multiplicativos, lo cual

significa que no necesariamente el mejor nivel del factor A con el mejor de B,
sea el mejor tratamiento. Los rangos studentizados para calcular las diferencias
significativas son: r( 3, 0.05, 36 ) = 3.47 y r( 9, 0.05, 36 ) = 4.68 .
Tabla 8. 7 Errores Estndar y DHS para Comparaciones entre Medias de

Tratamientos y Efectos Principales de los Dimetros de
Cilindros.
Estimador Error Estndar Rango DHS
0.6644
3
1.63
Factor A
y i .. y h..
0.6644
3
1.63
Factor B
y . j . y .h .
Tratamiento AB,
en mismo nivel de A
Tratamiento AB,
en mismo nivel de B
Tratamiento AB,
y ij . y ih.
1.15
2.82
y ij . y hj .
1.15
2.82
y ij . y hk .
1.15
3.8
Tabla 8. 8 Medias de Dimetros de Cilindros para los Tratamientos y Niveles

de los Factores o Efectos Principales.
Medias para
Presin
Temperatura
1
2
3
Temperatura
1
500.0 503.0 495.4
499.467
2
494.4 500.8 499.8
498.333
3
499.4 504.4 496.2
500.00
Medias para
Presin
497.93 502.73 497.13
499.267
Para hacer comparaciones de los tratamientos, se hacen por columna o por

rengln primeramente, ya que existe interaccin y con esto se usa la DHS de
Tukey de 2.82, para hacer comparaciones entre medias de diferente columna y
diferente rengln se usa el DHS= 3.8. Los DHS para efectos principales no se
usan pero se calcularon para ilustrar el procedimiento. Suponiendo que se
busca el tratamiento con la media ms cercana a la media pulgada, se tienen
en la siguiente tabla de comparaciones.
284
506
504
502
Medias
500
Temp. Media
498
Temp. Alta
496
Temp. Baja
494
492
490
488
1
PRESIN
Figura 8. 3 Grfica de Medias de Dimetros para la Interaccin Presin por

Temperatura.
Tabla 8. 9 Tabla de Comparaciones para Medias de Dimetros de los

Tratamientos.
Comparacin Diferencia
DHS Decisin
500-499.8=0.2 3.8
Ns
y 11. y 23.
y 11. y 31.
500-499.4=0.6 2.82
Ns
y 11. y 33.
500-496.2=3.8 3.8
y 22. y 11.
y 12. y 11.
500.8-500=0.8 3.8
503-500=3
2.82
Ns
*
Interpretacin:
El tratamiento ms recomendable es la combinacin del nivel uno de presin y
temperatura baja, y adems los siguientes tratamientos estn cerca y no son
estadsticamente diferentes: temperatura media con presin alta; temperatura
alta con presin baja y temperatura media con presin media.
Ejemplo 8.2: En un proceso de soldadura, el ingeniero de proceso desea saber si el
tipo de alambre que est usando y la corriente aplicada influyen en la
resistencia a la ruptura del punto de unin de los materiales que han sido
soldados por este proceso. Para tal motivo utiliz dos tipos de alambre y tres
niveles de corriente. El experimento se llev a cabo en un diseo de bloques
completos al azar y los datos se encuentran en la tabla 8.10. Hacer el anlisis
de varianza, de la interaccin y de factores en caso necesario con el
procedimiento de DMS, con un nivel de significancia del 5%.
285
Tabla 8. 10 Resistencia a la Ruptura de un Proceso de Soldadura de un

Diseo Factorial 2x3 en Distribucin BCA.
Tratamiento
Bloques
Total de
(Libras)
Trat.
Alambre Corriente
1
Baja
93 92 89
274
1
Media
98 99 97
294
1
Alta
102 101 99
302
2
Baja
103 105 106
314
2
Media
105 104 104
313
2
Alta
99 97 98
294
Total de Bloques
600 598 593
1791
Solucin:
HIPTESIS:
i. Factor A
Ho: 1 = 2 = 0
ii. Factor B
Ho: 1 = 2 = 3 = 0
iii. Interaccin AxB
i. Factor A
CM A
FA =
~ F[( a1), ( ab 1)( n 1)]
CM E
Valor-p = P [ F[( a1), ( ab1)( n 1)] >FA].
ii. Factor B
CM B
FB =
~ F[( b1), ( ab 1)( n 1)]
CM E
Valor-p = P [ F[( b1), ( ab 1)( n 1)] >FB].
iii. Interaccin AxB
CM AxB
FAxB =
~ F[( a 1)( b 1), ( ab 1)( n 1)]
CM E
Valor-p = P [ F[( a 1)( b 1), ( ab 1)( n 1)] >FAB].
286
SUPUESTOS:
4. No existe interaccin entre los factores y los bloques.
REGLA DE DECISIN:
i. Factor A
Si FA > F[(a-1), (ab-1)(n-1); ], entonces rechazar la hiptesis nula, de otra
ii. Factor B
Si FB > F[(b-1), (ab-1)(n-1); ], entonces rechazar la hiptesis nula, de otra
iii. Interaccin AxB
Si FAxB > F[(a-1)(b-1), (ab-1)(n-1); ], entonces rechazar la hiptesis nula, de otra
CLCULOS:
Tabla 8. 11 Clasificacin de los Totales de Resistencia a la Ruptura por
Niveles de los Factores.
Totales para
Corriente
Alambres
1
2
3
Alambre
1
274 294 302
870
2
314 313 294
921
Totales para
Corriente
588 607 596
1791
FC =
17912
= 178204 .5
abn (2)(3)(3)
= y ijk2 FC
y ...2
SSTotal
SSTotal = 93 + 92 2 + 89 2 + L + 98 2 178204.5 = 390.5

1
SSBloques =
y ..2k FC
ab k
1
SSBloques =
600 2 + 598 2 + 593 2 178204.5 = 4.33
2(3)
2
287
1
y ij2. FC
n i j
1
SSTrt = 274 2 + 294 2 + L + 294 2 178204 .5 = 367.83
3
1
SS Alambre =
y i2.. FC
bn i
1
SS Alambre =
870 2 + 9212 178204.5 = 144.5
3(3)
1
SSCorriente =
y .2j . FC
an j
1
SSCorriente =
588 2 + 607 2 + 596 2 178204 .5 = 30.33
3(5)
SSInteracci n = SSTrt SS A SSB
SSInteracci n = 367 .83 144 .5 30.33 = 193 .0
SSTrt =
SSError = SSTotal SSTrt SSBloques

SSError = 390.5 367.83 4.33 = 18.33
4.33
SSBloques
CMBloques =
=
= 2.167
n 1
2
367.83
SSTrt
CMTrt =
=
= 73.566
ab 1
5
144.5
SS A
CM Alambre =
=
= 144.5
a 1
1
30.33
SSB
CMCorriente =
=
= 15.16
b 1
2
193.0
SS AxB
CM AxB =
=
= 96.5
(a 1)(b 1) (1)(2)
18.33
SSError
CMError =
=
= 1.833
(ab 1)(n 1) (5)(2)
DECISIN:
i. Factor A
FA > 4.96, entonces rechazar la hiptesis nula.
ii. Factor B
FB > 4.10, entonces rechazar la hiptesis nula.
iii. Interaccin AxB
FAxB > 4.10, entonces rechazar la hiptesis nula.
288
Tabla 8. 12 Anlisis de Varianza para Resistencia a la Ruptura un Factorial

2x3 en un Diseo de BCA-Ejemplo8.1.
Fuentes de
Grados
de Suma
de Cuadrados
Fc
F
Variacin
Libertad
Cuadrados
Medios
Bloques
2
4.33
2.165
1.18 4.10ns
Tratamientos 5
367.83
73.566
40.13 3.33*
Alambre
1
144.5
144.5
78.83 4.96*
Corriente
2
30.33
15.16
8.27 4.10*
Interaccin
2
193.0
96.5
5264 4.10*
AxB
Error
10
18.33
1.833
Total
17
390.5
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que el tipo de alambre y la
cantidad de corriente afectan la resistencia a la ruptura de la soldadura y que
existe interaccin entre estos dos factores, con un nivel de significancia del 5%.
En este caso la interaccin es significativa, por lo tanto los efectos principales
del tipo de alambre y cantidad de corriente no son aditivos, esto implica que el
anlisis post-anova se hace con los tratamientos directamente, no tiene caso
analizar los efectos de los factores o efectos principales, ya que los efectos son
multiplicativos. A continuacin se presenta la tabla de errores estndar y la
diferencia mnima significativa, con el valor t (10, 0.025 ) = 2.228 .
Tabla 8. 13 Errores Estndar y DMS para Comparaciones entre Medias de

Tratamientos y Efectos Principales del Ejemplo 8.2.
Estimador Error Estndar Rango DMS
0.6382
2
1.42
Factor A
y i .. y h..
0.7816
3
1.74
Factor B
y . j . y .h .
Tratamiento AB,
en mismo nivel de A
Tratamiento AB,
en mismo nivel de B
Tratamiento AB,
y ij . y ih.
1.105
2.46
y ij . y hj .
1.105
2.46
y ij . y hk .
1.105
2.46
289
Tabla 8. 14 Medias para los Tratamientos y Niveles de los Factores o Efectos

Principales del Ejemplo 8.2.
Medias para
Corriente
Alambre
1
2
3
Alambre
1
91.33
98.00 100.67
96.67
2
104.67 104.33 98.00
102.33
Medias para
Corriente
98.00 101.167 99.33
99.50
110
105
Alambre 1
Alambre 2
Medias
100
95
90
85
80
1
CORRIENTE
Figura 8. 4 Grfica de Interaccin Alambre por Corriente.
Interpretacin:
Dado que existe interaccin se procede a comparar los niveles del factor A
dentro de los niveles de B usando la DMS=2.46, al observar las medias de la
tabla 8.14, se puede concluir que las medias para los alambres son diferentes
entre si dentro de todos los niveles de corriente. De igual forma, las medias
para los niveles de corriente son diferentes entre s dentro de alambre tipo 1,
mientras que dentro del alambre tipo 2, las medias para los niveles de corriente
1 y 2 no son diferentes entres s, pero estas dos si son diferentes con respecto
a la media de nivel 3.
8.2 Diseos con Tres Factores.
En este caso se consideran experimentos que consideran nicamente tres

factores, los cuales denotaremos como factor A, B y C. Supngase que A tiene a2
niveles, el factor B, tiene b2 y el factor C, tiene c2, el total de tratamientos resultante
290
es axbxc, por lo que generalmente se le llama diseo factorial axbxc. El diseo ms

pequeo que puede resultar es uno de 2x2x2, en esta seccin se estudiar el diseo
factorial axbxc en forma general, para cualquier valor de a, b y c mayor dos, as como
su modelo lineal y estimacin de parmetros, el anova para la verificacin de hiptesis
y el anlisis para separacin de medias.

los tratamientos se descomponen en efectos principales e interacciones, se suman los
componentes debido a los tratamientos y el muestreo. Para facilidad se asume que el
experimento se lleva a cabo en un diseo CA. Entonces cada observacin estar
compuesta como lo indica la siguiente expresin:
y ijkl = + i + j + ( )ij + k + ( )ik + ( ) jk

+ ( )ijk
i = 1,K, a
j = 1,K, b
+ ijkl , Para
k = 1,K, c
l = 1,K, n
Donde: y ijkl , representa la l-sima observacin del tratamiento compuesto del

i-simo nivel del factor A, el j-simo nivel del factor B y el k-simo
nivel del factor C.
k , representa el efecto del k-simo nivel del factor C.
( )ik , representa el efecto de la interaccin del i-simo nivel del factor A
y k-simo nivel del Factor C.
( ) jk , representa el efecto de la interaccin del j-simo nivel del factor
B y k-simo nivel del Factor C.
( )ijk , representa el efecto de la interaccin del i-simo nivel del factor
A, j-simo nivel del factor B y k-simo nivel del Factor C.
ijkl , representa el error de la l-sima observacin del tratamiento del isimo nivel del factor A, j-simo nivel del factor B y k-simo nivel
del Factor C.
291

tratamientos, compuestos de los efectos principales de los factores , , y , sus
interacciones y el error de las observaciones , los supuestos sobre el modelo para
Efectos Fijos. Los supuestos son que cada tratamiento tiene una distribucin normal
con varianza comn 2 y que las muestras son independientes y obtenidas en forma
aleatoria. Lo anterior se puede resumir en:
i. ijkl iid N(0, 2),
ii.
iii.
( )ij
= 0,
=0 y
=0 y
k = 0
( )ij
=0
( )ik = 0 y ( )ik = 0
i
( ) jk = 0 y ( ) jk = 0
j
iv.
( )ijk = 0 , ( )ijk = 0 y ( )ijk = 0

i

i. ij iid N(0, 2),
ii. i iid N(0, A2 ), j iid N(0, B2 ) y k iid N(0, C2 ),
2
2
iii. ( )ij iid N(0, AB
), ( )ik iid N(0, AC
),y ( ) jk iid N(0,
2
BC
),
2
iv. ( )ijk iid N(0, ABC
),
v. Los efectos , , ( ) , ( ) , ( ) , ( ) y , estn

El caso del modelo de Efectos Mixtos se lo dejamos al lector ya que durante el
desarrollo del libro se han presentado los modelos de Efectos Fijos, Aleatorios y
Mixtos, el razonamiento es similar, a excepcin de que ahora hay ms componentes
en el modelo y a medida que aumenta el nmero de factores aumenta el nmero de
292
parmetros y consecuentemente aumenta el nmero de componentes, restricciones y

supuestos de los mismos; por lo que se recomienda que se maneje el nmero menor
posible de factores a investigar para mantener lo ms simple posible el modelo para
hacer ms fcil la interpretacin de los resultados.
factorial cuando los efectos, para tal propsito se parte de la siguiente expresin:
y ijkl = + i + j + ( )ij + k + ( )ik + ( ) jk

i = 1,K, a
j = 1,K, b
+ ( )ijk + ijkl , Para
k = 1,K, c
l = 1,K, n
Cuadrados, el cual consiste en minimizar la suma de los cuadrados de los errores. El
desarrollo matemtico para encontrar la solucin conlleva a un sistema de ecuaciones
lineales, conocidas como el sistema normal, la solucin de dicho sistema aunado con
las restricciones para el modelo de efectos fijos da los siguientes estimadores de los
parmetros:
1 a b c n
= y .... =
y ijk
abcn i =1 j =1 k =1 l =1
i = y i ... y ....
i = y . j .. y ....
k = y ..k . y ....
( )ij = y ij .. y i ... y . j .. + y ....
( )ik = y i .k . y i ... y ..k . + y ....
( ) jk = y . jk . y . j .. y ..k . + y ....
( ) jkl = y ijk . y ij .. y i .k . y . jk . + y i ... + y . j .. + y ..k . y ....
293
CME =
a b c n
1
( y ijkl y ijkl )2
abc (n 1) i =1 j =1 k =1 l =1
Ahora que ya se conocen los estimadores de los parmetros, entonces

se procede a la verificacin de hiptesis sobre los efectos de los factores e
interacciones para el caso de efectos fijos.
Despus de que los datos son coleccionados, stos se tabulan como se

varianza, de las medias de los efectos principales y de las interacciones de segundo
y tercer orden. La tabla 8.15 parte de los totales de los tratamientos, para obtener los
subtotales y sumas de cuadrados.
Tabla 8. 15 Clasificacin de los Totales Marginales para lor Niveles de A y B.

Niveles del Factor B Total de Niveles
del Factor A
Niveles del Factor A
K
b
1
2
1
y 11.. y 12.. K y 1b..
y 1...
2
y 21.. y 22.. K y 2b..
y 2...
K
M
M
M
M
M
K
A
y a1.. y a 2..
y ab..
y a...
Totales de Niveles
del Factor B
y .1.. y .2.. K y .b..
y ....
Tabla 8. 16 Clasificacin de los Totales Marginales para lor Niveles de A y C.
Niveles del Factor C Total de Niveles
del Factor A
K
1
2
c
K
1
y 1.b.
y 1.1. y 1.2.
y 1...
2
y 2.1. y 2.2. K y 2.b.
y 2...
K
M
M
M
M
M
A
y a.1. y a.2. K y a.b.
y a...
Totales de Niveles
del Factor B
y ..1. y ..2. K y ..b.
y ....
Donde: y ijk . = y ijkl ,

l =1
294
y i ... = y ijkl ,
j =1 k =1 l =1
y . j .. = y ijkl ,
i = 1 k =1 l = 1
y ..k . = y ijk y
i =1 j =1 l =1
y .... = y ijkl .
i = 1 j =1 k = 1 l = 1
Tabla 8. 17 Anlisis de Varianza para un Diseo Factorial Completamente al Azar.

Fuentes de
Grados
de Suma
de Cuadrados
Fc
Variacin
Libertad
Cuadrados
Medios
Tratamientos
abc-1
SSTrt
CMTrt
CMTrt/CMError
Factor A
a-1
SSA
CMA
CMA/CMError
Factor B
b-1
SSB
CMB
CMB/CMError
Interaccin AxB (a-1)(b-1)
SSAxB
CMAxB
CMAxB/CMError
Factor C
c-1
SSC
CMC
CMC/CMError
Interaccin AxC (a-1)(c-1)
SSAxC
CMAxC
CMAxC/CMError
Interaccin BxC (b-1)(c-1)
SSBxC
CMBxC
CMBxC/CMError
Interaccin
(a-1)(b-1)(c-1) SSAxBxC
CMAxBxC
CMAxBxC/CMError
AxBxC
Error
abc(n-1)
SSError
CMError
Total
abcn-1
SSTotal
Donde: FC = y ....
abcn
2
SSTotal = y ijkl
FC
i
SSTrt =
1
2
y ijk
. FC
n i j k
SS A =
1
y i2... FC
bcn i
SSB =
1
y.2j .. FC
acn j
SS AxB =
1
y ij2.. FC SS A SSB
cn i j
295
SSC =
SS AxC
1
y ..2k . FC
abn k
1
=
y i2.k . FC SS A SSC
an i k
SSBxC =
1
y .2jk . FC SSB SSC
an j k
SS AxBxC = SSTrt SS AxB SS AxC SSBxC SS A SSB SSC

CMTrt =
SSTrt
acb 1
CM A = SS A
a 1
CM B = SSB
b 1
CM AxB = SS AxB
CMC =
SSC
(a 1)(b 1)
b 1
CM AxC =
SS AxC
CMBxC =
SSBxC
CM AxBxC =
CMError =
(a 1)(c 1)
(b 1)(c 1)
SS AxBxC
SSError
(a 1)(b 1)(c 1)
abc (n 1)

HIPTESIS:
i. Factor A
296
Ho: 1 = 2 = K = a = 0
ii. Factor B
Ho: 1 = 2 = K = b = 0
iii. Interaccin AxB

Ho: ( )ij = 0 para todo valor de i y j.
Ha: ( )ij 0 para algn valor de i y j.
iv. Factor C
Ho: 1 = 2 = K = c = 0
v. Interaccin AxC
Ho: ( )ik = 0 para todo valor de i y k.
Ha: ( )ik 0 para algn valor de i y k.
vi. Interaccin BxC
Ho: ( ) jk = 0 para todo valor de j y k.
Ha: ( ) jk 0 para algn valor de j y k.
vii. Interaccin AxBxC

Ho: ( )ijk = 0 para todo valor de i, j y k.
Ha: ( )ijk 0 para algn valor de i, j y k.
i. Factor A
CM A
FA =
~ F[( a 1), abc ( n 1)]
CM Error
Valor-p = P [ F[( a 1), abc ( n 1)] >FA].
ii. Factor B
CM B
FB =
~ F[( b 1), abc ( n 1)]
CM Error
Valor-p = P [ F[( b 1), abc ( n 1)] >FB].
B
iii. Interaccin AxB

CM AxB
FAxB =
~ F[( a 1)( b 1), abc ( n 1)]
CM Error
297
Valor-p = P [ F[(a 1)( b 1), abc ( n 1)] >FAxB].

iv. Factor C
CMC
FC =
~ F[( c 1), abc ( n 1)]
CM Error
Valor-p = P [ F[( c 1), abc ( n 1)] >FC].
v. Interaccin AxC
CM AxC
FAxC =
~ F[( a 1)(c 1), abc ( n 1)]
CM Error
Valor-p = P [ F[( a 1)(c 1), abc ( n 1)] >FAxC].
vi. Interaccin BxC
CM BxC
FBxC =
~ F[( b 1)( c 1), abc ( n 1)]
CM Error
Valor-p = P [ F[( b 1)(c 1), abc ( n 1)] >FBxC].
CM AxBxC
FAxBxC =
~ F[( a 1)( b 1)( c 1), abc ( n 1)]
CM Error
Valor-p = P [ F[( a 1)( b 1)(c 1), abc ( n 1)] >FAxBxC].
SUPUESTOS:
REGLA DE DECISIN:
En este caso slo se establece una regla de decisin general para todas
las pruebas, ya que es similar y repetitivo y es como sigue:
Si FC > F, entonces rechazar la hiptesis nula, de otra forma no rechazar
o Si el valor-p > , entonces rechazar la hiptesis nula, de otra forma no
rechazar.
El anlisis de los efectos principales despus del anova depende de que la
interaccin de ms alto orden sea significativa o no, cuando no existe ninguna
interaccin los factores se analizan separadamente para seleccionar el mejor nivel de
los Factores A, B y C. En el caso de que exista alguna interaccin se procede a hacer
una separacin de las medias de las interacciones de ms alto orden que hayan sido
significativas. Para separar medias de interacciones se procede a usar uno de los
procedimientos que se estudiaron en los captulos 5 y 7. A continuacin se indican
los errores estndar para la separacin de medias para un diseo de tres factores.
298
Tabla 8. 18 Errores Estndar para Comparaciones entre Efectos Principales de un

Factorial axbxc.
Diferencia entre Medias Estimador Error Estndar Rango
Factor A
a
y i ... y h...
2CMError bcn
Factor B
y . j .. y .h..
2CMError acn
Factor C
y ..k . y ..k .
2CMError abn
Tabla 8. 19 Errores Estndar para Comparaciones entre Medias para la Interaccin

de Segundo Orden de un Factorial axbxc.
b
Tratamiento AB,
y ij .. y ih..
2CMError cn
en mismo nivel de A
a
Tratamiento AB,
y ij .. y hj ..
2CMError cn
en mismo nivel de B
ab
Tratamiento AB,
y ijk . y hlk .
2CM Error n
en mismo nivel de C
ab
Tratamiento AB,
y ij .. y hk ..
2CMError cn
Es importante dejar claro que despus del anlisis de varianza, nicamente se

agrupan o se separan las medias de las interacciones de ms alto orden que hayan
salido significativas, en ausencia de interacciones, se separan las medias de los
efectos principales que fueron significativos.
Tabla 8. 20 Errores Estndar para Comparaciones entre Medias para la Interaccin
de Tercer Orden de un Factorial axbxc.
c
Tratamiento ABC,
y ijk . y ijh.
2CM Error n
en mismo nivel de A y B
B
Tratamiento ABC,
y ijk . y ihk .
2CM Error n
en mismo nivel de A y C
A
Tratamiento ABC,
y ijk . y hjk.
2CM Error n
en mismo nivel de B y C
Bc
Tratamiento ABC,
y ijk . y ilm.
2CM Error n
en mismo nivel de A
Ac
Tratamiento ABC,
y ijk .. y hjl .
2CM Error n
en mismo nivel de B
Ab
Tratamiento ABC,
y ijk.. y hlk.
2CM Error n
en mismo nivel de C
299
Tratamiento ABC,
en diferentes nivel de A, B y C
y ijk . y hlm.
2CM Error n
Abc
Ejemplo 8.3: En un proceso de soldadura por termofusin donde dos piezas son
unidas, se cree que la presin con que se sujetan una contra la otra, el tiempo
de aplicacin de la corriente y la intensidad de sta, son factores que afectan la
calidad de la soldadura, la cual se mide con una prueba de ruptura, misma que
consiste en aplicarle fuerza para despegar las dos piezas y sta se registra
como la caracterstica de calidad del proceso. Se seleccionaron tres niveles de
cada uno de los factores y se llev a cabo un diseo experimental
completamente al azar. La tabla 8.21 muestra los resultados del experimento.
Hacer el anlisis de varianza y en caso necesario hacer el anlisis de la
interaccin y los factores con el procedimiento de DMS, con un nivel de
Solucin:
HIPTESIS:
i. Factor A
Ho: 1 = 2 = K = a = 0
ii. Factor B
Ho: 1 = 2 = K = b = 0
iii. Interaccin AxB
Ho: ( )ij = 0 para todo valor de i y j.
Ha: ( )ij 0 para algn valor de i y j.
iv. Factor C
Ho: 1 = 2 = K = c = 0
v. Interaccin AxC
Ho: ( )ik = 0 para todo valor de i y k.
Ha: ( )ik 0 para algn valor de i y k.
vi. Interaccin BxC
Ho: ( ) jk = 0 para todo valor de j y k.
Ha: ( ) jk 0 para algn valor de j y k.
300

Ho: ( )ijk = 0 para todo valor de i, j y k.
Ha: ( )ijk 0 para algn valor de i, j y k.
i. Factor A
CM A
FA =
~ F[( a 1), abc ( n 1)]
CM Error
Valor-p = P [ F[( a 1), abc ( n 1)] >FA].
ii. Factor B
CM B
FB =
~ F[( b 1), abc ( n 1)]
CM Error
Valor-p = P [ F[( b 1), abc ( n 1)] >FB].
B
iii. Interaccin AxB

CM AxB
FAxB =
~ F[( a 1)( b 1), abc ( n 1)]
CM Error
Valor-p = P [ F[( a 1)( b 1), abc ( n 1)] >FAxB].
iv. Factor C
CMC
FC =
~ F[( c 1), abc ( n 1)]
CM Error
Valor-p = P [ F[( c 1), abc ( n 1)] >FC].
v. Interaccin AxC
CM AxC
FAxC =
~ F[( a 1)(c 1), abc ( n 1)]
CM Error
Valor-p = P [ F[( a 1)(c 1), abc ( n 1)] >FAxC].
vi. Interaccin BxC
CM BxC
FBxC =
~ F[( b 1)( c 1), abc ( n 1)]
CM Error
Valor-p = P [ F[( b 1)(c 1), abc ( n 1)] >FBxC].
CM AxBxC
FAxBxC =
~ F[( a 1)( b 1)( c 1), abc ( n 1)]
CM Error
Valor-p = P [ F[(a 1)( b 1)(c 1), abc ( n 1)] >FAxBxC].
301
SUPUESTOS:
REGLA DE DECISIN:
En este caso slo se establece una regla de decisin general para todas
pruebas ya que es similar y repetitivo y es como sigue:
Si FC > F, entonces rechazar la hiptesis nula, de otra forma no rechazar
o Si el valor-p > , entonces rechazar la hiptesis nula, de otra forma no
rechazar.
Tabla 8. 21 Prueba de Ruptura para un Factorial 3x3x3 en un diseo CA.

Repeticiones Total de
Tratamientos
(Libras)
Trat.
Tiempo Corriente Presin
18
580
12
86 90 96
272
18
580
14
96 112 99
307
18
580
16
91 99 91
281
18
600
12
120 115 123
358
18
600
14
128 118 111
357
18
600
16
126 123 110
359
18
620
12
121 132 118
371
18
620
14
133 126 135
394
18
620
16
124 134 140
398
21
580
12
102 97 96
295
21
580
14
103 102 114
319
21
580
16
101 88 94
283
21
600
12
131 110 122
363
21
600
14
121 110 121
352
21
600
16
121 118 120
359
21
620
12
111 132 107
350
21
620
14
136 88 127
351
21
620
16
93 94 126
313
24
580
12
98 99 99
296
24
580
14
104 112 106
322
24
580
16
103 99 106
308
24
600
12
105 110 126
341
24
600
14
113 124 118
355
24
600
16
124 118 126
368
24
620
12
128 123 132
383
24
620
14
137 64 132
333
24
620
16
87 116 80
283
302
CLCULOS:
Tabla 8. 22 Clasificacin de los Totales Marginales para lor Niveles de A y B
del Ejemplo 8.3.
Total de Niveles
Total del
del Factor B
Factor A
1
2
3
1
860 1074 1163
3097
2
897 1074 1014
2985
3
926 1064 999
2989
Totales de Niveles 2683 3212 3176
9071
del Factor B
Tabla 8. 23 Clasificacin de los Totales Marginales para lor Niveles de A y C
para el Ejemplo 8.3.
Total de Niveles
Total del
del Factor C
Factor A
1
2
3
1
1001 1058 1038
3097
2
1008 1022 955
2985
3
1020 1010 959
2989
9071
del Factor C
Tabla 8. 24 Clasificacin de los Totales Marginales para lor Niveles de B y C
para el Ejemplo 8.3.
Total de Niveles
Total del
Niveles del Factor B
del Factor C
Factor B
1
2
3
1
863 948 872
2683
2
1062 1064 1086
3212
3
1104 1078 994
3176
9071
del Factor C
FC = y ....
abcn
303
FC =
90712
= 1015840.0
3(3)(3)(3)
2
SSTotal = y ijkl
FC
SSTotal = 86 + 90 + L + 80 2 1015840 .0 = 19575 .0

1
2
SSTrt = y ijk
. FC
n i j k
1
272 2 + 307 2 + 2812 + L 283 2 1015840.0 = 11369.7
3
1
SS A =
y i2... FC
bcn i
1
SS A =
3097 2 + 2985 2 + 2989 2 1015840.0 = 299.1
3(3)(3)
1
SSB =
y .2j .. FC
acn j
SSTrt =
SSB =
SS AxB
1
2683 2 + 3212 2 + 3176 2 1015840 .0 = 6471.4
3(3)(3)
1
=
y ij2.. FC SSA SSB
cn i j
1
860 2 + 1074 2 + L + 999 2 1015840.0
3(3)
299.1 6471.4 = 1778.3
1
SSC =
y ..2k . FC
abn k
1
SSC =
3029 2 + 3090 2 + 2952 2 1015840 .0 = 354.2
3(3)(3)
1
SS AxC =
y i2.k . FC SS A SSC
an i k
1
SS AxC =
10012 + 1058 2 + L + 959 2 1015840.0
3(3)
299.1 354.2 = 347
1
SSBxC =
y .2jk . FC SSB SSC
an j k
SS AxB =
1
863 2 + 948 2 + L + 994 2 1015840.0
3(3)
6471.4 354.2 = 904.2
SS AxBxC = SSTrt SS AxB SS AxC SSBxC SS A SSB SSC
SSBxC =
304
SS AxBxC = 11369.7 1778.3 347 904.2

299.1 6471.4 354.2 = 1215.4
SSError = 19575 .0 11369 .7 = 8205 .3
11369.7
SSTrt
CMTrt =
=
= 437.3
acb 1
26
299.1
SS A
CM A =
=
= 149.5
a 1
2
6471.4
SSB
CMB =
=
= 3235.7
b 1
2
1778.3
CM AxB = SS AxB
=
= 444.6
(a 1)(b 1)
2(2)
354.2
SSC
CMC =
=
= 177.1
b 1
2
347.0
SS AxC
CM AxC =
=
= 86.8
(a 1)(c 1)
4
904.2
SSBxC
CMBxC =
=
= 226.0
(b 1)(c 1)
4
1215.4
SS AxBxC
CM AxBxC =
=
= 151.9
(a 1)(b 1)(c 1) 2(2)(2)
8205.3
SSError
CM Error =
=
= 152.0
abc (n 1)
27(2)
Tabla 8. 25 Anlisis de Varianza para un Diseo de Tres Factores en
del Ejemplo 8.3.
Fuentes de
Grados de
Suma de
Cuadrados
Fc
Variacin
Libertad
Cuadrados
Medios
Tratamientos
26
11369.7
437.3
2.87
Tiempo
2
299.1
149.5
0.98
Corriente
2
6471.4
3235.7
21.29
Tiempos x
4
1778.3
444.6
2.93
Corriente
Presin
2
354.2
177.1
1.17
Tiempo x
4
347.0
86.8
0.57
Presin
Corriente x
4
904.2
226.0
1.49
Presin
Interaccin
8
1215.4
151.9
1.0
AxBxC
Error
54
8205.3
152.0
Total
80
19575.0
un CA
Valorp
.000*
.380
.000*
.029*
.319
.685
.219
.447
305
DECISIN:
Para las hiptesis donde el Valor-p es menor de .05 son: Corriente y Tiempo x
Corriente, por lo tanto se rechazan las hiptesis nulas de estas dos fuentes de
variacin.
CONCLUSIN:
Los datos proveen suficiente evidencia para decir que la intensidad de corriente
y la interaccin tiempo e intensidad de corriente afectan la resistencia a la
ruptura de la soldadura, con un nivel de significancia del 5%.
Ahora, procede analizar la interaccin de tiempo por corriente, se separan las
medias con los errores estndar que se muestran en la tabla 8.19, para
comparar las medias de los niveles del tiempo dentro de corriente y viceversa.
La grfica de la interaccin es importante ya que nos ayuda a visualizar dichas
comparaciones. A continuacin se presenta dicha grafica y los errores estndar
para la separacin de medias y las DMS con un valor t ( 54; 0.025 ) = 2.0 .
Tabla 8. 26 Errores Estndar para Comparaciones y DMS entre Medias para la

Interaccin de Tiempo y Corriente de un Factorial 3x3x3.
Estimador Error Estndar Rango DMS
5.81
3
11.62
Tratamiento AB,
y ij .. y ih..
en mismo nivel de A
5.81
3
11.62
Tratamiento AB,
y ij .. y hj ..
en mismo nivel de B
10.06
9
20.12
Tratamiento AB,
y ijk . y hlk .
en mismo nivel de C
10.06
9
20.12
Tratamiento AB,
y ij .. y hk ..
Tabla 8. 27 Medias de las Interacciones de Tiempo y Corriente.

Total Niveles
Niveles de Corriente
del Tiempo
Niveles del Tiempo
1
2
3
1
95.56 119.33 129.22
114.70
2
99.67 119.33 112.67
110.56
3
102.89 118.22 111.00
110.70
Totales de Niveles 99.37 118.96 117.63
111.99
de la Corriente
306
La variable de resistencia a la ruptura respuesta es del tipo entre ms grande

mejor, por lo tanto lo que procede es localizar los tratamientos con media
mayor, se puede observar en la grfica de interaccin que las medias ms
altas son las de corriente 2 y 3 dentro del tiempo 1, por lo que se procede a
comparar dichas medias y se encuentra que no son significativas, ya que su
diferencia no es mayor que el DMS=11.62.
140
MEDIAS
130
120
Corriente 2
110
Corriente 3
Corriente 1
100
90
80
1
TIEMPO
Figura 8. 5 Interaccin Tiempo por Corriente para el Ejemplo 8.3.
Si se hacen todas las comparaciones de tiempo dentro de corriente y

viceversa, se encuentran los siguientes resultados:
Dentro de Tiempo 1:
Las medias de Corriente 2 y 3 no son diferentes entre si, mientras que stas
son diferentes de la media de corriente 1.
Dentro de Tiempo 2:
Las medias de Corriente 2 y 3 no son diferentes entre s, mientras que stas
son diferentes de la media de corriente 1.
Dentro de Tiempo 3:
Las medias de Corriente 2 y 3 no son diferentes entre s, de igual manera las
medias de corriente 3 y 1, mientras que la medias de corriente 1 y 2 son
diferentes.
Dentro de Corriente 1:
Las medias de todos los niveles de tiempo no son diferentes.
307
Las medias de todos los niveles de tiempo no son diferentes.
Las medias de los niveles de tiempo 2 y 3 no son diferentes entre si, mientras
que stas son diferentes de la media del tiempo 1.
Con la informacin de la interaccin es posible seleccionar las mejores
condiciones de operacin para el proceso de soldadura de termofusin,
dependiendo si existe algn nivel dado de cualquiera de estos dos factores. Es
importante mencionar que cuando existe interaccin se debe seleccionar la
combinacin de niveles de los factores que forman parte de la interaccin.
8.3 Diseo General Factorial.
En el caso general se consideran experimentos con k factores, para f2, los

cuales denotaremos como factores A, B, C..., supngase que todos los factores tienen
dos o ms niveles cada uno, denotados por a, b, c,..., el total de tratamientos
resultante es axbxcx, por lo que generalmente se le llama diseo factorial axbxc,
el diseo ms pequeo que puede resultar es uno de 2k, en esta seccin se
presentar el diseo factorial general axbxc en forma general, para cualquier valor
de a, b, c mayor que dos, as como su modelo lineal. La estimacin de parmetros,
el anova para la verificacin de hiptesis y el anlisis para separacin de medias son
muy similares al de dos y tres factores que han sido previamente estudiados, por lo
que el lector puede deducir los procedimientos.
En los casos especiales, cuando todos los factores tienen niveles de 2 3, los
diseos factoriales son llamados 2k y 3k los cuales tienen mayor facilidad para hacer
sus anlisis de varianza, principalmente el de dos niveles, adicionalmente estos
diseos son recomendados para cuando se quieren probar cuatro o ms factores,
contrariamente el diseo factorial axbxcx, se recomienda que no se incluyan ms
de cuatro factores, ya que el anlisis post-anova y de las interacciones se vuelve muy
complicado.

los tratamientos se descomponen en efectos principales e interacciones, se suman los
componentes debido a los tratamientos y el muestreo, el nmero de componentes que
tiene el modelo factorial es de k2, los cuales incluyen los efectos principales y todas
las interacciones, aparte el modelo incluye a la media general y al trmino del error
aleatorio. Para facilidad se asume que el experimento se lleva a cabo en un diseo
308
CA. Entonces cada observacin estar compuesta como lo indica la siguiente

ecuacin:
y ijk Ll = + i + j + ( )ij + k + L + ( )ik + ( ) jk + L

L + ( )ijk + L + ijk Ll
i = 1,K, a
j = 1,K, b
, Para k = 1,K, c
M M
l = 1,K, n
Donde: y ijk Ll , representa la l-sima observacin del tratamiento compuesto del

i-simo nivel del factor A, el j-simo nivel del factor B y el k-simo
nivel del factor C, etc.

k , representa el efecto del k-simo nivel del factor C.

.
( )ik , representa el efecto de la interaccin del i-simo nivel del factor A
y k-simo nivel del Factor C.
( ) jk , representa el efecto de la interaccin del j-simo nivel del factor
B y k-simo nivel del Factor C.
.
( )ijk , representa el efecto de la interaccin del i-simo nivel del factor
A, j-simo nivel del factor B y k-simo nivel del Factor C.
.
ijk Ll , representa el error de la l-sima observacin del tratamiento del isimo nivel del factor A, j-simo nivel del factor B y k-simo nivel
del Factor C.
Los supuestos sobre el modelo para Efectos Fijos. Son que cada tratamiento
tiene una distribucin normal con varianza comn 2 y que las muestras son
independientes y obtenidas en forma aleatoria. Lo anterior se puede resumir en:
i. ijkl iid N(0, 2),
ii.
= 0,
=0 y
k = 0
309
iii.
( )ij
=0 y
( )ij
=0
( )ik = 0 y ( )ik = 0
i
( ) jk = 0 y ( ) jk = 0
j
.
iv.
( )ijk = 0 , ( )ijk = 0 y ( )ijk = 0 .

i

i. ij iid N(0, 2),
ii. i iid N(0, A2 ), j iid N(0, B2 ) y k iid N(0, C2 ), ,
2
2
iii. ( )ij iid N(0, AB
), ( )ik iid N(0, AC
),y ( ) jk iid N(0,
2
BC
), ,
2
iv. ( )ijk iid N(0, ABC
), ,
v. Los efectos , , ( ) , ( ) , ( ) , ( ) , , y , estn

Cuadrados, el cual consiste en minimizar la suma de los cuadrados de los errores. El
desarrollo matemtico para encontrar la solucin nos lleva a un sistema de
ecuaciones lineales, conocidas como el sistema normal, la solucin de dicho sistema
aunado con las restricciones para el modelo de efectos fijos da los siguientes
estimadores de los parmetros:
= y ....L =
n
1 a b c
L
y ijk Ll
abcn i =1 j =1 k =1 l =1
i = y i ...L y ....L
310
i = y . j ..L y ....L
k = y ..k .L y ....L
( )ij = y ij ..L y i ...L y . j ..L + y ....L
( )ik = y i .k .L y i ...L y ..k .L + y ....L

( ) jk = y . jk .L y . j ..L y ..k .L + y ....L
.
( ) jkl = y ijk .L y ij ..L y i .k .L y . jk .L + y i ...L + y . j ..L + y ..k .L y ....L

.
CME =
a b c
n
1
L ( y ijk Ll y ijk Ll )2
abc L (n 1) i =1 j =1 k =1 l =1
La estimacin de los factores es, al igual que el resto de los procedimientos,

muy similar, se pueden deducir sin tener que recurrir a las ecuaciones normales que
resultan del mtodo de mnimos cuadrados, es ms fcil hacerlos por induccin y
llegar a la generalizacin despus de resolver las ecuaciones para el caso de uno y
dos factores.
311
8.1
Un investigador llevo a cabo un diseo Factorial en un CA y obtuvo los datos

que se muestran a continuacin:
a1b1
21
19
25
18
22
Tratamientos
a1b2
a2b1
20
24
20
19
22
20
20
21
19
20
a2b2
20
20
20
20
19
a. Los datos proveen suficiente evidencia para decir que los factores y su
interaccin afectan la media de la variable de respuesta?
b. Cules son los supuestos para realizar las pruebas de hiptesis del inciso
a?
d. Estime ICS para la media de los niveles de los factores y de los
tratamientos.
8.2
Las maquinas del ejercicio 4.3 tiene una estructura de tratamientos factorial, la
cual se describe en la siguiente tabla.
Mquina
A
B
C
D
Descripcin
a. Establezca sus respectivas hiptesis y verifquelas con un nivel de significancia

del 1%.
b. Haga la separacin de los efectos con DMS de acuerdo a los resultados del
Anova.
c. Grafique las interacciones y explquelas.
8.3
La estructura de los tratamientos del ejercicio 4.7 se muestra en la siguiente

tabla. Establezca un conjunto de contrastes ortogonales completos con sus
Contenido de Contenido en
Dieta
Protenas
Carbohidratos
A
Bajo
Bajo
B
Bajo
Alto
C
Alto
Bajo
D
Alto
Alto
312
interaccin afectan la media del colesterol en la sangres?
a?
c. Grafique la interaccin y explquela.
d. Estime ICS para la media de los niveles de los factores y de los
tratamientos.
8.4
Un ingeniero qumico llevo a cabo un experimento para investigar si la

temperatura y la presencia de un catalizador afectaba el rendimiento, con tal
propsito seleccion tres niveles de temperatura y dos tipos de catalizadores. A
continuacin se presenta los datos en la siguiente tabla.
Catalizador
Temperatura A
B
180
94
91
95
90
93
92
200
96
95
97
93
96
94
220
94
96
93
97
93
95
interaccin afectan la media del rendimiento del proceso qumico?
a?
c. Analice la interaccin y explquela.
d. Estime polinomios ortogonales para la media de los niveles de la
Temperatura dentro de cada catalizador.
8.5
En el proceso qumico del problema anterior se cree que la presin es muy

importante para el rendimiento por lo que se planeo otro experimentos con dos
niveles de de cada factor. Los resultados se presentan en la tabla de abajo.
Catalizador A
Catalizador B
Presin
Temperatura
20
25
20
25
180
94 95 93 91 90 92 92 93 91 95 93 92
210
96 97 96 95 93 94 94 93 92 96 97 95
313
interaccin afectan la media del rendimiento del proceso qumico?
a?
c. Analice la interaccin y explquela.
8.6
El ingeniero de calidad de una empresa que esta moldeando partes de plstico

demanda, para poder verificar la su sospecha, el ingeniero planeo un
experimento en un diseo de bloques completos al azar, donde la variable de
bloqueo fueron los lotes de materia prima y les midi la resistencia a la ruptura
en kilogramos de cada corrida experimental, los datos se muestran en la
siguiente tabla.
Lotes
I
II
III
IV
Mquina
A
B
C
D
A
94
95
93
94
Mquinas
B
C
D
87
82
92
85
81
94
87
83
95
92
85
96
Descripcin
a. Los datos proveen suficiente evidencia para decir que hay diferencia entre
la medias de los factores?
c. Realice las pruebas de DMS y DHS para los efectos significativos.
8.7
314
Una maquina soldadora de tecnologa de montaje de superficie, utilizada para

fijar componentes electrnicos a tarjetas, puede ser trabajada a diferentes
velocidades, diferentes marcas de soldadura y diferentes colocaciones en la
maquina, el ingeniero de calidad quiere encontrar la mejor combinacin de
velocidad, soldadura y colocacin a la que produce menos defectos, para esto
planea un experimento completamente al azar, donde hace varias corridas
experimentales de mil tarjetas cada una y totaliza el nmero de defectos que
encuentra al realizar una inspeccin del 100%. La siguiente tabla muestra los
datos que se obtuvieron.
Soldadura A
Soldadura B
Colocacin
Velocidad
I
II
I
II
Alta
13 14 9 5 7 9 14 13 10 14 14 10
Baja
8 11 12 9 7 8 16 1719 11 13 12
a. Los datos proveen suficiente evidencia para declarar que la velocidad de
la mquina, la marca de soldadura, la colocacin y sus interacciones
produce medias diferentes de defectos?
b. Cul de los supuestos es ms probable que no se cumpla?
315
316
APNDICE
TABLAS
Tabla A-1
Distribucin Normal Estndar
Tabla A-2
Distribucin t
Tabla A-3
Distribucin Chi-Cuadrada
Tabla A-4
Distribucin F0.10, v1, v2
Tabla A-5
Distribucin F0.05, v1,v2
Tabla A-6
Tabla A-7
Tabla A-8
Tabla A-9
Cuadros Latinos
Tabla A-10
Valores Crticos del Rango Studentizado
Tabla A-11
Tabla A-13
Valores Crticos para la Prueba de Rango Mltiple de

Duncan
Valores Crticos para las Comparaciones de Dunnett con
un Control
Valores Crticos de Bonferroni
Tabla A-14
Coeficientes de Polinomios Ortogonales
Tabla A-12
318
A P N D I C E
TABLA A-1
Distribucin Normal Estndar
z
.00
.01
.02
.03
.04
.05
.06
.07
.08
.09
0.000000
0.003989
0.007978
0.011967
0.015953
0.019939
0.023922
0.027903
0.031881
0.035856
0.1
0.039828
0.043795
0.047758
0.051717
0.055670
0.059618
0.063559
0.067495
0.071424
0.075345
0.2
0.079260
0.083166
0.087064
0.090954
0.094835
0.098706
0.102568
0.106420
0.110261
0.114092
0.3
0.117911
0.121719
0.125516
0.129300
0.133072
0.136831
0.140576
0.144309
0.148027
0.151732
0.4
0.155422
0.159097
0.162757
0.166402
0.170031
0.173645
0.177242
0.180822
0.184386
0.187933
0.5
0.191462
0.194974
0.198468
0.201944
0.205402
0.208840
0.212260
0.215661
0.219043
0.222405
0.6
0.225747
0.229069
0.232371
0.235653
0.238914
0.242154
0.245373
0.248571
0.251748
0.254903
0.7
0.258036
0.261148
0.264238
0.267305
0.270350
0.273373
0.276373
0.279350
0.282305
0.285236
0.8
0.288145
0.291030
0.293892
0.296731
0.299546
0.302338
0.305106
0.307850
0.310570
0.313267
0.9
0.315940
0.318589
0.321214
0.323814
0.326391
0.328944
0.331472
0.333977
0.336457
0.338913
0.341345
0.343752
0.346136
0.348495
0.350830
0.353141
0.355428
0.357690
0.359929
0.362143
1.1
0.364334
0.366500
0.368643
0.370762
0.372857
0.374928
0.376976
0.378999
0.381000
0.382977
1.2
0.384930
0.386860
0.388767
0.390651
0.392512
0.394350
0.396165
0.397958
0.399727
0.401475
1.3
0.403199
0.404902
0.406582
0.408241
0.409877
0.411492
0.413085
0.414656
0.416207
0.417736
1.4
0.419243
0.420730
0.422196
0.423641
0.425066
0.426471
0.427855
0.429219
0.430563
0.431888
1.5
0.433193
0.434478
0.435744
0.436992
0.438220
0.439429
0.440620
0.441792
0.442947
0.444083
1.6
0.445201
0.446301
0.447384
0.448449
0.449497
0.450529
0.451543
0.452540
0.453521
0.454486
1.7
0.455435
0.456367
0.457284
0.458185
0.459071
0.459941
0.460796
0.461636
0.462462
0.463273
1.8
0.464070
0.464852
0.465621
0.466375
0.467116
0.467843
0.468557
0.469258
0.469946
0.470621
1.9
0.471284
0.471933
0.472571
0.473197
0.473810
0.474412
0.475002
0.475581
0.476148
0.476705
0.477250
0.477784
0.478308
0.478822
0.479325
0.479818
0.480301
0.480774
0.481237
0.481691
2.1
0.482136
0.482571
0.482997
0.483414
0.483823
0.484222
0.484614
0.484997
0.485371
0.485738
2.2
0.486097
0.486447
0.486791
0.487126
0.487455
0.487776
0.488089
0.488396
0.488696
0.488989
2.3
0.489276
0.489556
0.489830
0.490097
0.490358
0.490613
0.490863
0.491106
0.491344
0.491576
2.4
0.491802
0.492024
0.492240
0.492451
0.492656
0.492857
0.493053
0.493244
0.493431
0.493613
2.5
0.493790
0.493963
0.494132
0.494297
0.494457
0.494614
0.494766
0.494915
0.495060
0.495201
2.6
0.495339
0.495473
0.495603
0.495731
0.495855
0.495975
0.496093
0.496207
0.496319
0.496427
2.7
0.496533
0.496636
0.496736
0.496833
0.496928
0.497020
0.497110
0.497197
0.497282
0.497365
2.8
0.497445
0.497523
0.497599
0.497673
0.497744
0.497814
0.497882
0.497948
0.498012
0.498074
2.9
0.498134
0.498193
0.498250
0.498305
0.498359
0.498411
0.498462
0.498511
0.498559
0.498605
0.498650
0.498694
0.498736
0.498777
0.498817
0.498856
0.498893
0.498930
0.498965
0.498999
3.1
0.499032
0.499064
0.499096
0.499126
0.499155
0.499184
0.499211
0.499238
0.499264
0.499289
3.2
0.499313
0.499336
0.499359
0.499381
0.499402
0.499423
0.499443
0.499462
0.499481
0.499499
3.3
0.499517
0.499533
0.499550
0.499566
0.499581
0.499596
0.499610
0.499624
0.499638
0.499650
3.4
0.499663
0.499675
0.499687
0.499698
0.499709
0.499720
0.499730
0.499740
0.499749
0.499758
3.5
0.499767
0.499776
0.499784
0.499792
0.499800
0.499807
0.499815
0.499821
0.499828
0.499835
3.6
0.499841
0.499847
0.499853
0.499858
0.499864
0.499869
0.499874
0.499879
0.499883
0.499888
3.7
0.499892
0.499896
0.499900
0.499904
0.499908
0.499912
0.499915
0.499918
0.499922
0.499925
3.8
0.499928
0.499930
0.499933
0.499936
0.499938
0.499941
0.499943
0.499946
0.499948
0.499950
3.9
0.499952
0.499954
0.499956
0.499958
0.499959
0.499961
0.499963
0.499964
0.499966
0.499967
0.499968
0.499970
0.499971
0.499972
0.499973
0.499974
0.499975
0.499976
0.499977
0.499978
4.1
0.499979
0.499980
0.499981
0.499982
0.499983
0.499983
0.499984
0.499985
0.499985
0.499986
4.2
0.499987
0.499987
0.499988
0.499988
0.499989
0.499989
0.499990
0.499990
0.499991
0.499991
4.3
0.499991
0.499992
0.499992
0.499993
0.499993
0.499993
0.499993
0.499994
0.499994
0.499994
4.4
0.499995
0.499995
0.499995
0.499995
0.499995
0.499996
0.499996
0.499996
0.499996
0.499996
4.5
0.499997
0.499997
0.499997
0.499997
0.499997
0.499997
0.499997
0.499998
0.499998
0.499998
319
TABLA A-2
Distribucin t
0.4
0.25
0.1
0.05
0.025
0.01
0.005
0.0025
0.001
0.0005
0.324919
1.000001
3.077685
6.313749
12.706150
31.820964
63.655898
127.321109
318.288803
636.577606
0.288675
0.816497
1.885619
2.919987
4.302656
6.964547
9.924988
14.089164
22.328459
31.599775
0.276671
0.764892
1.637745
2.353363
3.182449
4.540707
5.840848
7.453200
10.214280
12.924429
0.270722
0.740697
1.533206
2.131846
2.776451
3.746936
4.604080
5.597540
7.172930
8.610077
0.267181
0.726687
1.475885
2.015049
2.570578
3.364930
4.032117
4.773319
5.893526
6.868504
0.264835
0.717558
1.439755
1.943181
2.446914
3.142668
3.707428
4.316826
5.207548
5.958718
0.263167
0.711142
1.414924
1.894578
2.364623
2.997949
3.499481
4.029353
4.785252
5.408074
0.261921
0.706386
1.396816
1.859548
2.306006
2.896468
3.355381
3.832538
4.500762
5.041366
0.260956
0.702722
1.383029
1.833114
2.262159
2.821434
3.249843
3.689638
4.296890
4.780886
10
0.260185
0.699812
1.372184
1.812462
2.228139
2.763772
3.169262
3.581372
4.143658
4.586764
11
0.259556
0.697445
1.363430
1.795884
2.200986
2.718079
3.105815
3.496607
4.024769
4.436879
12
0.259033
0.695483
1.356218
1.782287
2.178813
2.680990
3.054538
3.428431
3.929599
4.317844
13
0.258591
0.693830
1.350172
1.770932
2.160368
2.650304
3.012283
3.372479
3.852037
4.220929
14
0.258212
0.692417
1.345031
1.761309
2.144789
2.624492
2.976849
3.325695
3.787427
4.140311
15
0.257885
0.691197
1.340605
1.753051
2.131451
2.602483
2.946726
3.286041
3.732857
4.072790
16
0.257599
0.690133
1.336757
1.745884
2.119905
2.583492
2.920788
3.251989
3.686146
4.014873
17
0.257347
0.689195
1.333379
1.739606
2.109819
2.566940
2.898232
3.222449
3.645764
3.965106
18
0.257123
0.688364
1.330391
1.734063
2.100924
2.552379
2.878442
3.196583
3.610476
3.921741
19
0.256923
0.687621
1.327728
1.729131
2.093025
2.539482
2.860943
3.173700
3.579335
3.883324
20
0.256742
0.686954
1.325341
1.724718
2.085962
2.527977
2.845336
3.153400
3.551831
3.849564
21
0.256580
0.686352
1.323187
1.720744
2.079614
2.517645
2.831366
3.135210
3.527093
3.819296
22
0.256432
0.685805
1.321237
1.717144
2.073875
2.508323
2.818761
3.118839
3.504974
3.792229
23
0.256297
0.685307
1.319461
1.713870
2.068655
2.499874
2.807337
3.103996
3.484965
3.767636
24
0.256173
0.684850
1.317835
1.710882
2.063898
2.492161
2.796951
3.090536
3.466776
3.745372
25
0.256060
0.684430
1.316346
1.708140
2.059537
2.485103
2.787438
3.078203
3.450186
3.725145
26
0.255955
0.684043
1.314972
1.705616
2.055531
2.478628
2.778725
3.066889
3.434980
3.706664
27
0.255858
0.683685
1.313704
1.703288
2.051829
2.472661
2.770685
3.056521
3.421010
3.689493
28
0.255768
0.683353
1.312526
1.701130
2.048409
2.467141
2.763263
3.046953
3.408204
3.673922
29
0.255684
0.683044
1.311435
1.699127
2.045231
2.462020
2.756387
3.038040
3.396271
3.659516
30
0.255606
0.682755
1.310416
1.697260
2.042270
2.457264
2.749985
3.029782
3.385212
3.645982
31
0.255532
0.682486
1.309463
1.695519
2.039515
2.452825
2.744036
3.022105
3.374880
3.633468
32
0.255463
0.682234
1.308573
1.693888
2.036932
2.448678
2.738489
3.014939
3.365276
3.621826
33
0.255399
0.681997
1.307737
1.692360
2.034517
2.444795
2.733286
3.008245
3.356326
3.610912
34
0.255338
0.681774
1.306951
1.690923
2.032243
2.441147
2.728393
3.001951
3.347959
3.600726
35
0.255282
0.681564
1.306212
1.689573
2.030110
2.437719
2.723809
2.996057
3.340028
3.591122
40
0.255039
0.680673
1.303076
1.683852
2.021075
2.423258
2.704455
2.971174
3.306923
3.550958
50
0.254699
0.679428
1.298713
1.675905
2.008560
2.403267
2.677789
2.936977
3.261375
3.495952
60
0.254473
0.678601
1.295821
1.670649
2.000297
2.390116
2.660272
2.914567
3.231689
3.460154
80
0.254191
0.677569
1.292224
1.664125
1.990065
2.373872
2.638699
2.886954
3.195237
3.416353
120
0.253909
0.676540
1.288646
1.657650
1.979929
2.357829
2.617417
2.859852
3.159512
3.373425
320
TABLA A-3
Distribucin Chi-Cuadrada
0.995
0.990
0.975
0.950
0.800
0.750
0.600
0.500
0.050
0.025
0.010
0.005
0.000039
0.000157
0.000982
0.003932
0.064185
0.101531
0.274996
0.454936
3.841455
5.023903
6.634891
7.879400
0.010025
0.020100
0.050636
0.102586
0.446287
0.575364
1.021651
1.386294
5.991476
7.377779
9.210351
10.596530
0.071723
0.114832
0.215795
0.351846
1.005173
1.212532
1.869168
2.365973
7.814725
9.348404
11.344882
12.838073
0.206984
0.297107
0.484419
0.710724
1.648776
1.922558
2.752842
3.356695
9.487728
11.143262
13.276699
14.860166
0.411751
0.554297
0.831209
1.145477
2.342532
2.674604
3.655501
4.351459
11.070483
12.832492
15.086317
16.749648
0.675733
0.872083
1.237342
1.635380
3.070088
3.454598
4.570153
5.348119
12.591577
14.449355
16.811872
18.547513
0.989251
1.239032
1.689864
2.167349
3.822320
4.254852
5.493235
6.345809
14.067127
16.012774
18.475324
20.277738
1.344403
1.646506
2.179725
2.732633
4.593572
5.070642
6.422644
7.344120
15.507312
17.534545
20.090159
21.954861
1.734911
2.087889
2.700389
3.325115
5.380055
5.898823
7.357032
8.342832
16.918960
19.022778
21.666048
23.589275
10
2.155845
2.558199
3.246963
3.940295
6.179076
6.737199
8.295475
9.341816
18.307029
20.483201
23.209287
25.188055
11
2.603202
3.053496
3.815742
4.574809
6.988672
7.584145
9.237288
10.340996
19.675153
21.920023
24.725022
26.756864
12
3.073785
3.570551
4.403778
5.226028
7.807329
8.438419
10.181970
11.340322
21.026055
23.336660
26.216964
28.299660
13
3.565042
4.106900
5.008738
5.891861
8.633863
9.299063
11.129138
12.339753
22.362027
24.735581
27.688184
29.819318
14
4.074659
4.660415
5.628724
6.570632
9.467329
10.165311
12.078481
13.339272
23.684782
26.118935
29.141163
31.319425
15
4.600874
5.229356
6.262123
7.260935
10.306958
11.036538
13.029752
14.338857
24.995797
27.488365
30.577951
32.801491
16
5.142164
5.812197
6.907664
7.961639
11.152119
11.912217
13.982735
15.338497
26.296221
28.845325
31.999861
34.267053
17
5.697274
6.407742
7.564179
8.671754
12.002263
12.791925
14.937271
16.338179
27.587100
30.190983
33.408717
35.718378
18
6.264766
7.014903
8.230737
9.390448
12.856951
13.675291
15.893214
17.337902
28.869321
31.526410
34.805237
37.156386
19
6.843923
7.632698
8.906514
10.117006
13.715785
14.561998
16.850436
18.337650
30.143505
32.852337
36.190775
38.582122
20
7.433811
8.260368
9.590772
10.850799
14.578441
15.451775
17.808829
19.337430
31.410420
34.169581
37.566272
39.996856
21
8.033602
8.897172
10.282907
11.591316
15.444613
16.344387
18.768307
20.337228
32.670558
35.478856
38.932232
41.400943
22
8.642681
9.542494
10.982330
12.338009
16.314039
17.239618
19.728796
21.337044
33.924460
36.780678
40.289448
42.795664
23
9.260383
10.195689
11.688534
13.090505
17.186502
18.137294
20.690202
22.336880
35.172460
38.075609
41.638334
44.181385
24
9.886199
10.856349
12.401146
13.848422
18.061800
19.037250
21.652485
23.336730
36.415026
39.364060
42.979781
45.558363
25
10.519647
11.523951
13.119707
14.611396
18.939750
19.939338
22.615577
24.336584
37.652489
40.646498
44.314014
46.927966
26
11.160218
12.198177
13.843881
15.379163
19.820189
20.843435
23.579432
25.336458
38.885130
41.923138
45.641636
48.289777
27
11.807655
12.878468
14.573373
16.151395
20.702977
21.749404
24.544003
26.336341
40.113266
43.194521
46.962837
49.645035
28
12.461281
13.564666
15.307854
16.927876
21.587968
22.657157
25.509247
27.336232
41.337152
44.460790
48.278166
50.993559
29
13.121067
14.256406
16.047051
17.708381
22.475052
23.566588
26.475137
28.336130
42.556948
45.722279
49.587829
52.335495
30
13.786682
14.953464
16.790756
18.492667
23.364113
24.477603
27.441619
29.336028
43.772954
46.979218
50.892181
53.671868
31
14.457736
15.655467
17.538716
19.280563
24.255058
25.390137
28.408683
30.335945
44.985337
48.231922
52.191354
55.002482
32
15.134018
16.362203
18.290791
20.071913
25.147782
26.304110
29.376291
31.335857
46.194241
49.480435
53.485658
56.327992
33
15.815180
17.073480
19.046663
20.866519
26.042212
27.219437
30.344407
32.335786
47.399899
50.725099
54.775447
57.648309
34
16.501299
17.789104
19.806237
21.664276
26.938267
28.136077
31.313024
33.335705
48.602356
51.966022
56.060852
58.963709
35
17.191729
18.508870
20.569380
22.465009
27.835876
29.053959
32.282113
34.335635
49.801832
53.203308
57.341988
60.274592
40
20.706577
22.164201
24.433058
26.509296
32.344948
33.660288
37.133965
39.335341
55.758487
59.341679
63.690771
66.766047
50
27.990825
29.706725
32.357385
34.764236
41.449206
42.942082
46.863784
49.334941
67.504805
71.420194
76.153802
79.489839
60
35.534397
37.484796
40.481707
43.187966
50.640618
52.293810
56.619999
59.334668
79.081954
83.297706
88.379430
91.951806
80
51.171933
53.539983
57.153152
60.391459
69.206951
71.144505
76.187927
79.334325
101.879472
106.628542
112.328791
116.320928
100
67.327533
70.064995
74.221882
77.929442
87.945329
90.133225
95.807846
99.334130
124.342101
129.561252
135.806891
140.169714
120
83.851714
86.923311
91.572601
95.704619
106.805613
109.219664
115.464558
119.334000
146.567312
152.211332
158.950032
163.648477
321
TABLA A-4
Distribucin F0.10,1,2
GRADOS DE LIBERTAD DE L DENOMINADOR 2
GRADOS DE LIBERTAD DEL NUMERADOR 1

1
10
11
12
13
14
15
16
17
18
19
20
30
60
80
120
39.8636
49.5002
53.5933
55.8330
57.2400
58.2045
58.9062
59.4391
59.8575
60.1949
60.4728
60.7051
60.9025
61.0726
61.2204
61.3500
61.4646
61.5664
61.6578
61.7401
62.2649
62.7942
62.9270
63.0607
8.5263
9.0000
9.1618
9.2434
9.2926
9.3255
9.3491
9.3668
9.3805
9.3916
9.4006
9.4082
9.4145
9.4200
9.4247
9.4288
9.4325
9.4358
9.4387
9.4413
9.4579
9.4745
9.4788
9.4829
5.5383
5.4624
5.3908
5.3427
5.3091
5.2847
5.2662
5.2517
5.2400
5.2304
5.2224
5.2156
5.2098
5.2047
5.2003
5.1964
5.1929
5.1898
5.1870
5.1845
5.1681
5.1512
5.1469
5.1425
4.5448
4.3246
4.1909
4.1072
4.0506
4.0097
3.9790
3.9549
3.9357
3.9199
3.9067
3.8955
3.8859
3.8776
3.8704
3.8639
3.8582
3.8531
3.8485
3.8443
3.8174
3.7896
3.7824
3.7753
4.0604
3.7797
3.6195
3.5202
3.4530
3.4045
3.3679
3.3393
3.3163
3.2974
3.2816
3.2682
3.2567
3.2468
3.2380
3.2303
3.2234
3.2172
3.2117
3.2067
3.1741
3.1402
3.1316
3.1228
3.7760
3.4633
3.2888
3.1808
3.1075
3.0546
3.0145
2.9830
2.9577
2.9369
2.9195
2.9047
2.8920
2.8809
2.8712
2.8626
2.8550
2.8481
2.8419
2.8363
2.8000
2.7620
2.7522
2.7423
3.5894
3.2574
3.0741
2.9605
2.8833
2.8274
2.7849
2.7516
2.7247
2.7025
2.6839
2.6681
2.6545
2.6426
2.6322
2.6230
2.6148
2.6074
2.6008
2.5947
2.5555
2.5142
2.5036
2.4928
3.4579
3.1131
2.9238
2.8064
2.7264
2.6683
2.6241
2.5893
2.5612
2.5380
2.5186
2.5020
2.4876
2.4752
2.4642
2.4545
2.4458
2.4380
2.4310
2.4246
2.3830
2.3391
2.3277
2.3162
3.3603
3.0064
2.8129
2.6927
2.6106
2.5509
2.5053
2.4694
2.4403
2.4163
2.3961
2.3789
2.3640
2.3510
2.3396
2.3295
2.3205
2.3123
2.3050
2.2983
2.2547
2.2085
2.1965
2.1843
10
3.2850
2.9245
2.7277
2.6053
2.5216
2.4606
2.4140
2.3771
2.3473
2.3226
2.3018
2.2841
2.2687
2.2553
2.2435
2.2330
2.2237
2.2153
2.2077
2.2007
2.1554
2.1072
2.0946
2.0818
11
3.2252
2.8595
2.6602
2.5362
2.4512
2.3891
2.3416
2.3040
2.2735
2.2482
2.2269
2.2087
2.1930
2.1792
2.1671
2.1563
2.1467
2.1380
2.1302
2.1230
2.0762
2.0261
2.0130
1.9997
12
3.1766
2.8068
2.6055
2.4801
2.3940
2.3310
2.2828
2.2446
2.2135
2.1878
2.1660
2.1474
2.1313
2.1173
2.1049
2.0938
2.0839
2.0750
2.0670
2.0597
2.0115
1.9597
1.9461
1.9323
13
3.1362
2.7632
2.5603
2.4337
2.3467
2.2830
2.2341
2.1953
2.1638
2.1376
2.1155
2.0966
2.0802
2.0658
2.0532
2.0419
2.0318
2.0227
2.0145
2.0070
1.9576
1.9043
1.8903
1.8759
14
3.1022
2.7265
2.5222
2.3947
2.3069
2.2426
2.1931
2.1539
2.1220
2.0954
2.0730
2.0537
2.0370
2.0224
2.0095
1.9981
1.9878
1.9785
1.9701
1.9625
1.9119
1.8572
1.8428
1.8280
15
3.0732
2.6952
2.4898
2.3614
2.2730
2.2081
2.1582
2.1185
2.0862
2.0593
2.0366
2.0171
2.0001
1.9853
1.9722
1.9605
1.9501
1.9407
1.9321
1.9243
1.8728
1.8168
1.8019
1.7867
16
3.0481
2.6682
2.4618
2.3327
2.2438
2.1783
2.1280
2.0880
2.0553
2.0281
2.0051
1.9854
1.9682
1.9532
1.9399
1.9281
1.9175
1.9079
1.8992
1.8913
1.8388
1.7816
1.7664
1.7507
17
3.0262
2.6446
2.4374
2.3077
2.2183
2.1524
2.1017
2.0613
2.0284
2.0009
1.9777
1.9577
1.9404
1.9252
1.9117
1.8997
1.8889
1.8792
1.8704
1.8624
1.8090
1.7506
1.7351
1.7191
18
3.0070
2.6239
2.4160
2.2858
2.1958
2.1296
2.0785
2.0379
2.0047
1.9770
1.9535
1.9333
1.9158
1.9004
1.8868
1.8747
1.8638
1.8539
1.8450
1.8368
1.7827
1.7232
1.7073
1.6910
19
2.9899
2.6056
2.3970
2.2663
2.1760
2.1094
2.0580
2.0171
1.9836
1.9557
1.9321
1.9117
1.8940
1.8785
1.8647
1.8524
1.8414
1.8314
1.8224
1.8142
1.7592
1.6988
1.6826
1.6659
20
2.9747
2.5893
2.3801
2.2489
2.1582
2.0913
2.0397
1.9985
1.9649
1.9367
1.9129
1.8924
1.8745
1.8588
1.8449
1.8325
1.8214
1.8113
1.8022
1.7938
1.7382
1.6768
1.6603
1.6433
21
2.9610
2.5746
2.3649
2.2333
2.1423
2.0751
2.0233
1.9819
1.9480
1.9197
1.8956
1.8750
1.8570
1.8412
1.8271
1.8146
1.8034
1.7932
1.7840
1.7756
1.7193
1.6569
1.6401
1.6228
22
2.9486
2.5613
2.3512
2.2193
2.1279
2.0605
2.0084
1.9668
1.9327
1.9043
1.8801
1.8593
1.8411
1.8252
1.8111
1.7984
1.7871
1.7768
1.7675
1.7590
1.7021
1.6389
1.6218
1.6041
23
2.9374
2.5493
2.3387
2.2065
2.1149
2.0472
1.9949
1.9531
1.9189
1.8903
1.8659
1.8450
1.8267
1.8107
1.7964
1.7837
1.7723
1.7619
1.7525
1.7439
1.6864
1.6224
1.6051
1.5871
24
2.9271
2.5383
2.3274
2.1949
2.1030
2.0351
1.9826
1.9407
1.9063
1.8775
1.8530
1.8319
1.8136
1.7974
1.7831
1.7703
1.7587
1.7483
1.7388
1.7302
1.6721
1.6073
1.5897
1.5715
25
2.9177
2.5283
2.3170
2.1842
2.0922
2.0241
1.9714
1.9292
1.8947
1.8658
1.8412
1.8200
1.8015
1.7853
1.7708
1.7579
1.7463
1.7358
1.7263
1.7175
1.6589
1.5933
1.5755
1.5570
26
2.9091
2.5191
2.3075
2.1745
2.0822
2.0139
1.9610
1.9188
1.8841
1.8550
1.8303
1.8090
1.7904
1.7741
1.7596
1.7466
1.7349
1.7243
1.7147
1.7059
1.6468
1.5805
1.5625
1.5437
27
2.9012
2.5106
2.2987
2.1655
2.0730
2.0045
1.9515
1.9091
1.8743
1.8451
1.8203
1.7989
1.7802
1.7638
1.7492
1.7361
1.7243
1.7137
1.7040
1.6951
1.6356
1.5686
1.5503
1.5313
28
2.8938
2.5028
2.2906
2.1571
2.0645
1.9959
1.9427
1.9001
1.8652
1.8359
1.8110
1.7895
1.7708
1.7542
1.7395
1.7264
1.7146
1.7039
1.6941
1.6852
1.6252
1.5575
1.5390
1.5198
29
2.8870
2.4955
2.2831
2.1494
2.0566
1.9878
1.9345
1.8918
1.8568
1.8274
1.8024
1.7808
1.7620
1.7454
1.7306
1.7174
1.7055
1.6947
1.6849
1.6759
1.6155
1.5472
1.5285
1.5090
30
2.8807
2.4887
2.2761
2.1422
2.0492
1.9803
1.9269
1.8841
1.8490
1.8195
1.7944
1.7727
1.7538
1.7371
1.7223
1.7090
1.6970
1.6862
1.6763
1.6673
1.6065
1.5376
1.5187
1.4989
31
2.8748
2.4824
2.2695
2.1355
2.0424
1.9734
1.9198
1.8769
1.8417
1.8121
1.7869
1.7651
1.7461
1.7294
1.7145
1.7012
1.6891
1.6783
1.6683
1.6593
1.5980
1.5285
1.5094
1.4895
32
2.8693
2.4765
2.2635
2.1293
2.0360
1.9668
1.9132
1.8702
1.8348
1.8052
1.7799
1.7581
1.7390
1.7222
1.7072
1.6938
1.6818
1.6708
1.6608
1.6517
1.5901
1.5201
1.5008
1.4806
33
2.8641
2.4710
2.2577
2.1234
2.0300
1.9607
1.9070
1.8639
1.8284
1.7987
1.7733
1.7514
1.7323
1.7154
1.7004
1.6869
1.6748
1.6638
1.6538
1.6446
1.5827
1.5121
1.4926
1.4722
34
2.8592
2.4658
2.2524
2.1179
2.0244
1.9550
1.9012
1.8580
1.8224
1.7926
1.7672
1.7452
1.7260
1.7091
1.6940
1.6805
1.6683
1.6573
1.6472
1.6380
1.5757
1.5046
1.4849
1.4643
35
2.8547
2.4609
2.2474
2.1128
2.0191
1.9496
1.8957
1.8524
1.8168
1.7869
1.7614
1.7394
1.7201
1.7031
1.6880
1.6744
1.6622
1.6511
1.6410
1.6317
1.5691
1.4975
1.4776
1.4568
36
2.8503
2.4563
2.2426
2.1079
2.0141
1.9445
1.8905
1.8471
1.8115
1.7815
1.7559
1.7338
1.7145
1.6974
1.6823
1.6687
1.6564
1.6453
1.6351
1.6258
1.5629
1.4908
1.4707
1.4497
37
2.8463
2.4520
2.2381
2.1033
2.0095
1.9398
1.8856
1.8422
1.8064
1.7764
1.7508
1.7286
1.7092
1.6921
1.6769
1.6632
1.6509
1.6397
1.6296
1.6202
1.5570
1.4844
1.4642
1.4430
38
2.8424
2.4479
2.2339
2.0990
2.0050
1.9352
1.8810
1.8375
1.8017
1.7716
1.7459
1.7237
1.7042
1.6871
1.6718
1.6581
1.6457
1.6345
1.6243
1.6149
1.5514
1.4784
1.4580
1.4366
39
2.8388
2.4440
2.2299
2.0948
2.0008
1.9309
1.8767
1.8331
1.7972
1.7670
1.7413
1.7190
1.6995
1.6823
1.6670
1.6532
1.6408
1.6296
1.6193
1.6099
1.5461
1.4726
1.4521
1.4305
40
2.8353
2.4404
2.2261
2.0909
1.9968
1.9269
1.8725
1.8289
1.7929
1.7627
1.7369
1.7146
1.6950
1.6778
1.6624
1.6486
1.6362
1.6249
1.6146
1.6052
1.5411
1.4672
1.4465
1.4248
50
2.8087
2.4120
2.1967
2.0608
1.9660
1.8954
1.8405
1.7963
1.7598
1.7291
1.7029
1.6802
1.6602
1.6426
1.6269
1.6128
1.6000
1.5884
1.5778
1.5681
1.5018
1.4242
1.4023
1.3789
80
2.7693
2.3702
2.1535
2.0165
1.9206
1.8491
1.7933
1.7483
1.7110
1.6796
1.6526
1.6292
1.6086
1.5904
1.5741
1.5594
1.5461
1.5340
1.5230
1.5128
1.4426
1.3583
1.3337
1.3071
120
2.7478
2.3473
2.1300
1.9923
1.8959
1.8238
1.7675
1.7220
1.6842
1.6524
1.6250
1.6012
1.5803
1.5617
1.5450
1.5300
1.5164
1.5039
1.4926
1.4821
1.4094
1.3203
1.2938
1.2646
322
TABLA A-5
10
11
12
13
14
15
16
17
18
19
20
30
60
80
120
161.4462 199.4995 215.7067 224.5833 230.1604 233.9875 236.7669 238.8842 240.5432 241.8819 242.9806 243.9047 244.6905 245.3635 245.9492 246.4658 246.9169 247.3244 247.6881 248.0156 250.0965 252.1956 252.7231 253.2543
18.5128
19.0000
19.1642
19.2467
19.2963
19.3295
19.3531
19.3709
19.3847
19.3959
19.4050
19.4125
19.4188
19.4243
19.4291
19.4332
19.4370
19.4402
19.4432
19.4457
19.4625
19.4791
19.4832
19.4873
10.1280
9.5521
9.2766
9.1172
9.0134
8.9407
8.8867
8.8452
8.8123
8.7855
8.7633
8.7447
8.7286
8.7149
8.7028
8.6923
8.6829
8.6745
8.6670
8.6602
8.6166
8.5720
8.5607
8.5494
7.7086
6.9443
6.5914
6.3882
6.2561
6.1631
6.0942
6.0410
5.9988
5.9644
5.9358
5.9117
5.8911
5.8733
5.8578
5.8441
5.8320
5.8211
5.8114
5.8025
5.7459
5.6878
5.6730
5.6581
6.6079
5.7861
5.4094
5.1922
5.0503
4.9503
4.8759
4.8183
4.7725
4.7351
4.7040
4.6777
4.6552
4.6358
4.6188
4.6038
4.5904
4.5785
4.5678
4.5581
4.4957
4.4314
4.4150
4.3985
5.9874
5.1432
4.7571
4.5337
4.3874
4.2839
4.2067
4.1468
4.0990
4.0600
4.0274
3.9999
3.9764
3.9559
3.9381
3.9223
3.9083
3.8957
3.8844
3.8742
3.8082
3.7398
3.7223
3.7047
5.5915
4.7374
4.3468
4.1203
3.9715
3.8660
3.7871
3.7257
3.6767
3.6365
3.6030
3.5747
3.5503
3.5292
3.5107
3.4944
3.4799
3.4669
3.4551
3.4445
3.3758
3.3043
3.2860
3.2674
5.3176
4.4590
4.0662
3.8379
3.6875
3.5806
3.5005
3.4381
3.3881
3.3472
3.3129
3.2839
3.2590
3.2374
3.2184
3.2016
3.1867
3.1733
3.1612
3.1503
3.0794
3.0053
2.9862
2.9669
5.1174
4.2565
3.8625
3.6331
3.4817
3.3738
3.2927
3.2296
3.1789
3.1373
3.1025
3.0729
3.0475
3.0255
3.0061
2.9890
2.9737
2.9600
2.9477
2.9365
2.8637
2.7872
2.7675
2.7475
10
4.9646
4.1028
3.7083
3.4780
3.3258
3.2172
3.1355
3.0717
3.0204
2.9782
2.9430
2.9130
2.8872
2.8647
2.8450
2.8276
2.8120
2.7980
2.7854
2.7740
2.6996
2.6211
2.6008
2.5801
11
4.8443
3.9823
3.5874
3.3567
3.2039
3.0946
3.0123
2.9480
2.8962
2.8536
2.8179
2.7876
2.7614
2.7386
2.7186
2.7009
2.6851
2.6709
2.6581
2.6464
2.5705
2.4901
2.4692
2.4480
12
4.7472
3.8853
3.4903
3.2592
3.1059
2.9961
2.9134
2.8486
2.7964
2.7534
2.7173
2.6866
2.6602
2.6371
2.6169
2.5989
2.5828
2.5684
2.5554
2.5436
2.4663
2.3842
2.3628
2.3410
13
4.6672
3.8056
3.4105
3.1791
3.0254
2.9153
2.8321
2.7669
2.7144
2.6710
2.6346
2.6037
2.5769
2.5536
2.5331
2.5149
2.4987
2.4841
2.4709
2.4589
2.3803
2.2966
2.2747
2.2524
14
4.6001
3.7389
3.3439
3.1122
2.9582
2.8477
2.7642
2.6987
2.6458
2.6022
2.5655
2.5342
2.5073
2.4837
2.4630
2.4446
2.4282
2.4134
2.4000
2.3879
2.3082
2.2229
2.2006
2.1778
15
4.5431
3.6823
3.2874
3.0556
2.9013
2.7905
2.7066
2.6408
2.5876
2.5437
2.5068
2.4753
2.4481
2.4244
2.4034
2.3849
2.3683
2.3533
2.3398
2.3275
2.2468
2.1601
2.1373
2.1141
16
4.4940
3.6337
3.2389
3.0069
2.8524
2.7413
2.6572
2.5911
2.5377
2.4935
2.4564
2.4247
2.3973
2.3733
2.3522
2.3335
2.3167
2.3016
2.2880
2.2756
2.1938
2.1058
2.0826
2.0589
17
4.4513
3.5915
3.1968
2.9647
2.8100
2.6987
2.6143
2.5480
2.4943
2.4499
2.4126
2.3807
2.3531
2.3290
2.3077
2.2888
2.2719
2.2567
2.2429
2.2304
2.1477
2.0584
2.0348
2.0107
18
4.4139
3.5546
3.1599
2.9277
2.7729
2.6613
2.5767
2.5102
2.4563
2.4117
2.3742
2.3421
2.3143
2.2900
2.2686
2.2496
2.2325
2.2172
2.2033
2.1906
2.1071
2.0166
1.9927
1.9681
19
4.3808
3.5219
3.1274
2.8951
2.7401
2.6283
2.5435
2.4768
2.4227
2.3779
2.3402
2.3080
2.2800
2.2556
2.2341
2.2149
2.1977
2.1823
2.1682
2.1555
2.0712
1.9795
1.9552
1.9302
20
4.3513
3.4928
3.0984
2.8661
2.7109
2.5990
2.5140
2.4471
2.3928
2.3479
2.3100
2.2776
2.2495
2.2250
2.2033
2.1840
2.1667
2.1511
2.1370
2.1242
2.0391
1.9464
1.9217
1.8963
21
4.3248
3.4668
3.0725
2.8401
2.6848
2.5727
2.4876
2.4205
2.3661
2.3210
2.2829
2.2504
2.2222
2.1975
2.1757
2.1563
2.1389
2.1232
2.1090
2.0960
2.0102
1.9165
1.8915
1.8657
22
4.3009
3.4434
3.0491
2.8167
2.6613
2.5491
2.4638
2.3965
2.3419
2.2967
2.2585
2.2258
2.1975
2.1727
2.1508
2.1313
2.1138
2.0980
2.0837
2.0707
1.9842
1.8894
1.8641
1.8380
23
4.2793
3.4221
3.0280
2.7955
2.6400
2.5277
2.4422
2.3748
2.3201
2.2747
2.2364
2.2036
2.1752
2.1502
2.1282
2.1086
2.0910
2.0751
2.0608
2.0476
1.9605
1.8648
1.8392
1.8128
24
4.2597
3.4028
3.0088
2.7763
2.6207
2.5082
2.4226
2.3551
2.3002
2.2547
2.2163
2.1834
2.1548
2.1298
2.1077
2.0880
2.0703
2.0543
2.0399
2.0267
1.9390
1.8424
1.8164
1.7896
25
4.2417
3.3852
2.9912
2.7587
2.6030
2.4904
2.4047
2.3371
2.2821
2.2365
2.1979
2.1649
2.1362
2.1111
2.0889
2.0691
2.0513
2.0353
2.0207
2.0075
1.9192
1.8217
1.7955
1.7684
26
4.2252
3.3690
2.9752
2.7426
2.5868
2.4741
2.3883
2.3205
2.2655
2.2197
2.1811
2.1479
2.1192
2.0939
2.0716
2.0518
2.0339
2.0178
2.0032
1.9898
1.9010
1.8027
1.7762
1.7488
27
4.2100
3.3541
2.9603
2.7278
2.5719
2.4591
2.3732
2.3053
2.2501
2.2043
2.1655
2.1323
2.1034
2.0781
2.0558
2.0358
2.0179
2.0017
1.9870
1.9736
1.8842
1.7851
1.7584
1.7307
28
4.1960
3.3404
2.9467
2.7141
2.5581
2.4453
2.3593
2.2913
2.2360
2.1900
2.1512
2.1179
2.0889
2.0635
2.0411
2.0210
2.0030
1.9868
1.9720
1.9586
1.8687
1.7689
1.7418
1.7138
29
4.1830
3.3277
2.9340
2.7014
2.5454
2.4324
2.3463
2.2782
2.2229
2.1768
2.1379
2.1045
2.0755
2.0500
2.0275
2.0073
1.9893
1.9730
1.9581
1.9446
1.8543
1.7537
1.7264
1.6981
30
4.1709
3.3158
2.9223
2.6896
2.5336
2.4205
2.3343
2.2662
2.2107
2.1646
2.1256
2.0921
2.0630
2.0374
2.0148
1.9946
1.9765
1.9601
1.9452
1.9317
1.8409
1.7396
1.7121
1.6835
31
4.1596
3.3048
2.9113
2.6787
2.5225
2.4094
2.3232
2.2549
2.1994
2.1532
2.1141
2.0805
2.0513
2.0257
2.0030
1.9828
1.9646
1.9481
1.9332
1.9196
1.8283
1.7264
1.6986
1.6697
32
4.1491
3.2945
2.9011
2.6684
2.5123
2.3991
2.3127
2.2444
2.1888
2.1425
2.1033
2.0697
2.0404
2.0147
1.9920
1.9717
1.9534
1.9369
1.9219
1.9083
1.8166
1.7140
1.6860
1.6569
33
4.1393
3.2849
2.8916
2.6589
2.5026
2.3894
2.3030
2.2346
2.1789
2.1325
2.0933
2.0595
2.0302
2.0045
1.9817
1.9613
1.9430
1.9264
1.9114
1.8977
1.8056
1.7024
1.6742
1.6448
34
4.1300
3.2759
2.8826
2.6499
2.4936
2.3803
2.2938
2.2253
2.1696
2.1231
2.0838
2.0500
2.0207
1.9949
1.9720
1.9516
1.9332
1.9166
1.9015
1.8877
1.7953
1.6914
1.6630
1.6333
35
4.1213
3.2674
2.8742
2.6415
2.4851
2.3718
2.2852
2.2167
2.1608
2.1143
2.0750
2.0411
2.0117
1.9858
1.9629
1.9424
1.9240
1.9073
1.8922
1.8784
1.7856
1.6811
1.6525
1.6226
36
4.1132
3.2594
2.8663
2.6335
2.4772
2.3637
2.2771
2.2085
2.1526
2.1061
2.0666
2.0327
2.0032
1.9773
1.9543
1.9338
1.9153
1.8986
1.8834
1.8696
1.7764
1.6714
1.6425
1.6124
37
4.1055
3.2519
2.8588
2.6261
2.4696
2.3562
2.2695
2.2008
2.1449
2.0982
2.0587
2.0248
1.9952
1.9692
1.9462
1.9256
1.9071
1.8904
1.8752
1.8612
1.7678
1.6621
1.6331
1.6027
38
4.0982
3.2448
2.8517
2.6190
2.4625
2.3490
2.2623
2.1936
2.1375
2.0909
2.0513
2.0173
1.9877
1.9616
1.9386
1.9179
1.8994
1.8826
1.8673
1.8534
1.7596
1.6534
1.6242
1.5936
39
4.0913
3.2381
2.8451
2.6123
2.4558
2.3423
2.2555
2.1867
2.1306
2.0839
2.0443
2.0102
1.9805
1.9545
1.9313
1.9107
1.8921
1.8752
1.8599
1.8459
1.7518
1.6451
1.6157
1.5849
40
4.0847
3.2317
2.8387
2.6060
2.4495
2.3359
2.2490
2.1802
2.1240
2.0773
2.0376
2.0035
1.9738
1.9476
1.9245
1.9038
1.8851
1.8682
1.8529
1.8389
1.7444
1.6373
1.6077
1.5766
50
4.0343
3.1826
2.7900
2.5572
2.4004
2.2864
2.1992
2.1299
2.0733
2.0261
1.9861
1.9515
1.9214
1.8949
1.8714
1.8503
1.8313
1.8141
1.7985
1.7841
1.6872
1.5757
1.5445
1.5115
80
3.9604
3.1108
2.7188
2.4859
2.3287
2.2142
2.1263
2.0564
1.9991
1.9512
1.9105
1.8753
1.8445
1.8174
1.7932
1.7716
1.7520
1.7342
1.7180
1.7032
1.6017
1.4821
1.4477
1.4107
120
3.9201
3.0718
2.6802
2.4472
2.2899
2.1750
2.0868
2.0164
1.9588
1.9105
1.8693
1.8337
1.8026
1.7750
1.7505
1.7285
1.7085
1.6904
1.6739
1.6587
1.5543
1.4290
1.3922
1.3519
323
TABLA A-6
10
11
12
13
14
15
16
17
18
19
20
30
60
80
120
647.7931 799.4822 864.1509 899.5994 921.8347 937.1142 948.2028 956.6429 963.2786 968.6337 973.0284 976.7246 979.8387 982.5453 984.8736 986.9109 988.7153 990.3451 991.8003 993.0809 1001.404 1009.786 1011.911 1014.035
38.5062
39.0000
39.1656
39.2483
39.2984
39.3311
39.3557
39.3729
39.3866
39.3984
39.4066
39.4148
39.4211
39.4266
39.4311
39.4357
39.4393
39.4421
39.4457
39.4475
39.4648
39.4812
39.4857
39.4894
17.4434
16.0442
15.4391
15.1010
14.8848
14.7347
14.6244
14.5399
14.4730
14.4189
14.3741
14.3366
14.3045
14.2768
14.2527
14.2315
14.2127
14.1961
14.1808
14.1674
14.0806
13.9921
13.9698
13.9473
12.2179
10.6490
9.9792
9.6045
9.3645
9.1973
9.0741
8.9796
8.9046
8.8439
8.7936
8.7512
8.7150
8.6837
8.6566
8.6326
8.6113
8.5923
8.5753
8.5599
8.4613
8.3604
8.3348
8.3091
10.0069
8.4336
7.7636
7.3879
7.1464
6.9777
6.8530
6.7572
6.6810
6.6192
6.5678
6.5245
6.4876
6.4556
6.4277
6.4032
6.3814
6.3619
6.3444
6.3285
6.2269
6.1225
6.0960
6.0693
8.8131
7.2599
6.5988
6.2271
5.9875
5.8197
5.6955
5.5996
5.5234
5.4613
5.4098
5.3662
5.3290
5.2968
5.2686
5.2439
5.2218
5.2021
5.1844
5.1684
5.0652
4.9589
4.9318
4.9045
8.0727
6.5415
5.8898
5.5226
5.2852
5.1186
4.9949
4.8993
4.8232
4.7611
4.7095
4.6658
4.6285
4.5961
4.5678
4.5428
4.5206
4.5008
4.4829
4.4668
4.3624
4.2544
4.2268
4.1989
7.5709
6.0595
5.4160
5.0526
4.8173
4.6517
4.5285
4.4333
4.3572
4.2951
4.2434
4.1997
4.1622
4.1297
4.1012
4.0761
4.0538
4.0338
4.0158
3.9994
3.8940
3.7844
3.7564
3.7279
7.2093
5.7147
5.0781
4.7181
4.4844
4.3197
4.1970
4.1020
4.0260
3.9639
3.9121
3.8682
3.8306
3.7980
3.7693
3.7441
3.7216
3.7015
3.6833
3.6669
3.5604
3.4493
3.4207
3.3918
10
6.9367
5.4564
4.8256
4.4683
4.2361
4.0721
3.9498
3.8549
3.7790
3.7168
3.6649
3.6210
3.5832
3.5504
3.5217
3.4963
3.4736
3.4534
3.4351
3.4185
3.3110
3.1984
3.1694
3.1399
11
6.7241
5.2559
4.6300
4.2751
4.0440
3.8806
3.7586
3.6638
3.5879
3.5257
3.4737
3.4296
3.3917
3.3588
3.3299
3.3044
3.2816
3.2612
3.2428
3.2261
3.1176
3.0035
2.9740
2.9441
12
6.5538
5.0959
4.4742
4.1212
3.8911
3.7283
3.6065
3.5118
3.4358
3.3735
3.3215
3.2773
3.2393
3.2062
3.1772
3.1515
3.1286
3.1081
3.0896
3.0728
2.9633
2.8478
2.8178
2.7874
13
6.4143
4.9653
4.3472
3.9959
3.7667
3.6043
3.4827
3.3880
3.3120
3.2497
3.1975
3.1532
3.1150
3.0819
3.0527
3.0269
3.0039
2.9832
2.9646
2.9477
2.8373
2.7204
2.6900
2.6590
14
6.2979
4.8567
4.2417
3.8919
3.6634
3.5014
3.3799
3.2853
3.2093
3.1469
3.0946
3.0502
3.0119
2.9786
2.9493
2.9234
2.9003
2.8795
2.8607
2.8437
2.7324
2.6142
2.5833
2.5519
15
6.1995
4.7650
4.1528
3.8043
3.5764
3.4147
3.2934
3.1987
3.1227
3.0602
3.0078
2.9633
2.9249
2.8915
2.8621
2.8360
2.8128
2.7919
2.7730
2.7559
2.6437
2.5242
2.4930
2.4611
16
6.1151
4.6867
4.0768
3.7294
3.5021
3.3406
3.2194
3.1248
3.0488
2.9862
2.9337
2.8891
2.8506
2.8170
2.7875
2.7614
2.7380
2.7170
2.6980
2.6808
2.5678
2.4471
2.4154
2.3831
17
6.0420
4.6189
4.0112
3.6648
3.4379
3.2767
3.1556
3.0610
2.9849
2.9222
2.8696
2.8249
2.7863
2.7526
2.7230
2.6968
2.6733
2.6522
2.6331
2.6158
2.5020
2.3801
2.3481
2.3153
18
5.9781
4.5597
3.9539
3.6083
3.3820
3.2209
3.0999
3.0053
2.9291
2.8664
2.8137
2.7689
2.7302
2.6964
2.6667
2.6403
2.6168
2.5956
2.5764
2.5590
2.4445
2.3214
2.2890
2.2558
19
5.9216
4.5075
3.9034
3.5587
3.3327
3.1718
3.0509
2.9563
2.8801
2.8172
2.7645
2.7196
2.6808
2.6469
2.6171
2.5907
2.5670
2.5457
2.5264
2.5089
2.3937
2.2696
2.2368
2.2032
20
5.8715
4.4612
3.8587
3.5147
3.2891
3.1283
3.0074
2.9128
2.8365
2.7737
2.7209
2.6758
2.6369
2.6030
2.5731
2.5465
2.5228
2.5014
2.4821
2.4645
2.3486
2.2234
2.1902
2.1562
21
5.8266
4.4199
3.8188
3.4754
3.2501
3.0895
2.9686
2.8740
2.7977
2.7348
2.6819
2.6368
2.5978
2.5638
2.5338
2.5071
2.4833
2.4618
2.4424
2.4247
2.3082
2.1819
2.1485
2.1141
22
5.7863
4.3828
3.7829
3.4401
3.2151
3.0546
2.9338
2.8392
2.7628
2.6998
2.6469
2.6017
2.5626
2.5285
2.4984
2.4717
2.4478
2.4262
2.4067
2.3890
2.2718
2.1446
2.1108
2.0760
23
5.7498
4.3492
3.7505
3.4083
3.1835
3.0232
2.9023
2.8077
2.7313
2.6682
2.6152
2.5699
2.5308
2.4966
2.4665
2.4396
2.4156
2.3940
2.3745
2.3566
2.2389
2.1107
2.0766
2.0415
24
5.7166
4.3187
3.7211
3.3794
3.1548
2.9946
2.8738
2.7791
2.7027
2.6396
2.5865
2.5411
2.5019
2.4677
2.4374
2.4105
2.3865
2.3648
2.3452
2.3273
2.2090
2.0799
2.0454
2.0099
25
5.6864
4.2909
3.6943
3.3530
3.1287
2.9685
2.8478
2.7531
2.6766
2.6135
2.5603
2.5149
2.4756
2.4413
2.4110
2.3840
2.3599
2.3381
2.3184
2.3005
2.1816
2.0516
2.0169
1.9811
26
5.6586
4.2655
3.6697
3.3289
3.1048
2.9447
2.8240
2.7293
2.6528
2.5896
2.5363
2.4909
2.4515
2.4171
2.3867
2.3597
2.3355
2.3137
2.2939
2.2759
2.1565
2.0257
1.9907
1.9545
27
5.6331
4.2421
3.6472
3.3067
3.0828
2.9228
2.8021
2.7074
2.6309
2.5676
2.5143
2.4688
2.4293
2.3949
2.3644
2.3373
2.3131
2.2912
2.2713
2.2533
2.1334
2.0018
1.9665
1.9299
28
5.6096
4.2205
3.6264
3.2863
3.0626
2.9027
2.7820
2.6872
2.6106
2.5473
2.4940
2.4484
2.4089
2.3743
2.3438
2.3167
2.2924
2.2704
2.2505
2.2324
2.1121
1.9797
1.9441
1.9072
29
5.5878
4.2006
3.6072
3.2674
3.0438
2.8840
2.7633
2.6686
2.5919
2.5286
2.4752
2.4295
2.3900
2.3554
2.3248
2.2976
2.2732
2.2512
2.2313
2.2131
2.0923
1.9591
1.9232
1.8861
30
5.5675
4.1821
3.5893
3.2499
3.0265
2.8667
2.7460
2.6513
2.5746
2.5112
2.4578
2.4120
2.3724
2.3378
2.3072
2.2799
2.2554
2.2334
2.2134
2.1952
2.0739
1.9400
1.9039
1.8664
31
5.5487
4.1648
3.5728
3.2336
3.0103
2.8506
2.7299
2.6352
2.5585
2.4950
2.4415
2.3958
2.3561
2.3214
2.2907
2.2634
2.2389
2.2168
2.1967
2.1785
2.0568
1.9222
1.8858
1.8480
32
5.5311
4.1488
3.5573
3.2185
2.9953
2.8356
2.7150
2.6202
2.5434
2.4799
2.4264
2.3806
2.3409
2.3061
2.2754
2.2480
2.2235
2.2013
2.1812
2.1629
2.0408
1.9055
1.8689
1.8308
33
5.5147
4.1338
3.5429
3.2043
2.9812
2.8216
2.7009
2.6061
2.5294
2.4659
2.4123
2.3664
2.3266
2.2918
2.2610
2.2336
2.2090
2.1868
2.1667
2.1483
2.0259
1.8899
1.8530
1.8146
34
5.4993
4.1197
3.5293
3.1910
2.9680
2.8085
2.6878
2.5930
2.5162
2.4526
2.3990
2.3531
2.3133
2.2784
2.2476
2.2201
2.1955
2.1732
2.1531
2.1346
2.0118
1.8752
1.8381
1.7994
35
5.4848
4.1065
3.5166
3.1785
2.9557
2.7961
2.6755
2.5807
2.5039
2.4402
2.3866
2.3406
2.3008
2.2659
2.2350
2.2075
2.1828
2.1605
2.1403
2.1218
1.9986
1.8613
1.8240
1.7851
36
5.4712
4.0941
3.5047
3.1668
2.9440
2.7845
2.6639
2.5691
2.4922
2.4286
2.3749
2.3289
2.2890
2.2540
2.2231
2.1956
2.1708
2.1485
2.1282
2.1097
1.9862
1.8483
1.8107
1.7716
37
5.4584
4.0824
3.4934
3.1557
2.9331
2.7736
2.6530
2.5581
2.4813
2.4176
2.3639
2.3178
2.2779
2.2429
2.2119
2.1843
2.1595
2.1372
2.1168
2.0983
1.9745
1.8360
1.7982
1.7588
38
5.4463
4.0713
3.4828
3.1453
2.9227
2.7633
2.6427
2.5478
2.4710
2.4072
2.3535
2.3074
2.2674
2.2324
2.2014
2.1737
2.1489
2.1265
2.1061
2.0875
1.9634
1.8243
1.7863
1.7466
39
5.4348
4.0609
3.4728
3.1354
2.9130
2.7536
2.6330
2.5381
2.4612
2.3974
2.3436
2.2975
2.2575
2.2224
2.1914
2.1637
2.1388
2.1164
2.0960
2.0774
1.9529
1.8133
1.7751
1.7351
40
5.4239
4.0510
3.4633
3.1261
2.9037
2.7444
2.6238
2.5289
2.4519
2.3882
2.3343
2.2882
2.2481
2.2130
2.1819
2.1542
2.1293
2.1068
2.0864
2.0677
1.9429
1.8028
1.7644
1.7242
50
5.3403
3.9749
3.3902
3.0544
2.8326
2.6736
2.5530
2.4579
2.3808
2.3168
2.2627
2.2162
2.1758
2.1404
2.1090
2.0810
2.0558
2.0330
2.0122
1.9933
1.8659
1.7211
1.6810
1.6386
80
5.2183
3.8643
3.2841
2.9504
2.7295
2.5708
2.4502
2.3549
2.2775
2.2130
2.1584
2.1114
2.0706
2.0346
2.0026
1.9741
1.9483
1.9250
1.9037
1.8843
1.7523
1.5987
1.5549
1.5079
120
5.1523
3.8046
3.2269
2.8943
2.6740
2.5154
2.3948
2.2994
2.2217
2.1570
2.1021
2.0548
2.0136
1.9773
1.9450
1.9161
1.8900
1.8663
1.8447
1.8249
1.6899
1.5299
1.4834
1.4327
324
TABLA A-7
10
11
12
13
14
15
16
17
18
19
20
30
60
80
120
4052.184 4999.339 5403.533 5624.257 5763.955 5858.950 5928.333 5980.953 6022.397 6055.925 6083.399 6106.682 6125.774 6143.003 6156.973 6170.012 6181.187 6191.432 6200.745 6208.661 6260.350 6312.970 6326.474 6339.512
98.5019
99.0003
99.1640
99.2513
99.3023
99.3314
99.3568
99.3750
99.3896
99.3969
99.4078
99.4187
99.4223
99.4260
99.4332
99.4369
99.4405
99.4442
99.4478
99.4478
99.4660
99.4842
99.4842
99.4914
34.1161
30.8164
29.4567
28.7100
28.2371
27.9106
27.6714
27.4895
27.3449
27.2285
27.1320
27.0520
26.9829
26.9238
26.8719
26.8265
26.7864
26.7510
26.7191
26.6900
26.5045
26.3162
26.2689
26.2207
21.1976
17.9998
16.6942
15.9771
15.5219
15.2068
14.9757
14.7988
14.6592
14.5460
14.4523
14.3737
14.3064
14.2486
14.1981
14.1540
14.1144
14.0794
14.0481
14.0194
13.8375
13.6522
13.6051
13.5583
16.2581
13.2741
12.0599
11.3919
10.9671
10.6722
10.4556
10.2893
10.1577
10.0511
9.9626
9.8883
9.8248
9.7700
9.7223
9.6802
9.6429
9.6095
9.5797
9.5527
9.3794
9.2020
9.1570
9.1118
13.7452
10.9249
9.7796
9.1484
8.7459
8.4660
8.2600
8.1017
7.9760
7.8742
7.7896
7.7183
7.6575
7.6050
7.5590
7.5186
7.4826
7.4506
7.4219
7.3958
7.2286
7.0568
7.0131
6.9690
12.2463
9.5465
8.4513
7.8467
7.4604
7.1914
6.9929
6.8401
6.7188
6.6201
6.5381
6.4691
6.4100
6.3590
6.3144
6.2751
6.2400
6.2089
6.1808
6.1555
5.9920
5.8236
5.7806
5.7373
11.2586
8.6491
7.5910
7.0061
6.6318
6.3707
6.1776
6.0288
5.9106
5.8143
5.7343
5.6667
5.6089
5.5588
5.5152
5.4765
5.4423
5.4116
5.3841
5.3591
5.1981
5.0316
4.9890
4.9461
10.5615
8.0215
6.9920
6.4221
6.0569
5.8018
5.6128
5.4671
5.3511
5.2565
5.1779
5.1115
5.0545
5.0052
4.9621
4.9240
4.8902
4.8599
4.8327
4.8080
4.6486
4.4831
4.4407
4.3977
10
10.0442
7.5595
6.5523
5.9944
5.6364
5.3858
5.2001
5.0567
4.9424
4.8491
4.7716
4.7058
4.6496
4.6008
4.5582
4.5204
4.4869
4.4569
4.4299
4.4054
4.2469
4.0819
4.0394
3.9965
11
9.6461
7.2057
6.2167
5.6683
5.3160
5.0692
4.8860
4.7445
4.6315
4.5393
4.4624
4.3974
4.3416
4.2933
4.2509
4.2135
4.1802
4.1503
4.1234
4.0990
3.9411
3.7761
3.7335
3.6904
12
9.3303
6.9266
5.9525
5.4119
5.0644
4.8205
4.6395
4.4994
4.3875
4.2961
4.2198
4.1553
4.0998
4.0517
4.0096
3.9724
3.9392
3.9095
3.8827
3.8584
3.7008
3.5355
3.4927
3.4494
13
9.0738
6.7009
5.7394
5.2053
4.8616
4.6203
4.4410
4.3021
4.1911
4.1003
4.0245
3.9603
3.9052
3.8573
3.8154
3.7783
3.7452
3.7156
3.6889
3.6646
3.5070
3.3413
3.2983
3.2547
14
8.8617
6.5149
5.5639
5.0354
4.6950
4.4558
4.2779
4.1400
4.0297
3.9394
3.8640
3.8002
3.7452
3.6976
3.6557
3.6187
3.5857
3.5561
3.5294
3.5052
3.3476
3.1813
3.1381
3.0942
15
8.6832
6.3588
5.4170
4.8932
4.5556
4.3183
4.1416
4.0044
3.8948
3.8049
3.7299
3.6662
3.6115
3.5639
3.5222
3.4852
3.4523
3.4228
3.3961
3.3719
3.2141
3.0471
3.0037
2.9594
16
8.5309
6.2263
5.2922
4.7726
4.4374
4.2016
4.0259
3.8896
3.7804
3.6909
3.6162
3.5527
3.4981
3.4506
3.4090
3.3721
3.3392
3.3096
3.2829
3.2587
3.1007
2.9330
2.8893
2.8447
17
8.3998
6.1121
5.1850
4.6689
4.3360
4.1015
3.9267
3.7909
3.6823
3.5931
3.5185
3.4552
3.4007
3.3533
3.3117
3.2748
3.2419
3.2124
3.1857
3.1615
3.0032
2.8348
2.7908
2.7458
18
8.2855
6.0129
5.0919
4.5790
4.2479
4.0146
3.8406
3.7054
3.5971
3.5081
3.4338
3.3706
3.3162
3.2689
3.2273
3.1905
3.1575
3.1280
3.1013
3.0771
2.9185
2.7493
2.7050
2.6597
19
8.1850
5.9259
5.0103
4.5002
4.1708
3.9386
3.7653
3.6305
3.5225
3.4338
3.3596
3.2965
3.2422
3.1949
3.1533
3.1165
3.0836
3.0541
3.0274
3.0031
2.8442
2.6742
2.6296
2.5839
20
8.0960
5.8490
4.9382
4.4307
4.1027
3.8714
3.6987
3.5644
3.4567
3.3682
3.2941
3.2311
3.1769
3.1296
3.0880
3.0512
3.0183
2.9887
2.9620
2.9377
2.7785
2.6077
2.5628
2.5168
21
8.0166
5.7804
4.8740
4.3688
4.0421
3.8117
3.6396
3.5056
3.3982
3.3098
3.2359
3.1729
3.1187
3.0715
3.0300
2.9931
2.9602
2.9306
2.9038
2.8795
2.7200
2.5484
2.5032
2.4568
22
7.9453
5.7190
4.8166
4.3134
3.9880
3.7583
3.5866
3.4530
3.3458
3.2576
3.1837
3.1209
3.0667
3.0195
2.9779
2.9411
2.9082
2.8786
2.8518
2.8274
2.6675
2.4951
2.4496
2.4029
23
7.8811
5.6637
4.7648
4.2635
3.9392
3.7102
3.5390
3.4057
3.2986
3.2106
3.1368
3.0740
3.0199
2.9727
2.9311
2.8942
2.8613
2.8317
2.8049
2.7805
2.6202
2.4471
2.4013
2.3542
24
7.8229
5.6136
4.7181
4.2185
3.8951
3.6667
3.4959
3.3629
3.2560
3.1681
3.0944
3.0316
2.9775
2.9303
2.8887
2.8519
2.8189
2.7892
2.7624
2.7380
2.5773
2.4035
2.3574
2.3099
25
7.7698
5.5680
4.6755
4.1774
3.8550
3.6272
3.4568
3.3239
3.2172
3.1294
3.0558
2.9931
2.9389
2.8917
2.8502
2.8133
2.7803
2.7506
2.7238
2.6993
2.5383
2.3637
2.3173
2.2696
26
7.7213
5.5263
4.6365
4.1400
3.8183
3.5911
3.4210
3.2884
3.1818
3.0941
3.0205
2.9578
2.9038
2.8566
2.8150
2.7781
2.7451
2.7154
2.6885
2.6640
2.5026
2.3273
2.2806
2.2325
27
7.6767
5.4881
4.6009
4.1056
3.7847
3.5580
3.3882
3.2558
3.1494
3.0618
2.9882
2.9256
2.8715
2.8243
2.7827
2.7458
2.7127
2.6830
2.6561
2.6316
2.4699
2.2938
2.2469
2.1985
28
7.6357
5.4529
4.5681
4.0740
3.7539
3.5276
3.3581
3.2259
3.1195
3.0320
2.9585
2.8959
2.8418
2.7946
2.7530
2.7160
2.6830
2.6532
2.6263
2.6018
2.4397
2.2629
2.2157
2.1670
29
7.5977
5.4205
4.5378
4.0449
3.7254
3.4995
3.3303
3.1982
3.0920
3.0045
2.9311
2.8685
2.8144
2.7672
2.7256
2.6886
2.6555
2.6257
2.5987
2.5742
2.4118
2.2344
2.1869
2.1379
30
7.5624
5.3903
4.5097
4.0179
3.6990
3.4735
3.3045
3.1726
3.0665
2.9791
2.9057
2.8431
2.7890
2.7418
2.7002
2.6632
2.6301
2.6002
2.5732
2.5487
2.3860
2.2079
2.1601
2.1108
31
7.5297
5.3624
4.4837
3.9928
3.6745
3.4493
3.2806
3.1489
3.0429
2.9555
2.8821
2.8195
2.7655
2.7182
2.6766
2.6396
2.6064
2.5766
2.5496
2.5249
2.3619
2.1832
2.1352
2.0855
32
7.4992
5.3363
4.4594
3.9695
3.6517
3.4269
3.2583
3.1267
3.0208
2.9335
2.8602
2.7976
2.7435
2.6963
2.6546
2.6176
2.5844
2.5546
2.5275
2.5028
2.3395
2.1601
2.1119
2.0619
33
7.4708
5.3120
4.4368
3.9477
3.6305
3.4059
3.2376
3.1061
3.0003
2.9130
2.8397
2.7771
2.7231
2.6758
2.6341
2.5971
2.5639
2.5340
2.5069
2.4822
2.3186
2.1386
2.0901
2.0399
34
7.4441
5.2893
4.4156
3.9273
3.6106
3.3863
3.2182
3.0868
2.9810
2.8938
2.8205
2.7580
2.7039
2.6566
2.6150
2.5779
2.5447
2.5148
2.4876
2.4629
2.2990
2.1184
2.0697
2.0191
35
7.4191
5.2679
4.3958
3.9082
3.5919
3.3679
3.1999
3.0687
2.9630
2.8758
2.8026
2.7400
2.6859
2.6387
2.5970
2.5599
2.5266
2.4967
2.4695
2.4448
2.2806
2.0994
2.0505
1.9996
36
7.3956
5.2479
4.3771
3.8903
3.5744
3.3507
3.1829
3.0517
2.9461
2.8589
2.7857
2.7232
2.6691
2.6218
2.5801
2.5430
2.5097
2.4797
2.4526
2.4278
2.2633
2.0815
2.0324
1.9812
37
7.3735
5.2290
4.3595
3.8734
3.5579
3.3344
3.1668
3.0357
2.9302
2.8431
2.7698
2.7073
2.6532
2.6059
2.5642
2.5270
2.4938
2.4638
2.4366
2.4118
2.2470
2.0647
2.0153
1.9639
38
7.3526
5.2112
4.3430
3.8575
3.5424
3.3191
3.1516
3.0207
2.9152
2.8281
2.7549
2.6923
2.6382
2.5909
2.5492
2.5120
2.4787
2.4487
2.4215
2.3967
2.2317
2.0488
1.9991
1.9475
39
7.3328
5.1944
4.3274
3.8425
3.5277
3.3047
3.1373
3.0064
2.9010
2.8139
2.7407
2.6782
2.6241
2.5768
2.5350
2.4978
2.4645
2.4345
2.4072
2.3824
2.2171
2.0337
1.9839
1.9319
40
7.3142
5.1785
4.3126
3.8283
3.5138
3.2910
3.1238
2.9930
2.8876
2.8005
2.7273
2.6648
2.6107
2.5634
2.5216
2.4844
2.4511
2.4210
2.3937
2.3689
2.2034
2.0194
1.9694
1.9172
50
7.1706
5.0566
4.1994
3.7195
3.4077
3.1864
3.0202
2.8900
2.7850
2.6981
2.6250
2.5625
2.5083
2.4609
2.4190
2.3816
2.3481
2.3178
2.2903
2.2652
2.0976
1.9090
1.8571
1.8026
80
6.9626
4.8807
4.0363
3.5631
3.2551
3.0361
2.8713
2.7420
2.6374
2.5508
2.4777
2.4151
2.3608
2.3131
2.2709
2.2332
2.1993
2.1686
2.1408
2.1153
1.9435
1.7459
1.6901
1.6305
120
6.8509
4.7865
3.9491
3.4795
3.1735
2.9559
2.7918
2.6629
2.5586
2.4721
2.3990
2.3363
2.2818
2.2339
2.1915
2.1536
2.1194
2.0885
2.0603
2.0346
1.8600
1.6557
1.5968
1.5330
325
TABLA A-8
10
11
12
13
14
15
16
17
18
19
20
30
60
80
120
16212.46 19997.35 21614.13 22500.75 23055.82 23439.52 23715.19 23923.81 24091.45 24221.83 24333.59 24426.72 24504.95 24572.01 24631.61 24683.77 24728.47 24765.72 24802.98 24836.51 25041.40 25253.74 25305.89 25358.05
198.5027 199.0120 199.1575 199.2448 199.3030 199.3321 199.3612 199.3758 199.3903 199.3903 199.4194 199.4194 199.4194 199.4194 199.4340 199.4486 199.4486 199.4486 199.4486 199.4486 199.4777 199.4777 199.4777 199.4922
55.5519
49.8003
47.4683
46.1951
45.3911
44.8381
44.4343
44.1250
43.8813
43.6848
43.5248
43.3865
43.2701
43.1719
43.0846
43.0082
42.9391
42.8809
42.8263
42.7790
42.4661
42.1496
42.0696
41.9896
31.3321
26.2844
24.2599
23.1539
22.4563
21.9752
21.6223
21.3522
21.1385
20.9666
20.8238
20.7046
20.6028
20.5146
20.4382
20.3709
20.3108
20.2581
20.2108
20.1671
19.8916
19.6105
19.5396
19.4686
22.7847
18.3136
16.5301
15.5560
14.9394
14.5133
14.2004
13.9607
13.7716
13.6179
13.4914
13.3846
13.2932
13.2150
13.1463
13.0858
13.0326
12.9849
12.9421
12.9035
12.6556
12.4023
12.3382
12.2736
18.6346
14.5442
12.9166
12.0276
11.4637
11.0731
10.7857
10.5656
10.3914
10.2500
10.1327
10.0345
9.9503
9.8776
9.8139
9.7580
9.7086
9.6643
9.6247
9.5888
9.3582
9.1218
9.0618
9.0013
16.2354
12.4037
10.8826
10.0504
9.5220
9.1554
8.8853
8.6779
8.5138
8.3803
8.2696
8.1764
8.0968
8.0279
7.9676
7.9149
7.8678
7.8257
7.7880
7.7539
7.5345
7.3087
7.2512
7.1932
14.6883
11.0426
9.5965
8.8053
8.3019
7.9519
7.6941
7.4958
7.3387
7.2107
7.1045
7.0149
6.9383
6.8721
6.8144
6.7632
6.7180
6.6775
6.6411
6.6082
6.3960
6.1773
6.1214
6.0650
13.6138
10.1068
8.7171
7.9558
7.4710
7.1338
6.8849
6.6932
6.5411
6.4172
6.3142
6.2273
6.1530
6.0886
6.0325
5.9829
5.9388
5.8994
5.8640
5.8319
5.6248
5.4104
5.3556
5.3001
10
12.8266
9.4269
8.0809
7.3428
6.8724
6.5447
6.3026
6.1159
5.9676
5.8467
5.7462
5.6614
5.5886
5.5256
5.4706
5.4221
5.3790
5.3403
5.3055
5.2740
5.0705
4.8592
4.8050
4.7501
11
12.2263
8.9121
7.6004
6.8808
6.4217
6.1016
5.8648
5.6821
5.5368
5.4183
5.3196
5.2363
5.1649
5.1031
5.0488
5.0011
4.9586
4.9206
4.8863
4.8552
4.6543
4.4450
4.3912
4.3367
12
11.7543
8.5097
7.2257
6.5211
6.0711
5.7571
5.5245
5.3451
5.2021
5.0854
4.9884
4.9063
4.8358
4.7748
4.7213
4.6741
4.6322
4.5945
4.5607
4.5300
4.3309
4.1230
4.0693
4.0150
13
11.3737
8.1864
6.9258
6.2334
5.7910
5.4819
5.2529
5.0761
4.9351
4.8200
4.7240
4.6429
4.5733
4.5129
4.4599
4.4132
4.3716
4.3343
4.3008
4.2703
4.0727
3.8656
3.8120
3.7577
14
11.0604
7.9217
6.6804
5.9983
5.5622
5.2573
5.0313
4.8566
4.7173
4.6034
4.5085
4.4281
4.3591
4.2993
4.2468
4.2005
4.1591
4.1222
4.0887
4.0585
3.8619
3.6553
3.6017
3.5474
15
10.7980
7.7007
6.4761
5.8029
5.3722
5.0708
4.8473
4.6743
4.5363
4.4236
4.3294
4.2497
4.1813
4.1219
4.0698
4.0237
3.9827
3.9458
3.9126
3.8826
3.6868
3.4803
3.4267
3.3722
16
10.5756
7.5138
6.3034
5.6378
5.2116
4.9134
4.6920
4.5206
4.3839
4.2719
4.1785
4.0993
4.0313
3.9723
3.9205
3.8747
3.8338
3.7971
3.7642
3.7342
3.5388
3.3324
3.2787
3.2240
17
10.3842
7.3537
6.1557
5.4968
5.0745
4.7789
4.5594
4.3893
4.2535
4.1424
4.0495
3.9709
3.9033
3.8445
3.7929
3.7473
3.7066
3.6702
3.6372
3.6073
3.4124
3.2059
3.1520
3.0971
18
10.2182
7.2148
6.0278
5.3747
4.9561
4.6628
4.4448
4.2760
4.1410
4.0304
3.9382
3.8599
3.7926
3.7340
3.6827
3.6372
3.5967
3.5603
3.5275
3.4977
3.3031
3.0962
3.0422
2.9871
19
10.0727
7.0934
5.9160
5.2680
4.8526
4.5613
4.3449
4.1770
4.0428
3.9329
3.8410
3.7631
3.6961
3.6378
3.5866
3.5412
3.5008
3.4645
3.4318
3.4020
3.2076
3.0004
2.9461
2.8908
20
9.9440
6.9865
5.8177
5.1743
4.7615
4.4721
4.2569
4.0900
3.9564
3.8470
3.7555
3.6779
3.6111
3.5530
3.5020
3.4568
3.4164
3.3802
3.3475
3.3178
3.1234
2.9159
2.8614
2.8058
21
9.8294
6.8915
5.7304
5.0911
4.6808
4.3931
4.1789
4.0128
3.8799
3.7709
3.6798
3.6024
3.5358
3.4779
3.4270
3.3818
3.3416
3.3054
3.2728
3.2431
3.0487
2.8408
2.7861
2.7302
22
9.7270
6.8064
5.6524
5.0168
4.6088
4.3225
4.1093
3.9440
3.8116
3.7030
3.6122
3.5350
3.4686
3.4108
3.3600
3.3150
3.2747
3.2387
3.2060
3.1764
2.9821
2.7736
2.7188
2.6625
23
9.6347
6.7300
5.5823
4.9500
4.5441
4.2591
4.0469
3.8822
3.7502
3.6420
3.5515
3.4745
3.4083
3.3506
3.2999
3.2549
3.2148
3.1787
3.1461
3.1165
2.9221
2.7132
2.6581
2.6016
24
9.5513
6.6609
5.5190
4.8898
4.4856
4.2019
3.9905
3.8264
3.6949
3.5870
3.4967
3.4199
3.3538
3.2962
3.2456
3.2007
3.1606
3.1246
3.0920
3.0624
2.8679
2.6585
2.6031
2.5463
25
9.4753
6.5982
5.4615
4.8351
4.4326
4.1500
3.9394
3.7758
3.6447
3.5370
3.4470
3.3704
3.3044
3.2469
3.1964
3.1515
3.1114
3.0755
3.0429
3.0133
2.8187
2.6088
2.5532
2.4961
26
9.4060
6.5410
5.4091
4.7852
4.3843
4.1027
3.8928
3.7297
3.5989
3.4916
3.4017
3.3252
3.2593
3.2019
3.1515
3.1067
3.0666
3.0307
2.9981
2.9685
2.7738
2.5634
2.5075
2.4501
27
9.3423
6.4886
5.3611
4.7396
4.3402
4.0594
3.8501
3.6875
3.5570
3.4499
3.3602
3.2840
3.2181
3.1608
3.1104
3.0656
3.0256
2.9896
2.9571
2.9275
2.7327
2.5217
2.4656
2.4079
28
9.2837
6.4404
5.3170
4.6977
4.2996
4.0197
3.8110
3.6488
3.5186
3.4117
3.3222
3.2460
3.1803
3.1230
3.0727
3.0279
2.9880
2.9520
2.9194
2.8899
2.6949
2.4833
2.4270
2.3690
29
9.2298
6.3958
5.2764
4.6591
4.2621
3.9831
3.7749
3.6131
3.4832
3.3765
3.2871
3.2110
3.1454
3.0882
3.0379
2.9932
2.9532
2.9173
2.8847
2.8551
2.6600
2.4480
2.3914
2.3331
30
9.1798
6.3546
5.2388
4.6234
4.2276
3.9493
3.7415
3.5801
3.4505
3.3440
3.2547
3.1787
3.1132
3.0561
3.0057
2.9610
2.9211
2.8851
2.8526
2.8230
2.6278
2.4152
2.3584
2.2998
31
9.1331
6.3164
5.2039
4.5902
4.1955
3.9178
3.7106
3.5495
3.4202
3.3138
3.2247
3.1488
3.0833
3.0262
2.9759
2.9312
2.8913
2.8554
2.8228
2.7933
2.5978
2.3847
2.3277
2.2688
32
9.0899
6.2810
5.1715
4.5594
4.1657
3.8887
3.6819
3.5211
3.3919
3.2857
3.1967
3.1209
3.0555
2.9984
2.9482
2.9036
2.8636
2.8277
2.7952
2.7655
2.5700
2.3563
2.2990
2.2399
33
9.0495
6.2478
5.1413
4.5308
4.1379
3.8615
3.6551
3.4945
3.3656
3.2596
3.1707
3.0950
3.0296
2.9726
2.9223
2.8777
2.8378
2.8019
2.7694
2.7397
2.5440
2.3298
2.2723
2.2128
34
9.0117
6.2169
5.1130
4.5039
4.1119
3.8360
3.6301
3.4698
3.3410
3.2351
3.1463
3.0707
3.0054
2.9484
2.8982
2.8536
2.8137
2.7777
2.7452
2.7156
2.5196
2.3049
2.2472
2.1875
35
8.9763
6.1879
5.0865
4.4787
4.0876
3.8123
3.6067
3.4466
3.3181
3.2123
3.1235
3.0480
2.9827
2.9258
2.8756
2.8310
2.7911
2.7551
2.7226
2.6930
2.4969
2.2816
2.2237
2.1637
36
8.9431
6.1606
5.0617
4.4552
4.0648
3.7899
3.5847
3.4248
3.2965
3.1908
3.1022
3.0267
2.9614
2.9045
2.8543
2.8098
2.7699
2.7339
2.7014
2.6718
2.4755
2.2598
2.2016
2.1413
37
8.9117
6.1350
5.0383
4.4330
4.0433
3.7689
3.5640
3.4044
3.2762
3.1706
3.0821
3.0066
2.9414
2.8845
2.8344
2.7898
2.7499
2.7140
2.6814
2.6518
2.4554
2.2391
2.1808
2.1202
38
8.8821
6.1108
5.0163
4.4121
4.0231
3.7492
3.5445
3.3851
3.2571
3.1516
3.0632
2.9877
2.9226
2.8657
2.8156
2.7710
2.7311
2.6952
2.6626
2.6330
2.4364
2.2197
2.1611
2.1003
39
8.8542
6.0879
4.9955
4.3924
4.0041
3.7305
3.5262
3.3669
3.2390
3.1337
3.0453
2.9700
2.9048
2.8480
2.7978
2.7533
2.7134
2.6774
2.6449
2.6152
2.4184
2.2013
2.1425
2.0814
40
8.8278
6.0664
4.9758
4.3738
3.9860
3.7129
3.5088
3.3498
3.2220
3.1167
3.0284
2.9531
2.8880
2.8312
2.7811
2.7365
2.6966
2.6607
2.6281
2.5984
2.4015
2.1838
2.1249
2.0636
50
8.6256
5.9016
4.8259
4.2317
3.8486
3.5785
3.3764
3.2189
3.0921
2.9875
2.8997
2.8247
2.7599
2.7032
2.6531
2.6085
2.5686
2.5326
2.4999
2.4702
2.2717
2.0499
1.9891
1.9254
80
8.3346
5.6652
4.6113
4.0285
3.6524
3.3867
3.1876
3.0320
2.9066
2.8031
2.7159
2.6413
2.5767
2.5201
2.4700
2.4254
2.3853
2.3492
2.3163
2.2862
2.0845
1.8540
1.7892
1.7203
120
8.1789
5.5393
4.4972
3.9207
3.5482
3.2849
3.0875
2.9329
2.8083
2.7052
2.6183
2.5439
2.4794
2.4228
2.3727
2.3280
2.2878
2.2514
2.2183
2.1881
1.9839
1.7469
1.6789
1.6055
326
TABLA A-9
Cuadros Latinos
2x2
A B
B A
A
B
C
D
E
A
B
C
D
E
F
G
H
B
D
E
A
C
G
H
F
A
B
C
B
D
A
E
C
3x3
B C
C A
A B
4x4
A
B
C
D
5x5
C
E
D
B
A
D
A
E
C
B
C
A
G
B
H
D
F
E
8x8
D E
H G
F A
C H
A F
E B
B C
G D
E
C
B
A
D
B
C
D
A
C
D
A
B
A
B
C
D
E
F
F
C
B
G
D
H
E
A
G
E
H
F
B
A
D
C
D
A
B
C
A
B
C
D
6x6
C E
D C
E B
B F
F A
A E
B
F
A
E
C
D
H
F
D
E
G
C
A
B
B
D
A
C
C
A
D
B
E
C
B
A
E
A
F
C
D
B
F
E
D
A
B
C
A
B
C
D
E
F
G
H
I
B
H
A
I
C
G
D
E
F
A
B
C
D
B
A
D
C
A
B
C
D
E
G
C
F
H
B
I
E
A
D
G
D
E
I
C
F
A
B
G
H
C
D
A
B
B
E
A
F
C
D
D
C
G
D
A
F
B
E
9x9
E
C
D
G
B
H
I
F
A
D
C
B
A
A
B
C
D
B
A
D
C
C
D
B
A
7x7
D E
A C
B F
E G
G B
C D
F A
F
D
G
C
A
E
B
G
F
E
B
D
A
C
F
A
B
E
G
I
H
C
D
G
I
E
A
H
D
F
B
C
H
D
G
F
A
B
C
I
E
D
C
A
B
I
G
F
H
D
C
E
A
S
327
TABLA A-9
Cuadros Latinos
A
B
C
D
E
F
G
H
I
J
B
F
A
H
C
D
J
I
G
E
C
J
G
I
A
E
D
B
H
F
D
I
E
A
F
B
C
G
J
H
10 x 10
E F
A C
D J
C E
J G
G H
H I
F A
B D
I B
G
E
I
B
H
A
F
J
C
D
H
D
B
J
I
C
A
E
F
G
I
G
H
F
B
J
E
D
A
C
J
H
F
G
D
I
B
C
E
A
328
TABLA A-10
Valores de orden k , grados de libertad y =.05
k
1
2
3
4
5
2
17.97
6.08
4.50
3.93
3.64
3
26.98
8.33
5.91
5.04
4.60
4
32.82
9.80
6.82
5.76
5.22
5
37.08
10.88
7.50
6.29
5.67
6
40.41
11.74
8.04
6.71
6.03
7
43.12
12.44
8.48
7.05
6.33
8
45.40
13.03
8.85
7.35
6.58
9
47.36
13.54
9.18
7.60
6.80
10
49.07
13.99
9.46
7.83
6.99
6
7
8
9
10
3.46
3.34
3.26
3.20
3.15
4.34
4.16
4.04
3.95
3.88
4.90
4.68
4.53
4.41
4.33
5.30
5.06
4.89
4.76
4.65
5.63
5.36
5.17
3.02
4.91
5.90
5.61
5.40
5.24
5.12
6.12
5.82
5.60
5.43
5.30
6.32
6.00
5.77
5.59
5.46
6.49
6.16
5.92
5.74
5.60
11
12
13
14
15
3.11
3.08
3.06
3.03
3.01
3.82
3.77
3.73
3.70
3.67
4.26
4.20
4.15
4.11
4.08
4.57
4.51
4.45
4.41
4.37
4.82
4.75
4.69
4.64
4.59
5.03
4.95
4.88
4.83
4.78
5.20
5.12
5.05
4.99
4.94
5.35
5.27
5.19
5.13
5.08
5.49
5.39
5.32
5.25
5.20
16
17
18
19
20
3.00
2.98
2.97
2.96
2.95
3.65
3.63
3.61
3.59
3.58
4.05
4.02
4.00
3.98
3.96
4.33
4.30
4.28
4.25
4.23
4.56
4.52
4.49
4.47
4.45
4.74
4.70
4.67
4.65
4.62
4.90
4.86
4.82
4.79
4.77
5.03
4.99
4.96
4.92
4.90
5.15
5.11
5.07
5.04
5.01
24
30
40
60
120
2.92
2.89
2.86
2.83
2.80
3.53
3.49
3.44
3.40
3.36
3.90
3.85
3.79
3.74
3.68
4.17
4.10
4.04
3.98
3.92
4.37
4.30
4.23
4.16
4.10
4.54
4.46
4.39
4.31
4.24
4.68
4.60
4.52
4.44
4.36
4.81
4.72
4.63
4.55
5.47
4.92
4.82
4.73
4.65
4.56
2.77
3.31
3.63
3.86
4.03
4.17
4.29
4.39
4.47
321
TABLA A-10
Valores de orden k, grados de libertad y =.01
k
1
2
3
4
5
2
90.03
14.04
8.26
6.51
5.70
3
135.0
19.02
10.62
8.12
6.98
4
164.3
22.29
12.17
9.17
7.80
5
185.6
24.72
13.33
9.96
8.42
6
202.2
26.63
14.24
10.58
8.91
7
215.8
28.20
15.00
11.10
9.32
8
227.2
29.53
15.64
11.55
9.67
9
237.0
30.68
16.20
11.93
9.97
10
245.6
31.69
16.69
12.27
10.24
6
7
8
9
10
5.24
4.95
4.75
4.60
4.48
6.33
5.92
5.64
5.43
5.27
7.03
6.54
6.20
5.96
5.77
7.56
7.01
6.62
6.35
6.14
7.97
7.37
6.96
6.66
6.43
8.32
7.68
7.24
6.91
6.67
8.61
7.94
7.47
7.13
6.87
8.87
8.17
7.68
7.33
7.05
9.10
8.37
7.86
7.49
7.21
11
12
13
14
15
4.39
4.32
4.26
4.21
4.17
5.15
5.05
4.96
4.89
4.84
5.62
5.50
5.40
5.32
5.25
5.97
5.84
5.73
5.63
5.56
6.25
6.10
5.98
5.88
5.80
6.48
6.32
6.19
6.08
5.99
6.67
6.51
6.37
6.26
6.16
6.84
6.67
6.53
6.41
6.31
6.99
6.81
6.67
6.54
6.44
16
17
18
19
20
4.13
4.10
4.07
4.05
4.02
4.79
4.74
4.70
4.67
4.64
5.19
5.14
5.09
5.05
5.02
5.49
5.43
5.38
5.33
5.29
5.72
5.66
5.60
5.55
5.51
5.92
5.85
5.79
5.73
5.69
6.08
6.01
5.94
5.89
5.84
6.22
6.15
6.08
6.02
5.97
6.35
6.27
6.20
6.14
6.09
24
30
40
60
120
3.96
3.89
3.82
3.76
3.70
4.55
4.45
4.37
4.28
4.20
4.91
4.80
4.70
4.59
4.50
5.17
5.05
4.93
4.82
4.71
5.37
5.24
5.11
4.99
4.87
5.54
5.40
5.26
5.13
5.01
5.69
5.54
5.39
5.25
5.12
5.81
5.65
5.50
5.36
5.21
5.92
5.76
5.60
5.45
5.30
3.64
4.12
5.40
4.60
4.76
4.88
4.99
5.08
5.16
322
TABLA A-11
Valores Crticos para la Prueba de Rango Mltiple de Duncan
=.05
p, Orden del Rango de las Medias

5
6
7
6.085
6.085
6.085
4.516
4.516
4.516
4.033
4.033
4.033
3.814
3.814
3.814
2
3
4
5
2
6.085
4.501
3.927
3.635
3
6.085
4.516
4.013
3.749
4
6.085
4.516
4.033
3.797
8
6.085
4.516
4.033
3.814
9
6.085
4.516
4.033
3.814
10
6.085
4.516
4.033
3.814
6
7
8
9
10
3.461
3.344
3.261
3.199
3.151
3.587
3.477
3.399
3.339
3.293
3.649
3.548
3.475
3.420
3.376
3.680
3.588
3.521
3.470
3.430
3.694
3.611
3.549
3.502
3.465
3.697
3.622
3.566
3.523
3.489
3.697
3.626
3.575
3.536
3.505
3.697
3.626
3.579
3.544
3.516
3.697
3.626
3.579
3.547
3.522
11
12
13
14
15
3.113
3.082
3.055
3.033
3.014
3.256
3.225
3.200
3.178
3.160
3.342
3.313
3.289
3.268
3.250
3.397
3.370
3.348
3.329
3.312
3.435
3.410
3.389
3.372
3.356
3.462
3.439
3.419
3.403
3.389
3.480
3.459
3.442
3.426
3.413
3.493
3.474
3.458
3.444
3.432
3.501
3.484
3.470
3.457
3.446
16
17
18
19
20
2.998
2.984
2.971
2.960
2.950
3.144
3.130
3.118
3.107
3.097
3.235
3.222
3.210
3.199
3.190
3.298
3.285
3.274
3.264
3.255
3.343
3.331
3.321
3.311
3.303
3.376
3.366
3.356
3.347
3.339
3.402
3.392
3.383
3.375
3.368
3.422
3.412
3.405
3.397
3.391
3.437
3.429
3.421
3.415
3.409
24
30
40
60
2.919
2.888
2.858
2.829
3.066
3.035
3.006
2.976
3.160
3.131
3.102
3.073
3.226
3.199
3.171
3.143
3.276
3.250
3.224
3.198
3.315
3.290
3.266
3.241
3.345
3.322
3.300
3.277
3.370
3.349
3.328
3.307
3.390
3.371
3.352
3.333
120
2.800
2.772
2.947
3.045
3.116
3.172
3.217
3.254
3.287
3.314
2.918
3.017
3.089
3.146
3.193
3.232
3.265
3.294
323
TABLA A-11
Valores Crticos para la Prueba de Rango Mltiple de Duncan (Cont.)
=.05

14
15
16
6.085
6.085
6.085
4.516
4.516
4.516
4.033
4.033
4.033
3.814
3.814
3.814
2
3
4
5
11
6.085
4.516
4.033
3.814
12
6.085
4.516
4.033
3.814
13
6.085
4.516
4.033
3.814
18
6.085
4.516
4.033
3.814
20
6.085
4.516
4.033
3.814
30
6.085
4.516
4.033
3.814
6
7
8
9
10
3.697
3.626
3.579
3.547
3.525
3.697
3.626
3.579
3.547
3.526
3.697
3.626
3.579
3.547
3.526
3.697
3.626
3.579
3.547
3.526
3.697
3.626
3.579
3.547
3.526
3.697
3.626
3.579
3.547
3.526
3.697
3.626
3.579
3.547
3.526
3.697
3.626
3.579
3.547
3.526
3.697
3.626
3.579
3.547
3.526
11
12
13
14
15
3.506
3.491
3.478
3.467
3.457
3.509
3.496
3.484
3.474
3.465
3.510
3.498
3.488
3.479
3.471
3.510
3.499
3.490
3.482
3.476
3.510
3.499
3.490
3.482
3.478
3.510
3.499
3.490
3.484
3.480
3.510
3.499
3.490
3.485
3.481
3.510
3.499
3.490
3.485
3.481
3.510
3.499
3.490
3.485
3.481
16
17
18
19
20
3.449
3.441
3.435
3.429
3.424
3.458
3.451
3.445
3.440
3.436
3.465
3.459
3.454
3.449
3.445
3.470
3.465
3.460
3.456
3.453
3.473
3.469
3.465
3.462
3.459
3.477
3.473
3.470
3.467
3.464
3.478
3.476
3.474
3.472
3.470
3.478
3.476
3.474
3.474
3.473
3.478
3.476
3.474
3.474
3.474
24
30
40
60
3.406
3.389
3.373
3.355
3.420
3.405
3.390
3.374
3.432
3.418
3.405
3.391
3.441
3.430
3.418
3.406
3.449
3.439
3.429
3.419
3.456
3.447
3.439
3.431
3.465
3.460
3.456
3.451
3.471
3.470
3.469
3.467
3.477
3.486
3.500
3.515
120
3.337
3.359
3.377
3.394
3.409
3.423
3.446
3.466
3.532
3.320
3.343
3.363
3.382
3.399
3.414
3.442
3.466
3.550
324
TABLA A-11
Valores Crticos para la Prueba de Rango Mltiple de Duncan
=.01

2
10
2
3
4
5
14.04
8.261
6.512
5.702
14.04
8.321
6.677
5.893
14.04
8.321
6.740
5.989
14.04
8.321
6.756
6.040
14.04
8.321
6.756
6.065
14.04
8.321
6.756
6.074
14.04
8.321
6.756
6.074
14.04
8.321
6.756
6.074
14.04
8.321
6.756
6.074
6
7
8
9
10
5.243
4.949
4.746
4.596
4.482
5.439
5.145
4.939
4.787
4.671
5.549
5.260
5.057
4.906
4.790
5.614
5.334
5.135
4.986
4.871
5.655
5.383
5.189
5.043
4.931
5.680
5.416
5.227
5.086
4.975
5.694
5.439
5.256
5.118
5.010
5.701
5.454
5.276
5.142
5.037
5.703
5.464
5.291
5.160
5.058
11
12
13
14
15
4.392
4.320
4.260
4.210
4.168
4.579
4.504
4.442
4.391
4.347
4.697
4.622
4.560
4.508
4.463
4.780
4.706
4.644
4.591
4.547
4.841
4.767
4.706
4.654
4.610
4.887
4.815
4.755
4.704
4.660
4.924
4.852
4.793
4.743
4.700
4.952
4.883
4.824
4.775
4.733
4.975
4.907
4.850
4.802
4.760
16
17
18
19
20
4.131
4.099
4.071
4.046
4.024
4.309
4.275
4.246
4.220
4.197
4.425
4.391
4.362
4.335
4.312
4.509
4.475
4.445
4.419
4.395
4.572
4.539
4.509
4.483
4.459
4.622
4.589
4.560
4.534
4.510
4.663
4.630
4.601
4.575
4.552
4.696
4.664
4.635
4.610
4.587
4.724
4.693
4.664
4.639
4.617
24
30
40
60
3.956
3.889
3.825
3.762
4.126
4.056
3.988
3.922
4.239
4.168
4.098
4.031
4.322
4.250
4.180
4.111
4.386
4.314
4.244
4.174
4.437
4.366
4.296
4.226
4.480
4.409
4.339
4.270
4.516
4.445
4.376
4.307
4.546
4.477
4.408
4.340
120
3.702
3.643
3.858
3.796
3.965
3.900
4.044
3.978
4.107
4.040
4.158
4.091
4.202
4.135
4.239
4.172
4.272
4.205
325
TABLA A-11
Valores Crticos para la Prueba de Rango Mltiple de Duncan (Cont.)
=.01
2
3
4
5
2
14.04
8.321
6.756
6.074
3
14.04
8.321
6.756
6.074

4
5
6
7
14.04
14.04
14.04
14.04
8.321
8.321
8.321
8.321
6.756
6.756
6.756
6.756
6.074
6.074
6.074
6.074
6
7
8
9
10
5.703
5.470
5.302
5.174
5.074
5.703
5.472
5.309
5.185
5.088
5.703
5.472
5.314
5.193
5.098
5.703
5.472
5.316
5.199
5.106
5.703
5.472
5.317
5.203
5.112
5.703
5.472
5.317
5.205
5.117
5.703
5.472
5.317
5.206
5.122
5.703
5.472
5.317
5.206
5.124
5.703
5.472
5.317
5.206
5.124
11
12
13
14
15
4.994
4.927
4.872
4.824
4.783
5.009
4.944
4.889
4.843
4.803
5.021
4.958
4.904
4.859
4.820
5.031
4.969
4.917
4.872
4.834
5.039
4.978
4.928
4.884
4.846
5.045
4.986
4.937
4.894
4.857
5.054
4.998
4.950
4.910
4.874
5.059
5.006
4.960
4.921
4.887
5.061
5.011
4.972
4.940
4.914
16
17
18
19
20
4.748
4.717
4.689
4.665
4.642
4.768
4.738
4.711
4.686
4.664
4.786
4.756
4.729
4.705
4.684
4.800
4.771
4.745
4.722
4.701
4.813
4.785
4.759
4.736
4.716
4.825
4.797
4.772
4.749
4.729
4.844
4.816
4.792
4.771
4.751
4.858
4.832
4.808
4.788
4.769
4.890
4.869
4.850
4.833
4.818
24
30
40
60
4.573
4.504
4.436
4.368
4.596
4.528
4.461
4.394
4.616
4.550
4.483
4.417
4.634
4.569
4.503
4.438
4.651
4.586
4.521
4.456
4.665
4.601
4.537
4.474
4.690
4.628
4.566
4.504
4.710
4.650
4.591
4.530
4.770
4.721
4.671
4.620
120
4.301
4.235
4.327
4.261
4.351
4.285
4.372
4.307
4.392
4.327
4.410
4.345
4.442
4.379
4.469
4.408
4.568
4.514
8
14.04
8.321
6.756
6.074
9
14.04
8.321
6.756
6.074
10
14.04
8.321
6.756
6.074
326
TABLA A-12
Valores Crticos para las Comparaciones de Dunnett con un Control
Para la prueba en dos Direcciones con =.05
5
6
7
8
9
1
2.57
2.45
2.36
2.31
2.26
2
3.03
2.86
2.75
2.67
2.61
k, nmero de medias, excluyendo el control

3
4
5
6
7
3.29
3.48
3.62
3.73
3.82
3.10
3.26
3.39
3.49
3.57
2.97
3.12
3.24
3.33
3.41
2.88
3.02
3.13
3.22
3.29
2.81
2.95
3.05
3.14
3.20
8
3.90
3.64
3.47
3.35
3.26
9
3.97
3.71
3.53
3.41
3.32
10
11
12
13
14
2.23
2.20
2.18
2.16
2.14
2.57
2.53
2.50
2.48
2.46
2.76
2.72
2.68
2.65
2.63
2.89
2.84
2.81
2.78
2.75
2.99
2.94
2.90
2.87
2.84
3.07
3.02
2.98
2.94
2.91
3.14
3.08
3.04
3.00
2.97
3.19
3.14
3.09
3.06
3.02
3.24
3.19
3.14
3.10
3.07
15
16
17
18
19
2.13
2.12
2.11
2.10
2.09
2.44
2.42
2.41
2.40
2.39
2.61
2.59
2.58
2.56
2.55
2.73
2.71
2.69
2.68
2.66
2.82
2.80
2.78
2.76
2.75
2.89
2.87
2.85
2.83
2.81
2.95
2.92
2.90
2.89
2.87
3.00
2.97
2.95
2.94
2.92
3.04
3.02
3.00
2.98
2.96
20
24
30
40
60
2.09
2.06
2.04
2.02
2.00
2.38
2.35
2.32
2.29
2.27
2.54
2.51
2.47
2.44
2.41
2.65
2.61
2.58
2.54
2.51
2.73
2.70
2.66
2.62
2.58
2.80
2.76
2.72
2.68
2.64
2.86
2.81
2.77
2.73
2.69
2.90
2.86
2.82
2.77
2.73
2.95
2.90
2.86
2.81
2.77
120
1.98
2.24
2.38
2.47
2.55
2.60
2.65
2.69
2.73
1.96
2.21
2.35
2.44
2.51
2.57
2.61
2.65
2.69
327
TABLA A-12
Para la prueba en dos Direcciones con =.01
5
6
7
8
9
1
4.03
3.71
3.50
3.36
3.25
2
4.63
4.21
3.95
3.77
3.63

3
4
5
6
7
4.98
5.22
5.41
5.56
5.69
4.51
4.71
4.87
5.00
5.10
4.21
4.39
4.53
4.64
4.74
4.00
4.17
4.29
4.40
4.48
3.85
4.01
4.12
4.22
4.30
10
11
12
13
14
3.17
3.11
3.05
3.01
2.98
3.53
3.45
3.39
3.33
3.29
3.74
3.65
3.58
3.52
3.47
3.88
3.79
3.71
3.65
3.59
3.99
3.89
3.81
3.74
3.69
4.08
3.98
3.89
3.82
3.76
4.16
4.05
3.96
3.89
3.83
4.22
4.11
4.02
3.94
3.88
4.28
4.16
4.07
3.99
3.93
15
16
17
18
19
2.95
2.92
2.90
2.88
2.86
3.25
3.22
3.19
3.17
3,15
3.43
3.39
3.36
3.33
3.31
3.55
3.51
3.47
3.44
3.42
3.64
3.60
3.56
3.53
3.50
3.71
3.67
3.63
3.60
3.57
3.78
3.73
3.69
3.66
3.63
3.83
3.78
3.74
3.71
3.68
3.88
3.83
3.79
3.75
3.72
20
24
30
40
60
2.85
2.80
2.75
2.70
2.66
3.13
3.07
3.01
2.95
2.90
3.29
3.22
3.15
3.09
3.03
3.40
3.32
3.25
3.19
3.12
3.48
3.40
3.33
3.26
3.19
3.55
3.47
3.39
3.32
3.25
3.60
3.52
3.44
3.37
3.29
3.65
3.57
3.49
3.41
3.33
3.69
3.61
3.52
3.44
3.37
120
2.62
2.58
2.85
2.79
2.97
2.92
3.06
3.00
3.12
3.06
3.18
3.11
3.22
3.15
3.26
3.19
3.29
3.22
8
5.80
5.20
4.82
4.56
4.37
9
5.89
5.28
4.89
4.62
4.43
328
TABLA A-12
Para la prueba Unidireccional con =.05

3
4
5
6
7
5
6
7
8
9
2.02
1.94
1.89
1.86
1.83
2.44
2.34
2.27
2.22
2.18
2.68
2.56
2.48
2.42
2.37
2.85
2.71
2.62
2.55
2.50
2.98
2.83
2.73
2.66
2.60
3.08
2.92
2.82
2.74
2.68
3.16
3.00
2.89
2.81
2.75
3.24
3.07
2.95
2.87
2.81
3.30
3.12
3.01
2.92
2.86
10
11
12
13
14
1.81
1.80
1.78
1.77
1.76
2.15
2.13
2.11
2.09
2.08
2.34
2.31
2.29
2.27
2.25
2.47
2.44
2.41
2.39
2.37
2.56
2.53
2.50
2.48
2.46
2.64
2.60
2.58
2.55
2.53
2.70
2.67
2.64
2.61
2.59
2.76
2.72
2.69
2.66
2.64
2.81
2.77
2.74
2.71
2.69
15
16
17
18
19
1.75
1.75
1.74
1.73
1.73
2.07
2.06
2.05
2.05
2.03
2.24
2.23
2.22
2.21
2.20
2.36
2.34
2.33
2.32
2.31
2.44
2.43
2.42
2.41
2.40
2.51
2.50
2.49
2.48
2.47
2.57
2.56
2.54
2.53
2.52
2.62
2.61
2.59
2.58
2.57
2.67
2.65
2.64
2.62
2.61
20
24
30
40
60
1.72
1.71
1.70
1.68
1.67
2.03
2.01
1.99
1.97
1.95
2.19
2.17
2.15
2.13
2.10
2.30
2,28
2.25
2.23
2.21
2.39
2.36
2.33
2.31
2.28
2.46
2.43
2.40
2.37
2.35
2.51
2.48
2.45
2.42
2.39
2.56
2.53
2.50
2.47
2.44
2.60
2.57
2.54
2.51
2.48
120
1.66
1.93
2.08
2.18
2.26
2.32
2.37
2.41
2.45
1.64
1.92
2.06
2.16
2.23
2.29
2.34
2.38
2.42
329
TABLA A-12
Para la prueba Unidireccional con =.01
5
6
7
8
9
1
3.37
3.14
3.00
2.90
2.82
2
3.90
3.61
3.42
3.29
3.19

3
4
5
6
7
4.21
4.43
4.60
4.73
4.85
3.88
4.07
4.21
4.33
4.43
3.66
3.83
3.96
4.07
4.15
3.51
3.67
3.79
3.88
3.96
3.40
3.55
3.66
3.75
3.82
10
11
12
13
14
2.76
2.72
2.68
2.65
2.62
3.11
3.06
3.01
2.97
2.94
3.31
3.25
3.19
3.15
3.11
3.45
3.38
3.32
3.27
3.23
3.56
3.48
3.42
3.37
3.32
3.64
3.56
3.50
3.44
3.40
3.71
3.63
3.56
3.51
3.46
3.78
3.69
3.62
3.56
3.51
3.83
3.74
3.67
3.61
3.56
15
16
17
18
19
2.60
2.58
2.57
2.55
2.54
2.91
2.88
2.86
2.84
2.83
3.08
3.05
3.03
3.01
2.99
3.20
3.17
3.14
3.12
3.10
3.29
3.26
3.23
3.21
3.18
3.36
3.33
3.30
3.27
3.25
3.42
3.39
3.36
3.33
3.31
3.47
3.44
3.41
3.38
3.36
3.52
3.48
3.45
3.42
3.40
20
24
30
40
60
2.53
2.49
2.46
2.42
2.39
2.81
2.77
2.72
2.68
2.64
2.97
2.92
2.87
2.82
2.78
3.08
3.03
2.97
2.92
2.87
3.17
3.11
3.05
2.99
2.94
3.23
3.17
3.11
3.05
3.00
3.29
3.22
3.16
3.10
3.04
3.34
3.27
3.21
3.14
3.08
3.38
3.31
3.24
3.18
3.12
120
2.36
2.33
2.60
2.56
2.73
2.68
2.82
2.77
2.89
2.84
2.94
2.89
2.99
2.93
3.03
2.97
3.06
3.00
8
4.94
4.51
4.23
4.03
3.89
9
5.03
4.59
4.30
4.09
3.94
330
TABLA A-13
=.05
2
3
4
5
6
7
8
9
10
15
20
25
30
35
40
45
50
5
3.17
3.54
3.81
4.04
4.22
4.38
4.53
4.66
4.78
5.25
5.60
5.89
6.15
8.38
6.58
6.70
6.86
7
2.84
3.13
3.34
3.50
3.64
3.78
3.88
3.05
4.03
4.38
4.59
4.78
4.95
5.09
5.21
5.31
5.40
10
2.64
2.87
3.04
3.17
3.28
3.37
3.45
3.52
3.58
3.83
4.01
4.15
4.27
4.37
4.45
4.53
4.59
12
2.56
2.78
2.94
3.06
3.15
3.24
3.31
3.37
3.43
3.65
3.80
3.93
4.04
4.13
4.20
4.28
4.32
15
2.49
2.60
2.84
2.95
3.04
3.11
3.18
3.24
3.29
3.48
3.62
3.74
3.82
3.90
3.07
4.02
4.07
m=nmero de contrastes
20
24
2.42
2.39
2.61
2.58
2.75
2.70
2.85
2.80
2.93
2.88
3.00
2.04
3.06
3.00
3.11
3.05
3.16
3.00
3.33
3.26
3.46
3.38
3.55
3.47
3.63
3.54
3.70
3.61
3.76
3.66
3.80
3.70
3.85
3.74
30
2.36
2.54
2.66
2.75
2.83
2.89
2.94
2.90
3.03
3.19
3.30
3.39
3.48
3.52
3.57
3.61
3.65
40
2.33
2.80
2.62
2.71
2.78
2.84
2.89
2.93
2.07
3.12
3.23
3.31
3.38
3.43
3.48
3.51
3.55
60
2.30
2.47
2.58
2.66
2.73
2.79
2.84
2.88
2.92
3.06
3.16
3.24
3.30
3.34
3.39
3.42
3.46
120
2.27
2.43
2.54
2.62
2.68
2.74
2.79
2.83
2.86
2.90
3.00
3.16
3.22
3.27
3.31
3.34
3.37
2.24
2.39
2.50
2.58
2.64
2.80
2.74
2.77
2.81
2.04
3.02
3.00
3.15
3.19
3.23
3.26
3.29
331
TABLA A-13
=.01
2
3
4
5
6
7
8
9
10
15
20
26
30
35
40
45
50
m=nmero de contrastes
5
4.78
5.25
5.60
5.89
6.15
6.36
6.58
6.70
6.88
7.61
8.00
8.37
8.68
8.95
9.19
9.41
0.68
7
4.03
4.36
4.59
4.78
4.05
6.09
5.21
5.31
5.40
5.79
6.08
6.30
8.49
6.67
6.83
6.93
7.06
10
3.58
3.83
4.01
4.15
4.27
4.37
4.45
4.63
4.69
4.86
5.06
5.20
5.33
5.44
5.52
5.60
5.70
12
3.43
3.65
3.80
3.03
4.04
4.13
4.20
4.26
4.32
4.50
4.73
4.88
4.95
5.04
5.12
6.20
5.27
15
3.29
3.48
3.62
3.74
3.82
3.90
3.97
4.02
4.07
4.29
4.42
4.53
4.81
4.71
4.78
4.84
4.00
20
3.18
3.33
3.46
3.55
3.03
3.70
3.76
3.80
3.85
4.03
4.15
4.25
4.33
4.39
4.46
4.52
4.86
24
3.09
3.26
3.38
3.47
3.54
3.81
3.66
3.70
3.74
3.01
4.04
4.1*
4.2*
4.3*
4.3*
4.3*
4.4*
30
3.03
3.19
3.30
3.39
3.46
3.62
3.57
3.61
3.68
3.80
3.90
3.98
4.13
4.26
4.1*
4.2*
4.2
40
2.07
3.12
3.23
3.31
3.38
3.43
3.48
3.51
3.55
3.70
3.79
3.88
3.93
3.07
4.01
4.1*
4.1*
80
2.92
3.06
3.18
3.24
3.30
3.34
3.39
3.42
3.40
3.59
3.69
3.76
3.81
3.84
3.89
3.93
3.07
120
2.86
2.99
3.09
3.16
3.22
3.27
3.31
3.34
3.37
3.80
3.68
3.64
3.69
3.73
3.77
3.80
3.83
2.81
2.94
3.02
3.09
3.15
3.19
3.23
3.26
3.29
3.40
3.48
3.54
3.59
3.63
3.66
3.69
3.72
332
TABLA A-14
Coeficientes de Polinomios Ortogonales
Coeficientes
c2
Tratamientos
3
Grado
1
2
1
3
-1
1
0
-2
1
1
1
2
3
2
1
3/10
-3
1
-1
-1
-1
3
1
-1
-3
3
1
1
1
2
3
4
1
1
5/6
35/12
-2
2
-1
1
-1
-1
2
-4
0
-2
0
6
1
-1
-2
-4
2
2
1
1
1
2
3
4
2
3/2
5/3
7/12
-5
5
-5
1
-3
-1
7
-3
-1
-4
4
2
1
-4
-4
2
3
-1
-7
-3
5
5
5
1
1
2
3
4
1
1
1/6
7/12
-3
5
-1
3
-2
0
1
-7
-1
-3
1
1
0
-4
0
6
1
-3
-1
1
2
0
-1
-7
3
5
1
3
1
2
3
4
2
1
2/3
7/12
-7
7
-7
7
-5
1
5
-13
-3
-3
7
-3
-1
-5
3
9
1
-5
-3
9
3
-3
-7
-3
5
1
-5
-13
7
7
7
7
1
2
3
4
1
3
5/6
7/12
-4
28
-14
14
-3
7
7
-21
-2
-8
13
-11
-1
-17
9
9
0
-20
0
18
1
-17
-9
9
2
-8
-13
-11
3
7
-7
-21
4
28
14
14
10
1
2
3
4
5/3
5/12
-9
6
-42
18
-7
2
14
-22
-5
-1
35
-17
-3
-3
31
3
-1
-4
12
18
1
-4
-12
18
3
-3
-31
3
5
-1
-35
-17
7
2
-14
-22
2
6
20
4
20
10
14
10
70
70
84
180
28
28
84
6
154
168
168
264
616
60
2772
990
2002
9
6
42
18
330
132
8580
2860
333
334
Referencias Bibliogrficas.
Cochran, W. G. y Cox, G. (1957). Experimental Designs, 2nd ed., Wiley, New York.
Dean, A. Dean, A. y Voss D. (1998). Design and Analysis of Experiments, SpringerVerlag New York Incorporated. E. U. A.
Draper, N. R. y Smith, H. (1981). Applied Regression Analysis, 2nd ed., John Wiley and
Sons, E.U.A.
Duncan, A. J. (1986). Quality Control and Industrial Statistics, 5th. Edition, Irwin, E. U.
A.
Federer, W. T. (1955). Experimental Design. MacMillan, New York.
Graybill, F. (1976). Theory and Application of the Linear Model. N. Scituate, Mass.
Duxbury Press.
Hicks, C. R. (1973). Fundamental Concepts in the Design of Experiments, 2nd ed.,
Holt, Rinehart and Winston, New York.
Hogg, R.V. y Craig, A.T. (1978). Introduction to Mathematical Statistics, Macmillan
Publishing Co., New York, E.U.A.
Kelklar, Girish. P. (2004). Design of Experiments (DOE) for Manufacturing, Society for
Manufacturing Engineering.
Lentner, M. y Bishop, T. (1986). Experimental Design and Analysis, Valley Book
Company, Blactesburg. VA, E.U.A.
Mc. Clave James T. y Dietrich, Frank H. II (1985). Statistics, 3rd ed., Dellen-MacMillan.
Mood, A. M., Graybill, F. A. y Boes D. (1974). Introduction to the Theory of Statistics,
3rd ed., Mc Graw Hill, New York.
Montgomery, D. C. (1997), Design and Analysis of Experiments, 4th edition, John
Wiley & Sons, New York.
Montgomery, D. C. and E. A. Peck (1992), Introduction to Linear Regression Analysis,
2nd edition, John Wiley & Sons, New York.
Montgomery, D. C. (1996), Introduction to Statistical Quality Control, 3rd edition, John
Wiley & Sons, New York.
Referencias Bibliogrficas/ Jaime Snchez Leal, Ph.D.
Myers, R. H. and D. C. Montgomery (1995), Response Surface Methodology : Process

and Product Optimization Using Designed Experiments, John Wiley & Sons,
New York.
Neter, J. y Wasserman, W. (1974). Applied Linear Statistical Models. Homewood, III;
Richard Irwin.
Sanchez, J. (2001). Estadstica, Instituto Tecnolgico de Cd. Jurez, Mxico.
Snedecor, G. W. y Cochran, W. (1980). Statistical Methods. 7th ed., Ames; lowa State
University Press.
Steele, R. G. D. y Torrie, J. H. (1980). Principles and Procedures of Statistics a
Biometrical Approach. 2nd ed., Mc. Graw-Hill, New York.
Urquhart, N. S. (1981). The Anatomy of a Study. HortScience. Vol. 16.
236

Estadistica II

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Estadistica II

Uploaded by

Copyright:

Available Formats

ESTADSTICA II

JAIME SNCHEZ LEAL, Ph. D.

ESTADSTICA II: Diseo de Experimentos

Dr. Jaime Snchez Leal

1. REGRESIN LINEAL SIMPLE

2. REGRESIN LINEAL MLTIPLE

2.1 El Modelo Lineal Mltiple

5.1 Clases de Errores en Anlisis de Tratamientos

5.2 Mtodo de Diferencia Mnima Significativa

6.1 Diseo de Bloques Completos al Azar

7. ANLISIS DE TRATAMIENTOS ESTRUCTURADOS

8.1 Diseos con Dos Factores

1. REGRESIN LINEAL SIMPLE.

Es importante enfatizar que es el coeficiente de correlacin lineal, ste

Figura 1.1 Relacin Lineal Buena entre Dos Variables.

Figura 1.2 Relacin Cuadrtica Buena o Curvilnea entre Dos Variables.

INSTITUTO TECNLGICO DE CD. JUREZ

Figura 1.3 Relacin Excelente entre Dos Variables.

Figura 1.4 Relacin Nula entre Dos Variables.

CORRELACIN Y REGRESIN LINEAL SIMPLE/JAIME SNCHEZ LEAL, Ph. D.

Figura 1.5 Relacin Lineal Regular entre Dos Variables.

Figura 1.6 Relacin Curvilnea Excelente entre Dos Variables.

INSTITUTO TECNLGICO DE CD. JUREZ

Figura 1.7 Relacin Curvilnea Regular entre Dos Variables.

El coeficiente de correlacin , es un parmetro y al igual que los dems, ste

Sustituyendo las estimaciones se obtiene que r es igual a:

CORRELACIN Y REGRESIN LINEAL SIMPLE/JAIME SNCHEZ LEAL, Ph. D.

Al igual que otros estimadores, el coeficiente de correlacin muestral est

INSTITUTO TECNLGICO DE CD. JUREZ

Figura 1.8 rea de Rechazo para la Prueba No Direccional sobre el

b) Direccional Hacia la Izquierda

Figura 1.9 rea de Rechazo para la Prueba Direccional Hacia la

Donde: t , es obtenida de tal forma que P [t < t , ] = .

CORRELACIN Y REGRESIN LINEAL SIMPLE/JAIME SNCHEZ LEAL, Ph. D.

c) Direccional Hacia la Derecha

Figura 1.10 rea de Rechazo para la Prueba Direccional Hacia la

Donde: t , es obtenida de tal forma que P [t > t , ] = .

INSTITUTO TECNLGICO DE CD. JUREZ

ALTURA DE LA GRACERA A LA TAPA

Tabla 1.3 Pares de Datos de la Presin de un Circuito Neumtico (X) y

Figura 1.11 Diagrama de Dispersin para los Datos de la Tabla 1.3.

CORRELACIN Y REGRESIN LINEAL SIMPLE/JAIME SNCHEZ LEAL, Ph. D.

Figura 1.12 rea de Rechazo para la Prueba No Direccional sobre la

INSTITUTO TECNLGICO DE CD. JUREZ

CORRELACIN Y REGRESIN LINEAL SIMPLE/JAIME SNCHEZ LEAL, Ph. D.

INSTITUTO TECNLGICO DE CD. JUREZ

Donde: t 8, 0.05 es obtenida de tal forma que P [t > t8,0.05 ] = 0.05 .

CORRELACIN Y REGRESIN LINEAL SIMPLE/JAIME SNCHEZ LEAL, Ph. D.

INSTITUTO TECNLGICO DE CD. JUREZ

1.2 Modelo de Regresin Lineal Simple.

Uno de las inquietudes principales del hombre en la vida, es el de predecir el

CORRELACIN Y REGRESIN LINEAL SIMPLE/JAIME SNCHEZ LEAL, Ph. D.

Entonces, el modelo de regresin lineal simple queda como sigue:

Donde: 0 .es el intercepto de la lnea y

El problema de prediccin de Y dado X, involucra la estimacin de los

INSTITUTO TECNLGICO DE CD. JUREZ

Entonces para obtener los estimadores por mnimos cuadrados se resuelve el

Con respecto a 0 y 1 , cuya solucin est dada por:

CORRELACIN Y REGRESIN LINEAL SIMPLE/JAIME SNCHEZ LEAL, Ph. D.

ALTURA DE LA GRACERA A LA TAP

PRESION DEL CIRCUITO NEUMATICO

Figura 1.15 Diagrama de Dispersin para los Datos de la Tabla 1.6.

INSTITUTO TECNLGICO DE CD. JUREZ

0 = 55.66 Centsimas de pulgada.