INTRODUCCIÓN A LAS BASES Y

FUNDAMENTOS DEL DISEÑO

EXPERIMENTAL
Texto Base Compilado Para La Asignatura de
Diseño Experimental (MEA-623)

Por Dr. Oscar R. Ayala Aragón(Ph.D.)

Docente Apoyo Ingeniería del Medio Ambiente
Universidad Autónoma Tomás Frías
Potosí, Bolivia
2017
Índice general

1. INTRODUCCIÓN AL DISEÑO EXPERIMENTAL 8

1.1. BREVE RESEÑA DEL ESTUDIO DEL DISEÑO EXPERI-
MENTAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

1.2. EXPERIMENTACIÓN Y EL DISEÑO EXPERIMENTAL . . 9

1.3. COMO FUNCIONAN LOS DISEÑOS EXPERIMENTALES . 13

1.4. TERMINOLOGÍA ESENCIAL UTILIZADA EN LOS DIS-

EÑOS EXPERIMENTALES . . . . . . . . . . . . . . . . . . . 16

1.5. ERRORES COMUNES EN EL ANÁLISIS Y PLANTEAMIEN-

TO DEL DISEÑO EXPERIMENTAL . . . . . . . . . . . . . 20

1.6. VARIABILIDAD EXPERIMENTAL . . . . . . . . . . . . . . 21

1.7. LA PLANEACIÓN EXPERIMENTAL . . . . . . . . . . . . . 22

1.7.1. DEFINIR LOS OBJETIVOS DEL EXPERIMENTO . 23

1.7.2. IDENTIFICAR TODAS LAS FUENTES POSIBLES

DE VARIACIÓN . . . . . . . . . . . . . . . . . . . . . 23

1.7.3. ESPECIFICAR LA VARIABLE RESPUESTA . . . . . 24

1.7.4. EJECUTAR UN EXPERIMENTO PILOTO . . . . . 24

1.7.5. ESPECIFICAR EL MODELO . . . . . . . . . . . . . . 25

1
 1.7.6. ESQUEMATIZAR LOS PASOS DEL ANÁLISIS ES-
TADÍSTICO . . . . . . . . . . . . . . . . . . . . . . . 26

1.7.7. DETERMINAR EL TAMAÑO MUESTRAL . . . . . . 26

1.7.8. REVISAR LAS DECISIONES ANTERIORES . . . . . 26

1.8. ALGUNOS PRINCIPIOS FUNDAMENTALES DE LOS DIS-

EÑOS EXPERIMENTALES . . . . . . . . . . . . . . . . . . . 27

1.8.1. ALEATORIZAR . . . . . . . . . . . . . . . . . . . . . 28

1.8.2. BLOQUEAR . . . . . . . . . . . . . . . . . . . . . . . 28

1.8.3. FACTORIZACIÓN DEL DISEÑO . . . . . . . . . . . 29

1.9. PRINCIPALES TIPOS EXPERIMENTALES . . . . . . . . . 29

1.10. ALGUNAS RECOMENDACIONES PARA EL INVESTIGADOR

EN LA APLICACIÓN DEL DISEÑO EXPERIMENTAL . . . 30

2. HIPÓTESIS Y PRUEBAS DE COMPARACIÓN. PRUEBA

DE T-STUDENT 32
2.1. LAS HIPÓTESIS EN INVESTIGACIÓN . . . . . . . . . . . . 32

2.2. REQUISITOS DE LA HIPÓTESIS . . . . . . . . . . . . . . . 33

2.3. TIPOS DE HIPÓTESIS . . . . . . . . . . . . . . . . . . . . . 34

2.3.1. HIPÓTESIS NULA . . . . . . . . . . . . . . . . . . . . 34

2.3.2. HIPÓTESIS CONCEPTUAL. . . . . . . . . . . . . . . 35

2.3.3. HIPÓTESIS DE TRABAJO . . . . . . . . . . . . . . . 35

2.3.4. HIPÓTESIS ALTERNATIVA . . . . . . . . . . . . . . 36

2.3.5. OTROS TIPOS DE HIPÓTESIS . . . . . . . . . . . . 36

2
 2.4. DIFICULTADES EN LA FORMULACIÓN DE LAS HIPÓTE-
SIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37

2.5. LA PRUEBA DE T-STUDENT . . . . . . . . . . . . . . . . . 37

2.5.1. SUPUESTOS PRUEBA T STUDENT . . . . . . . . . 39

2.5.2. PRUEBA DE T PARA UNA MUESTRA ÚNICA . . . 39

2.5.3. PRUEBA DE T PARA MUESTRAS INDEPENDI-

ENTES . . . . . . . . . . . . . . . . . . . . . . . . . . 41

2.5.3.1. PRUEBA DE T EN IGUALES TAMAÑO

MUESTRALES E IGUALES VARIANZAS . 42

2.5.3.2. PRUEBA DE T CON DIFERENTES TAMAÑOS

MUESTRALES E IGUALES VARIANZAS . 43

2.5.3.3. PRUEBA DE T CON DIFERENTES TAMAÑOS

MUESTRALES Y DIFERENTES VARIAN-
ZAS . . . . . . . . . . . . . . . . . . . . . . . 43

2.5.3.4. PRUEBA DE T PARA MUESTRAS PAREADAS 44

2.6. PRUEBA PARA DETERMINAR LA HOMOGENEIDAD DE

VARIANZAS (SI LAS VARIANZAS SON IGUALES) . . . . . 45

3. DISEÑO COMPLETAMENTE ALEATORIZADO 47

3.1. ALEATORIZACIÓN . . . . . . . . . . . . . . . . . . . . . . . 47

3.2. EL ANÁLISIS DE VARIANZA (ANVA) . . . . . . . . . . . . 49

3.2.1. SUPUESTOS DEL ANÁLISIS DE VARIANZA (ANVA) 50

3.3. MODELO ADITIVO LINEAL DISEÑO COMPLETAMENTE

ALEATORIZADO . . . . . . . . . . . . . . . . . . . . . . . . 50

3.3.1. MODELO DE EFECTOS FIJOS. MODELO I. . . . . 51

3.3.2. MODELO DE EFECTOS ALEATORIOS. MODELO II 52

3
 3.3.3. MODELO MIXTO . . . . . . . . . . . . . . . . . . . . 52

3.4. ANVA PARA EL DISEÑO COMPLETAMENTE AL AZAR. . 52

3.4.1. FUENTES DE VARIACIÓN PARA EL ANVA EN EL

DISEÑO COMPLETAMENTE ALEATORIZADO . . 53

3.4.2. VENTAJAS DISEÑO COMPLETAMENTE AL AZAR 56

3.4.3. DESVENTAJAS DISEÑO COMPLETAMENTE AL

AZAR . . . . . . . . . . . . . . . . . . . . . . . . . . . 57

4. DISEÑO DE BLOQUES COMPLETAMENTE ALEATOR-

IZADOS (DBA) 58
4.1. MODELO ADITIVO LINEAL PARA EL DISEÑO DE BLO-
QUES AL AZAR (DBA) . . . . . . . . . . . . . . . . . . . . . 61

4.2. REPRESENTACIÓN ESQUEMÁTICA PARA EL DISEÑO

DE BLOQUES AL AZAR (DBA) . . . . . . . . . . . . . . . . 62

4.3. MODELO PARA EL ANÁLISIS DE VARIANZA (ANVA) . . 62

4.4. VENTAJAS DISEÑO BLOQUES AL AZAR (DBA). . . . . . 67

4.5. DESVENTAJAS DISEÑO DE BLOQUES AL AZAR (DBA). 68

4.6. EFICACIA RELATIVA DE UN DISEÑO EXPERIMENTAL . 68

4.7. PÉRDIDAS U OBSERVACIONES FALTANTES EN UN DBA.

CORRECCIÓN DE YATES . . . . . . . . . . . . . . . . . . . 70

4.7.1. UNA UNIDAD EXPERIMENTAL PERDIDA. . . . . . 71

4.7.2. DOS UNIDADES EXPERIMENTALES PERDIDAS. . 72

4.7.3. TRES UNIDADES PERDIDAS. . . . . . . . . . . . . . 73

4
5. PRUEBAS DE COMPARACIONES MÚLTIPLES 76
5.1. DIFERENCIA MEDIA SIGNIFICATIVA . . . . . . . . . . . . 78

5.2. PRUEBA DE TUKEY . . . . . . . . . . . . . . . . . . . . . . 80

5.3. PRUEBA DE RANGO MÚLTIPLE DE DUNCAN . . . . . . 81

5.3.1. PROCEDIMIENTO DE CÁLCULO RANGO MÚLTI-

PLE DE DUNCAN . . . . . . . . . . . . . . . . . . . . 81

5.4. PRUEBA DE DUNNET . . . . . . . . . . . . . . . . . . . . . 83

5.5. PRUEBA DE SCHEFFÉ . . . . . . . . . . . . . . . . . . . . . 84

6. DISEÑO DE CUADRADO LATINO 87

6.1. ALEATORIZACIÓN DE UN CUADRADO LATINO . . . . . 90

6.2. SUPUESTOS EN EL DISEÑO DE CUADRADO LATINO . . 90

6.3. MODELO LINEAL DEL DISEÑO DE CUADRADO LATINO 91

6.4. ANÁLISIS DE VARIANZA PARA EL DISEÑO DE CUADRA-

DO LATINO . . . . . . . . . . . . . . . . . . . . . . . . . . . 91

6.5. VENTAJAS DEL DISEÑO DE CUADRADO LATINO . . . . 94

6.6. DESVENTAJAS DEL DISEÑO DE CUADRADO LATINO . 94

6.7. VARIACIONES AL DISEÑO CUADRADO LATINO . . . . . 95

6.7.1. DISEÑOS CROSS-OVER . . . . . . . . . . . . . . . . 95

6.7.2. RECTÁNGULOS LATINOS . . . . . . . . . . . . . . . 95

5
7. DISEÑO DE PARCELAS DIVIDIDAS 97
7.1. ESQUEMAS DE ALEATORIZACIÓN PARA EL DISEÑO
DE PARCELAS DIVIDIDAS. . . . . . . . . . . . . . . . . . . 99

7.2. ANÁLISIS DEL DISEÑO DE PARCELAS DIVIDIDAS CON

DOS FACTORES DE VARIACIÓN. . . . . . . . . . . . . . . 101

7.2.1. MODELO LINEAL DEL DISEÑO DE PARCELAS

DIVIDIDAS CON DOS FACTORES DE VARIACIÓN
AJUSTADO A UN DISEÑO DE BLOQUES AL AZAR.101

7.2.2. ANÁLISIS DE VARIANZA DEL DISEÑO DE PARCE-

LAS DIVIDIDAS CON DOS FACTORES DE VARIACIÓN
AJUSTADO A UN DISEÑO DE BLOQUES AL AZAR.102

7.2.3. USOS Y APLICACIONES FRECUENTES . . . . . . 109

8. DISEÑOS FACTORIALES. 110

8.1. EFECTOS DE LOS DISEÑOS FACTORIALES . . . . . . . . 111

8.1.1. EFECTOS PRINCIPALES . . . . . . . . . . . . . . . 111

8.1.2. EFECTOS SIMPLES . . . . . . . . . . . . . . . . . . . 111

8.1.3. EFECTOS SECUNDARIOS . . . . . . . . . . . . . . . 112

8.1.4. TIPOS DE INTERACCIÓN . . . . . . . . . . . . . . . 112

8.1.4.1. INTERACCIÓN POR SINERGISMO . . . . 112

8.1.4.2. INTERACCIÓN POR ANTAGONISMO. . . 113

8.1.4.3. INTERACCIÓN ADITIVA. . . . . . . . . . . 113

8.2. GRÁFICOS DE INTERACCIÓN . . . . . . . . . . . . . . . . 114

8.3. EL EXPERIMENTO FACTORIAL 2 X 2 AJUSTADO A UN

DISEÑO COMPLETAMENTE AL AZAR. . . . . . . . . . . . 116

8.3.1. MODELO LINEAL. . . . . . . . . . . . . . . . . . . . 116

8.3.2. SINOPSIS DE LA SUMA DE CUADRADOS . . . . . 117

6
9. DISEÑO FACTORIAL DE TRES FACTORES. 123
9.1. REPRESENTACIÓN SIMBÓLICA DE LOS DATOS. . . . . . 123

9.2. MODELO ESTADÍSTICO. . . . . . . . . . . . . . . . . . . . 125

9.3. ANÁLISIS ESTADÍSTICO. . . . . . . . . . . . . . . . . . . . 125

10.COMPARACIONES ORTOGONALES 138

10.1. CONTRASTES. . . . . . . . . . . . . . . . . . . . . . . . . . 138

10.2. CONTRASTES ORTOGONALES. . . . . . . . . . . . . . . . 140

7
Capítulo 1

INTRODUCCIÓN AL DISEÑO
EXPERIMENTAL

1.1. BREVE RESEÑA DEL ESTUDIO DEL

DISEÑO EXPERIMENTAL

De acuerdo a la reseña presentada por Webacademia (2013)[9], Ronald Fisher

máximo exponente del diseño experimental en su obra titulada  Statistical
methods for research workers , arma que la historia de la teoría estadís-
tica empleada en el diseño de experimentos se remonta al celebre ensayo
de Thomas Bayes publicado en 1763 y conocido como el primer intento de
utilizar la teoría de la probabilidad como instrumento de razonamiento induc-
tivo, para deducir de lo particular a lo general o de la muestra a la población.
Posteriormente el Sir Ronald A Fisher (1890-1962), inuenciado por Pear-
son y Student (W.S. Gosset), hizo importantes y numerosas a la estadística,
con investigaciones hacia el interior de distribuciones de datos estadísticos
con el coeciente de correlación; concibió la idea de diseño de experimen-
tos con un método para obtener información más completa y más precisa
en la realización de un experimento. Durante los años de 1930 la inuencia
de su trabajo estadístico se difundió a través del mundo de habla inglesa
y frecuentemente más allá, así que después de la segunda guerra mundial
con la formación de la Sociedad Internacional Biométrica en 1947, un nuevo

8
campo de la investigación cientíca fue reconocido. Como resultado de la
introducción de métodos innovadores basados en el razonamiento inductivo,
Fisher sentó las bases para el uso de los métodos estadísticos en el diseño de
experimentos y su posterior desarrollo y aplicación en el caso del análisis de
varianza como herramienta primaria para el análisis estadístico en el diseño
experimental. A pesar de que Fisher fue el pionero, existieron otras experien-
cias como la experimentación controlada del escorbuto, realizada por James
Lind, o los experimentos estadísticos realizados por Charles Pierce.

James Lind realizó un experimento controlado para desarrollar una cura para
el escorbuto. Seleccionó a 12 hombres, quienes sufrían de escorbuto. En su ex-
perimento Lind realizó estrictos controles de entrada para reducir la variación
producto de factores o inuencias extrañas. Los hombres que consumieron
cítricos recuperaron signicativamente dentro de una semana. Los otros su-
jetos experimentaron alguna mejoría, pero los sujetos que comían los frutos
cítricos respondieron considerablemente mejor a los otros tratamientos.

Por su parte Charles S. Peirce desarrolló una tradición de investigación de

los experimentos aleatorios en base a datos estadísticos proporcionados por
distintos laboratorios biológicos y químicos en la década de 1800 y contribuyó
a la primera publicación en idioma Inglés acerca de un diseño óptimo para
los modelos de regresión en 1876.

1.2. EXPERIMENTACIÓN Y EL DISEÑO EX-

PERIMENTAL

De acuerdo al proyecto Salón[7, Pag.1], Un experimento es un procedimien-

to mediante el cual se trata de comprobar (conrmar o vericar) una o
varias hipótesis relacionadas con un determinado fenómeno, mediante la ma-
nipulación de la/s variables que presumiblemente son su causa. La exper-
imentación constituye uno de los elementos clave del método cientíco y
es fundamental para poder ofrecer explicaciones causales. Durante un ex-
perimento se consideran todas la variables que intervienen en un fenómeno
determinado, mediante la moderación contralada, en un ambiente adecuado,
se debe reproducir el mismo fenómeno pero de una forma controlada y así

9
encontrar las diferentes relaciones entre las variables y el fenómeno investi-
gado

De acuerdo a Douglas Montgomery[8], los experimentos se usan además para ¾Cuál de

evaluar y estudiar los desempeños de los procesos y los sistemas. Un proceso las es-
o sistema está representado en la Figura 1.2.1. trategias
de inves-
tigación
Figura 1.2.1: Representación de modelo o sistema
consid-
eras que
es la que
podría
ser más
perti-
nente
para el
investi-
gador en
términos
de re-
cursos y
efectivi-
dad?
Considerando este enfoque de sistemas, los objetivos del experimento serían
los siguientes[8, Pag.17]:

Frente a estos objetivo, un experimentador debería plantearse estrategias de

experimentación. Un ejemplo nos ayudará a comprender estas estrategias.
Supóngase que a una persona le gusta jugar el golf y aunque no practica
muy frecuentemente. Buscando subir la puntuación se analizan los factores
que podrían inuir en la misma. Algunos de estos factores (considerando que
podrían existir muchos más) son:

10
Algunas estrategias para mejorar la puntuación podrían ser: ¾Cómo
interpre-
tarías los
1. Estrategia basada en la mejor conjetura, que busca la mejor com- resultados
binación de los factores para producir un mejor resultado.
de las
2. Estrategia del mejor factor a la vez, la que consistiría en probar grácas
una a una todas los factores individualmente, a partir, por ejemplo, 1.2.2 y
de una linea de base establecida. Algunos de los posibles resultados 1.2.3?
podrían darse como sigue

Figura 1.2.2: Resultados posibles para la estrategia del mejor factor a la vez

1. Estrategia de interacciones, para comprobar la inuencia, tanto de

los factores individuales como de sus interacciones. Un ejemplo para el
caso de la interacción entre el tipo de palo y pelota podría ser el que
sigue a continuación:

11
 Figura 1.2.3: Interacción entre el tipo de palo y la pelota

Si se consideramos dos rondas de juego para investigar la combinación de

cada uno de los factores y si asumimos valores hipotéticos resultantes en
cada una de las rondas, tendríamos los valores siguientes resultados en la
gura 1.2.4:

Figura 1.2.4: Resultados hipotéticos en dos rondas de juego para los factores
tipo de palo y de pelota

12
Si calculamos las diferencias promedio en cada valor para cada valor encon- De acuer-
trado de acuerdo a los incisos b), c) y d) de la gura 1.2.4, tendremos los do a los
siguientes valores: resultados
encontra-
dos ¾cuál
sería el
factor que
incidiría
más en el
puntaje?

La interpretación, por ejemplo, para el caso del efecto del palo signica que en
promedio al cambiar del palo grande al normal, la puntuación se incrementa
3,25 golpes por ronda. Nótese además que el valor del efecto del palo es mayor
que los otros efectos, además de ser mayor que 1.

1.3. COMO FUNCIONAN LOS DISEÑOS EX-

PERIMENTALES

De acuerdo a la recopilación de Ramón (2000)[10], las investigaciones y en

particular los diseños experimentales intentan establecer básicamente rela-
ciones causa-efecto. Mas especícamente, cuando se desea estudiar como una
variable independiente (causa) modica una variable dependiente (efecto).
Un ejemplo podría ser: analizar el efecto que un plan de entrenamiento basa-
do en la técnica Facilitación de una hormona de crecimiento (variable inde-
pendiente) produce sobre el rendimiento en el cultivo de trigo en la zona de
las pampas de Lequezana en la ciudad de Potosí (variable dependiente). Sin
embargo, un diseño puede contemplar el efecto que producen dos variables
independientes tienen sobre una dependiente, por lo que los diseños exper-
imentales poseen una gran variación. En el presente capítulo precisaremos
detalles con respecto a este tipo de diseños.

13
El establecimiento de que, en un experimento, una variable independiente
produce una variación especíca (que solo puede ser atribuida a la variable
independiente) en la variable dependiente depende fundamentalmente de la
manera como esté diseñado el experimento. Los procedimientos estadísticos
permiten conrmar o validar el procedimiento empleado, pero una cosa debe
ser clara: el hecho de aplicar procedimientos estadísticos no permite armar
que el experimento está bien diseñado, al punto de que se puede armar que
las variaciones producidas en los sujetos experimentales sólo y exclusivamente
pueden ser atribuidas a la variable independiente.

La relación causa-efecto solo puede ser atribuida mediante la aplicación de

un pensamiento lógico junto a un diseño bien aplicado. Las siguientes pautas
están asociadas a diseños idóneos:

La adecuada selección de un marco teórico

La selección apropiada de los sujetos

El uso de procedimiento estadísticos correctos

El control de la variable independiente

La adecuada medición de la variable dependiente

El control de variables asociadas.

Es un estudio de investigación en el que se manipulan deliberadamente una o

mas variables independientes para analizar las consecuencias que la manipu-
lación tiene sobre una o mas variables dependientes, dentro de una situación
de control para el investigador. Un experimento se lleva a cabo para analizar
si una o mas variables independientes afectan a una o mas variables depen-
dientes y por qué lo hacen.

En cualesquier experimento se presentan tres tipos de variables: la inde-

pendiente, la dependiente y las intervinientes (contaminadoras o extrañas).
representa los tratamientos, factores o condiciones que el investigador con-
trola para probar los efectos sobre la variable dependiente. El término de se
emplea a semejanza de las agentes farmacológicos empleados en la medicina
para manejar alguna enfermedad o proceso patológico. En el campo de la

14
actividad física y el deporte, los tratamientos generalmente son los métodos
empleados para el desarrollo de las capacidades condicionales o para la en-
señanza de los movimientos. En el proceso del experimento, el investigador se
limita a controlar la variable independiente, es decir, a seguir elmente el pro-
ceso o el método para desarrollar alguna capacidad. Volviendo al campo de
la medicina, el tratamiento de una enfermedad implica darle al paciente una
dosis de un agente farmacológico en una determinada cantidad, un número de
veces por día, durante un intervalo de tiempo denido. Para probar la efec-
tividad de este tratamiento, se debe cumplir con que la dosis sea la indicada,
el número de veces que se toma dicha dosis sea el establecido y nalmente,
que cumpla con los días estipulados. A este proceso se denomina la variable
independiente. En el campo de la actividad física y el deporte, el ejemplo
especíco de control es el hecho de poder dosicar la carga de manera que
pueda ser administrada a una determinada intensidad, un número de veces
por semana y durante un número jo de semanas. Si no se puede llegar a
este grado de precisión, entonces el experimento no tiene validez porque no
tiene control.

Por otra parte, la variable dependiente es la que reeja los resultados de un

estudio de investigación. Continuando con el ejemplo en el campo de la ac-
tividad física y el deporte, en el caso de un estudio sobre la efectividad de
un método para enseñar alguna destreza, la variable dependiente es el apren-
dizaje que logran los sujetos; en el caso de una investigación acerca del efecto
que produce el entrenamiento pliométrico en la saltabilidad de los voleibolis-
tas, la variable dependiente es la saltabilidad de los deportistas. Como puede
apreciarse, la variable dependiente es la característica que realmente va a
variar en un experimento, que va ser modicada, en este caso, por la variable
independiente. En el proceso de investigación es la variable dependiente la
que se mide. El éxito de un experimento va a depender entonces del grado
de precisión con que mida dicha variación. Por lo tanto, tanto el instrumento
de medición como el proceso de medición debe ser muy bien denido.

El otro tipo de variable que se presenta en un diseño experimental es la vari-

able interviniente, también llamada contaminadora o extraña. Este tipo de
variable son variables independientes que, si no se controlan, pueden alterar
el resultado de la investigación. Así, en un estudio sobre el desarrollo de la
resistencia aeróbica en niños de 8 a 9 años, una variable que produce efectos
positivos es el crecimiento y desarrollo. Por lo tanto, en un estudio que desee

15
estudiar el efecto de un determinado plan de entrenamiento debe tener en
cuenta el proceso de crecimiento y desarrollo. En este caso en particular, el
diseño debe tener un grupo control y un grupo experimental. El grupo con-
trol no estará sometido al plan de entrenamiento pero si lo estará al efecto de
crecimiento y desarrollo. Si al nal del experimento, tanto en el grupo control
como el grupo experimental se producen modicaciones en la resistencia, el
investigador no podrá concluir que el plan de entrenamiento fue el que produ-
jo las modicaciones de resistencia en los niños. Por lo tanto, el diseño debe
controlar el efecto de las variables intervinientes. De otra manera, la validez
externa del experimento se verá seriamente comprometida. Es posible que en
un experimento existan varias variables independientes, varias dependientes
y varias intervinientes. Estos tipos de experimentos son complejos y difíciles
de llevar a cabo por el control que se debe hacer sobre todas las variables.

1.4. TERMINOLOGÍA ESENCIAL UTILIZA-

DA EN LOS DISEÑOS EXPERIMENTALES

Se exponen a continuación, previa a la presentación de las secciones posteri-

ores, de la terminología esencial utilizada en los diseños experimentales:

De acuerdo al portal de la DNIA (2011)[12], la denición de unidad experi-

mental y unidad de muestreo u observacional serían las siguientes:

L a unidad experimental, o parcela experimental, es el pedazo de

material a la cual se le aplica el tratamiento. La unidad experimental
puede ser un animal, 10 pollos de corral, media hora, etc. Cuando un
experimento se ejecuta sobre un período de tiempo de modo que las
observaciones se recogen secuencialmente en instantes de tiempo deter-
minados, entonces los propios instantes de tiempo pueden considerarse
unidades experimentales. Es muy importante que las unidades experi-
mentales sean representativas de la población sobre la que se han jado
los objetivos del estudio. Por ejemplo, si se utilizan los estudiantes uni-
versitarios de un país como unidades experimentales, las conclusiones
del experimento no son extrapolables a toda la población adulta del
país.

16
 La unidad de muestreo o unidad Observacional (UO), es aque-
lla fracción de la unidad experimental sobre la cual se mide el efecto
del tratamiento. Hay que aclarar que el muestreo de observaciones no
implica replicación. Por ejemplo, si a 50 gallinas se les enjaula juntas y
se les alimenta con la misma ración, las UE son las 50 gallinas. Se nece-
sitan otras jaulas de 50 gallinas antes de poder medir la variación entre
unidades tratadas en forma semejante. Esto es cierto aún si una medida
como el peso del cuerpo se mide en cada gallina en forma individual.

Por su parte Marín(2003), plantea las siguientes deniciones terminológicas:

V ariable de interés o respuesta: es la variable que se desea estudiar Te invito

y controlar su variabilidad. a que
amplíes
Factor: son las variables independientes que pueden inuir en la vari- perma-
abilidad de la variable de interés. Los niveles de un factor tratamiento
nente-
son los tipos o grados especícos del factor que se tendrán en cuen-
mente
ta en la realización del experimento. Los factores tratamiento pueden
este
ser cualitativos o cuantitativos. Ejemplos de factores cualitativos y sus
glosario
niveles respectivos son los siguientes:  proveedor (diferentes provee-
termi-
dores de una materia prima),  tipo de máquina (diferentes tipos o
nológico
marcas de máquinas),  trabajador (los trabajadores encargados de
hacer una tarea),  tipo de procesador (los procesadores de los que
se quiere comparar su velocidad de ejecución),  un aditivo quími-
co (diferentes tipos de aditivos químicos),  el sexo (hombre y mu-
jer),  un método de enseñanza (un número determinado de métodos
de enseñanza cuyos resultados se quieren comparar). Ejemplos de fac-
tores cuantitativos son los siguientes:  tamaño de memoria (diferentes
tamaños de memoria de ordenadores),  droga (distintas cantidades de
la droga),  la temperatura (conjuntos de temperaturas seleccionadas
en unos rangos de interés). Debe tenerse en cuenta que en el tratamien-
to matemático de los modelos de diseño de experimento los factores
cuantitativos son tratados como cualitativos y sus niveles son elegidos
equiespaciados o se codican. Por lo general, un factor no suele tener
más de cuatro niveles. Cuando en un experimento se trabaja con más
de un factor, se denomina: Tratamiento a cada una de las combina-
ciones de niveles de los distintos factores. Observación a la medida en

17
las condiciones determinadas por uno de los tratamientos. Y experi-
mento factorial, al diseño experimental donde existen observaciones
de todos los posibles tratamientos.

Factor tratamiento: es un factor del que interesa conocer su inuen-

cia en la respuesta.

Factor bloque: es un factor en el que no se está interesado en conocer

su inuencia en la respuesta pero se supone que ésta existe y se quiere
controlar para disminuir la variabilidad residual.

Niveles: cada uno de los resultados de un factor. Según sean elegidos

por el experimentador o elegidos al azar de una amplia población se
denominan factores de efectos jos o factores de efectos aleatorios.

Tratamiento: es una combinación especíca de los niveles de los fac-

tores en estudio. Son, por tanto, las condiciones experimentales que se
desean comparar en el experimento. En un diseño con un único factor
son los distintos niveles del factor y en un diseño con varios factores
son las distintas combinaciones de niveles de los factores.

Observación experimental: es cada medición de la variable respues-

ta.

Tamaño del Experimento: es el número total de observaciones recogi-

das en el diseño.

I nteracción de factores: existe interacción entre dos factores FI y FJ

si el efecto de algún nivel de FI cambia al cambiar de nivel en FJ. Esta
denición puede hacerse de forma simétrica y se puede generalizar a
interacciones de orden tres o superior.

Ortogonalidad de factores: dos factores FI y FJ con I y J niveles,

respectivamente, son ortogonales si en cada nivel I de FI el número de
observaciones de los J niveles de FJ están en las mismas proporciones.
Esta propiedad permite separar los efectos simples de los factores en
estudio.

Diseño equilibrado o balanceado: es el diseño en el que todos los

tratamientos son asignados a un número igual de unidades experimen-
tales.

18
Factores nuisance: bloques, factores ruido y covariables. En
cualquier experimento, además de los factores tratamiento cuyo efecto
sobre la respuesta se quiere evaluar, también inuyen otros factores,
de escaso interés en el estudio, pero cuya inuencia sobre la respuesta
puede aumentar signicativamente la variabilidad no planicada. Con
el n de controlar esta inuencia pueden incluirse en el diseño nuevos
factores que, atendiendo a su naturaleza, pueden ser de diversos tipos.

ˆ Factor bloque: En algunos casos el factor nuisance puede ser ja-

do en distintos niveles, de modo que es posible controlar su efecto
a esos niveles. Entonces la forma de actuar es mantener constante
el nivel del factor para un grupo de unidades experimentales, se
cambia a otro nivel para otro grupo y así sucesivamente. Estos
factores se denominan factores de bloqueo (factores bloque) y las
unidades experimentales evaluadas en un mismo nivel del bloqueo
se dice que pertenecen al mismo bloque. Incluso cuando el factor
nuisance no es medible, a veces es posible agrupar las unidades ex-
perimentales en bloques de unidades similares: parcelas de tierra
contiguas o períodos de tiempo próximos probablemente conduz-
can a unidades experimentales más parecidas que parcelas o perío-
dos distantes. Desde un punto de vista matemático el tratamiento
que se hace de los factores-bloque es el mismo que el de los factores
tratamiento en los que no hay interacción, pero su concepto den-
tro del modelo de diseño de experimentos es diferente. Un factor
tratamiento es un factor en el que se está interesado en conocer su
inuencia en la variable respuesta y un factor bloque es un factor
en el que no se está interesado en conocer su inuencia pero se
incorpora al diseño del experimento para disminuir la variabilidad
residual del modelo.

ˆ Covariable: Si el factor nuisance es una propiedad cuantitativa

de las unidades experimentales que puede ser medida antes de
realizar el experimento (el tamaño de un chero informático, la
presión sanguínea de un paciente en un experimento médico o la
acidez de una parcela de tierra en un experimento agrícola). El
factor se denomina covariable y juega un papel importante en el
análisis estadístico.

ˆ Ruido: Si el experimentador está interesado en la variabilidad de

19
 la respuesta cuando se modican las condiciones experimentales,
entonces los factores nuisance son incluidos deliberadamente en
el experimento y no se aísla su efecto por medio de bloques. Se
habla entonces de factores ruido. Consiguientemente un resumen
de las posibles fuentes de variación serían las siguientes (Ver Figu-
ra 1.4.1)

Figura 1.4.1: Posibles fuentes de variación de un experimento

1.5. ERRORES COMUNES EN EL ANÁLI-

SIS Y PLANTEAMIENTO DEL DISEÑO
EXPERIMENTAL

Marín (2003)[11] reere los siguientes errores comunes en el análisis y planteamien-

to del diseño experimental:

Inconsistencia de los datos: Los procesos cambian con el tiempo,

se producen cambios en el personal (cambios de personas, mejoras del
personal por procesos de aprendizaje, motivación, ...), cambios en las
máquinas (reposiciones, reparaciones, envejecimiento, ...). Estos cam-
bios tienen inuencia en los datos recogidos, lo que hace que los datos
históricos sean poco ables, sobre todo si se han recogido en un amplio
espacio de tiempo.

Variables con fuerte correlación: Puede ocurrir que en el proceso

existan dos o más variables altamente correlacionadas que pueden llevar

20
 a situaciones confusas. Por ejemplo, en el proceso hay dos variables X1
y X2 fuertemente correlacionadas que inuyen en la respuesta, pero
si en los datos que se tiene aumenta al mismo tiempo el valor de las
dos variables no es posible distinguir si la inuencia es debida a una
u otra o a ambas variables (confusión de los efectos). Otra situación
problemática se presenta si solo se dispone de datos de una variable
(por ejemplo de X1 y no de X2), lo que puede llevar a pensar que la
variable inuyente es la X1 cuando, en realidad, la variable inuyente
es la X2 (variable oculta).

Rango de variables controladas y limitadas: Si el rango de una

de las variables importantes e inuyentes en el proceso es pequeño, no
se puede saber su inuencia fuera de ese rango y puede quedar oculta
su relación con la variable de interés o lo cambios que se producen en la
relación fuera del rango observado. Esto suele ocurrir cuando se utilizan
los datos recogidos al trabajar el proceso en condiciones normales y no
se experimenta (cambiando las condiciones de funcionamiento) para
observar el comportamiento del proceso en situaciones nuevas.

1.6. VARIABILIDAD EXPERIMENTAL

Marín (2003)[11] en su trabajo de recopilación plantea que uno de los princi-

pales objetivos de los modelos estadísticos y, en particular, de los modelos de
diseño de experimentos, es controlar la variabilidad de un proceso aleatorio
que puede tener diferente origen. De hecho, los resultados de cualquier ex-
perimento están sometidos a tres tipos de variabilidad cuyas características
son las siguientes:

Variabilidad sistemática y planicada: Esta variabilidad viene

originada por la posible dispersión de los resultados debida a difer-
encias sistemáticas entre las distintas condiciones experimentales im-
puestas en el diseño por expreso deseo del experimentador. Es el tipo de
variabilidad que se intenta identicar con el diseño estadístico. Cuando
este tipo de variabilidad está presente y tiene un tamaño importante, se
espera que las respuestas tiendan a agruparse formando grupos (clus-
ters). Es deseable que exista esta variabilidad y que sea identicada y
cuanticada por el modelo.

21
 Variabilidad típica de la naturaleza del problema y del ex-
perimento: Es la variabilidad debida al ruido aleatorio. Este término
incluye, entre otros, a la componente de variabilidad no planicada
denominada error de medida. Es una variabilidad impredecible e in-
evitable. Esta variabilidad es la causante de que si en un laboratorio
se toman medidas repetidas de un mismo objeto ocurra que, en mu-
chos casos, la segunda medida no sea igual a la primera y, más aún,
no se puede predecir sin error el valor de la tercera. Sin embargo, bajo
el aparente caos, existe un patrón regular de comportamiento en esas
medidas: todas ellas tenderán a uctuar en torno a un valor central y
siguiendo un modelo de probabilidad que será importante estimar. Esta
variabilidad es inevitable pero, si el experimento ha sido bien planica-
do, es posible estimar (medir) su valor, lo que es de gran importancia
para obtener conclusiones y poder hacer predicciones. Es una variabil-
idad que va a estar siempre presente pero que es tolerable.

Variabilidad sistemática y no planicada: Esta variabilidad pro-

duce una variación sistemática en los resultados y es debida a causas
desconocidas y no planicadas. En otras palabras, los resultados están
siendo sesgados sistemáticamente por causas desconocidas. La pres-
encia de esta variabilidad supone la principal causa de conclusiones
erróneas y estudios incorrectos al ajustar un modelo estadístico. Como
se estudiará posteriormente, existen dos estrategias básicas para tratar
de evitar la presencia de este tipo de variabilidad: la aleatorización y la
técnica de bloques. Este tipo de variabilidad debe de intentar evitarse
y su presencia lleva a conclusiones erróneas.

1.7. LA PLANEACIÓN EXPERIMENTAL

También la recopilación de Marín(2003)[11], señala que existen etapas clave

que deben seguirse para una correcta planicación de un diseño experimental,
etapas que deben ser ejecutadas de forma secuencial. Estas etapas a seguir
en el desarrollo de un problema de diseño de experimentos son:  Deni-
ción de los objetivos del experimento. Identicar todas las posibles fuentes
de variación, incluyendo:i) factores tratamiento y sus niveles, (ii) unidades
experimentales, (iii) factores nuisance (molestos): factores bloque, factores

22
ruido y covariables Elegir una regla de asignación de las unidades exper-
imentales a las condiciones de estudio (tratamientos) Especicar las me-
didas con que se trabajará (la respuesta), el procedimiento experimental y
anticiparse a las posibles dicultades.  Ejecutar un experimento piloto. 
Especicar el modelo.  Esquematizar los pasos del análisis.  Determi-
nar el tamaño muestral. Y revisar las decisiones anteriores. Modicarlas si se
considera necesario. A continuación se detalla cada una de ellas:

1.7.1. DEFINIR LOS OBJETIVOS DEL EXPERIMEN-

TO

Se debe hacer una lista completa de las preguntas concretas a las que debe dar
respuesta el experimento. Es importante indicar solamente cuestiones funda-
mentales ya que tratar de abordar problemas colaterales pueden complicar
innecesariamente el experimento. Una vez elaborada la lista de objetivos,
puede ser útil esquematizar el tipo de conclusiones que se espera obtener en
el posterior análisis de datos. Normalmente la lista de objetivos es renada
a medida que se van ejecutando las etapas del diseño de experimentos.

1.7.2. IDENTIFICAR TODAS LAS FUENTES POSI-

BLES DE VARIACIÓN

Una fuente de variación es cualquier cosa que pueda generar variabilidad en

la respuesta. Es recomendable hacer una lista de todas las posibles fuentes
de variación del problema, distinguiendo aquellas que, a priori, generarán
una mayor variabilidad. Se distinguen dos tipos:  Factores tratamiento:
son aquellas fuentes cuyo efecto sobre la respuesta es de particular interés
para el experimentador.  Factores nuisance: son aquellas fuentes que no
son de interés directo pero que se contemplan en el diseño para reducir la
variabilidad no planicada.

23
1.7.3. ESPECIFICAR LA VARIABLE RESPUESTA

Que consiste en especicar las medidas que se realizarán (la respuesta), el pro-
cedimiento experimental y anticiparse a las posibles dicultades. Los datos
que se recogen en un experimento son medidas de una variable denominada
variable respuesta o variable de interés.

Es importante precisar de antemano cuál es la variable respuesta y en qué

unidades se mide. Naturalmente, la respuesta está condicionada por los obje-
tivos del experimento. Por ejemplo, si se desea detectar una diferencia de 0,05
gramos en la respuesta de dos tratamientos no es apropiado tomar medidas
con una precisión próxima al gramo.

A menudo aparecen dicultades imprevistas en la toma de datos. Es conve-

niente anticiparse a estos imprevistos pensando detenidamente en los prob-
lemas que se pueden presentar o ejecutando un pequeño experimento piloto
(etapa 5). Enumerar estos problemas permite en ocasiones descubrir nuevas
fuentes de variación o simplicar el procedimiento experimental antes de
comenzar.

También se debe especicar con claridad la forma en que se realizarán las

mediciones: instrumentos de medida, tiempo en el que se harán las medi-
ciones, etc.

1.7.4. EJECUTAR UN EXPERIMENTO PILOTO

Un experimento piloto es un experimento que utiliza un número pequeño de

observaciones. El objetivo de su ejecución es ayudar a completar y chequear
la lista de acciones a realizar. Las ventajas que proporciona la realización de
un pequeño experimento piloto son las siguientes:

Permite practicar la técnica experimental elegida e identicar proble-

mas no esperados en el proceso de recogida de datos,

Si el experimento piloto tiene un tamaño sucientemente grande puede

ayudar a seleccionar un modelo adecuado al experimento principal,

24
 Los errores experimentales observados en el experimento piloto pueden
ayudar a calcular el número de observaciones que se precisan en el
experimento principal.

1.7.5. ESPECIFICAR EL MODELO

El modelo matemático especicado debe indicar la relación que se supone

que existe entre la variable respuesta y las principales fuentes de variación
identicadas en el paso 2 (Subsección 1.7.2). Es fundamental que el modelo
elegido se ajuste a la realidad con la mayor precisión posible. El modelo más
habitual es el modelo lineal. En este modelo la respuesta viene dada por
una combinación lineal de términos que representan las principales fuentes
de variación planicada más un término residual debido a las fuentes de
variación no planicada. Los modelos que se estudian en este texto se ajustan
a esta forma general. El experimento piloto puede ayudar a comprobar si el
modelo se ajusta razonablemente bien a la realidad. Los modelos de diseño
de experimentos, según sean los factores incluidos en el mismo, se pueden
clasicar en: modelo de efectos jos, modelo de efectos aleatorios y modelos
mixtos.

El factor de efectos jos es un factor en el que los niveles han sido selec-
cionados por el experimentador. Es apropiado cuando el interés se centra en
comparar el efecto sobre la respuesta de esos niveles especícos. Ejemplo: un
empresario está interesado en comparar el rendimiento de tres máquinas del
mismo tipo que tiene en su empresa.

Factor de efectos aleatorios es un factor del que sólo se incluyen en el

experimento una muestra aleatoria simple de todos los posibles niveles del
mismo. Evidentemente se utilizan estos factores cuando tienen un número
muy grande de niveles y no es razonable o posible trabajar con todos ellos.
En este caso se está interesado en examinar la variabilidad de la respuesta
debida a la población entera de niveles del factor. Ejemplo: una cadena de
hipermercados que tiene en plantilla 300 trabajadores de caja está interesada
en estudiar la inuencia del factor trabajador en la variable tiempo en el cobro
a un cliente.

El modelo de efectos jos es un modelo en el que todos los factores son

factores de efectos jos.

25
El modelo de efectos aleatorios es un modelo en el que todos los factores
son factores de efectos aleatorios.

El modelo mixto es un modelo en el que hay factores de efectos jos y

factores de efectos aleatorios.

1.7.6. ESQUEMATIZAR LOS PASOS DEL ANÁLISIS

ESTADÍSTICO

El análisis estadístico a realizar depende de:  los objetivos indicados en el

paso 1,  el diseño seleccionado en el paso 3,  el modelo asociado que se
especicó en el paso 5.

Se deben esquematizar los pasos del análisis a realizar que deben incluir: 
estimaciones que hay que calcular,  contrastes a realizar,  intervalos de
conanza que se calcularán,  diagnosis y crítica del grado de ajuste del
modelo a la realidad.

1.7.7. DETERMINAR EL TAMAÑO MUESTRAL

Calcular el número de observaciones que se deben tomar para alcanzar los

objetivos del experimento. Existen, dependiendo del modelo, algunas fór-
mulas para determinar este tamaño. Todas ellas sin embargo requieren el
conocimiento del tamaño de la variabilidad no planicada (no sistemática
y sistemática, si es el caso) y estimarlo a priori no es fácil, siendo aconse-
jable sobreestimarla. Normalmente se estima a partir del experimento piloto
y en base a experiencias previas en trabajos con diseños experimentales se-
mejantes.

1.7.8. REVISAR LAS DECISIONES ANTERIORES

Modicar si es necesario. De todas las etapas enumeradas, el proceso de

recogida de datos suele ser la tarea que mayor tiempo consume, pero es im-
portante realizar una planicación previa, detallando los pasos anteriores, lo

26
que garantizará que los datos sean utilizados de la forma más eciente posi-
ble. Es fundamental tener en cuenta que: 12a) Ningún método de análisis
estadístico, por sosticado que sea, permite extraer conclusiones correctas
en un diseño de experimentos mal planicado. Recíprocamente, debe quedar
claro que el análisis estadístico es una etapa más que está completamente
integrado en el proceso de planicación. b) El análisis estadístico no es un
segundo paso independiente de la tarea de planicación. Es necesario com-
prender la totalidad de objetivos propuestos antes de comenzar con el análisis.
Si no se hace así, tratar que el experimento responda a otras cuestiones a pos-
teriori puede ser (lo será casi siempre) imposible. Pero no sólo los objetivos
están presentes al inicio del análisis sino también la técnica experimental em-
pleada. c) No invertir nunca todo el presupuesto en un primer conjunto de
experimentos y utilizar en su diseño toda la información previa disponible. d)
Toda persona implicada en la ejecución del experimento y en la recolección
de los datos debe ser informada con precisión de la estrategia experimental
diseñada.

1.8. ALGUNOS PRINCIPIOS FUNDAMEN-

TALES DE LOS DISEÑOS EXPERIMEN-
TALES

Marín (2003) hace señala que al planicar un experimento hay tres tres prin-
cipios básicos que se deben tener siempre en cuenta:

El principio de aleatorización.

El bloqueo.

La factorización del diseño.

Los dos primeros (aleatorizar y bloquear) son estrategias ecientes para asig-
nar los tratamientos a las unidades experimentales sin preocuparse de qué
tratamientos considerar. Por el contrario, la factorización del diseño dene
una estrategia eciente para elegir los tratamientos sin considerar en absoluto
como asignarlos después a las unidades experimentales.

27
1.8.1. ALEATORIZAR

Se debe aleatorizar todos los factores no controlados por el experimentador en

el diseño experimental y que pueden inuir en los resultados serán asignados
al azar a las unidades experimentales. Las ventajas de aleatorizar los factores
no controlados son:

Transforma la variabilidad sistemática no planicada en variabilidad no

planicada o ruido aleatorio. Dicho de otra forma, aleatorizar previene
contra la introducción de sesgos en el experimento.

Evita la dependencia entre observaciones al aleatorizar los instantes de

recogida muestral.

Valida muchos de los procedimientos estadísticos más comunes.

1.8.2. BLOQUEAR

Se deben dividir o particionar las unidades experimentales en grupos lla-

mados bloques de modo que las observaciones realizadas en cada bloque se
realicen bajo condiciones experimentales lo más parecidas posibles. A difer-
encia de lo que ocurre con los factores tratamiento, el experimentador no
está interesado en investigar las posibles diferencias de la respuesta entre
los niveles de los factores bloque. Bloquear es una buena estrategia siem-
pre y cuando sea posible dividir las unidades experimentales en grupos de
unidades similares. La ventaja de bloquear un factor que se supone que tienen
una clara inuencia en la respuesta pero en el que no se está interesado, es la
siguiente: Convierte la variabilidad sistemática no planicada en variabilidad
sistemática planicada. Con el siguiente ejemplo se trata de indicar la difer-
encia entre las estrategias de aleatorizar y de bloquear en un experimento.
Ejemplo. Se desea investigar las posibles diferencias en la producción de dos
máquinas, cada una de las cuales debe ser manejada por un operario. En el
planteamiento de este problema la variable respuesta es la producción diaria
de una máquina, el factor tratamiento en el que se está interesado es el tipo
de máquina que tiene dos 15niveles y un factor nuisance es el operario que
maneja la máquina. En el diseño del experimento para realizar el estudio se

28
pueden utilizar dos estrategias para controlar el factor operario que mane-
ja la máquina. Aleatorizar: se seleccionan al azar dos grupos de operarios y
se asigna al azar cada grupo de operarios a cada una de las dos máquinas.
Finalmente se evalúa la producción de las mismas. Bloquear: se introduce
el factor bloque operario. Se elige un único grupo de operarios y todos ellos
utilizan las dos máquinas. Hay que tener en cuenta en qué circunstancias se
utilizan estas dos estrategias, y cuál estrategia es mejor.

1.8.3. FACTORIZACIÓN DEL DISEÑO

Un diseño factorial es una estrategia experimental que consiste en cruzar los

niveles de todos los factores tratamiento en todas las combinaciones posibles.
Las ventajas de utilizar los diseños factoriales son que:  Permiten detectar
la existencia de efectos interacción entre los diferentes factores tratamiento.
 Y se constituyen en una estrategia más eciente que la estrategia clásica
de examinar la inuencia de un factor manteniendo constantes el resto de los
factores.

1.9. PRINCIPALES TIPOS EXPERIMENTALES

De acuerdo a Ramón (2000) Campbell y Stanley revolucionaron la forma

en que se planteaban y se llevaban a cabo las investigaciones. Ellos identi-
caron tres categorías generales de diseños experimentales: a) experimentos
verdaderos, b) cuasi-experimentos, y c) pre-experimentos. En el cuadro 1 se
muestran las principales diferencias entre estos tipos de experimentos. La
principal diferencia radica en el grado de control que se imponen a las vari-
ables que se están estudiando. La gura 1.9.1 muestra un resumen y las
características para estos tipos experimentales:

29
 Figura 1.9.1: Características de los principales tipos experimentales

1.10. ALGUNAS RECOMENDACIONES PARA

EL INVESTIGADOR EN LA APLICACIÓN
DEL DISEÑO EXPERIMENTAL

Montgomeri (2005) plantea algunas recomendaciones que deberían ser tomadas

en cuenta en la aplicación del diseño experimental:

El uso de la estadística no es sustituto de la reexión sobre el

problema, Los experimentadores suelen poseer amplios conocimiento
de sus respectivos campos. Este tipo de conocimientos no estadísticos
es invaluable para elegir factores, determinar los niveles, las réplicas, la
interpretación del análisis, etc.

Mantener el diseño y el análisis tan simple como sea posible,

es necesario no exagerar en el uso de técnicas estadísticas complejas y
sosticadas. Los métodos de diseño y análisis simples son siempre los
mejores.

Tener presente la diferencia entre signicación práctica y es-

tadística, debido a que dos condiciones experimentales producen re-
spuestas medias que son estadísticamente diferentes, no existe seguri-
dad de que esta diferencia sea de la magnitud suciente como para
tener algún valor práctico.

30
Los experimentos son generalmente iterativos, un diseño exi-
toso requiere conocer los factores importantes, rangos en los que
estos factores se harán variar, número apropiado de niveles para cada
factor, los métodos y las unidades de medición adecuados para cada
factor y respuesta. En general, ningún experimentador está en posición
de responder estas cuestiones al principio del experimento, sino que las
respuestas aparecen sobre la marcha.

31
Capítulo 2

HIPÓTESIS Y PRUEBAS DE
COMPARACIÓN. PRUEBA DE
T-STUDENT

2.1. LAS HIPÓTESIS EN INVESTIGACIÓN

De acuerdo al material recopilado de la Universidad Técnica Federico Santa

María[13] basado en las obras de Tamayo y Tamayo (1998)[14] y Sabino
(1996)[15], se presentan a continuación algunos elementos para comprender
la hipótesis, su funcionamiento y posteriormente su aplicación en las pruebas
de comparación.

Debemos inicialmente denir a la hipótesis. La misma se dene como un

intento de explicación o una respuesta provisional a un fenómeno. Su fun-
ción consiste en delimitar el problema que se va a investigar según algunos
elementos tales como el tiempo, el lugar, las características de los sujetos,
etc. Llegar a comprobar o rechazar la hipótesis que se ha elaborado previ-
amente, confrontando su enunciado teórico con los hechos empíricos, es el
objetivo primordial de todo estudio que pretenda explicar algún campo de
la realidad. Para plantear una hipótesis adecuada, debemos tener en cuenta
los siguientes puntos:

32
 Los términos que se empleen deben ser claros y concretos para poder
denirlos de manera operacional, a n de que cualquier investigador
que quiera replicar la investigación, pueda hacerlo. Una hipótesis sin
referencia empírica constituye un juicio de valor.Si una hipótesis no
puede ser sometida a vericación empírica, desde el punto de vista
cientíco no tiene validez.

Las hipótesis deben ser objetivas y no llevar algún juicio de valor; es

decir, no debe denirse el fenómeno con adjetivos tales como mejor o
peor, sino solamente tal y como pensamos que sucede en la realidad.

Las hipótesis deben ser especícas, no sólo en cuanto al problema, sino

a los indicadores que se van a emplear para medir las variables que
estamos estudiando.

Las hipótesis deben estar relacionadas con los recursos y las técnicas
disponibles. Esto quiere decir que cuando el investigador formule su
hipótesis debe saber si los recursos que posee son adecuados para la
comprobación de la misma.

La hipótesis debe estar directamente relacionada con el marco teórico

de la investigación y derivarse de él.

2.2. REQUISITOS DE LA HIPÓTESIS

Dentro de los requisitos de las hipótesis se tienen:

Establecer las variables a estudiar, es decir, especicar las variables a

estudiar, jarles límite.

Establecer relaciones entre variables, es decir, la hipótesis debe ser es-

pecicada de tal manera que sirva de base a inferencias que nos ayuden
a decidir si explica o no los fenómenos observados.

Las hipótesis deben establecer relaciones cuantitativas entre variables.

33
 Mantener la consistencia entre hechos e hipótesis, ya que éstas se ci-
mentan, al menos en parte, sobre hechos ya conocidos. Por tanto, las
hipótesis no deben establecer implicaciones contradictorias o inconsis-
tentes con lo ya vericado en forma objetiva.

2.3. TIPOS DE HIPÓTESIS

2.3.1. HIPÓTESIS NULA

Para todo tipo de investigación en la que tenemos dos o más grupos, se

establecerá una hipótesis nula.

La hipótesis nula es aquella que nos dice que no existen diferencias signica-
tivas entre los grupos.

Por ejemplo, supongamos que un investigador cree que si un grupo de jóvenes

se somete a un entrenamiento intensivo de natación, éstos serán mejores
nadadores que aquellos que no recibieron entrenamiento. Para demostrar su
hipótesis toma al azar una muestra de jóvenes, y también al azar los dis-
tribuye en dos grupos: uno que llamaremos experimental, el cual recibirá
entrenamiento, y otro que no recibirá entrenamiento alguno, al que llamare-
mos control.

La hipótesis nula señalará que no hay diferencia en el desempeño de la nat-

ación entre el grupo de jóvenes que recibió el entrenamiento y el que no lo
recibió.

Una hipótesis nula es importante por varias razones:

Es una hipótesis que se acepta o se rechaza según el resultado de la

investigación.

El hecho de contar con una hipótesis nula ayuda a determinar si existe

una diferencia entre los grupos, si esta diferencia es signicativa, y si
no se debió al azar.

34
No toda investigación precisa de formular hipótesis nula. Recordemos que la
hipótesis nula es aquella por la cual indicamos que la información a obtener
es contraria a la hipótesis de trabajo.

Al formular esta hipótesis, se pretende negar la variable independiente. Es

decir, se enuncia que la causa determinada como origen del problema uctúa,
por tanto, debe rechazarse como tal.

Otro ejemplo:

Hipótesis: el aprendizaje de los niños se relaciona directamente con su edad.

Hipótesis nula: no existe diferencia signicativa entre el aprendizaje en niños

de diversas edades.

2.3.2. HIPÓTESIS CONCEPTUAL.

Es la hipótesis que se formula como resultado de las explicaciones teóricas

aplicables a nuestro problema. Nos ayuda a explicar desde el punto de vista
teórico el fenómeno que estamos investigando.

Es la hipótesis orientadora de la investigación, intenta enfocar el problema

como base para la búsqueda de datos. No puede abarcar más de lo propuesto
en los objetivos de la investigación o estar en desacuerdo con ellos.

Podemos enunciarla como una relación causal o determinante proveniente del

planteamiento del problema, de donde se desprenden las variables.

2.3.3. HIPÓTESIS DE TRABAJO

Es aquella que le sirve al investigador como base de su investigación, o sea,

trata de dar una explicación tentativa al fenómeno que se está investigando.
Ésta es la hipótesis que el investigador tratará de aceptar como resultado de
su investigación, rechazando la hipótesis nula.

Se dice que la hipótesis de trabajo es operacional por presentar cuantitativa-

mente (en términos medibles) la hipótesis conceptual o general.

35
2.3.4. HIPÓTESIS ALTERNATIVA

Al responder a un problema, es muy conveniente proponer otras hipótesis en

que aparezcan variables independientes distintas de las primeras que formu-
lamos. Por tanto, para no perder tiempo en búsquedas inútiles, es necesario
hallar diferentes hipótesis alternativas como respuesta a un mismo problema
y elegir entre ellas cuáles y en qué orden vamos a tratar su comprobación.

2.3.5. OTROS TIPOS DE HIPÓTESIS

Las hipótesis, naturalmente, serán diferentes según el tipo de investigación

que se esté realizando. En los estudios exploratorios, a veces, el objetivo de la
investigación podrá ser simplemente el de obtener los mínimos conocimien-
tos que permitan formular una hipótesis. También es aceptable que, en este
caso, resulten poco precisas, como cuando armamos que existe algún tipo
de problema social en tal grupo, o que los planetas poseen algún tipo de
atmósfera, sin especicar de qué elementos está compuesta.

Los trabajos de índole descriptiva generalmente presentan hipótesis del tipo

todos los X poseen, en alguna medida, las característica Y. Por ejemplo,
podemos decir que todas las naciones poseen algún comercio internacional,
y dedicarnos a describir, cuanticando, las relaciones comerciales entre ellas.
También podemos hacer armaciones del tipo X pertenece al tipo Y, como
cuando decimos que una tecnología es capital-intensiva. En estos casos, de-
scribimos, clasicándolo, el objeto de nuestro interés, incluyéndolo en un tipo
ideal complejo de orden superior.

Por último, podemos construir hipótesis del tipo X produce (o afecta) a Y,

donde estaremos en presencia de una relación entre variables.

Sólo en los casos de investigaciones explicativas es necesario formular clara-

mente cuáles son las hipótesis de la investigación. En las investigaciones de-
scriptivas y, con más razón, en las exploratorias, es posible omitir las hipóte-
sis, ya sea porque éstas son tan amplias y poco denidas que dicen muy poco
a quien lee el informe de investigación, o porque no es posible o necesario
vericarlas.

36
2.4. DIFICULTADES EN LA FORMULACIÓN
DE LAS HIPÓTESIS

Algunos puntos clave que reviste dicultad en la formulación de las hipótesis

son las siguientes:

Falta de conocimientos o ausencia de claridad en el marco teórico.

Falta de aptitud para la utilización lógica del marco teórico.

Desconocimiento de las técnicas adecuadas de investigación para redac-

tar hipótesis en debida forma.

2.5. LA PRUEBA DE T-STUDENT

De acuerdo al portal el estadístico [16] la prueba de t student se basa

en una prueba basada en la distribución t(Ver gura 2.5.1), mismo que
fue introducido por William Sealy Gosset en 1908, cuyo seudónimo fue pre-
cisamente student. Gosset desarrolló el test t como una forma sencilla de
monitorizar la calidad de la famosa cerveza stout. Publicó su test en la revista
inglesa Biometrika en el año 1908, pero fue forzado a utilizar un seudónimo
por su empleador, para mantener en secreto los procesos industriales que se
estaban utilizando en la producción. Aunque de hecho, la identidad de Gosset
era conocida por varios de sus compañeros estadísticos.

Figura 2.5.1: Distribución t student

37
Se utiliza para determinar si hay una diferencia signicativa entre las medias
de dos grupos, es decir que se utiliza cuando deseamos comparar dos medias.

Se utiliza para la comparación de dos medias de poblaciones independientes

y normales.

Asumimos que las variables dependientes tienen una distribución normal.

Especicamos el nivel de la probabilidad (nivel de la alfa, nivel de la signi-

cación, p) que estamos dispuestos a aceptar (p < .05 es un valor común que
se utiliza).

Con una prueba t, tenemos una variable independiente y una dependi-

ente.

La variable independiente (por ejemplo sexo) solo puede tener dos nive-
les (hombre y mujer).

Si la independiente tuviera más de dos niveles, después utilizaríamos

un análisis de la variación unidireccional (ANOVA).

La prueba estadística para t de Student es el valor t. Conceptualmente,

la t-valor representa el número de unidades estándares que están sepa-
rando las medias de los dos grupos.

Si nuestra t-prueba produce una t-valor que da lugar a una probabili-

dad de .01, decimos que la probabilidad de conseguir la diferencia que
encontramos sería por casualidad de 1 de cada 100 veces.

Cuatro factores contribuyen para indicar si la diferencia entre dos medias de

los grupos se puede considerar signicativa:

Cuanto mayor es la diferencia entre las dos medias, mayor es la prob-

abilidad que una diferencia estadística signicativa existe.

El tamaño de la muestra es extremadamente importante en la determi-

nación de la signicación de la diferencia entre las medias. Aumentando
el tamaño de la muestra, las medias tienden a ser más estables y más
representativas.

38
 Un nivel más grande de la alfa requiere menos diferencia entre las me-
dias.

Se debe utilizar una hipótesis (con dos colas) no directivas.

2.5.1. SUPUESTOS PRUEBA T STUDENT

Las muestras se han dibujado aleatoriamente a partir de sus poblaciones

respectivas.

La población se debe distribuir normalmente.

Unimodal (un modo).

Simétrico (las mitades izquierdas y derechas son imágenes espejo), el

mismo número de gente arriba o abajo de la media.

Acampanado (altura máxima (moda) en el medio).

Media, moda, y mediana se localizan en el centro.

Asintótico (cuanto más lejos se aleja la curva de la media, más cercana

será el eje de X; pero la curva nunca debe tocar el eje de X).

El número de personas en las poblaciones debe tener la misma varianza

(s2 = s2).Si no es el caso se utiliza otro cálculo para el error estándar.

2.5.2. PRUEBA DE T PARA UNA MUESTRA ÚNI-

CA

En este tipo de prueba se realiza el contraste con un valor promedio deter-

minado, de manera que se evalúe la hipótesis nula de similaridad estadística.

El estadístico para calcular el valor de t es el siguiente:

39
donde:

-
x = media muestral

u0 = valor especicado de comparación

n = tamaño de la muestra

s= desviación estándar

grados de libertad = n-1

La comparación del valor se realiza a partir de la distribución de t, mostrada

en la gura 2.5.2

40
 Figura 2.5.2: Tabla de distribución de t

2.5.3. PRUEBA DE T PARA MUESTRAS INDEPEN-

DIENTES

En las comparaciones con muestras independientes la hipótesis nula asume

que los valores obtenidos en las dos muestras a comparar son similares frente
a la hipótesis alternativa que maniesta que son diferentes. El valor obtenido

41
determinará la signicación que permitirá decidir si se acepta o se rechaza la
hipótesis nula.

A continuación se presentan los distintos casos especicados sistematizados

de la enciclopedia wikipedia (2013)[17].

2.5.3.1. PRUEBA DE T EN IGUALES TAMAÑO MUESTRALES

E IGUALES VARIANZAS

Utilizada cuando:

los dos tamaños muestrales (esto es, el número, n, de participantes en

cada grupo) son iguales;

se puede asumir que las dos distribuciones poseen la misma varianza.

El estadístico a usar es el siguiente:

Donde:

42
2.5.3.2. PRUEBA DE T CON DIFERENTES TAMAÑOS MUES-
TRALES E IGUALES VARIANZAS

Esta prueba se puede utilizar únicamente si se puede asumir que las dos
distribuciones poseen la misma varianza. (Cuando este presupuesto se viola,
mirar más abajo). El estadístico t si las medias son diferentes es el siguiente:

Donde:

2.5.3.3. PRUEBA DE T CON DIFERENTES TAMAÑOS MUES-

TRALES Y DIFERENTES VARIANZAS

Esta prueba es también conocida como prueba t de Welch y es utilizada

únicamente cuando se puede asumir que las dos varianzas poblacionales son
diferentes (los tamaños muestrales pueden o no ser iguales) y por lo tanto
deben ser estimadas por separado. El estadístico t a probar cuando las medias
poblacionales son distintas puede ser calculado como sigue:

Donde:

43
Aquí s2 es el estimador sin sesgo de la varianza de las dos muestras, n =
número de participantes, 1 = grupo uno, 2 = grupo dos. Nótese que en este
caso, no es la varianza combinada. Para su utilización en pruebas de
signicancia, la distribución de este estadístico es aproximadamente igual a
una distribución t ordinaria con los grados de libertad calculados según:

2.5.3.4. PRUEBA DE T PARA MUESTRAS PAREADAS

Es el tipo de prueba que se aplica en momentos antes y después. Esta prueba

se utiliza cuando las muestras son dependientes; esto es, cuando se trata de
una única muestra que ha sido evaluada dos veces (muestras repetidas) o
cuando las dos muestras han sido emparejadas o apareadas.

Las hipótesis y los estadísticos utilizados en este caso son los siguientes:

44
 Distribución
bilateral
Nótese la estimación n-1 de los grados de libertad para este caso.

Para determinar si las varianzas son iguales (homogeneidad de varianzas) o

no (heterogeneidad de varianzas) se sigue el siguiente procedimiento:

Unilateral

2.6. PRUEBA PARA DETERMINAR LA HO- izquierdo

MOGENEIDAD DE VARIANZAS (SI LAS

VARIANZAS SON IGUALES)
Unilateral
Para determinar la homogeneidad de varianzas, aplicable para determinar el
derecho
caso particular de la prueba t que se aplicará, es el siguiente:

45
1) Se calculan las varianzas de cada uno de las muestras de comparación:

2) Se calcula el estadístico Fcal a partir de la siguiente relación:

3) Los grados de libertad correspondientes para cada una de las muestras son
las siguientes:

4) Se plantea las hipótesis correspondientes:

Ho = Varianzas iguales; Si Fcal es menor que Ftab

Ha =Varianzas no iguales; Si Fcal es mayor que Ftab

5) Se estima el valor de Ftab (en la tabla de la distribución de F que se

adjunta en la sección documentos de la plataforma)

6) Se comparan los valores de de Fcal y Ftab y se sacan las conclusiones a

partir del paso 4

7) Se selecciona el procedimiento adecuado para calcular en valor de t a partir

de la información de la igualdad o no igualdad de las varianzas.

a)Plantee las hipótesis procedimiento

b)Aplique el procedimiento correspondiente para determinar el caso partic-

ular de aplicación de la prueba de "t"

c)Realice el calculo para determinar el valor de "t" calculado

d) Realice el cálculo para determinar el valor de "t" tab

e) Plantee las conclusiones respecto de la hipótesis aceptada a partir de la

comparación de los valores de t calculado y t tab.

46
Capítulo 3

DISEÑO COMPLETAMENTE
ALEATORIZADO

De acuerdo al blog de estadística, en la sección del diseño completamente

aleatorizado (2011)[18], el diseño completo azar se utiliza cuando las condi-
ciones del sitio o lugar experimental son totalmente homogéneas. En el Diseño
de Experimentos al Completo Azar, el experimentador asigna las unidades
experimentales a los tratamientos al azar, con la única restricción del número
de observaciones que se tomarán en cada tratamiento. Es el más sencillo y se
origina por la asignación aleatoria de tratamientos a un conjunto de unidades
experimentales.

3.1. ALEATORIZACIÓN

Para aleatorizar una tabla de números aleatorios resulta conveniente para

elegir las unidades experimentales que recibirá cada tratamiento. Si cada
tratamiento ha de repetirse cuatro veces, los primeros cuatro números aleato-
rios obtenidos se asignarán al tratamiento A, los siguientes cuatro números
aleatorios al tratamiento B, y así sucesivamente. Castejón (2011)[19], señala
el siguiente ejemplo al respecto:

47
Por tanto se debe aleatorizar para transformar la variabilidad sistemática no
planicada en variabilidad no planicada o ruido aleatorio; en otros términos:
prevenir contra la introducción de sesgos en el experimento. La aleatorización
evita la dependencia entre observaciones y valida muchos de los procedimien-
tos estadísticos más comunes.

Por su parte la aleatorización puede ser apropiada si:

a) El material experimental es homogéneo.

b) Donde es probable que una parte apreciable de las unidades se destruyan

o no respondan

c) En experimentos pequeños en donde la mayor precisión de otros diseños

no compensa la pérdida de grados de libertad del error.

48
3.2. EL ANÁLISIS DE VARIANZA (ANVA)

El análisis de la varianza (ANOVA) es una técnica estadística de contraste de El número

hipótesis. Tradicionalmente estas técnicas, conjuntamente con las técnicas de de grados

regresión lineal múltiple, de las que prácticamente son una extensión natural, de libertad

marcan el comienzo de las técnicas multivariantes. Con estas técnicas se se reere

manejan simultáneamente más de dos variables, y la complejidad del aparato al número

matemático se incrementa proporcionalmente con el número de variables en de observa-

juego. El análisis de la varianza de un factor es el modelo más simple: una ciones de

única variable nominal independiente, con tres o más niveles, explica una una muestra

variable dependiente continua. que pueden

tomar

Otra alternativa, que aparentemente es más lógica e intuitiva, consiste en cualquier

comparar, en todas las posibles combinaciones de dos en dos, las medias de valor posible

todos los subgrupos formados. Esto trae parejo, fundamentalmente, dos tipos (que son

de problemas:  libres

de tomar
a).- Se incrementa el riesgo de dar un resultado falso positivo, al realizar más
cualquier
de un análisis sobre un mismo conjunto de datos.
valor) una

vez que se
b).- Es difícil interpretar la verdadera inuencia de la variable que actúa
ha calculado
como factor de clasicación, porque genera diferentes niveles de signicación
previamente
(p), resultantes de las comparaciones entre sus subgrupos.
y de forma

indepen-
Mediante el ANOVA se eliminan estos inconvenientes. Con estas técnicas se
diente la
analiza globalmente la inuencia de cada variable independiente, generándose
estimación
un único nivel de signicación.
de un

Un diseño experimental debe adecuarse al material experimental con que se determinado

cuenta y a la clase de preguntas que desea contestarse el investigador. Sus parámetro

resultados se resumen en un cuadro de Análisis de Varianza y en una tabla en la mues-

de comparación de medias de tratamientos que indica las diferencias entre tra o en la

dichas medidas. El análisis de varianza proporciona la variación de la variable población de

de interés en fuentes explicables por algunos factores o tratamientos y en origen.

aquella para la cual el investigador no tiene control, no puede medir y no le es

posible explicar o atribuir a algún factor en particular, constituyendo el error
experimental. Por ejemplo: si se realiza un experimento en el cual se estudie
el uso de los aminoácidos en raciones para pollos en crecimiento y se mide

49
la ganancia de peso, la variación de dicha ganancia puede descomponerse en
fuentes de variación conocidas, atribuibles al distinto nivel de aminoácidos
usando las raciones y las fuentes de variación desconocidas o error. Esta
partición de la varianza se hace al través de la suma de cuadrados asociados
a sus respectivos grados de libertad (número de comparaciones linealmente
independientes). La realización de un Análisis de la varianza presupone la
aditividad de los errores, la homogeneidad de varianza de las poblaciones de
tratamientos y la independencia y distribución normal de los errores.

3.2.1. SUPUESTOS DEL ANÁLISIS DE VARIANZA

(ANVA)

Los supuestos que validan el análisis varianza son:

a. Los errores son independientes

b. Los errores están normalmente distribuidos con media cero y varianza

constante

c. Existe homogeneidad de varianza entre los tratamientos.

3.3. MODELO ADITIVO LINEAL DISEÑO COM-

PLETAMENTE ALEATORIZADO

El modelo matemático del presente diseño asume la siguiente estructura:

A partir de ello el modelo aditivo lineal asume los siguientes parámetros:

50
La representación esquemática para este diseño es la siguiente:

3.3.1. MODELO DE EFECTOS FIJOS. MODELO I.

Los niveles del factor son seleccionados especícamente por el experimentador

ya que el interés del experimento se centra en conocer los efectos sobre la
respuesta de estos niveles particulares

51
3.3.2. MODELO DE EFECTOS ALEATORIOS. MOD-
ELO II

En muchas situaciones el experimentador tiene interés en un factor con un

número elevado de  posibles niveles y para realizar el experimento es nece-
sario seleccionar una muestra de ellos al azar. En este caso el factor es de efec-
tos aleatorios y, en el modelo matemático del diseño los factores son variables
aleatorias idénticamente distribuidas según la distribución de la población de
niveles

3.3.3. MODELO MIXTO

Hay modelos de diseños de experimentos con factores jos y factores aleato-

rios que se denominan modelos mixtos.

3.4. ANVA PARA EL DISEÑO COMPLETA-

MENTE AL AZAR.

El cuadro para el ANVA en el diseño completamente al azar es el siguiente:

52
Donde:

3.4.1. FUENTES DE VARIACIÓN PARA EL ANVA

EN EL DISEÑO COMPLETAMENTE ALEATOR-
IZADO

Existen sólo dos fuentes de variación en el diseño completamente aleatorio:

entre unidades experimentales dentro de un tratamiento, la cual denomi-
namos error experimental y aquella entre medias de tratamiento.

Ejemplo:

En un experimento realizado se comprobó la efectividad en el ahorro de

energía, a partir de 5 fuentes energéticas renovables, con nes de disminuir su
poder contaminante (a efectos del ejemplo se considerará cada fuente como
distintas variaciones de energía osmótica o producto de las gradientes de

53
salinidad). Se consideraron 5 repeticiones para cada uno de los tratamientos
experimentales y se plantó como hipótesis nula la igualdad de medias entre
los tratamientos. A continuación se presenta los resultados del ahorro de
energía (expresado en vatios por semana).

Se pide realizar el análisis de varianza, estimar los parámetros correspondi-

entes y concluir la hipótesis que resulte del análisis:

Seguidamente:

54
De ello se tiene el siguiente cuadro del análisis de varianza:

Por tanto:

55
La tabla de F puede consultarse de la plataforma.

A partir de los elementos anteriores, de acuerdo al blog de estadística (2011)[18]

se tienen las siguientes ventajas y desventajas relacionadas con el diseño com-
pletamente al azar:

3.4.2. VENTAJAS DISEÑO COMPLETAMENTE AL

AZAR

a)Su sencillez (estadístico fácil). Aun cuando el dato de algunos tratamiento

se hayan perdido, o rechacen por alguna causa el método de análisis sigue
siendo sencillo. La pérdida relativa de información debida a los datos fal-
tantes, es de menos importancia que en cualquier otro sistema.

b) La exibilidad. Puede utilizarse cualquier número de tratamientos y repeti-

ciones y pueden variar a voluntad del investigador el numero de repeticiones
de un tratamiento a otro, pero no es recomendable sino existe una buena
razón. Todo el material experimental disponible puede usarse, lo cual es una
ventaja en experimentos preliminares pequeños donde el material experimen-
tal de que se dispone es escaso.

c) El número de grados de libertad es máximo en comparación con otros mod-

elos, el modelo estadístico sigue siendo fácil aún cuando se pierdan unidades
experimentales.

d) Aún cuando el dato de algún tratamiento se hayan perdido, o rechacen

por alguna causa el método de análisis sigue siendo sencillo.

56
3.4.3. DESVENTAJAS DISEÑO COMPLETAMENTE
AL AZAR

a)La principal estriba en su grado de precisión, algún otro diseño suele ser ca-
paz de estimar el error stándar por unidad experimental (error experimental)
con un mayor grado de precisión

b) No siempre puede garantizarse condiciones de homogeneidad. No se ase-

gura, ninguna forma para aseverar que las unidades reciben un tratamiento
similar a aquellas que reciben otro tratamiento, toda la variación que existe
entre las unidades pasa a formar parte del error experimental.

57
Capítulo 4

DISEÑO DE BLOQUES
COMPLETAMENTE
ALEATORIZADOS (DBA)

En el entendido de que en cualquier experimento se produce una variabilidad

proveniente de un factor ruido (lo extraño o aleatorio) que pueden afectar los
resultados y enmascarar la acción de los tratamientos, es importante conocer
como debe procederse para determinar la medida del efecto de este factor y
su consideración posterior en el experimento. En este sentido se puede decir
que si el factor ruido es conocido y controlable es recomendable utilizar los
bloques para reducir o controlar su efecto en la comparación estadística entre
los tratamientos.

De acuerdo a Delgado (2011)[5] este diseño consiste en asignar los tratamien-

tos en forma completamente al azar a un grupo de parcelas, llamados bloques
o repeticiones, con la condición que dicha bloque o conjunto de unidades ex-
perimentales sea lo más homogéneo posible. El objetivo de realizar un agru-
pamiento de unidades experimentales, es escoger aquellas más parecidas de
manera de reducir hasta donde sea posible la variabilidad dentro de cada
bloque y así evitar que los efectos de tratamiento se vean enmascarados o
confundidos por la heterogeneidad de las unidades experimentales a las cuales
se asignan los tratamientos de interés. Es por ello que el diseño en bloques
completos con tratamientos aleatorizados DBA se considera mas eciente

58
que el diseño completamente al azar (DCA) para controlar la variabilidad
del material experimental. Generalmente, el número de bloques es igual al
número de tratamientos. El adjetivo "completos" se reere a que todos los
tratamientos aparecen representados en cada uno de los bloques del experi-
mento.

Este diseño ofrece menos grados de libertad para estimar el error, comparado
con el DCA, esta reducción se debe a los grados de libertad necesarios para
estimar el efecto de bloques. Es por ello que debe existir una razón real
de bloqueo para usar este diseño, es decir entre mayor sea la variabilidad
entre bloques más eciente será el diseño para detectar diferencias entre
tratamientos.

En el diseño de bloques al azar es importante comprender la lógica de asig-

nación al azar de los tratamientos en las unidades experimentales para la
conformación de cada bloque. Esta asignación surge por la agrupación de
cada conjunto de tratamientos en unidades experimentales homogéneas den-
tro de sí con relación a otros bloques heterogéneos respecto de las anteriores
agrupaciones. Esta lógica de acuerdo a Castejón (2011)[6] se evidencia en la
gura a continuación:

59
De ello puede derivarse en las típicas representaciones de los bloques como
se muestran a continuación:

60
De ello se determina que los objetivos de conformación de bloques son:

a) Maximización de las diferencias entre los bloques.

b) Minimización de la variación dentro de los bloques.

4.1. MODELO ADITIVO LINEAL PARA EL

DISEÑO DE BLOQUES AL AZAR (DBA)

El modelo aditivo lineal para el diseño de bloques al azar es el siguiente:

Donde:

Siendo las hipótesis planteadas las siguientes:

61
4.2. REPRESENTACIÓN ESQUEMÁTICA PARA
EL DISEÑO DE BLOQUES AL AZAR (DBA)

La representación esquemática convencional para los tratamientos y bloques

es la siguiente:

4.3. MODELO PARA EL ANÁLISIS DE VAR-

IANZA (ANVA)

El modelo para al análisis de varianza es el siguiente:

62
Donde:

Siendo el Factor de corrección el siguiente:

63
Siendo la suma de cuadrados totales:

Ejemplo:

En un experimento realizado para comprobar la efectividad de 4 tratamientos

secundarios biológicos para el tratamiento de la materia orgánica disuelto de
las aguas residuales, se ha decidido aplicar un diseño de bloques completa-
mente aletorizados dispuestos en 5 bloques. Los resultados encontrados para
cada uno de los tratamientos en los bloques distribuidos fueron los siguientes
(Los datos presentados se encuentran expresados en mg/L)

Se pide vericar si existe diferencia signicativa entre los tratamientos o si

las diferencias se deben más bien al azar (aceptar y/o rechazar hipótesis nula
o alternativa)

Realizando la aplicación del procedimiento para el análisis ANVA, se obtienen

los siguientes cálculos:

64
Donde:

65
Obteniéndose en consecuencia el siguiente cuadro del análisis de varianza:

Para probar que Ho: en oposición a Ha: al menos un tratamiento diferente de

los demás con un a =0.05 , obtenemos = 3.490 de la tabla correspondiente

66
y puesto que Fo>3.490 se rechaza Ho con un a =0.05 y se concluye que al
menos un tratamiento es diferente.

4.4. VENTAJAS DISEÑO BLOQUES AL AZAR

(DBA).

67
4.5. DESVENTAJAS DISEÑO DE BLOQUES
AL AZAR (DBA).

4.6. EFICACIA RELATIVA DE UN DISEÑO

EXPERIMENTAL

Para realizar la comparación de un diseño respecto de otro, se aplica usual-

mente como medida de comparación la relación porcentual de la varianza del
error de un diseño respecto de otro. En términos generales será más eciente
aquel diseño que posea menor varianza del error. Por tanto la fórmula para
estimar esta eciencia relativa viene dada por:

68
Ejemplo:

No obstante de ello, Fisher recomienda además a efectos de mejorar la con-

abilidad de tomar en cuenta los grados de libertad del error de los diseños en
comparación. Para ello sugiere el siguiente ajuste multiplicado a la fórmula
de la Eciencia Relativa:

De ello y considerando el ejemplo anterior el ajuste vendría representado por:

69
Adicionalmente autores como Sokal y Rohlf, citados por Castejón (2011)[6],
sugieren considerar además los costos que involucra el implementar estos
diseños. En cualquier caso seguramente el diseño con menor costo, indepen-
dientemente de su eciencia relativa será el que seguramente se elegirá en
caso de su implementación.

4.7. PÉRDIDAS U OBSERVACIONES FAL-

TANTES EN UN DBA. CORRECCIÓN
DE YATES

Por el resultado de pérdidas accidentales de observaciones en una o varias

unidades experimentales, se hace necesario considerar un análisis estadística
para desigual número de observaciones o la corrección de Yates para obser-
vaciones faltantes, que se explicará precisamente a continuación,

No obstante deben considerarse previamente los siguientes aspectos:

A) Se pierde todo un tratamiento. Solución: se analiza el experimento con

un tratamiento menos.

B) Se pierde todo un bloque. Solución: se analiza el experimento con un

bloque menos

C) Se pierden algunas unidades experimentales (existen tres casos) Que

se pierda una unidad, que se pierdan dos unidades o que se pierdan tres
unidades, si se pierden mas de tres unidades experimentales, se debe repetir
el experimento.

70
4.7.1. UNA UNIDAD EXPERIMENTAL PERDIDA.

El modelo de estimación (Yates) es el siguiente:

Donde:

Ejemplo:

Se tienen los siguientes datos:

Los datos calculados serán:

El dato estimado se coloca en donde falta el dato y se calcula el ANVA de

forma usual. Pero se resta un grado de libertad al error y al
total y se recalcula el cuadrado medio del error y la F.

71
4.7.2. DOS UNIDADES EXPERIMENTALES PERDI-
DAS.

Se realiza previamente una estimación inicial de una de las unidades experi-

mentales perdidas (X):

Donde:

Teniendo X estimar Y, con la fórmula de YATES:

Teniendo Y estimar X, con la fórmula de YATES:

Donde:

Repetir, por iteracciones, los pasos anteriores hasta que los resultados sean
constantes:

72
Ejemplo:

Estimación inicial de x:

Construyendo la tabla de iteracciones:

Datos nales: ,

Se reducen dos grados de libertad al error y al total y se recalcula la tabla

de ANVA, en función a estas modicaciones.

4.7.3. TRES UNIDADES PERDIDAS.

Siguiendo el mismo patrón anterior se realizan las estimaciones iniciales:

73
Donde:

Conociendo X,Y estimar Z (fórmula de YATES)

Conociendo Y,Z estimar X:

Conociendo X,Z estimar Y:

Donde (En todos los casos):

74
Ejemplo:

Tabla de iteracciones:

Datos nales:

Se reducen tres grados de libertad al error y tres al total y se recalcula la

tabla de ANVA, en función a estas modicaciones.

75
Capítulo 5

PRUEBAS DE
COMPARACIONES
MÚLTIPLES

En la evaluación de los diseños experimentales aplicando el análisis de vari-

anza (ANVA) se puede establecer el comportamiento global en términos de
la signicación comparativa entre los tratamiento y consiguientemente en la
aceptación o rechazo de las hipótesis nula o alternativa planteadas previa-
mente. Es decir, establecer globalmente el efecto de la variable independiente
o la fuente de variación sobre los resultados en la variable efecto.

No obstante de ello, la limitación de la evaluación global radica en que no

determina cuáles de los tratamientos en particular con otros presentan difer-
encias signicativas con relación a otros comparativamente hablando. De ahí
la necesidad de realizar comparaciones entre los tratamientos de manera par-
ticular para evaluar, precisamente, de manera comparativa si sus diferencias
pueden o no considerarse signicativas. Planteándose para ello nuevamente
las hipótesis, tanto nula como alternativa, para luego a partir de la prueba
realizada, se acepte o rechace la pertinencia de las mismas.

Aunque existen varias pruebas de comparaciones múltiples como lo describe

Steel y Torrie (1997)[4], a efectos del presente material para la asignatura,
describiremos las pruebas de: Diferencia mínima signicativa, la prueba de
Tukey, la prueba de Duncan, la prueba de Dunnett y la prueba de Scheé.

76
A efectos de una comprensión práctica de cada una de las pruebas, presenta-
mos a continuación un ejemplo presentado por que nos servirá de base para
el desarrollo de cada una de las pruebas mencionadas, a partir del proced-
imiento planteado por Dos Santos, M. (2003)[3]:

Ejemplo:

Una fábrica industrial tiene cuatro plantas y sabe que la planta A satisface los
requisitos impuestos por la regulación ambiental para el control de desechos
de fabricación, pero se requiere determinar cuál es la situación de las otras
tres. Para el efecto se toman cinco muestras de los líquidos residuales de
cada una de las plantas y se determina la cantidad de contaminantes. Los
resultados encontrados a partir del experimento en un diseño completamente
aleatorizado, son los siguientes:

Una vez realizado el análisis de varianza, utilizando el software ANOVA de

la asignatura, se tienen los resultados siguientes:

77
Habiendo aceptado la hipótesis alternativa y concluido que existen diferen-
cias signicativas entre los tratamientos, se requiere saber el comportamiento
individual de las medias de los tratamientos. Es decir, responder que grupo
de tratamientos es signicativamente del resto.

A este efecto se presenta a continuación el análisis realizado para las pruebas

de comparación mencionadas anteriormente:

5.1. DIFERENCIA MEDIA SIGNIFICATIVA

La diferencia mínima signicativa, denominada también DMS, fue planteada

por primera vez por Fisher en 1935 y resulta de la aplicación de la prueba
modicada de t student, de la siguiente manera:

A partir del estadístico de contraste de la prueba de t con número de

observaciones semejantes en los grupos de comparación, n1=n2=nk:

Generalizando las diferencias por y despejando éste término de la

fórmula anterior, tenemos el valor de la DMS, expresado por:

78
Si consideramos, además, que la varianza de los datos comparados es igual
al cuadrado medio del error, tenemos la siguiente expresión:
q
2CM e
DM S = t1− α2 ,glerror n

Que representa en denitiva la fórmula que se aplica para encontrar la DMS

en las comparaciones de medias.

En el ejemplo planteado, reemplazamos valores, buscamos el valor de t en la

tabla de distribución de dos colas, para 0,05 de error y 16 grados de libertad
(en el anexo) y obtenemos:

Encontrando posteriormente el valor absoluto de las diferencias comparativas

de las medias , obtenemos el siguiente cuadro:

Observamos claramente que dos valores comparativos exceden a la DMS=0,2314,

y son las medias , consiguientemente se concluye que

existe una diferencia signicativa entre dichas medias comparadas.

79
5.2. PRUEBA DE TUKEY

Denominada también Diferencia Honesta Signicativa de Tukey, al igual que

la DMS, se aplica siempre y cuando se haya obtenido diferencias signicativas
en los tratamientos de comparación. La fórmula de estimación del valor para
comparación de Tukey, es similar a la DMS, con la diferencia que en vez de la
estimación de t de la DMS se debe calcular un valor q de Tukey, de acuerdo
a la tabla de distribución del anexo. Consiguientemente la expresión para el
cálculo del valor de comparación para Tukey, DT, es el siguiente:

q
CM e
DT = qα,K,Glerror n

Siendo (alpha) el nivel de signicancia, K el número de tratamientos y Gl los

grados de libertad del error.

En el caso del ejemplo propuesto, reemplazando los valores tenemos los sigu-
ientes resultados:

DT=

Comparando las diferencias de los valores absolutos encontrados de las medias

obtenemos los siguientes resultados:

80
Se observa claramente que las diferencias de los promedios son
mayores que el valor DT=0,3127 calculado. Por tanto la diferencia compar-
ativa entre ambos promedios es signicativa.

5.3. PRUEBA DE RANGO MÚLTIPLE DE DUN-

CAN

Esta prueba utiliza múltiples valores de comparación para determinar la sig-

nicancia en la comparación de medias. Estos rangos denominados por Dun-
can como rangos mínimos signicativos servirán de valores para la compara-
ción del valor absoluto de las diferencias encontradas. La expresión para el
cálculo de estos rangos es la siguiente:

Rp = dα,k,Glerror × Sj

Donde:
q
CM error
Sj= n

Por tanto:
q
CM error
Rp = dα,k,Glerror n

donde (alpha) representa la signicancia, k el número de tratamientos (val-

ores que se toman entre 2 y k tratamientos) y Gl los grados de libertad del
error, a partir de estos parámetros se obtiene el valor de d, de la tabla de
Duncan, presentado en el anexo.

5.3.1. PROCEDIMIENTO DE CÁLCULO RANGO MÚLTI-

PLE DE DUNCAN

Inicialmente se colocan las medias en orden ascendente

Se obtienen los intervalos signicativos

81
 Se obtienen los mínimos intervalos signicativos signicativos

Se calculan las diferencias de las medias y se realiza la comparación con

los mínimos intervalos signicativos correspondientes.

Ejemplo,

Si en la medición de agentes contaminantes mineros en el río Pilcomayo

se encuentran los porcentajes de contaminación por cuatro auyentes que
convergen desde cuatro zonas de contaminación, se ha obtenido una diferencia
signicativa entre las zonas, con un CMe=13,458 de un total de 4 repeticiones
obtenidas en diferentes tramos para cada una de las zonas, se requiere saber
cuáles parejas de medias tienen diferencias signicativas. Las medias de los
cuatro euyentes expresados en porcentaje son las siguientes (las mismas ya
fueron ordenadas en forma ascendente). Aplicando el procedimiento señalado
se obtiene:

82
Los signos * (asterisco) en cada una de las comparaciones denotan una difer-
encia signicativa en la comparación.

5.4. PRUEBA DE DUNNET

Se aplica para comparaciones con un promedio control o con un promedio

de referencia, respecto del cual requerimos conocer su signicancia. El valor
de comparación para la prueba de Dunnet (DNT) se calcula con la siguiente
expresión:
r  
DN T = dα,v,p CM e n1i + 1
na

donde alpha es la signicación, v es el número de grados de libertad del error

en el ANVA y p es el número de tratamientos. Con todos estos parámetros
debe buscarse en la tabla de Dunnet (en el anexo) el valor correspondiente
de d, para luego multiplicar por la raíz del cuadrado medio del error, mul-
tiplicado por la suma de los inversos del número de datos para cada uno de
los promedios de comparación.

Ejemplo,

Si consideramos el ejemplo planteado al inicio del tema y consideramos al

tratamiento A como control o valor promedio de comparación, reemplazando
valores tenemos los siguientes resultados:

83
DNT =

Posteriormente si calculamos el valor absoluto de las diferencias de compara-

ción, tendremos los siguiente:

A partir de estos resultados encontramos que la planta D con relación a la

planta testigo A, presenta diferencias signicativas, en tanto el valor de la
diferencia es mayo del valor estimado DNT.

5.5. PRUEBA DE SCHEFFÉ

Esta prueba utiliza un factor de ajuste para la estimación de un valor de

comparación para el valor absoluto de las diferencias entre las medias.

El factor de ajuste FA se estima por la siguiente expresión

p
FA = (k − 1) × F1−α,K−1,Glerror

Siendo el valor de Scheé el siguiente:

q
2CM e
S = FA × n

donde:

p q
S = (k − 1) × F1−α,K−1,Glerror × 2CM
n
e

84
Siendo alpha la signicancia, K el número de tratamientos y GL los grados
de libertad del error.

Si tenemos una evaluación de índices de calidad de aire en 8 diferentes re-

giones, tomando medidas de 6 repeticiones y habiendo realizado un análisis
de varianza, se ha obtenido un valor del CMe=141,6. Los Gl del error con
un valor de 40 y las medias de cada una de las regiones con los siguientes
valores:

Calculando el valor S de Scheé, reemplazando valores se obtienen los sigu-

ientes resultados:

Realizando todas las comparaciones posibles entre las diferencias de los prome-
dios, se tienen los siguientes valores:

85
Comparando con el valor de Scheé S=27,3 se evidencia que ninguna de
las diferencias son mayores a este valor de referencia, consiguientemente no
existen diferencias signicativas entre los promedios comparados.

86
Capítulo 6

DISEÑO DE CUADRADO
LATINO

El diseño de cuadrado latino presenta una fuente de variación adicional cono-

cida, al diseño de bloques al azar estudiados en el capítulo anterior. Esto
quiere decir que en este tipo de diseño se controlarán dos factores de blo-
queo, conocidos, que tienen un efecto de variabilidad en la respuesta de la
variable dependiente del diseño experimental.

Aunque originalmente el diseño de cuadrado latino ha sido planteado para

experimentos agropecuarios, en la actualidad se aplica a diferentes ramas de
la ciencia experimental. No obstante de ello, el planteamiento original de este
tipo de diseño se mantiene a partir del control experimental de dos factores
de bloqueo, como se muestra en el siguiente bosquejo en la gura 6.0.1.

Figura 6.0.1: Bosquejo del planteamiento de un diseño de cuadrado latino

87
Debe hacerse notar que, en honor a la referencia del diseño como cuadrado,
debe existir en este tipo de diseño un mismo número de las y columnas (t
* t).

La lógica de agrupación de los tratamientos considerando todas las particu-

laridades asumidas en un tipo de diseño de cuadrado latino se muestra en el
esquema de la gura6.0.2.

Figura 6.0.2: Esquema de agrupación del diseño de cuadrado latino

En el esquema anterior se puede apreciar que a partir de un conjunto de

guras dispuestas, se organiza inicialmente por la forma y luego por el col-
or además de identicar cada gura con una letra en particular para cada
tratamiento. De esta manera se observa que existen tres criterios de agru-
pación: por la forma, color y el tratamiento representado pos las letras latinas.

88
Otra representación que nos ayudará a comprender la lógica de control del
diseño de cuadrado latino se muestra en la gura 6.0.3. En esta representación
se observa la forma en la que trabaja este diseño, pues se observa claramente
que existen tres factores de variación en el ejemplo: los íconos de las cartas,
los colores de los cuadros y las letras. Éstas fuentes de control de variación,
en términos del diseño, están representados por el control de la variación de
las las, de las columnas y de los tratamientos.

Figura 6.0.3: Representación ejemplicada de control de un diseño de cuadra-

do latino

89
6.1. ALEATORIZACIÓN DE UN CUADRA-
DO LATINO

A efectos de obtener una adecuada aleatorización en un diseño de cuadrado

latino, deben observarse los siguientes pasos:

Partir de un cuadrado latino estandar con un tamaño denido.

Aleatorizar las columnas en el cuadrado de acuerdo al tamaño denido.

Aleatorizar las las a partir del cuadrado resultante del paso anterior.

Asignar aleatorizamente letras a los tratamientos dispuestos.

Como se observa en el proceso de aleatorización del cuadrado latino, existen

varios procesos de aleatorización que deberían garantizar la aleatoridad en
este tipo de diseño.

6.2. SUPUESTOS EN EL DISEÑO DE CUADRA-

DO LATINO

Los principales supuestos que debe cumplir el diseño de cuadrado latino son
los siguientes:

Normalidad, es decir que la distribución de los datos siga una distribu-

ción normal.

Homocedasticidad e independencia, es decir determinar que la varianza

de los residuos es constante y no varía en los diferentes niveles del factor.

Adivitividad entre las, columnas y tratamientos de manera que se

garantice la no existencia de interacción entre las mismas.

90
6.3. MODELO LINEAL DEL DISEÑO DE CUADRA-
DO LATINO

El modelo lineal del diseño de cuadrado latino es el siguiente:

Donde:

6.4. ANÁLISIS DE VARIANZA PARA EL DIS-

EÑO DE CUADRADO LATINO

La simbología y el esquema para el análisis de varianza se muestra en la

gura 6.4.1

91
Figura 6.4.1: Esquema para análisis de varianza para diseño de cuadrado
latino

Considerando además que:

Ejemplo

Una investigación sobre conservación de materia orgánica de suelos con 4

tipos distintos de cubiertas vegetales, consideró dos factores adicionales de
control. El factor pendiente en el terreno del ensayo, además del análisis
químico para disponibilidad de nitrógeno en el suelo. A partir de esta infor-
mación previa en la planicación del experimento se obtuvieron los siguientes
resultados, expresados en g/unidad experimental de suelo:

92
Planteando las hipótesis correspondientes, se tiene:

Realizando el análisis de varianza con el programa ANOVA se tienen los

siguientes resultados:

Obteniéndose como resultado nal una alta signicancia para cada uno de
los factores de variación, por tanto se rechaza la hipótesis nula y se acepta
la hipótesis alternativa.

93
6.5. VENTAJAS DEL DISEÑO DE CUADRA-
DO LATINO

De acuerdo Echavarría (2001)[1] se tienen las siguientes ventajas de este tipo

de diseño:

Si se conocen dos fuentes de variabilidad de las unidades experimen-

tales y se puede hacer un  bloqueo en dos direcciones, se va a poder
hacer una comparación más precisa de los tratamientos (se tiene más
potencia) pues la variación debida a las las y las columnas es removida
del error experimental.

Es fácil de analizar, comparado con el diseño de bloques al azar, sólo

se requiere de una suma de cuadrados adicional.

Cuando se tienen cuadrados pequeños (lo que implica pocos grados

de libertad para el error experimental) se pueden utilizar varios de
estos cuadrados de poco tamaño y realizar un análisis combinado de
los mismos en algo que se llama cuadrados latinos repetidos.

6.6. DESVENTAJAS DEL DISEÑO DE CUADRA-

DO LATINO

Las principales desventajas de este diseño son las siguientes:

El número de tratamientos, las y columnas debe ser igual, a veces

es difícil encontrar unidades experimentales que permitan armar los
bloques homogéneos en las dos direcciones, más aún, si el número de
tratamientos es grande.

Los diseños pequeños tienen pocos grados de libertad para la estimación

del error experimental y a medida que el tamaño del diseño aumenta,
es posible que no se tenga homogeneidad al interior de cada bloque.

No es un diseño adecuado si existe interacción entre los efectos de la,

columna y tratamientos.

94
6.7. VARIACIONES AL DISEÑO CUADRA-
DO LATINO

6.7.1. DISEÑOS CROSS-OVER

Existen diseños experimentales que debido a la poca disponibilidad de las

unidades experimentales cada unidad experimental recibe en diferentes tiem-
pos todos los tratamientos a evaluar. En este tipo de diseño las unidades ex-
perimentales se podrían considerar efectos columna y los periodos de tiempo
a las las, donde cada unidad experimental recibiría en orden aleatorio todos
los tratamientos, tal como se muestra en la gura 6.7.1.

Figura 6.7.1: Esquema para el planteamiento del diseño cross-over

Debe establecerse que para el uso de este tipo de diseño debe asegurarse
de que no existe un efecto residual de los tratamientos. De existir alguna
duda, debe aplicarse cada tratamiento con un periodo de descanso para cada
periodo consecutivo.

6.7.2. RECTÁNGULOS LATINOS

Cuando existan cuadrados latinos pequeños y consiguientemente pocos gra-

dos de libertad del error, es posible aumentar ya sea el número de las o de
columnas (solamente alguna de ellas) de forma que se llegue a la forma t*mt,
obteniéndose por ejemplo un esquema como:

95
Cuyo modelo lineal llegaría ser:

donde:

y la tabla de análisis de varianza quedaría como sigue:

También es posible, particularmente cuando los grados de libertad del error

son reducidos, el aplicar varios cuadrados latinos repetidos, es decir realizar
varias repeticiones del cuadrado latino original.

96
Capítulo 7

DISEÑO DE PARCELAS
DIVIDIDAS

En condiciones experimentales en las que se requiere el control de más de una

variable independiente para medir el efecto sobre la variable dependiente, se
hace necesario plantear un diseño que además de controlar la variación de los
factores de la variable independiente logre además ajustar el diseño al control
ya sea hacia las repeticiones o bloques y por supuesto las interacciones que
podrían manifestarse a partir de los factores considerados.

De esta forma surge el diseño denominado de parcelas divididas que en su

forma básica presenta al menos dos variables independientes de variación.
Ambas se organizan en función de la jerarquía de acción, a la primera vari-
able independiente asignada en un primer nivel se suele denominar factor
principal, unidad mayor, parcela principal o parcela grande y a la segunda
variable asignada en un segundo nivel, factor secundario o subunidad.

El factor de aleatorización para la parcela principal puede ajustarse a cua-

lesquiera de los esquemas de aleatorización convencionales, ya sea a un diseño
completamente al azar, un diseño de bloques al azar o un diseño de cuadrado
latino. Para las subunidades la aleatorización se produce al azar.

Para una mejor compresión del ajuste al esquema de aleatorización, consid-

eremos dos variables independientes o factores de variación. Si asumimos que

97
el primer factor tendrá tres niveles y el segundo dos, obtendremos esquemáti-
camente:

Si consideramos los esquemas de aleatorización tradicionales, obtendremos

los siguientes resultados de distribución aleatorizada de los factores y sus
niveles:

Para un diseño completamente aleatorizado

Para un diseño de bloques al azar

Para un diseño de cuadrado latino

98
7.1. ESQUEMAS DE ALEATORIZACIÓN PARA
EL DISEÑO DE PARCELAS DIVIDIDAS.

Para una comprensión del ajuste del diseño de parcelas dividas a un esquema
de aleatorización, se presenta a continuación los posibles ajustes, consideran-
do el ejemplo de los dos factores y sus correspondientes niveles presentados
en los acápites anteriores.

Diseño de parcelas divididas ajustado a un diseño completamente al

azar, con la asignación del factor a a las parcelas principales y el
factor b a las subunidades.

Diseño de parcelas divididas ajustado a un diseño de bloques al azar,

con la asignación del factor a a las parcelas principales y el factor b
a las subunidades.

99
Diseño de parcelas divididas ajustado a un diseño completamente al
azar, con la asignación del factor b a las parcelas principales y el
factor a a las subunidades.

Diseño de parcelas divididas ajustado a un diseño de bloques al azar,

con la asignación del factor b a las parcelas principales y el factor a
a las subunidades.

100
Si bien es factible que exista un ajuste a un diseño de cuadrado latino, éste
no es muy frecuente, consiguientemente no es necesario consignarlo dentro
de los esquemas de ajustes presentados.

Debe también considerarse que los factores de variación o las variables inde-
pendientes presentadas no deben considerarse como factores de bloqueo.

7.2. ANÁLISIS DEL DISEÑO DE PARCELAS

DIVIDIDAS CON DOS FACTORES DE
VARIACIÓN.

A efectos de la comprensión práctica del diseño de parcelas dividas, se pre-

senta a continuación el análisis para dos factores de variación ajustado a un
esquema de aleatorización de bloques al azar, que se constituye en el caso
más común de aplicación de este tipo de diseño.

7.2.1. MODELO LINEAL DEL DISEÑO DE PARCE-

LAS DIVIDIDAS CON DOS FACTORES DE VARIACIÓN
AJUSTADO A UN DISEÑO DE BLOQUES AL
AZAR.

El modelo de ajuste lineal para el diseño de parcelas divididas ajustados a

un diseño de bloques al azar es el siguiente:

Yijk = µ + Bloquek + Ai + eai + Bj + ABijk + ebj

Donde:

Yijk = lectura del tratamiento en el iésimo factor principal, jésimo factor

secundario y el késimo bloque.

u =promedio poblacional de la variable respuesta.

Ai = Efecto del factor principal A

101
eai = Error asociado al iésimo nivel del factor A.

Bj = Efecto del factor secundario B

ABijk = Efecto de la interacción de los factor principal A en su iésimo nivel

y el factor secundario B y su jésimo nivel en el késimo bloque.

ebj = Error asociado al jésimo nivel del factor B.

7.2.2. ANÁLISIS DE VARIANZA DEL DISEÑO DE

PARCELAS DIVIDIDAS CON DOS FACTORES
DE VARIACIÓN AJUSTADO A UN DISEÑO
DE BLOQUES AL AZAR.

El esquema para el análisis de varianza es el siguiente:

Donde:

102
Ejemplo:

Un estudio de conservación y regeneración de la vegetación nativa forrajera

en las pampas del Lequezana en Potosí, ha utilizado dos factores para la
producción de semilla en primera instancia a mediano plazo y la producción
de materia verde necesaria para la conservación del suelo y el mejoramiento
de su contenido de materia orgánica de manera sostenible en el mismo. En
este sentido se ha aplicado para el factor principal a tres niveles iniciales
de compost-fertilizante y tres niveles para el nivel secundario b expresado
en días de para el corte del forraje y el posterior cubrimiento del suelo, la
representación esquemática de lo mencionado es la siguiente:

El esquema de aleatorización en el diseño de parcelas divididas en las que se

aplicó este experimento, se ajustó a una aleatorización en bloques al azar,
como se muestra a continuación:

103
Los resultados encontrados para la variable dependiente relacionada con el
rendimiento de materia verde o follaje, evaluado al nal del ciclo a los 180
días, fueron los siguientes (expresados en kg/ha):

El proceso de análisis se divide en dos partes: El análisis de las parcelas

principales y de las subparcelas.

Para el caso de las parcelas principales, esquemáticamente tendremos la sigu-

iente agrupación, necesaria para el análisis.

104
Resumiendo los datos de acuerdo al criterio de agrupación del factor principal
a por bloque, tendremos lo siguiente:

Calculado las sumas de cuadrados:

105
Considerando ahora las subparcelas o subunidades, tenemos el siguiente cuadro
que agrupa las combinaciones del factor a y b.

Calculando las sumas de cuadrados, tendremos:

106
Para el cálculo de los grados de libertad tanto para el factor principal como
para el secundario, tenemos el siguiente esquema:

107
Finalmente, a partir de los resultados encontrados, el cuadro de análisis de
varianza será el siguiente:

108
7.2.3. USOS Y APLICACIONES FRECUENTES

109
Capítulo 8

DISEÑOS FACTORIALES.

Más que diseños en sí mismos se constituyen en disposiciones de tratamien-

tos organizados de manera que se pueda estudiar el efecto de dos o mas
factores o variables independientes sobre la variable efecto o respuesta. Esta
disposición implica una combinación de uno o más diseños simples a efectos
de buscar la respuesta principal, simple y recíproca o de interacción de los
factores y los niveles correspondientes del experimento. Los diseños factores
se clasican de acuerdo a tres criterios: La cantidad de niveles, la cantidad
de combinaciones y el tipo de control. Según la cantidad de niveles, estos
pueden ser constantes o variables. Una cantidad constante de valores implica
igualdad de los niveles para cada uno de los factores estudiados, por ejemplo
para un diseño de 2 factores por 2 niveles se presentará por 22 y para k fac-
tores por 2 niveles, la representación será 2k. En cambio cuando la cantidad
es variable se tendrán distintos niveles para cada uno de los factores estudi-
ados, caso en el que el diseño será desbalanceado o no proporcionado. Según
la cantidad de combinaciones puede obtenerse un diseño factorial completo
o incompleto-fraccionado. En el diseño factorial completo se obtienen todas
las combinaciones posibles de las variables en cada variable o cada factor
a diferfencia del factorial incompleto donde solamente una parte fracciona-
da se distribuye en cada factor. El tipo de control de las variables extrañas
está determinado por el tipo de ajuste al diseño unifactorial y la distribu-
ción aleatoria consiguiente. Por ejemplo un diseño completamente al azar, de
bloques al azar, cuadrado latino, etc.

110
La tabla 8.0.1 nos muestra un resumen de los criterios para la clasicación
de los diseños factoriales.

Cuadro 8.0.1: Criterios para la clasicación de los diseños factoriales

8.1. EFECTOS DE LOS DISEÑOS FACTORI-

ALES

8.1.1. EFECTOS PRINCIPALES

Se constituyen en la medida del efecto global del factor considerado respecto

de los otros factores y sus niveles correspondientes.

8.1.2. EFECTOS SIMPLES

Es la medida del efecto concreto de un determinado nivel de un factor o

variable independiente.

111
8.1.3. EFECTOS SECUNDARIOS

Es la medida del efecto cruzado o la interacción entre los factores o variables

independientes de estudio. Ampliando el concepto de los efectos secundarios
se hace necesario entrar en un mayor detalle referido a los tipos de interacción.

8.1.4. TIPOS DE INTERACCIÓN

8.1.4.1. INTERACCIÓN POR SINERGISMO

Que se maniesta cuando el efecto combinado de la interacción es mayor al

efecto por separado. Si nuestras variables independientes son tipos de drogas
o medicamentos farmacológicos, el esquema comparativo sería el siguiente:

112
8.1.4.2. INTERACCIÓN POR ANTAGONISMO.

Que se maniesta cuando el efecto combinado de la interacción es menor al

efecto por separado. Si nuestras variables independientes son tipos de drogas
o medicamentos farmacológicos, el esquema comparativo sería el siguiente:

8.1.4.3. INTERACCIÓN ADITIVA.

Que se maniesta cuando el efecto combinado de la interacción es igual a

la suma de cada efecto por separado. Si nuestras variables independientes
son tipos de drogas o medicamentos farmacológicos, el esquema comparativo
sería el siguiente:

113
8.2. GRÁFICOS DE INTERACCIÓN

A partir de las consideraciones anteriores y tomando en cuenta además para

el gráco de la interacción, en un ejemplo ilustrativo, a los niveles del factor
A. En el eje de las ordenadas los promedios de las interacciones y los valores
de tendencia a los valores correspondientes para cada nivel del factor B,
tendremos las gura 8.2.1,gura 8.2.2 y la gura 8.2.3, que nos muestran
un comportamiento sin interacción, una interacción débil y una interacción
fuerte.

114
Figura 8.2.1: Comportamiento sin interacción.

Figura 8.2.2: Interacción débil

115
 Figura 8.2.3: Interacción fuerte

8.3. EL EXPERIMENTO FACTORIAL 2 X 2

AJUSTADO A UN DISEÑO COMPLE-
TAMENTE AL AZAR.

8.3.1. MODELO LINEAL.

Donde:

116
8.3.2. SINOPSIS DE LA SUMA DE CUADRADOS

Las sumas de cuadrados calculados para este experimento factorial debe en-
tenderse siguiendo el siguiente esquema sinóptico.

117
Debe hacerse notar que la variación entre grupos está determinada por el
comportamiento del factor A, el factor B y la interacción AB. La variación
intra grupos corresponde al error experimental. Desarrollando las fórmulas
correspondientes se tiene:

Para el cálculo de los factores de SCA, SCB y SCAB, es necesario calcular

previamente una matriz de datos acumulados de la siguiente manera:

A partir de esta tabla se calculan las sumas de cuadrados correspondientes:

118
Los grados de libertad para cada factor será el siguiente:

Ejemplo:

En un experimento de evaluación de dos métodos de control de residuos

líquidos de contaminación minera A1 y A2 aplicados en dos momentos críticos
distintos B1 y B2, se obtuvieron los siguientes resultados (expresados en
valoración de efectividad en una escala de 1 a 10):

Las hipótesis de nulidad para cada uno de los factores A, B y AB, serán:

119
Consecuentemente las hipótesis de alternabilidad serán:

Realizando el cálculo de la suma cuadrados:

Construyendo la tabla de totales acumulados:

120
Calculando la suma de cuadrados de los factores:

Obtendremos el cuadro del análisis de varianza:

121
Realizando el cálculo en el software  anova ,vericaremos los anteriores re-
sultados encontrados:

Los resultados nos muestran una alta signicancia para los tratamientos en
global, el Factor A y el Factor B. No así para interacción AxB que mues-
tra una no signicancia. Se deja como ejercicio una mayor interpretación y
discusión de las conclusiones.

122
Capítulo 9

DISEÑO FACTORIAL DE TRES

FACTORES.

Estos tipos de diseños experimentales son aquellos en los cuales se involucran

en su estudio tres factores; es decir, que se esta interesado en los efectos que
producen los tres factores en la variable respuesta en forma individual y
conjunta (interacción). A los cuales se les llama Diseños Trifactoriales.

Sean, A,B y C los factores que se van a estudiar en un experimento; el

factor A tiene  a niveles, el factor B tiene  b niveles y el factor C tiene  c
niveles; por lo tanto, cada repetición del experimento tiene todas la  abc
combinaciones de tratamiento y en general hay  n repeticiones (n >2). El
orden en que se toman las  abcn observaciones en el experimento debe ser
aleatorio, de modo que este es un diseño completamente aleatorizado.

Existen tres efectos principales (A,B y C), tres efectos dobles (AB,AC y BC
) y un efecto triple (ABC).

9.1. REPRESENTACIÓN SIMBÓLICA DE LOS

DATOS.

Ya que existen tres factores, el factor A con  a niveles, el factor B con

 b niveles y el factor con  c niveles y  n réplicas en el experimento. Por lo

123
tanto, la representación de los datos observados para un diseño Trifactorial
tiene la siguiente forma:

Una observación de la tabla yijkl signica que el factor A se encuentra en

el i-ésimo nivel (i=A,2,...,a), el factor B se encuentra en el j-ésimo nivel
(j=A,2,..,b) y el factor C se encuentra en el k-ésimo nivel (k=A,2,...,c) y la l-
ésima réplica (l=1,2,...,n) de los niveles de los factores A,B y C. Por ejemplo,
la observación y2321, es la observación de la primera réplica del nivel 2 del
factor C , el tercer nivel del factor B y el segundo nivel del factor A.

El número total de observaciones en el experimento será N = abcn ya que se

realizan  n réplicas.

124
9.2. MODELO ESTADÍSTICO.

El modelo del diseño estadístico es el siguiente:

Donde:

Además:

9.3. ANÁLISIS ESTADÍSTICO.

De acuerdo al modelo anteriormente presentado, las hipótesis probables que

se plantean para el modelo estadístico son las siguientes:

125
La tabla de análisis de varianza con todos los factores considerados en el
modelo correspondiente es la siguiente:

126
Donde:

Para el desarrollo de las fórmulas correspondientes a las sumas de cuadrados

debe tomarse en cuenta la siguiente nomenclatura:

127
Matemáticamente la suma de cuadrados totales se expresa por:

Para los efectos principales, las fórmulas son:

Para las interacciones de dos factores, deben construirse las tablas correspon-
dientes para cada una de las mismas. Considerando además que previamente
deben calcularse los subtotales con las siguientes fórmulas:

Las sumas de cuadrados de estas interacciones se calculará con las siguientes

fórmulas:

128
Para la interacción de tres factores al igual que en el anterior caso deben
calcularse los subtotales con las siguientes fórmulas:

Consiguientemente la fórmula para la suma de cuadrados es la siguiente:

La suma de cuadrados del error puede determinarse por:

o también con la siguiente fórmula:

Para los cuadrados medios las fórmulas a utilizar son las siguientes:

Donde:

129
Ejemplo:

Un experimento para determinar la capacidad de producción de materia

orgánica en dos diferentes tipos de suelos erosionados a partir de distintas
colonias de lombrices californianas con dos diferentes edades de desarrollo,
además de distintos niveles de temperatura, considerando además dos nive-
les de replicación, ha arrojado los siguientes resultados (expresados en g/kg
suelo):

Realizando los cálculos correspondientes para cada una de las subtablas que
se generarán, tenemos lo siguiente:

Para los totales por celda:

Para los factores principales:

130
Para las interacciones:

Siendo el total general:

131
De lo cual se generan las siguientes subtablas:

132
La suma de cuadrados totales será:

La suma de cuadrados de los factores principales:

Para las interacciones, los subtotales son:

133
Y la suma de cuadrados de estas interacciones:

Para la interacción triple, los subtotales son:

Siendo la suma de cuadrados:

134
Y la suma de cuadrados del error:

o también:

Los cuadrados medios serán:

Los valores de Fcal (Fo) serán:

Y para los otros factores:

135
De lo anterior se genera el siguiente cuadro del análisis de varianza:

Cuyos valores de comparación (Ftab) en la tabla de F, para los parámetros

correspondientes son los siguientes:

136
Se deja como ejercicio la comparación correspondiente y el rechazo o la
aceptación de cada hipótesis planteada.

137
Capítulo 10

COMPARACIONES
ORTOGONALES

10.1. CONTRASTES.

Se denomina contraste a toda combinación lineal C, de los parámetros del

modelo de análisis de la varianza, de la forma:

tal que los coecientes veriquen:

Ejemplo de contrastes distintos a las comparaciones por parejas son, entre

otros,

138
* Si se acepta que el primer contraste es cero se arma que la media del nivel
1 del factor es igual al promedio de las medias de los niveles 2 y 3.

* Si se acepta que el segundo contraste es cero se arma que las medias de los
niveles 1 y 4, consideradas en grupo, son iguales a las medias de los niveles
2 y 3, también consideradas en grupo.

La combinación lineal de la forma presentada anteriormente también se puede

expresar en función de los efectos del factor:

Ya que:

Dado que un contraste es una función de los parámetros del modelo, que
son desconocidos, su valor se podrá estimar utilizando los estimadores de
los parámetros que intervienen. Concretamente, se puede demostrar que el
estimador óptimo de un contraste viene dado por la misma combinación lineal
de los estimadores de los parámetros que intervienen; es decir

que también se puede escribir como la misma combinación lineal de los esti-
madores de los efectos ti ; es decir,

En efecto:

139
Si consideramos uno de los contrastes anteriores como la combinación lineal
, es el estimador de ese contraste. Para evitar coecientes
fraccionarios es común reescribir esa combinación como:

De la misma forma, un estimador del otro contraste dado es:

= Como disponemos de un estimador para cada contraste y conocemos la

distribución en el muestreo de los estimadores de los parámetros del modelo,
podemos conocer también la distribución del estimador de un contraste y
realizar inferencia estadística sobre el mismo.

10.2. CONTRASTES ORTOGONALES.

Decimos que dos contrastes: , son ortogonales

si verican que:

De la misma forma, se dice que tres o más contrastes son mutuamente or-
togonales si todas las posibles parejas de contrastes son ortogonales.

Los coecientes de contrates ortogonales se pueden elegir de muchas formas

para un conjunto dado de tratamientos. Generalmente la naturaleza del ex-
perimento sugiere las comparaciones que pueden ser más interesantes.

140
Para ilustrar los contrastes ortogonales, consideremos el ejemplo de referencia
y recordemos que los tamaños de muestras correspondientes a cada uno de
los 5 tipos de fertilizantes son: 6, 5, 5, 4, y 6. Supongamos que los contrastes
más apropiados son:

Los coecientes en estas comparaciones expresadas en forma tabular serían:

Obsérvese que la suma de los coecientes de cada la es cero indicando que
cada Ci es un contraste. Además, es inmediato comprobar que los productos
dos a dos de los coecientes de los contrastes suman cero indicando que
los contrastes son mutuamente ortogonales. En efecto, comprobemos, por
ejemplo, que los contrastes C1 y C2 son ortogonales

Veamos a continuación las expresiones para las sumas de cuadrados asociadas

a un contraste cualquiera, tanto en el caso equilibrado como en el caso no-
equilibrado.

En el diseño no-equilibrado se puede demostrar que al contraste se

le puede asociar una suma de cuadrados dada por:

141
y por lo tanto, la expresión de la suma de cuadrados en el modelo equilibrado
es:

teniendo estas sumas de cuadrados un grado de libertad. Por tanto, para

comprobar las hipótesis del contraste:

basta comparar la suma de cuadrados asociada al contraste con el cuadrado

medio del 2 error. Entonces, el cociente es el estadístico de contraste

que, bajo la hipótesis nula, sigue una distribución .

A continuación vamos a realizar las sumas de cuadrados asociadas a los con-

trastes para el siguiente ejemplo:

Una compañía algodonera, interesada en maximizar el rendimien-

to de la semilla de algodón, desea comprobar si dicho rendimiento
depende del tipo de fertilizante utilizado para tratar la planta. A

142
 su disposición tiene 5 tipos de fertilizantes. Para comparar su e-
cacia fumiga, con cada uno de los fertilizantes, un cierto número
de parcelas de terreno de la misma calidad y de igual super-
cie. Al recoger la cosecha se mide el rendimiento de la semilla,
obteniéndose las siguientes observaciones que se muestran en la
tabla siguiente:

En este experimento, se han considerado 5 tipos de fertilizantes que se han

aplicado, respectivamente, a 6, 5, 5, 4 y 6 parcelas. La variable de interés
o variable respuesta es el rendimiento de la semilla en peso por unidad de
supercie.

Organizando descriptivamente los datos presentados:

Se tiene el siguiente resultado del análisis de varianza:

143
Supongamos que efectuamos los contrastes ortogonales expuestos en la tabla
de coecientes de contrastes. Dichos contrastes junto con sus estimaciones
puntuales y su suma de cuadrados asociada se muestran en la siguiente tabla:

Donde:

Donde además:

144
Teniendo en cuenta que el valor de la varianza residual es 4.67, con 21 grados
de libertad, obtenemos los siguientes valores para los estadísticos de contraste
F (C1 ), F (C2 ), F (C3 ) y F (C4 ),

R Si realizamos el contraste al nivel de signicación del 5 % y puesto que

F(0,05;1,21) = 4,32, se concluye que µ1 = µ3 , µ4 = µ5 y en los otros dos
contrastes se rechaza la hipótesis nula.

Generalmente las sumas de cuadrados de los contrastes y las pruebas corre-

145
spondientes se incorporan a la Tabla ANOVA, de la siguiente forma:

146
Bibliografía

[1] Echavarría, H. (2001). Diseño de cuadrados latinos. Recupera-

do de: http://www.unalmed.edu.co/~jarueda/cuadro.pdf

[2] Lentnet, M. y Bishop, T. (1986). Experimental design and

analysis. Blacksburg: Valley Book Company.

[3] Dos Santos, M.(2003). Pruebas de diferencia de me-

dias o de comparaciones múltiples. Recuperado de:
http://colposfesz.galeon.com/disenos/teoria/cap13bmj/cap13bmj.htm

[4] Steel, J. y Torrie, D. (1997). Bioestadística. Principios y pro-

cedimientos. New York: McGraw-Hill.

[5] Delgado, G. (2011). Diseño en Bloques Comple-

tos con Tratamientos Aleatorizados. Recuperado de:
http://colposfesz.galeon.com/disenos/teoria/dbcta/prog-
dba.htm

[6] Castejón, O. (2011). Diseño y análisis de experimentos con

Statistix. Diseño de bloques completamente aleatorizados.
Venezuela: Universidad Rafael Urdaneta.

[7] Proyecto Salón (2013). Hacien-

do experimentos. Recuperado de:
http://www.proyectosalonhogar.com/Hagamos_experimentos.htm

[8] Montgomey, D.(2004). Diseño y análisis de experimentos. Méx-

ico: Limusa - Wiley.

147
 [9] Webacademia (2013) Historia del desarrol-
lo del diseño de experimentos. Recupera-
do de: http://centrodeartigos.com/articulos-
enciclopedicos/article_81603.html

[10] Ramón, G. (2000). Diseños Experimentales. Colom-

bia: Universidad de Antioquia. Recuperado de:
http://viref.udea.edu.co/contenido/menu_alterno/apuntes/ac37-
diseno_experiment.pdf

[11] Marin, J.(2003). Introducción al Diseño de Ex-

perimentos. España: UCM. Recuperado de:
http://halweb.uc3m.es/esp/Personal/
personas/jmmarin/esp/Disenno/IntroDE.pdf

[12] DNIA (2011). Diseño de muestreo y observaciones. Dis-

eño experimental. Bogotá, Dirección Nacional de Innovación
Académica de la Universidad Nacional de Colombia.

[13] UTFSM (2007). Las hipótesis. Recuperado de:

www.bib.utfsm.cl

[14] Tamayo y Tamayo, M. (1998). El proceso de Investigación cien-

tíca. México:Limusa

[15] Sabino, C.(1996). El proceso de investigación. Argentina:

Lumen-Humanitas.

[16] El estadístico (2013). Prueba estadística t student. Recu-

perado de: http://elestadistico.blogspot.com/2013/01/prueba-
estadistica-t-de-student.html

[17] Wikipedia (2013). Prueba de t student. Recuperado de:

http://es.wikipedia.org/wiki/Prueba_t_de_Student

[18] Texto paralelo diseño completamente al azar (2011). El dis-

eño completamente aleatorizado [Web log post]. Recuper-
ado de http://reyesestadistica.blogspot.com/2011/07/diseno-
de-experimentos-al-completo-azar.html.

148
[19] Castejón, O. (2011). Diseño y análisis de experimentos con
Statistix. Diseño completamente al azar. Venezuela: Universi-
dad Rafael Urdaneta.

[20] Reyes, L.(2011). Estadística, matemática y com-

putación. Estimación de datos perdidos en el dis-
eño de bloques al azar. Guatemala. Recuperado de:
http://reyesestadistica.blogspot.com/2011/07/estimacion-
de-datos-perdidos-en-el.html

149
ANEXOS
 Tabla 5. VALORES F DE LA DISTRIBUCIÓN F DE FISHER

1 - α =0.9 ν1 = grados de libertad del numerador

1 - α = P ( F ≤ fα,ν1,ν2 ) ν2 = grados de libertad del denominador

ν1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
ν2
1 39.864 49.500 53.593 55.833 57.240 58.204 58.906 59.439 59.857 60.195 60.473 60.705 60.902 61.073 61.220 61.350 61.465 61.566 61.658 61.740
2 8.526 9.000 9.162 9.243 9.293 9.326 9.349 9.367 9.381 9.392 9.401 9.408 9.415 9.420 9.425 9.429 9.433 9.436 9.439 9.441
3 5.538 5.462 5.391 5.343 5.309 5.285 5.266 5.252 5.240 5.230 5.222 5.216 5.210 5.205 5.200 5.196 5.193 5.190 5.187 5.184
4 4.545 4.325 4.191 4.107 4.051 4.010 3.979 3.955 3.936 3.920 3.907 3.896 3.886 3.878 3.870 3.864 3.858 3.853 3.848 3.844
5 4.060 3.780 3.619 3.520 3.453 3.405 3.368 3.339 3.316 3.297 3.282 3.268 3.257 3.247 3.238 3.230 3.223 3.217 3.212 3.207
6 3.776 3.463 3.289 3.181 3.108 3.055 3.014 2.983 2.958 2.937 2.920 2.905 2.892 2.881 2.871 2.863 2.855 2.848 2.842 2.836
7 3.589 3.257 3.074 2.961 2.883 2.827 2.785 2.752 2.725 2.703 2.684 2.668 2.654 2.643 2.632 2.623 2.615 2.607 2.601 2.595
8 3.458 3.113 2.924 2.806 2.726 2.668 2.624 2.589 2.561 2.538 2.519 2.502 2.488 2.475 2.464 2.454 2.446 2.438 2.431 2.425
9 3.360 3.006 2.813 2.693 2.611 2.551 2.505 2.469 2.440 2.416 2.396 2.379 2.364 2.351 2.340 2.330 2.320 2.312 2.305 2.298
10 3.285 2.924 2.728 2.605 2.522 2.461 2.414 2.377 2.347 2.323 2.302 2.284 2.269 2.255 2.244 2.233 2.224 2.215 2.208 2.201
11 3.225 2.860 2.660 2.536 2.451 2.389 2.342 2.304 2.274 2.248 2.227 2.209 2.193 2.179 2.167 2.156 2.147 2.138 2.130 2.123
12 3.177 2.807 2.606 2.480 2.394 2.331 2.283 2.245 2.214 2.188 2.166 2.147 2.131 2.117 2.105 2.094 2.084 2.075 2.067 2.060
13 3.136 2.763 2.560 2.434 2.347 2.283 2.234 2.195 2.164 2.138 2.116 2.097 2.080 2.066 2.053 2.042 2.032 2.023 2.014 2.007
14 3.102 2.726 2.522 2.395 2.307 2.243 2.193 2.154 2.122 2.095 2.073 2.054 2.037 2.022 2.010 1.998 1.988 1.978 1.970 1.962
15 3.073 2.695 2.490 2.361 2.273 2.208 2.158 2.119 2.086 2.059 2.037 2.017 2.000 1.985 1.972 1.961 1.950 1.941 1.932 1.924
16 3.048 2.668 2.462 2.333 2.244 2.178 2.128 2.088 2.055 2.028 2.005 1.985 1.968 1.953 1.940 1.928 1.917 1.908 1.899 1.891
17 3.026 2.645 2.437 2.308 2.218 2.152 2.102 2.061 2.028 2.001 1.978 1.958 1.940 1.925 1.912 1.900 1.889 1.879 1.870 1.862
18 3.007 2.624 2.416 2.286 2.196 2.130 2.079 2.038 2.005 1.977 1.954 1.933 1.916 1.900 1.887 1.875 1.864 1.854 1.845 1.837
19 2.990 2.606 2.397 2.266 2.176 2.109 2.058 2.017 1.984 1.956 1.932 1.912 1.894 1.878 1.865 1.852 1.841 1.831 1.822 1.814
20 2.975 2.589 2.380 2.249 2.158 2.091 2.040 1.999 1.965 1.937 1.913 1.892 1.875 1.859 1.845 1.833 1.821 1.811 1.802 1.794
21 2.961 2.575 2.365 2.233 2.142 2.075 2.023 1.982 1.948 1.920 1.896 1.875 1.857 1.841 1.827 1.815 1.803 1.793 1.784 1.776
22 2.949 2.561 2.351 2.219 2.128 2.060 2.008 1.967 1.933 1.904 1.880 1.859 1.841 1.825 1.811 1.798 1.787 1.777 1.768 1.759
23 2.937 2.549 2.339 2.207 2.115 2.047 1.995 1.953 1.919 1.890 1.866 1.845 1.827 1.811 1.796 1.784 1.772 1.762 1.753 1.744
24 2.927 2.538 2.327 2.195 2.103 2.035 1.983 1.941 1.906 1.877 1.853 1.832 1.814 1.797 1.783 1.770 1.759 1.748 1.739 1.730
25 2.918 2.528 2.317 2.184 2.092 2.024 1.971 1.929 1.895 1.866 1.841 1.820 1.802 1.785 1.771 1.758 1.746 1.736 1.726 1.718
26 2.909 2.519 2.307 2.174 2.082 2.014 1.961 1.919 1.884 1.855 1.830 1.809 1.790 1.774 1.760 1.747 1.735 1.724 1.715 1.706
27 2.901 2.511 2.299 2.165 2.073 2.005 1.952 1.909 1.874 1.845 1.820 1.799 1.780 1.764 1.749 1.736 1.724 1.714 1.704 1.695
28 2.894 2.503 2.291 2.157 2.064 1.996 1.943 1.900 1.865 1.836 1.811 1.790 1.771 1.754 1.740 1.726 1.715 1.704 1.694 1.685
29 2.887 2.495 2.283 2.149 2.057 1.988 1.935 1.892 1.857 1.827 1.802 1.781 1.762 1.745 1.731 1.717 1.705 1.695 1.685 1.676
30 2.881 2.489 2.276 2.142 2.049 1.980 1.927 1.884 1.849 1.819 1.794 1.773 1.754 1.737 1.722 1.709 1.697 1.686 1.676 1.667
40 2.835 2.440 2.226 2.091 1.997 1.927 1.873 1.829 1.793 1.763 1.737 1.715 1.695 1.678 1.662 1.649 1.636 1.625 1.615 1.605
50 2.809 2.412 2.197 2.061 1.966 1.895 1.840 1.796 1.760 1.729 1.703 1.680 1.660 1.643 1.627 1.613 1.600 1.588 1.578 1.568
60 2.791 2.393 2.177 2.041 1.946 1.875 1.819 1.775 1.738 1.707 1.680 1.657 1.637 1.619 1.603 1.589 1.576 1.564 1.553 1.543
70 2.779 2.380 2.164 2.027 1.931 1.860 1.804 1.760 1.723 1.691 1.665 1.641 1.621 1.603 1.587 1.572 1.559 1.547 1.536 1.526
80 2.769 2.370 2.154 2.016 1.921 1.849 1.793 1.748 1.711 1.680 1.653 1.629 1.609 1.590 1.574 1.559 1.546 1.534 1.523 1.513
90 2.762 2.363 2.146 2.008 1.912 1.841 1.785 1.739 1.702 1.670 1.643 1.620 1.599 1.581 1.564 1.550 1.536 1.524 1.513 1.503
100 2.756 2.356 2.139 2.002 1.906 1.834 1.778 1.732 1.695 1.663 1.636 1.612 1.592 1.573 1.557 1.542 1.528 1.516 1.505 1.494
200 2.731 2.329 2.111 1.973 1.876 1.804 1.747 1.701 1.663 1.631 1.603 1.579 1.558 1.539 1.522 1.507 1.493 1.480 1.468 1.458
500 2.716 2.313 2.095 1.956 1.859 1.786 1.729 1.683 1.644 1.612 1.583 1.559 1.537 1.518 1.501 1.485 1.471 1.458 1.446 1.435
1000 2.711 2.308 2.089 1.950 1.853 1.780 1.723 1.676 1.638 1.605 1.577 1.552 1.531 1.511 1.494 1.478 1.464 1.451 1.439 1.428
Elaborada por Irene Patricia Valdez y Alfaro.
 Tabla 5. VALORES F DE LA DISTRIBUCIÓN F DE FISHER

1 - α =0.9
1 - α = P ( F ≤ fα,ν1,ν2 )

ν1 21 22 23 24 25 26 27 28 29 30 40 50 60 70 80 90 100 200 500 1000

ν2
1 61.815 61.883 61.945 62.002 62.055 62.103 62.148 62.189 62.229 62.265 62.529 62.688 62.794 62.871 62.927 62.972 63.007 63.167 63.264 63.296
2 9.444 9.446 9.448 9.450 9.451 9.453 9.454 9.456 9.457 9.458 9.466 9.471 9.475 9.477 9.479 9.480 9.481 9.486 9.489 9.490
3 5.182 5.180 5.178 5.176 5.175 5.173 5.172 5.170 5.169 5.168 5.160 5.155 5.151 5.149 5.147 5.145 5.144 5.139 5.136 5.135
4 3.841 3.837 3.834 3.831 3.828 3.826 3.823 3.821 3.819 3.817 3.804 3.795 3.790 3.786 3.782 3.780 3.778 3.769 3.764 3.762
5 3.202 3.198 3.194 3.191 3.187 3.184 3.181 3.179 3.176 3.174 3.157 3.147 3.140 3.135 3.132 3.129 3.126 3.116 3.109 3.107
6 2.831 2.827 2.822 2.818 2.815 2.811 2.808 2.805 2.803 2.800 2.781 2.770 2.762 2.756 2.752 2.749 2.746 2.734 2.727 2.725
7 2.589 2.584 2.580 2.575 2.571 2.568 2.564 2.561 2.558 2.555 2.535 2.523 2.514 2.508 2.504 2.500 2.497 2.484 2.476 2.473
8 2.419 2.414 2.409 2.404 2.400 2.396 2.392 2.389 2.386 2.383 2.361 2.348 2.339 2.333 2.328 2.324 2.321 2.307 2.298 2.295
9 2.292 2.287 2.282 2.277 2.272 2.268 2.265 2.261 2.258 2.255 2.232 2.218 2.208 2.202 2.196 2.192 2.189 2.174 2.165 2.162
10 2.194 2.189 2.183 2.178 2.174 2.170 2.166 2.162 2.159 2.155 2.132 2.117 2.107 2.100 2.095 2.090 2.087 2.071 2.062 2.059
11 2.117 2.111 2.105 2.100 2.095 2.091 2.087 2.083 2.080 2.076 2.052 2.036 2.026 2.019 2.013 2.009 2.005 1.989 1.979 1.975
12 2.053 2.047 2.041 2.036 2.031 2.027 2.022 2.019 2.015 2.011 1.986 1.970 1.960 1.952 1.946 1.942 1.938 1.921 1.911 1.907
13 2.000 1.994 1.988 1.983 1.978 1.973 1.969 1.965 1.961 1.958 1.931 1.915 1.904 1.896 1.890 1.886 1.882 1.864 1.853 1.850
14 1.955 1.949 1.943 1.938 1.933 1.928 1.923 1.919 1.916 1.912 1.885 1.869 1.857 1.849 1.843 1.838 1.834 1.816 1.805 1.801
15 1.917 1.911 1.905 1.899 1.894 1.889 1.885 1.880 1.876 1.873 1.845 1.828 1.817 1.808 1.802 1.797 1.793 1.774 1.763 1.759
16 1.884 1.877 1.871 1.866 1.860 1.855 1.851 1.847 1.843 1.839 1.811 1.793 1.782 1.773 1.766 1.761 1.757 1.738 1.726 1.722
17 1.855 1.848 1.842 1.836 1.831 1.826 1.821 1.817 1.813 1.809 1.781 1.763 1.751 1.742 1.735 1.730 1.726 1.706 1.694 1.690
18 1.829 1.823 1.816 1.810 1.805 1.800 1.795 1.791 1.787 1.783 1.754 1.736 1.723 1.714 1.707 1.702 1.698 1.678 1.665 1.661
19 1.807 1.800 1.793 1.787 1.782 1.777 1.772 1.767 1.763 1.759 1.730 1.711 1.699 1.690 1.683 1.677 1.673 1.652 1.639 1.635
20 1.786 1.779 1.773 1.767 1.761 1.756 1.751 1.746 1.742 1.738 1.708 1.690 1.677 1.667 1.660 1.655 1.650 1.629 1.616 1.612
21 1.768 1.761 1.754 1.748 1.742 1.737 1.732 1.728 1.723 1.719 1.689 1.670 1.657 1.647 1.640 1.634 1.630 1.608 1.595 1.591
22 1.751 1.744 1.737 1.731 1.726 1.720 1.715 1.711 1.706 1.702 1.671 1.652 1.639 1.629 1.622 1.616 1.611 1.590 1.576 1.571
23 1.736 1.729 1.722 1.716 1.710 1.705 1.700 1.695 1.691 1.686 1.655 1.636 1.622 1.613 1.605 1.599 1.594 1.572 1.558 1.554
24 1.722 1.715 1.708 1.702 1.696 1.691 1.686 1.681 1.676 1.672 1.641 1.621 1.607 1.597 1.590 1.584 1.579 1.556 1.542 1.538
25 1.710 1.702 1.695 1.689 1.683 1.678 1.672 1.668 1.663 1.659 1.627 1.607 1.593 1.583 1.576 1.569 1.565 1.542 1.527 1.523
26 1.698 1.690 1.683 1.677 1.671 1.666 1.660 1.656 1.651 1.647 1.615 1.594 1.581 1.570 1.562 1.556 1.551 1.528 1.514 1.509
27 1.687 1.680 1.673 1.666 1.660 1.655 1.649 1.645 1.640 1.636 1.603 1.583 1.569 1.558 1.550 1.544 1.539 1.515 1.501 1.496
28 1.677 1.669 1.662 1.656 1.650 1.644 1.639 1.634 1.630 1.625 1.592 1.572 1.558 1.547 1.539 1.533 1.528 1.504 1.489 1.484
29 1.668 1.660 1.653 1.647 1.640 1.635 1.630 1.625 1.620 1.616 1.583 1.562 1.547 1.537 1.529 1.522 1.517 1.493 1.478 1.472
30 1.659 1.651 1.644 1.638 1.632 1.626 1.621 1.616 1.611 1.606 1.573 1.552 1.538 1.527 1.519 1.512 1.507 1.482 1.467 1.462
40 1.596 1.588 1.581 1.574 1.568 1.562 1.556 1.551 1.546 1.541 1.506 1.483 1.467 1.455 1.447 1.439 1.434 1.406 1.389 1.383
50 1.559 1.551 1.543 1.536 1.529 1.523 1.517 1.512 1.507 1.502 1.465 1.441 1.424 1.412 1.402 1.395 1.388 1.359 1.340 1.333
60 1.534 1.526 1.518 1.511 1.504 1.498 1.492 1.486 1.481 1.476 1.437 1.413 1.395 1.382 1.372 1.364 1.358 1.326 1.306 1.299
70 1.517 1.508 1.500 1.493 1.486 1.479 1.473 1.467 1.462 1.457 1.418 1.392 1.374 1.361 1.350 1.342 1.335 1.302 1.281 1.273
80 1.503 1.495 1.487 1.479 1.472 1.465 1.459 1.453 1.448 1.443 1.403 1.377 1.358 1.344 1.334 1.325 1.318 1.284 1.261 1.253
90 1.493 1.484 1.476 1.468 1.461 1.455 1.448 1.442 1.437 1.432 1.391 1.365 1.346 1.332 1.321 1.312 1.304 1.269 1.245 1.237
100 1.485 1.476 1.468 1.460 1.453 1.446 1.440 1.434 1.428 1.423 1.382 1.355 1.336 1.321 1.310 1.301 1.293 1.257 1.232 1.223
200 1.448 1.438 1.430 1.422 1.414 1.407 1.400 1.394 1.388 1.383 1.339 1.310 1.289 1.273 1.261 1.250 1.242 1.199 1.168 1.157
500 1.425 1.416 1.407 1.399 1.391 1.384 1.377 1.370 1.364 1.358 1.313 1.282 1.260 1.243 1.229 1.218 1.209 1.160 1.122 1.106
1000 1.418 1.408 1.399 1.391 1.383 1.376 1.369 1.362 1.356 1.350 1.304 1.273 1.250 1.232 1.218 1.207 1.197 1.145 1.103 1.084
Elaborada por Irene Patricia Valdez y Alfaro.
 Tabla 5. VALORES F DE LA DISTRIBUCIÓN F DE FISHER

1 - α =0.95 ν1 = grados de libertad del numerador

1 - α = P ( F ≤ fα,ν1,ν2 ) ν2 = grados de libertad del denominador

ν1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
ν2
1 161.446 199.499 215.707 224.583 230.160 233.988 236.767 238.884 240.543 241.882 242.981 243.905 244.690 245.363 245.949 246.466 246.917 247.324 247.688 248.016
2 18.513 19.000 19.164 19.247 19.296 19.329 19.353 19.371 19.385 19.396 19.405 19.412 19.419 19.424 19.429 19.433 19.437 19.440 19.443 19.446
3 10.128 9.552 9.277 9.117 9.013 8.941 8.887 8.845 8.812 8.785 8.763 8.745 8.729 8.715 8.703 8.692 8.683 8.675 8.667 8.660
4 7.709 6.944 6.591 6.388 6.256 6.163 6.094 6.041 5.999 5.964 5.936 5.912 5.891 5.873 5.858 5.844 5.832 5.821 5.811 5.803
5 6.608 5.786 5.409 5.192 5.050 4.950 4.876 4.818 4.772 4.735 4.704 4.678 4.655 4.636 4.619 4.604 4.590 4.579 4.568 4.558
6 5.987 5.143 4.757 4.534 4.387 4.284 4.207 4.147 4.099 4.060 4.027 4.000 3.976 3.956 3.938 3.922 3.908 3.896 3.884 3.874
7 5.591 4.737 4.347 4.120 3.972 3.866 3.787 3.726 3.677 3.637 3.603 3.575 3.550 3.529 3.511 3.494 3.480 3.467 3.455 3.445
8 5.318 4.459 4.066 3.838 3.688 3.581 3.500 3.438 3.388 3.347 3.313 3.284 3.259 3.237 3.218 3.202 3.187 3.173 3.161 3.150
9 5.117 4.256 3.863 3.633 3.482 3.374 3.293 3.230 3.179 3.137 3.102 3.073 3.048 3.025 3.006 2.989 2.974 2.960 2.948 2.936
10 4.965 4.103 3.708 3.478 3.326 3.217 3.135 3.072 3.020 2.978 2.943 2.913 2.887 2.865 2.845 2.828 2.812 2.798 2.785 2.774
11 4.844 3.982 3.587 3.357 3.204 3.095 3.012 2.948 2.896 2.854 2.818 2.788 2.761 2.739 2.719 2.701 2.685 2.671 2.658 2.646
12 4.747 3.885 3.490 3.259 3.106 2.996 2.913 2.849 2.796 2.753 2.717 2.687 2.660 2.637 2.617 2.599 2.583 2.568 2.555 2.544
13 4.667 3.806 3.411 3.179 3.025 2.915 2.832 2.767 2.714 2.671 2.635 2.604 2.577 2.554 2.533 2.515 2.499 2.484 2.471 2.459
14 4.600 3.739 3.344 3.112 2.958 2.848 2.764 2.699 2.646 2.602 2.565 2.534 2.507 2.484 2.463 2.445 2.428 2.413 2.400 2.388
15 4.543 3.682 3.287 3.056 2.901 2.790 2.707 2.641 2.588 2.544 2.507 2.475 2.448 2.424 2.403 2.385 2.368 2.353 2.340 2.328
16 4.494 3.634 3.239 3.007 2.852 2.741 2.657 2.591 2.538 2.494 2.456 2.425 2.397 2.373 2.352 2.333 2.317 2.302 2.288 2.276
17 4.451 3.592 3.197 2.965 2.810 2.699 2.614 2.548 2.494 2.450 2.413 2.381 2.353 2.329 2.308 2.289 2.272 2.257 2.243 2.230
18 4.414 3.555 3.160 2.928 2.773 2.661 2.577 2.510 2.456 2.412 2.374 2.342 2.314 2.290 2.269 2.250 2.233 2.217 2.203 2.191
19 4.381 3.522 3.127 2.895 2.740 2.628 2.544 2.477 2.423 2.378 2.340 2.308 2.280 2.256 2.234 2.215 2.198 2.182 2.168 2.155
20 4.351 3.493 3.098 2.866 2.711 2.599 2.514 2.447 2.393 2.348 2.310 2.278 2.250 2.225 2.203 2.184 2.167 2.151 2.137 2.124
21 4.325 3.467 3.072 2.840 2.685 2.573 2.488 2.420 2.366 2.321 2.283 2.250 2.222 2.197 2.176 2.156 2.139 2.123 2.109 2.096
22 4.301 3.443 3.049 2.817 2.661 2.549 2.464 2.397 2.342 2.297 2.259 2.226 2.198 2.173 2.151 2.131 2.114 2.098 2.084 2.071
23 4.279 3.422 3.028 2.796 2.640 2.528 2.442 2.375 2.320 2.275 2.236 2.204 2.175 2.150 2.128 2.109 2.091 2.075 2.061 2.048
24 4.260 3.403 3.009 2.776 2.621 2.508 2.423 2.355 2.300 2.255 2.216 2.183 2.155 2.130 2.108 2.088 2.070 2.054 2.040 2.027
25 4.242 3.385 2.991 2.759 2.603 2.490 2.405 2.337 2.282 2.236 2.198 2.165 2.136 2.111 2.089 2.069 2.051 2.035 2.021 2.007
26 4.225 3.369 2.975 2.743 2.587 2.474 2.388 2.321 2.265 2.220 2.181 2.148 2.119 2.094 2.072 2.052 2.034 2.018 2.003 1.990
27 4.210 3.354 2.960 2.728 2.572 2.459 2.373 2.305 2.250 2.204 2.166 2.132 2.103 2.078 2.056 2.036 2.018 2.002 1.987 1.974
28 4.196 3.340 2.947 2.714 2.558 2.445 2.359 2.291 2.236 2.190 2.151 2.118 2.089 2.064 2.041 2.021 2.003 1.987 1.972 1.959
29 4.183 3.328 2.934 2.701 2.545 2.432 2.346 2.278 2.223 2.177 2.138 2.104 2.075 2.050 2.027 2.007 1.989 1.973 1.958 1.945
30 4.171 3.316 2.922 2.690 2.534 2.421 2.334 2.266 2.211 2.165 2.126 2.092 2.063 2.037 2.015 1.995 1.976 1.960 1.945 1.932
40 4.085 3.232 2.839 2.606 2.449 2.336 2.249 2.180 2.124 2.077 2.038 2.003 1.974 1.948 1.924 1.904 1.885 1.868 1.853 1.839
50 4.034 3.183 2.790 2.557 2.400 2.286 2.199 2.130 2.073 2.026 1.986 1.952 1.921 1.895 1.871 1.850 1.831 1.814 1.798 1.784
60 4.001 3.150 2.758 2.525 2.368 2.254 2.167 2.097 2.040 1.993 1.952 1.917 1.887 1.860 1.836 1.815 1.796 1.778 1.763 1.748
70 3.978 3.128 2.736 2.503 2.346 2.231 2.143 2.074 2.017 1.969 1.928 1.893 1.863 1.836 1.812 1.790 1.771 1.753 1.737 1.722
80 3.960 3.111 2.719 2.486 2.329 2.214 2.126 2.056 1.999 1.951 1.910 1.875 1.845 1.817 1.793 1.772 1.752 1.734 1.718 1.703
90 3.947 3.098 2.706 2.473 2.316 2.201 2.113 2.043 1.986 1.938 1.897 1.861 1.830 1.803 1.779 1.757 1.737 1.720 1.703 1.688
100 3.936 3.087 2.696 2.463 2.305 2.191 2.103 2.032 1.975 1.927 1.886 1.850 1.819 1.792 1.768 1.746 1.726 1.708 1.691 1.676
200 3.888 3.041 2.650 2.417 2.259 2.144 2.056 1.985 1.927 1.878 1.837 1.801 1.769 1.742 1.717 1.694 1.674 1.656 1.639 1.623
500 3.860 3.014 2.623 2.390 2.232 2.117 2.028 1.957 1.899 1.850 1.808 1.772 1.740 1.712 1.686 1.664 1.643 1.625 1.607 1.592
1000 3.851 3.005 2.614 2.381 2.223 2.108 2.019 1.948 1.889 1.840 1.798 1.762 1.730 1.702 1.676 1.654 1.633 1.614 1.597 1.581
Elaborada por Irene Patricia Valdez y Alfaro.
 Tabla 5. VALORES F DE LA DISTRIBUCIÓN F DE FISHER

1 - α =0.95
1 - α = P ( F ≤ fα,ν1,ν2 )

ν1 21 22 23 24 25 26 27 28 29 30 40 50 60 70 80 90 100 200 500 1000

ν2
1 248.307 248.579 248.823 249.052 249.260 249.453 249.631 249.798 249.951 250.096 251.144 251.774 252.196 252.498 252.723 252.898 253.043 253.676 254.062 254.186
2 19.448 19.450 19.452 19.454 19.456 19.457 19.459 19.460 19.461 19.463 19.471 19.476 19.479 19.481 19.483 19.485 19.486 19.491 19.494 19.495
3 8.654 8.648 8.643 8.638 8.634 8.630 8.626 8.623 8.620 8.617 8.594 8.581 8.572 8.566 8.561 8.557 8.554 8.540 8.532 8.529
4 5.795 5.787 5.781 5.774 5.769 5.763 5.759 5.754 5.750 5.746 5.717 5.699 5.688 5.679 5.673 5.668 5.664 5.646 5.635 5.632
5 4.549 4.541 4.534 4.527 4.521 4.515 4.510 4.505 4.500 4.496 4.464 4.444 4.431 4.422 4.415 4.409 4.405 4.385 4.373 4.369
6 3.865 3.856 3.849 3.841 3.835 3.829 3.823 3.818 3.813 3.808 3.774 3.754 3.740 3.730 3.722 3.716 3.712 3.690 3.678 3.673
7 3.435 3.426 3.418 3.410 3.404 3.397 3.391 3.386 3.381 3.376 3.340 3.319 3.304 3.294 3.286 3.280 3.275 3.252 3.239 3.234
8 3.140 3.131 3.123 3.115 3.108 3.102 3.095 3.090 3.084 3.079 3.043 3.020 3.005 2.994 2.986 2.980 2.975 2.951 2.937 2.932
9 2.926 2.917 2.908 2.900 2.893 2.886 2.880 2.874 2.869 2.864 2.826 2.803 2.787 2.776 2.768 2.761 2.756 2.731 2.717 2.712
10 2.764 2.754 2.745 2.737 2.730 2.723 2.716 2.710 2.705 2.700 2.661 2.637 2.621 2.609 2.601 2.594 2.588 2.563 2.548 2.543
11 2.636 2.626 2.617 2.609 2.601 2.594 2.588 2.582 2.576 2.570 2.531 2.507 2.490 2.478 2.469 2.462 2.457 2.431 2.415 2.410
12 2.533 2.523 2.514 2.505 2.498 2.491 2.484 2.478 2.472 2.466 2.426 2.401 2.384 2.372 2.363 2.356 2.350 2.323 2.307 2.302
13 2.448 2.438 2.429 2.420 2.412 2.405 2.398 2.392 2.386 2.380 2.339 2.314 2.297 2.284 2.275 2.267 2.261 2.234 2.218 2.212
14 2.377 2.367 2.357 2.349 2.341 2.333 2.326 2.320 2.314 2.308 2.266 2.241 2.223 2.210 2.201 2.193 2.187 2.159 2.142 2.136
15 2.316 2.306 2.297 2.288 2.280 2.272 2.265 2.259 2.253 2.247 2.204 2.178 2.160 2.147 2.137 2.130 2.123 2.095 2.078 2.072
16 2.264 2.254 2.244 2.235 2.227 2.220 2.212 2.206 2.200 2.194 2.151 2.124 2.106 2.093 2.083 2.075 2.068 2.039 2.022 2.016
17 2.219 2.208 2.199 2.190 2.181 2.174 2.167 2.160 2.154 2.148 2.104 2.077 2.058 2.045 2.035 2.027 2.020 1.991 1.973 1.967
18 2.179 2.168 2.159 2.150 2.141 2.134 2.126 2.119 2.113 2.107 2.063 2.035 2.017 2.003 1.993 1.985 1.978 1.948 1.929 1.923
19 2.144 2.133 2.123 2.114 2.106 2.098 2.090 2.084 2.077 2.071 2.026 1.999 1.980 1.966 1.955 1.947 1.940 1.910 1.891 1.884
20 2.112 2.102 2.092 2.082 2.074 2.066 2.059 2.052 2.045 2.039 1.994 1.966 1.946 1.932 1.922 1.913 1.907 1.875 1.856 1.850
21 2.084 2.073 2.063 2.054 2.045 2.037 2.030 2.023 2.016 2.010 1.965 1.936 1.916 1.902 1.891 1.883 1.876 1.845 1.825 1.818
22 2.059 2.048 2.038 2.028 2.020 2.012 2.004 1.997 1.990 1.984 1.938 1.909 1.889 1.875 1.864 1.856 1.849 1.817 1.797 1.790
23 2.036 2.025 2.014 2.005 1.996 1.988 1.981 1.973 1.967 1.961 1.914 1.885 1.865 1.850 1.839 1.830 1.823 1.791 1.771 1.764
24 2.015 2.003 1.993 1.984 1.975 1.967 1.959 1.952 1.945 1.939 1.892 1.863 1.842 1.828 1.816 1.808 1.800 1.768 1.747 1.740
25 1.995 1.984 1.974 1.964 1.955 1.947 1.939 1.932 1.926 1.919 1.872 1.842 1.822 1.807 1.796 1.787 1.779 1.746 1.725 1.718
26 1.978 1.966 1.956 1.946 1.938 1.929 1.921 1.914 1.907 1.901 1.853 1.823 1.803 1.788 1.776 1.767 1.760 1.726 1.705 1.698
27 1.961 1.950 1.940 1.930 1.921 1.913 1.905 1.898 1.891 1.884 1.836 1.806 1.785 1.770 1.758 1.749 1.742 1.708 1.686 1.679
28 1.946 1.935 1.924 1.915 1.906 1.897 1.889 1.882 1.875 1.869 1.820 1.790 1.769 1.754 1.742 1.733 1.725 1.691 1.669 1.662
29 1.932 1.921 1.910 1.901 1.891 1.883 1.875 1.868 1.861 1.854 1.806 1.775 1.754 1.738 1.726 1.717 1.710 1.675 1.653 1.645
30 1.919 1.908 1.897 1.887 1.878 1.870 1.862 1.854 1.847 1.841 1.792 1.761 1.740 1.724 1.712 1.703 1.695 1.660 1.637 1.630
40 1.826 1.814 1.803 1.793 1.783 1.775 1.766 1.759 1.751 1.744 1.693 1.660 1.637 1.621 1.608 1.597 1.589 1.551 1.526 1.517
50 1.771 1.759 1.748 1.737 1.727 1.718 1.710 1.702 1.694 1.687 1.634 1.599 1.576 1.558 1.544 1.534 1.525 1.484 1.457 1.448
60 1.735 1.722 1.711 1.700 1.690 1.681 1.672 1.664 1.656 1.649 1.594 1.559 1.534 1.516 1.502 1.491 1.481 1.438 1.409 1.399
70 1.709 1.696 1.685 1.674 1.664 1.654 1.646 1.637 1.629 1.622 1.566 1.530 1.505 1.486 1.471 1.459 1.450 1.404 1.374 1.364
80 1.689 1.677 1.665 1.654 1.644 1.634 1.626 1.617 1.609 1.602 1.545 1.508 1.482 1.463 1.448 1.436 1.426 1.379 1.347 1.336
90 1.675 1.662 1.650 1.639 1.629 1.619 1.610 1.601 1.593 1.586 1.528 1.491 1.465 1.445 1.429 1.417 1.407 1.358 1.326 1.314
100 1.663 1.650 1.638 1.627 1.616 1.607 1.598 1.589 1.581 1.573 1.515 1.477 1.450 1.430 1.415 1.402 1.392 1.342 1.308 1.296
200 1.609 1.596 1.583 1.572 1.561 1.551 1.542 1.533 1.524 1.516 1.455 1.415 1.386 1.364 1.346 1.332 1.321 1.263 1.221 1.205
500 1.577 1.563 1.551 1.539 1.528 1.518 1.508 1.499 1.490 1.482 1.419 1.376 1.345 1.322 1.303 1.288 1.275 1.210 1.159 1.138
1000 1.566 1.553 1.540 1.528 1.517 1.507 1.497 1.488 1.479 1.471 1.406 1.363 1.332 1.308 1.289 1.273 1.260 1.190 1.134 1.110
Elaborada por Irene Patricia Valdez y Alfaro.
 Tabla 5. VALORES F DE LA DISTRIBUCIÓN F DE FISHER

1 - α =0.975 ν1 = grados de libertad del numerador

1 - α = P ( F ≤ fα,ν1,ν2 ) ν2 = grados de libertad del denominador

ν1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
ν2
1 647.793 799.482 864.151 899.599 921.835 937.114 948.203 956.643 963.279 968.634 973.028 976.725 979.839 982.545 984.874 986.911 988.715 990.345 991.800 993.081
2 38.506 39.000 39.166 39.248 39.298 39.331 39.356 39.373 39.387 39.398 39.407 39.415 39.421 39.427 39.431 39.436 39.439 39.442 39.446 39.448
3 17.443 16.044 15.439 15.101 14.885 14.735 14.624 14.540 14.473 14.419 14.374 14.337 14.305 14.277 14.253 14.232 14.213 14.196 14.181 14.167
4 12.218 10.649 9.979 9.604 9.364 9.197 9.074 8.980 8.905 8.844 8.794 8.751 8.715 8.684 8.657 8.633 8.611 8.592 8.575 8.560
5 10.007 8.434 7.764 7.388 7.146 6.978 6.853 6.757 6.681 6.619 6.568 6.525 6.488 6.456 6.428 6.403 6.381 6.362 6.344 6.329
6 8.813 7.260 6.599 6.227 5.988 5.820 5.695 5.600 5.523 5.461 5.410 5.366 5.329 5.297 5.269 5.244 5.222 5.202 5.184 5.168
7 8.073 6.542 5.890 5.523 5.285 5.119 4.995 4.899 4.823 4.761 4.709 4.666 4.628 4.596 4.568 4.543 4.521 4.501 4.483 4.467
8 7.571 6.059 5.416 5.053 4.817 4.652 4.529 4.433 4.357 4.295 4.243 4.200 4.162 4.130 4.101 4.076 4.054 4.034 4.016 3.999
9 7.209 5.715 5.078 4.718 4.484 4.320 4.197 4.102 4.026 3.964 3.912 3.868 3.831 3.798 3.769 3.744 3.722 3.701 3.683 3.667
10 6.937 5.456 4.826 4.468 4.236 4.072 3.950 3.855 3.779 3.717 3.665 3.621 3.583 3.550 3.522 3.496 3.474 3.453 3.435 3.419
11 6.724 5.256 4.630 4.275 4.044 3.881 3.759 3.664 3.588 3.526 3.474 3.430 3.392 3.359 3.330 3.304 3.282 3.261 3.243 3.226
12 6.554 5.096 4.474 4.121 3.891 3.728 3.607 3.512 3.436 3.374 3.321 3.277 3.239 3.206 3.177 3.152 3.129 3.108 3.090 3.073
13 6.414 4.965 4.347 3.996 3.767 3.604 3.483 3.388 3.312 3.250 3.197 3.153 3.115 3.082 3.053 3.027 3.004 2.983 2.965 2.948
14 6.298 4.857 4.242 3.892 3.663 3.501 3.380 3.285 3.209 3.147 3.095 3.050 3.012 2.979 2.949 2.923 2.900 2.879 2.861 2.844
15 6.200 4.765 4.153 3.804 3.576 3.415 3.293 3.199 3.123 3.060 3.008 2.963 2.925 2.891 2.862 2.836 2.813 2.792 2.773 2.756
16 6.115 4.687 4.077 3.729 3.502 3.341 3.219 3.125 3.049 2.986 2.934 2.889 2.851 2.817 2.788 2.761 2.738 2.717 2.698 2.681
17 6.042 4.619 4.011 3.665 3.438 3.277 3.156 3.061 2.985 2.922 2.870 2.825 2.786 2.753 2.723 2.697 2.673 2.652 2.633 2.616
18 5.978 4.560 3.954 3.608 3.382 3.221 3.100 3.005 2.929 2.866 2.814 2.769 2.730 2.696 2.667 2.640 2.617 2.596 2.576 2.559
19 5.922 4.508 3.903 3.559 3.333 3.172 3.051 2.956 2.880 2.817 2.765 2.720 2.681 2.647 2.617 2.591 2.567 2.546 2.526 2.509
20 5.871 4.461 3.859 3.515 3.289 3.128 3.007 2.913 2.837 2.774 2.721 2.676 2.637 2.603 2.573 2.547 2.523 2.501 2.482 2.464
21 5.827 4.420 3.819 3.475 3.250 3.090 2.969 2.874 2.798 2.735 2.682 2.637 2.598 2.564 2.534 2.507 2.483 2.462 2.442 2.425
22 5.786 4.383 3.783 3.440 3.215 3.055 2.934 2.839 2.763 2.700 2.647 2.602 2.563 2.528 2.498 2.472 2.448 2.426 2.407 2.389
23 5.750 4.349 3.750 3.408 3.183 3.023 2.902 2.808 2.731 2.668 2.615 2.570 2.531 2.497 2.466 2.440 2.416 2.394 2.374 2.357
24 5.717 4.319 3.721 3.379 3.155 2.995 2.874 2.779 2.703 2.640 2.586 2.541 2.502 2.468 2.437 2.411 2.386 2.365 2.345 2.327
25 5.686 4.291 3.694 3.353 3.129 2.969 2.848 2.753 2.677 2.613 2.560 2.515 2.476 2.441 2.411 2.384 2.360 2.338 2.318 2.300
26 5.659 4.265 3.670 3.329 3.105 2.945 2.824 2.729 2.653 2.590 2.536 2.491 2.452 2.417 2.387 2.360 2.335 2.314 2.294 2.276
27 5.633 4.242 3.647 3.307 3.083 2.923 2.802 2.707 2.631 2.568 2.514 2.469 2.429 2.395 2.364 2.337 2.313 2.291 2.271 2.253
28 5.610 4.221 3.626 3.286 3.063 2.903 2.782 2.687 2.611 2.547 2.494 2.448 2.409 2.374 2.344 2.317 2.292 2.270 2.251 2.232
29 5.588 4.201 3.607 3.267 3.044 2.884 2.763 2.669 2.592 2.529 2.475 2.430 2.390 2.355 2.325 2.298 2.273 2.251 2.231 2.213
30 5.568 4.182 3.589 3.250 3.026 2.867 2.746 2.651 2.575 2.511 2.458 2.412 2.372 2.338 2.307 2.280 2.255 2.233 2.213 2.195
40 5.424 4.051 3.463 3.126 2.904 2.744 2.624 2.529 2.452 2.388 2.334 2.288 2.248 2.213 2.182 2.154 2.129 2.107 2.086 2.068
50 5.340 3.975 3.390 3.054 2.833 2.674 2.553 2.458 2.381 2.317 2.263 2.216 2.176 2.140 2.109 2.081 2.056 2.033 2.012 1.993
60 5.286 3.925 3.343 3.008 2.786 2.627 2.507 2.412 2.334 2.270 2.216 2.169 2.129 2.093 2.061 2.033 2.008 1.985 1.964 1.944
70 5.247 3.890 3.309 2.975 2.754 2.595 2.474 2.379 2.302 2.237 2.183 2.136 2.095 2.059 2.028 1.999 1.974 1.950 1.929 1.910
80 5.218 3.864 3.284 2.950 2.730 2.571 2.450 2.355 2.277 2.213 2.158 2.111 2.071 2.035 2.003 1.974 1.948 1.925 1.904 1.884
90 5.196 3.844 3.265 2.932 2.711 2.552 2.432 2.336 2.259 2.194 2.140 2.092 2.051 2.015 1.983 1.955 1.929 1.905 1.884 1.864
100 5.179 3.828 3.250 2.917 2.696 2.537 2.417 2.321 2.244 2.179 2.124 2.077 2.036 2.000 1.968 1.939 1.913 1.890 1.868 1.849
200 5.100 3.758 3.182 2.850 2.630 2.472 2.351 2.256 2.178 2.113 2.058 2.010 1.969 1.932 1.900 1.870 1.844 1.820 1.798 1.778
500 5.054 3.716 3.142 2.811 2.592 2.434 2.313 2.217 2.139 2.074 2.019 1.971 1.929 1.892 1.859 1.830 1.803 1.779 1.757 1.736
1000 5.039 3.703 3.129 2.799 2.579 2.421 2.300 2.204 2.126 2.061 2.006 1.958 1.916 1.879 1.846 1.816 1.789 1.765 1.743 1.722
Elaborada por Irene Patricia Valdez y Alfaro.
 Tabla 5. VALORES F DE LA DISTRIBUCIÓN F DE FISHER

1 - α =0.975
1 - α = P ( F ≤ fα,ν1,ν2 )

ν1 21 22 23 24 25 26 27 28 29 30 40 50 60 70 80 90 100 200 500 1000

ν2
1 994.303 995.351 996.341 997.272 998.087 998.843 999.542 1000.240 1000.823 1001.405 1005.596 1008.098 1009.787 1011.009 1011.911 1012.610 1013.163 1015.724 1017.237 1017.761
2 39.450 39.452 39.455 39.457 39.458 39.459 39.461 39.462 39.463 39.465 39.473 39.478 39.481 39.484 39.486 39.487 39.488 39.493 39.496 39.497
3 14.155 14.144 14.134 14.124 14.115 14.107 14.100 14.093 14.086 14.081 14.036 14.010 13.992 13.979 13.970 13.962 13.956 13.929 13.913 13.908
4 8.546 8.533 8.522 8.511 8.501 8.492 8.483 8.475 8.468 8.461 8.411 8.381 8.360 8.346 8.335 8.326 8.319 8.288 8.270 8.264
5 6.314 6.301 6.289 6.278 6.268 6.258 6.250 6.242 6.234 6.227 6.175 6.144 6.123 6.107 6.096 6.087 6.080 6.048 6.028 6.022
6 5.154 5.141 5.128 5.117 5.107 5.097 5.088 5.080 5.072 5.065 5.012 4.980 4.959 4.943 4.932 4.923 4.915 4.882 4.862 4.856
7 4.452 4.439 4.426 4.415 4.405 4.395 4.386 4.378 4.370 4.362 4.309 4.276 4.254 4.239 4.227 4.218 4.210 4.176 4.156 4.149
8 3.985 3.971 3.959 3.947 3.937 3.927 3.918 3.909 3.901 3.894 3.840 3.807 3.784 3.768 3.756 3.747 3.739 3.705 3.684 3.677
9 3.652 3.638 3.626 3.614 3.604 3.594 3.584 3.576 3.568 3.560 3.505 3.472 3.449 3.433 3.421 3.411 3.403 3.368 3.347 3.340
10 3.403 3.390 3.377 3.365 3.355 3.345 3.335 3.327 3.319 3.311 3.255 3.221 3.198 3.182 3.169 3.160 3.152 3.116 3.094 3.087
11 3.211 3.197 3.184 3.173 3.162 3.152 3.142 3.133 3.125 3.118 3.061 3.027 3.004 2.987 2.974 2.964 2.956 2.920 2.898 2.890
12 3.057 3.043 3.031 3.019 3.008 2.998 2.988 2.979 2.971 2.963 2.906 2.871 2.848 2.831 2.818 2.808 2.800 2.763 2.740 2.733
13 2.932 2.918 2.905 2.893 2.882 2.872 2.862 2.853 2.845 2.837 2.780 2.744 2.720 2.703 2.690 2.680 2.671 2.634 2.611 2.603
14 2.828 2.814 2.801 2.789 2.778 2.767 2.758 2.749 2.740 2.732 2.674 2.638 2.614 2.597 2.583 2.573 2.565 2.526 2.503 2.495
15 2.740 2.726 2.713 2.701 2.689 2.679 2.669 2.660 2.652 2.644 2.585 2.549 2.524 2.506 2.493 2.482 2.474 2.435 2.411 2.403
16 2.665 2.651 2.637 2.625 2.614 2.603 2.594 2.584 2.576 2.568 2.509 2.472 2.447 2.429 2.415 2.405 2.396 2.357 2.333 2.324
17 2.600 2.585 2.572 2.560 2.548 2.538 2.528 2.519 2.510 2.502 2.442 2.405 2.380 2.362 2.348 2.337 2.329 2.289 2.264 2.256
18 2.543 2.529 2.515 2.503 2.491 2.481 2.471 2.461 2.453 2.445 2.384 2.347 2.321 2.303 2.289 2.278 2.269 2.229 2.204 2.195
19 2.493 2.478 2.465 2.452 2.441 2.430 2.420 2.411 2.402 2.394 2.333 2.295 2.270 2.251 2.237 2.226 2.217 2.176 2.150 2.142
20 2.448 2.434 2.420 2.408 2.396 2.385 2.375 2.366 2.357 2.349 2.287 2.249 2.223 2.205 2.190 2.179 2.170 2.128 2.103 2.094
21 2.409 2.394 2.380 2.368 2.356 2.345 2.335 2.325 2.317 2.308 2.246 2.208 2.182 2.163 2.148 2.137 2.128 2.086 2.060 2.051
22 2.373 2.358 2.344 2.332 2.320 2.309 2.299 2.289 2.280 2.272 2.210 2.171 2.145 2.125 2.111 2.099 2.090 2.047 2.021 2.012
23 2.340 2.325 2.312 2.299 2.287 2.276 2.266 2.256 2.247 2.239 2.176 2.137 2.111 2.091 2.077 2.065 2.056 2.013 1.986 1.977
24 2.311 2.296 2.282 2.269 2.257 2.246 2.236 2.226 2.217 2.209 2.146 2.107 2.080 2.060 2.045 2.034 2.024 1.981 1.954 1.945
25 2.284 2.269 2.255 2.242 2.230 2.219 2.209 2.199 2.190 2.182 2.118 2.079 2.052 2.032 2.017 2.005 1.996 1.952 1.924 1.915
26 2.259 2.244 2.230 2.217 2.205 2.194 2.184 2.174 2.165 2.157 2.093 2.053 2.026 2.006 1.991 1.979 1.969 1.925 1.897 1.888
27 2.237 2.222 2.208 2.195 2.183 2.171 2.161 2.151 2.142 2.133 2.069 2.029 2.002 1.982 1.966 1.954 1.945 1.900 1.872 1.862
28 2.216 2.201 2.187 2.174 2.161 2.150 2.140 2.130 2.121 2.112 2.048 2.007 1.980 1.959 1.944 1.932 1.922 1.877 1.848 1.839
29 2.196 2.181 2.167 2.154 2.142 2.131 2.120 2.110 2.101 2.092 2.028 1.987 1.959 1.939 1.923 1.911 1.901 1.855 1.827 1.817
30 2.178 2.163 2.149 2.136 2.124 2.112 2.102 2.092 2.083 2.074 2.009 1.968 1.940 1.920 1.904 1.892 1.882 1.835 1.806 1.797
40 2.051 2.035 2.020 2.007 1.994 1.983 1.972 1.962 1.952 1.943 1.875 1.832 1.803 1.781 1.764 1.751 1.741 1.691 1.659 1.648
50 1.976 1.960 1.945 1.931 1.919 1.907 1.895 1.885 1.875 1.866 1.796 1.752 1.721 1.698 1.681 1.667 1.656 1.603 1.569 1.557
60 1.927 1.911 1.896 1.882 1.869 1.857 1.845 1.835 1.825 1.815 1.744 1.699 1.667 1.643 1.625 1.611 1.599 1.543 1.507 1.495
70 1.892 1.876 1.861 1.847 1.833 1.821 1.810 1.799 1.789 1.779 1.707 1.660 1.628 1.604 1.585 1.570 1.558 1.500 1.463 1.449
80 1.866 1.850 1.835 1.820 1.807 1.795 1.783 1.772 1.762 1.752 1.679 1.632 1.599 1.574 1.555 1.540 1.527 1.467 1.428 1.414
90 1.846 1.830 1.814 1.800 1.787 1.774 1.763 1.752 1.741 1.731 1.657 1.610 1.576 1.551 1.531 1.516 1.503 1.441 1.401 1.386
100 1.830 1.814 1.798 1.784 1.770 1.758 1.746 1.735 1.725 1.715 1.640 1.592 1.558 1.532 1.512 1.496 1.483 1.420 1.378 1.363
200 1.759 1.742 1.726 1.712 1.698 1.685 1.673 1.661 1.650 1.640 1.562 1.511 1.474 1.447 1.425 1.407 1.393 1.320 1.269 1.250
500 1.717 1.700 1.684 1.669 1.655 1.641 1.629 1.617 1.606 1.596 1.515 1.462 1.423 1.394 1.370 1.351 1.336 1.254 1.192 1.166
1000 1.703 1.686 1.670 1.654 1.640 1.627 1.614 1.603 1.591 1.581 1.499 1.445 1.406 1.376 1.352 1.332 1.316 1.230 1.162 1.132
Elaborada por Irene Patricia Valdez y Alfaro.
 Tabla 5. VALORES F DE LA DISTRIBUCIÓN F DE FISHER

1 - α =0.99 ν1 = grados de libertad del numerador

1 - α = P ( F ≤ fα,ν1,ν2 ) ν2 = grados de libertad del denominador

ν1 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
ν2
1 4052.185 4999.340 5403.534 5624.257 5763.955 5858.950 5928.334 5980.954 6022.397 6055.925 6083.399 6106.682 6125.774 6143.004 6156.974 6170.012 6181.188 6191.432 6200.746 6208.662
2 98.502 99.000 99.164 99.251 99.302 99.331 99.357 99.375 99.390 99.397 99.408 99.419 99.422 99.426 99.433 99.437 99.441 99.444 99.448 99.448
3 34.116 30.816 29.457 28.710 28.237 27.911 27.671 27.489 27.345 27.228 27.132 27.052 26.983 26.924 26.872 26.826 26.786 26.751 26.719 26.690
4 21.198 18.000 16.694 15.977 15.522 15.207 14.976 14.799 14.659 14.546 14.452 14.374 14.306 14.249 14.198 14.154 14.114 14.079 14.048 14.019
5 16.258 13.274 12.060 11.392 10.967 10.672 10.456 10.289 10.158 10.051 9.963 9.888 9.825 9.770 9.722 9.680 9.643 9.609 9.580 9.553
6 13.745 10.925 9.780 9.148 8.746 8.466 8.260 8.102 7.976 7.874 7.790 7.718 7.657 7.605 7.559 7.519 7.483 7.451 7.422 7.396
7 12.246 9.547 8.451 7.847 7.460 7.191 6.993 6.840 6.719 6.620 6.538 6.469 6.410 6.359 6.314 6.275 6.240 6.209 6.181 6.155
8 11.259 8.649 7.591 7.006 6.632 6.371 6.178 6.029 5.911 5.814 5.734 5.667 5.609 5.559 5.515 5.477 5.442 5.412 5.384 5.359
9 10.562 8.022 6.992 6.422 6.057 5.802 5.613 5.467 5.351 5.257 5.178 5.111 5.055 5.005 4.962 4.924 4.890 4.860 4.833 4.808
10 10.044 7.559 6.552 5.994 5.636 5.386 5.200 5.057 4.942 4.849 4.772 4.706 4.650 4.601 4.558 4.520 4.487 4.457 4.430 4.405
11 9.646 7.206 6.217 5.668 5.316 5.069 4.886 4.744 4.632 4.539 4.462 4.397 4.342 4.293 4.251 4.213 4.180 4.150 4.123 4.099
12 9.330 6.927 5.953 5.412 5.064 4.821 4.640 4.499 4.388 4.296 4.220 4.155 4.100 4.052 4.010 3.972 3.939 3.910 3.883 3.858
13 9.074 6.701 5.739 5.205 4.862 4.620 4.441 4.302 4.191 4.100 4.025 3.960 3.905 3.857 3.815 3.778 3.745 3.716 3.689 3.665
14 8.862 6.515 5.564 5.035 4.695 4.456 4.278 4.140 4.030 3.939 3.864 3.800 3.745 3.698 3.656 3.619 3.586 3.556 3.529 3.505
15 8.683 6.359 5.417 4.893 4.556 4.318 4.142 4.004 3.895 3.805 3.730 3.666 3.612 3.564 3.522 3.485 3.452 3.423 3.396 3.372
16 8.531 6.226 5.292 4.773 4.437 4.202 4.026 3.890 3.780 3.691 3.616 3.553 3.498 3.451 3.409 3.372 3.339 3.310 3.283 3.259
17 8.400 6.112 5.185 4.669 4.336 4.101 3.927 3.791 3.682 3.593 3.518 3.455 3.401 3.353 3.312 3.275 3.242 3.212 3.186 3.162
18 8.285 6.013 5.092 4.579 4.248 4.015 3.841 3.705 3.597 3.508 3.434 3.371 3.316 3.269 3.227 3.190 3.158 3.128 3.101 3.077
19 8.185 5.926 5.010 4.500 4.171 3.939 3.765 3.631 3.523 3.434 3.360 3.297 3.242 3.195 3.153 3.116 3.084 3.054 3.027 3.003
20 8.096 5.849 4.938 4.431 4.103 3.871 3.699 3.564 3.457 3.368 3.294 3.231 3.177 3.130 3.088 3.051 3.018 2.989 2.962 2.938
21 8.017 5.780 4.874 4.369 4.042 3.812 3.640 3.506 3.398 3.310 3.236 3.173 3.119 3.072 3.030 2.993 2.960 2.931 2.904 2.880
22 7.945 5.719 4.817 4.313 3.988 3.758 3.587 3.453 3.346 3.258 3.184 3.121 3.067 3.019 2.978 2.941 2.908 2.879 2.852 2.827
23 7.881 5.664 4.765 4.264 3.939 3.710 3.539 3.406 3.299 3.211 3.137 3.074 3.020 2.973 2.931 2.894 2.861 2.832 2.805 2.780
24 7.823 5.614 4.718 4.218 3.895 3.667 3.496 3.363 3.256 3.168 3.094 3.032 2.977 2.930 2.889 2.852 2.819 2.789 2.762 2.738
25 7.770 5.568 4.675 4.177 3.855 3.627 3.457 3.324 3.217 3.129 3.056 2.993 2.939 2.892 2.850 2.813 2.780 2.751 2.724 2.699
26 7.721 5.526 4.637 4.140 3.818 3.591 3.421 3.288 3.182 3.094 3.021 2.958 2.904 2.857 2.815 2.778 2.745 2.715 2.688 2.664
27 7.677 5.488 4.601 4.106 3.785 3.558 3.388 3.256 3.149 3.062 2.988 2.926 2.872 2.824 2.783 2.746 2.713 2.683 2.656 2.632
28 7.636 5.453 4.568 4.074 3.754 3.528 3.358 3.226 3.120 3.032 2.959 2.896 2.842 2.795 2.753 2.716 2.683 2.653 2.626 2.602
29 7.598 5.420 4.538 4.045 3.725 3.499 3.330 3.198 3.092 3.005 2.931 2.868 2.814 2.767 2.726 2.689 2.656 2.626 2.599 2.574
30 7.562 5.390 4.510 4.018 3.699 3.473 3.305 3.173 3.067 2.979 2.906 2.843 2.789 2.742 2.700 2.663 2.630 2.600 2.573 2.549
40 7.314 5.178 4.313 3.828 3.514 3.291 3.124 2.993 2.888 2.801 2.727 2.665 2.611 2.563 2.522 2.484 2.451 2.421 2.394 2.369
50 7.171 5.057 4.199 3.720 3.408 3.186 3.020 2.890 2.785 2.698 2.625 2.563 2.508 2.461 2.419 2.382 2.348 2.318 2.290 2.265
60 7.077 4.977 4.126 3.649 3.339 3.119 2.953 2.823 2.718 2.632 2.559 2.496 2.442 2.394 2.352 2.315 2.281 2.251 2.223 2.198
70 7.011 4.922 4.074 3.600 3.291 3.071 2.906 2.777 2.672 2.585 2.512 2.450 2.395 2.348 2.306 2.268 2.234 2.204 2.176 2.150
80 6.963 4.881 4.036 3.563 3.255 3.036 2.871 2.742 2.637 2.551 2.478 2.415 2.361 2.313 2.271 2.233 2.199 2.169 2.141 2.115
90 6.925 4.849 4.007 3.535 3.228 3.009 2.845 2.715 2.611 2.524 2.451 2.389 2.334 2.286 2.244 2.206 2.172 2.142 2.114 2.088
100 6.895 4.824 3.984 3.513 3.206 2.988 2.823 2.694 2.590 2.503 2.430 2.368 2.313 2.265 2.223 2.185 2.151 2.120 2.092 2.067
200 6.763 4.713 3.881 3.414 3.110 2.893 2.730 2.601 2.497 2.411 2.338 2.275 2.220 2.172 2.129 2.091 2.057 2.026 1.997 1.971
500 6.686 4.648 3.821 3.357 3.054 2.838 2.675 2.547 2.443 2.356 2.283 2.220 2.166 2.117 2.075 2.036 2.002 1.970 1.942 1.915
1000 6.660 4.626 3.801 3.338 3.036 2.820 2.657 2.529 2.425 2.339 2.265 2.203 2.148 2.099 2.056 2.018 1.983 1.952 1.923 1.897
Elaborada por Irene Patricia Valdez y Alfaro.
 Tabla 5. VALORES F DE LA DISTRIBUCIÓN F DE FISHER

1 - α =0.99
1 - α = P ( F ≤ fα,ν1,ν2 )

ν1 21 22 23 24 25 26 27 28 29 30 40 50 60 70 80 90 100 200 500 1000

ν2
1 6216.113 6223.097 6228.685 6234.273 6239.861 6244.518 6249.174 6252.900 6257.091 6260.350 6286.427 6302.260 6312.970 6320.886 6326.474 6330.665 6333.925 6349.757 6359.536 6362.796
2 99.451 99.455 99.455 99.455 99.459 99.462 99.462 99.462 99.462 99.466 99.477 99.477 99.484 99.484 99.484 99.488 99.491 99.491 99.499 99.499
3 26.664 26.639 26.617 26.597 26.579 26.562 26.546 26.531 26.517 26.504 26.411 26.354 26.316 26.289 26.269 26.253 26.241 26.183 26.148 26.137
4 13.994 13.970 13.949 13.929 13.911 13.894 13.878 13.864 13.850 13.838 13.745 13.690 13.652 13.626 13.605 13.590 13.577 13.520 13.486 13.475
5 9.528 9.506 9.485 9.466 9.449 9.433 9.418 9.404 9.391 9.379 9.291 9.238 9.202 9.176 9.157 9.142 9.130 9.075 9.042 9.032
6 7.372 7.351 7.331 7.313 7.296 7.281 7.266 7.253 7.240 7.229 7.143 7.091 7.057 7.032 7.013 6.998 6.987 6.934 6.901 6.891
7 6.132 6.111 6.092 6.074 6.058 6.043 6.029 6.016 6.003 5.992 5.908 5.858 5.824 5.799 5.781 5.766 5.755 5.702 5.671 5.660
8 5.336 5.316 5.297 5.279 5.263 5.248 5.234 5.221 5.209 5.198 5.116 5.065 5.032 5.007 4.989 4.975 4.963 4.911 4.880 4.869
9 4.786 4.765 4.746 4.729 4.713 4.698 4.684 4.672 4.660 4.649 4.567 4.517 4.483 4.459 4.441 4.426 4.415 4.363 4.332 4.321
10 4.383 4.363 4.344 4.327 4.311 4.296 4.283 4.270 4.258 4.247 4.165 4.115 4.082 4.058 4.039 4.025 4.014 3.962 3.930 3.920
11 4.077 4.057 4.038 4.021 4.005 3.990 3.977 3.964 3.952 3.941 3.860 3.810 3.776 3.752 3.734 3.719 3.708 3.656 3.624 3.613
12 3.836 3.816 3.798 3.780 3.765 3.750 3.736 3.724 3.712 3.701 3.619 3.569 3.535 3.511 3.493 3.478 3.467 3.414 3.382 3.372
13 3.643 3.622 3.604 3.587 3.571 3.556 3.543 3.530 3.518 3.507 3.425 3.375 3.341 3.317 3.298 3.284 3.272 3.219 3.187 3.176
14 3.483 3.463 3.444 3.427 3.412 3.397 3.383 3.371 3.359 3.348 3.266 3.215 3.181 3.157 3.138 3.124 3.112 3.059 3.026 3.015
15 3.350 3.330 3.311 3.294 3.278 3.264 3.250 3.237 3.225 3.214 3.132 3.081 3.047 3.022 3.004 2.989 2.977 2.923 2.891 2.880
16 3.237 3.216 3.198 3.181 3.165 3.150 3.137 3.124 3.112 3.101 3.018 2.967 2.933 2.908 2.889 2.875 2.863 2.808 2.775 2.764
17 3.139 3.119 3.101 3.083 3.068 3.053 3.039 3.026 3.014 3.003 2.920 2.869 2.835 2.810 2.791 2.776 2.764 2.709 2.676 2.664
18 3.055 3.035 3.016 2.999 2.983 2.968 2.955 2.942 2.930 2.919 2.835 2.784 2.749 2.724 2.705 2.690 2.678 2.623 2.589 2.577
19 2.981 2.961 2.942 2.925 2.909 2.894 2.880 2.868 2.855 2.844 2.761 2.709 2.674 2.649 2.630 2.614 2.602 2.547 2.512 2.501
20 2.916 2.895 2.877 2.859 2.843 2.829 2.815 2.802 2.790 2.778 2.695 2.643 2.608 2.582 2.563 2.548 2.535 2.479 2.445 2.433
21 2.857 2.837 2.818 2.801 2.785 2.770 2.756 2.743 2.731 2.720 2.636 2.584 2.548 2.523 2.503 2.488 2.476 2.419 2.384 2.372
22 2.805 2.785 2.766 2.749 2.733 2.718 2.704 2.691 2.679 2.667 2.583 2.531 2.495 2.469 2.450 2.434 2.422 2.365 2.329 2.317
23 2.758 2.738 2.719 2.702 2.686 2.671 2.657 2.644 2.632 2.620 2.536 2.483 2.447 2.421 2.401 2.386 2.373 2.316 2.280 2.268
24 2.716 2.695 2.676 2.659 2.643 2.628 2.614 2.601 2.589 2.577 2.492 2.440 2.403 2.377 2.357 2.342 2.329 2.271 2.235 2.223
25 2.677 2.657 2.638 2.620 2.604 2.589 2.575 2.562 2.550 2.538 2.453 2.400 2.364 2.337 2.317 2.302 2.289 2.230 2.194 2.182
26 2.642 2.621 2.602 2.585 2.569 2.554 2.540 2.526 2.514 2.503 2.417 2.364 2.327 2.301 2.281 2.265 2.252 2.193 2.156 2.144
27 2.609 2.589 2.570 2.552 2.536 2.521 2.507 2.494 2.481 2.470 2.384 2.330 2.294 2.267 2.247 2.231 2.218 2.159 2.122 2.109
28 2.579 2.559 2.540 2.522 2.506 2.491 2.477 2.464 2.451 2.440 2.354 2.300 2.263 2.236 2.216 2.200 2.187 2.127 2.090 2.077
29 2.552 2.531 2.512 2.495 2.478 2.463 2.449 2.436 2.423 2.412 2.325 2.271 2.234 2.207 2.187 2.171 2.158 2.097 2.060 2.047
30 2.526 2.506 2.487 2.469 2.453 2.437 2.423 2.410 2.398 2.386 2.299 2.245 2.208 2.181 2.160 2.144 2.131 2.070 2.032 2.019
40 2.346 2.325 2.306 2.288 2.271 2.256 2.241 2.228 2.215 2.203 2.114 2.058 2.019 1.991 1.969 1.952 1.938 1.874 1.833 1.819
50 2.242 2.221 2.202 2.183 2.167 2.151 2.136 2.123 2.110 2.098 2.007 1.949 1.909 1.880 1.857 1.839 1.825 1.757 1.713 1.698
60 2.175 2.153 2.134 2.115 2.098 2.083 2.068 2.054 2.041 2.028 1.936 1.877 1.836 1.806 1.783 1.764 1.749 1.678 1.633 1.617
70 2.127 2.106 2.086 2.067 2.050 2.034 2.019 2.005 1.992 1.980 1.886 1.826 1.785 1.754 1.730 1.711 1.695 1.622 1.574 1.558
80 2.092 2.070 2.050 2.032 2.015 1.999 1.983 1.969 1.956 1.944 1.849 1.788 1.746 1.714 1.690 1.671 1.655 1.579 1.530 1.512
90 2.065 2.043 2.023 2.004 1.987 1.971 1.956 1.942 1.928 1.916 1.820 1.759 1.716 1.684 1.659 1.639 1.623 1.546 1.494 1.476
100 2.043 2.021 2.001 1.983 1.965 1.949 1.934 1.919 1.906 1.893 1.797 1.735 1.692 1.659 1.634 1.614 1.598 1.518 1.466 1.447
200 1.947 1.925 1.905 1.886 1.868 1.851 1.836 1.821 1.807 1.794 1.694 1.629 1.583 1.548 1.521 1.499 1.481 1.391 1.328 1.304
500 1.891 1.869 1.848 1.829 1.810 1.794 1.778 1.763 1.749 1.735 1.633 1.566 1.517 1.481 1.452 1.428 1.408 1.308 1.232 1.201
1000 1.872 1.850 1.829 1.810 1.791 1.774 1.758 1.743 1.729 1.716 1.613 1.544 1.495 1.458 1.428 1.404 1.383 1.278 1.195 1.159
Elaborada por Irene Patricia Valdez y Alfaro.
Tabla de la t de Student.
[ ]
Contiene los valores t tales que p T > t = α ,
donde n son los grados de libertad.

n \ α 0,30 0,25 0,20 0,10 0,05 0,025 0,01 0,005 0,0025 0,001 0,0005
1 0,7265 1,0000 1,3764 3,0777 6,3137 12,7062 31,8210 63,6559 127,3213 318,3088 636,6192
2 0,6172 0,8165 1,0607 1,8856 2,9200 4,3027 6,9645 9,9250 14,0890 22,3271 31,5991
3 0,5844 0,7649 0,9785 1,6377 2,3534 3,1824 4,5407 5,8408 7,4533 10,2145 12,9240
4 0,5686 0,7407 0,9410 1,5332 2,1318 2,7765 3,7469 4,6041 5,5976 7,1732 8,6103
5 0,5594 0,7267 0,9195 1,4759 2,0150 2,5706 3,3649 4,0321 4,7733 5,8934 6,8688
6 0,5534 0,7176 0,9057 1,4398 1,9432 2,4469 3,1427 3,7074 4,3168 5,2076 5,9588
7 0,5491 0,7111 0,8960 1,4149 1,8946 2,3646 2,9979 3,4995 4,0293 4,7853 5,4079
8 0,5459 0,7064 0,8889 1,3968 1,8595 2,3060 2,8965 3,3554 3,8325 4,5008 5,0413
9 0,5435 0,7027 0,8834 1,3830 1,8331 2,2622 2,8214 3,2498 3,6897 4,2968 4,7809
10 0,5415 0,6998 0,8791 1,3722 1,8125 2,2281 2,7638 3,1693 3,5814 4,1437 4,5869
11 0,5399 0,6974 0,8755 1,3634 1,7959 2,2010 2,7181 3,1058 3,4966 4,0247 4,4370
12 0,5386 0,6955 0,8726 1,3562 1,7823 2,1788 2,6810 3,0545 3,4284 3,9296 4,3178
13 0,5375 0,6938 0,8702 1,3502 1,7709 2,1604 2,6503 3,0123 3,3725 3,8520 4,2208
14 0,5366 0,6924 0,8681 1,3450 1,7613 2,1448 2,6245 2,9768 3,3257 3,7874 4,1405
15 0,5357 0,6912 0,8662 1,3406 1,7531 2,1315 2,6025 2,9467 3,2860 3,7328 4,0728
16 0,5350 0,6901 0,8647 1,3368 1,7459 2,1199 2,5835 2,9208 3,2520 3,6862 4,0150
17 0,5344 0,6892 0,8633 1,3334 1,7396 2,1098 2,5669 2,8982 3,2224 3,6458 3,9651
18 0,5338 0,6884 0,8620 1,3304 1,7341 2,1009 2,5524 2,8784 3,1966 3,6105 3,9216
19 0,5333 0,6876 0,8610 1,3277 1,7291 2,0930 2,5395 2,8609 3,1737 3,5794 3,8834
20 0,5329 0,6870 0,8600 1,3253 1,7247 2,0860 2,5280 2,8453 3,1534 3,5518 3,8495
21 0,5325 0,6864 0,8591 1,3232 1,7207 2,0796 2,5176 2,8314 3,1352 3,5272 3,8193
22 0,5321 0,6858 0,8583 1,3212 1,7171 2,0739 2,5083 2,8188 3,1188 3,5050 3,7921
23 0,5317 0,6853 0,8575 1,3195 1,7139 2,0687 2,4999 2,8073 3,1040 3,4850 3,7676
24 0,5314 0,6848 0,8569 1,3178 1,7109 2,0639 2,4922 2,7970 3,0905 3,4668 3,7454
25 0,5312 0,6844 0,8562 1,3163 1,7081 2,0595 2,4851 2,7874 3,0782 3,4502 3,7251
26 0,5309 0,6840 0,8557 1,3150 1,7056 2,0555 2,4786 2,7787 3,0669 3,4350 3,7066
27 0,5306 0,6837 0,8551 1,3137 1,7033 2,0518 2,4727 2,7707 3,0565 3,4210 3,6896
28 0,5304 0,6834 0,8546 1,3125 1,7011 2,0484 2,4671 2,7633 3,0469 3,4082 3,6739
29 0,5302 0,6830 0,8542 1,3114 1,6991 2,0452 2,4620 2,7564 3,0380 3,3962 3,6594
30 0,5300 0,6828 0,8538 1,3104 1,6973 2,0423 2,4573 2,7500 3,0298 3,3852 3,6460
40 0,5286 0,6807 0,8507 1,3031 1,6839 2,0211 2,4233 2,7045 2,9712 3,3069 3,5510
80 0,5265 0,6776 0,8461 1,2922 1,6641 1,9901 2,3739 2,6387 2,8870 3,1953 3,4163
120 0,5258 0,6765 0,8446 1,2886 1,6576 1,9799 2,3578 2,6174 2,8599 3,1595 3,3735
∞ 0,5244 0, 6745 0,8416 1,2816 1,6449 1,9600 2,3263 2,5758 2,8070 3,0902 3,2905
Tabla de la t de Student.
Contiene los valores t tales que p[ T > t ] = α ,
donde n son los grados de libertad.

n \ α 0,90 0,80 0,70 0,50 0,30 0,20 0,10 0,05 0,02 0,01 0,001
1 0,1584 0,3249 0,5095 1,0000 1,9626 3,0777 6,3137 12,7062 31,8210 63,6559 636,5776
2 0,1421 0,2887 0,4447 0,8165 1,3862 1,8856 2,9200 4,3027 6,9645 9,9250 31,5998
3 0,1366 0,2767 0,4242 0,7649 1,2498 1,6377 2,3534 3,1824 4,5407 5,8408 12,9244
4 0,1338 0,2707 0,4142 0,7407 1,1896 1,5332 2,1318 2,7765 3,7469 4,6041 8,6101
5 0,1322 0,2672 0,4082 0,7267 1,1558 1,4759 2,0150 2,5706 3,3649 4,0321 6,8685
6 0,1311 0,2648 0,4043 0,7176 1,1342 1,4398 1,9432 2,4469 3,1427 3,7074 5,9587
7 0,1303 0,2632 0,4015 0,7111 1,1192 1,4149 1,8946 2,3646 2,9979 3,4995 5,4081
8 0,1297 0,2619 0,3995 0,7064 1,1081 1,3968 1,8595 2,3060 2,8965 3,3554 5,0414
9 0,1293 0,2610 0,3979 0,7027 1,0997 1,3830 1,8331 2,2622 2,8214 3,2498 4,7809
10 0,1289 0,2602 0,3966 0,6998 1,0931 1,3722 1,8125 2,2281 2,7638 3,1693 4,5868
11 0,1286 0,2596 0,3956 0,6974 1,0877 1,3634 1,7959 2,2010 2,7181 3,1058 4,4369
12 0,1283 0,2590 0,3947 0,6955 1,0832 1,3562 1,7823 2,1788 2,6810 3,0545 4,3178
13 0,1281 0,2586 0,3940 0,6938 1,0795 1,3502 1,7709 2,1604 2,6503 3,0123 4,2209
14 0,1280 0,2582 0,3933 0,6924 1,0763 1,3450 1,7613 2,1448 2,6245 2,9768 4,1403
15 0,1278 0,2579 0,3928 0,6912 1,0735 1,3406 1,7531 2,1315 2,6025 2,9467 4,0728
16 0,1277 0,2576 0,3923 0,6901 1,0711 1,3368 1,7459 2,1199 2,5835 2,9208 4,0149
17 0,1276 0,2573 0,3919 0,6892 1,0690 1,3334 1,7396 2,1098 2,5669 2,8982 3,9651
18 0,1274 0,2571 0,3915 0,6884 1,0672 1,3304 1,7341 2,1009 2,5524 2,8784 3,9217
19 0,1274 0,2569 0,3912 0,6876 1,0655 1,3277 1,7291 2,0930 2,5395 2,8609 3,8833
20 0,1273 0,2567 0,3909 0,6870 1,0640 1,3253 1,7247 2,0860 2,5280 2,8453 3,8496
21 0,1272 0,2566 0,3906 0,6864 1,0627 1,3232 1,7207 2,0796 2,5176 2,8314 3,8193
22 0,1271 0,2564 0,3904 0,6858 1,0614 1,3212 1,7171 2,0739 2,5083 2,8188 3,7922
23 0,1271 0,2563 0,3902 0,6853 1,0603 1,3195 1,7139 2,0687 2,4999 2,8073 3,7676
24 0,1270 0,2562 0,3900 0,6848 1,0593 1,3178 1,7109 2,0639 2,4922 2,7970 3,7454
25 0,1269 0,2561 0,3898 0,6844 1,0584 1,3163 1,7081 2,0595 2,4851 2,7874 3,7251
26 0,1269 0,2560 0,3896 0,6840 1,0575 1,3150 1,7056 2,0555 2,4786 2,7787 3,7067
27 0,1268 0,2559 0,3894 0,6837 1,0567 1,3137 1,7033 2,0518 2,4727 2,7707 3,6895
28 0,1268 0,2558 0,3893 0,6834 1,0560 1,3125 1,7011 2,0484 2,4671 2,7633 3,6739
29 0,1268 0,2557 0,3892 0,6830 1,0553 1,3114 1,6991 2,0452 2,4620 2,7564 3,6595
30 0,1267 0,2556 0,3890 0,6828 1,0547 1,3104 1,6973 2,0423 2,4573 2,7500 3,6460
40 0,1265 0,2550 0,3881 0,6807 1,0500 1,3031 1,6839 2,0211 2,4233 2,7045 3,5510
80 0,1261 0,2542 0,3867 0,6776 1,0432 1,2922 1,6641 1,9901 2,3739 2,6387 3,4164
120 0,1259 0,2539 0,3862 0,6765 1,0409 1,2886 1,6576 1,9799 2,3578 2,6174 3,3734
∞ 0,126 0,253 0,385 0,674 1,036 1,282 1,645 1,96 2,326 2,576 3,291
 TABLA A1. RECORRIDO SIGNIFICATIVO DE DUNCAN (NIVEL DE SIGNIFICACIÓN α=1% )

g p=2 3 4 5 6 7 8 9 10 11 12 13 14 15 20 25 30 50 100
1 90.030 90.030 90.030 90.030 90.030 90.030 90.030 90.030 90.030 90.030 90.030 90.030 90.030 90.030 90.030 90.030 90.030 90.030 90.030
2 14.040 14.040 14.040 14.040 14.040 14.040 14.040 14.040 14.040 14.040 14.040 14.040 14.040 14.040 14.040 14.040 14.040 14.040 14.040
3 8.261 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321 8.321
4 6.512 6.677 6.740 6.740 6.740 6.740 6.740 6.740 6.740 6.740 6.740 6.740 6.740 6.740 6.740 6.740 6.740 6.740 6.740
5 5.702 5.893 5.589 6.040 6.065 6.074 6.074 6.074 6.074 6.074 6.074 6.074 6.074 6.074 6.074 6.074 6.074 6.074 6.074
6 5.243 5.439 5.549 5.614 5.655 5.680 5.694 5.701 5.703 5.703 5.703 5.703 5.703 5.703 5.703 5.703 5.703 5.703 5.703
7 4.949 5.415 5.260 5.334 5.383 5.416 5.439 5.454 5.464 5.470 5.472 5.472 5.472 5.472 5.472 5.472 5.472 5.472 5.472
8 4.476 4.939 5.057 5.135 5.189 5.227 5.256 5.276 5.291 5.302 5.309 5.309 5.314 5.316 5.317 5.317 5.317 5.317 5.317
9 4.596 4.787 4.906 4.986 5.043 5.086 5.118 5.142 5.160 5.174 5.185 5.193 5.199 5.203 5.206 5.206 5.206 5.206 5.206
10 4.482 4.671 4.790 4.781 4.931 4.975 5.010 5.037 5.058 5.074 6.509 5.098 5.106 5.112 5.124 5.124 5.124 5.124 5.124
11 4.392 4.579 4.697 4.780 4.841 4.887 4.924 4.952 4.975 4.994 5.009 5.021 5.031 5.039 5.059 5.061 5.061 5.061 5.061
12 4.320 4.622 4.706 4.767 4.815 4.852 4.883 4.907 4.927 4.944 4.958 4.969 4.978 5.006 5.011 5.011 5.011 5.011 5.011
13 4.260 4.442 4.560 4.644 4.706 4.755 4.793 4.824 4.850 4.872 4.889 4.904 4.917 4.928 4.960 4.971 4.972 4.972 4.972
14 4.210 4.391 4.508 4.591 4.654 4.704 4.743 4.775 4.802 4.824 4.843 4.859 4.872 4.884 4.921 4.937 4.940 4.940 4.940
15 4.168 4.347 4.463 4.547 4.610 4.660 4.700 4.733 4.760 4.783 4.803 4.820 4.834 4.846 4.887 4.907 4.914 4.914 4.914
16 4.131 4.309 4.425 4.509 4.572 4.622 4.663 4.696 4.724 4.748 4.768 4.786 4.800 4.813 4.858 4.880 4.890 4.892 4.892
17 4.099 4.275 4.391 4.475 4.539 4.589 4.630 4.664 4.693 4.717 4.738 4.756 4.771 4.785 4.832 4.857 4.869 4.874 4.874
18 4.071 4.246 4.362 4.445 4.509 4.560 4.601 4.635 4.664 4.689 4.711 4.729 4.745 4.759 4.808 4.836 4.850 4.858 4.858
19 4.046 4.220 4.335 4.419 4.483 4.534 4.575 4.610 4.639 4.665 4.686 4.705 4.722 4.736 4.788 4.817 4.833 4.855 4.855
20 4.024 4.197 4.312 4.395 4.459 4.510 4.552 4.587 4.617 4.642 4.664 4.684 4.701 4.716 4.769 4.800 4.818 4.833 4.833
25 3.942 4.111 4.225 4.307 4.372 4.423 4.466 4.502 4.532 4.559 4.582 4.603 4.622 4.638 4.698 4.736 4.760 4.796 4.796
30 3.889 4.056 4.168 4.250 4.314 4.366 4.409 4.445 4.477 4.504 4.528 4.550 4.569 4.586 4.650 4.692 4.721 4.772 4.777
40 3.825 3.988 4.098 4.180 4.244 4.296 4.339 4.376 4.408 4.436 4.461 4.483 4.503 4.521 4.591 4.638 4.671 4.740 4.764
50 3.787 3.948 4.058 4.138 4.202 4.254 4.298 4.334 4.367 4.395 4.421 4.443 4.464 4.482 4.554 4.604 4.641 4.720 4.764
60 3.762 3.922 4.031 4.111 4.174 4.226 4.270 4.307 4.340 4.368 4.394 4.417 4.438 4.456 4.530 4.582 4.620 4.707 4.765
70 3.745 3.904 4.012 4.092 4.155 4.207 4.251 4.287 4.321 4.349 4.375 4.398 4.419 4.438 4.510 4.566 4.605 4.695 4.766
80 3.732 3.890 3.998 4.077 4.140 4.192 4.236 4.296 4.306 4.335 4.361 4.384 4.405 4.424 4.500 4.554 4.594 4.690 4.767
90 3.722 3.879 3.987 4.066 4.129 4.181 4.225 4.262 4.295 4.323 4.350 4.373 4.394 4.413 4.490 4.544 4.000 4.685 4.768
100 3.714 3.871 3.978 4.057 4.120 4.172 4.216 4.253 4.286 4.315 4.341 4.364 4.385 4.405 4.481 4.537 4.578 4.680 4.769
∞ 3.643 3.796 3.900 3.978 4.040 4.091 4.135 4.172 4.205 4.235 4.261 4.285 4.307 4.327 4.408 4.468 4.514 4.635 4.776

CURSO. Métodos Avanzados en Control de Calidad

 TABLA A2. RECORRIDO SIGNIFICATIVO DE DUNCAN (NIVEL DE SIGNIFICACIÓN α=5% )

g p=2 3 4 5 6 7 8 9 10 11 12 13 14 15 20 25 30 50 100
1 17.97 17.97 17.97 17.97 17.97 17.97 17.97 17.97 17.97 17.97 17.97 17.97 17.97 17.97 17.97 17.97 17.97 17.97 17.97
2 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085 6.085
3 4.501 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516 4.516
4 3.927 4.013 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033 4.033
5 3.635 3.749 3.797 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814 3.814
6 3.461 3.587 3.649 3.694 3.694 3.694 3.694 3.694 3.694 3.694 3.694 3.694 3.694 3.694 3.694 3.694 3.694 3.694 3.694
7 3.344 3.477 3.548 3.588 3.611 3.622 3.626 3.626 3.626 3.626 3.626 3.626 3.626 3.626 3.626 3.626 3.626 3.626 3.626
8 3.261 3.399 3.475 3.521 3.521 3.521 3.521 3.521 3.521 3.521 3.521 3.521 3.521 3.521 3.521 3.521 3.521 3.521 3.521
9 3.199 3.339 3.42 3.470 3.502 3.523 3.536 3.544 3.547 3.547 3.547 3.547 3.547 3.547 3.547 3.547 3.547 3.547 3.547
10 3.151 3.293 3.376 3.430 3.465 3.489 3.505 3.516 3.522 3.526 3.526 3.526 3.526 3.526 3.526 3.526 3.526 3.526 3.526
11 3.113 3.256 3.342 3.397 3.435 3.462 3.48 3.493 3.501 3.506 3.509 3.510 3.510 3.510 3.51 3.51 3.510 3.51 3.51
12 3.082 3.335 3.313 3.370 3.410 3.439 3.459 3.474 3.484 3.491 3.496 3.498 3.499 3.499 3.499 3.499 3.499 3.499 3.499
13 3.055 3.2 3.289 3.348 3.389 3.419 3.442 3458 3470 3.484 3.488 3.49 3.49 3.49 3.49 3.49 3.49 3.49 3.49
14 3.033 3.178 3.268 3.329 3.372 3.403 3.426 3.444 3.457 3.467 3.474 3.479 3.482 3.484 3.485 3.485 3.485 3.485 3.485
15 3.014 3.16 3.25 3.312 3.356 3.389 3.413 3.432 3.446 3.457 3.465 3.471 3.476 3.478 3.481 3.481 3.481 3.481 3.481
16 2.998 3.144 3.235 3.298 3.343 3.376 3.402 3.422 3.437 3.449 3.458 3.465 3.47 3.473 3.478 3.478 3.478 3.478 3.478
17 2.984 3.13 3.222 3.285 3.331 3.366 3.392 3.412 3.429 3.441 3.465 3.47 3.473 3.478 3.478 3.478 3.478 3.478 3.478
18 2.971 3.118 3.21 3.274 3.321 3.356 3.383 3.405 3.421 3.445 3.454 3.46 3.465 3.462 3.474 3.474 3.474 3.474 3.474
19 2.96 3.107 3.199 3.264 3.311 3.347 3.375 3.397 3.415 3.429 3.44 3.449 3.456 3.462 3.474 3.474 3.474 3.474 3.474
20 2.95 3.097 3.19 3.255 3.303 3.339 3.368 3.391 3.409 3.424 3.436 3.445 3.453 3.459 3.473 3.474 3.474 3.474 3.474
25 2.923 3.06 3.154 3.221 3.271 3.31 3.34 3.366 3.386 3.403 3.417 3.429 3.439 3.447 3.471 3.478 3.479 3.478 3.479
30 2.888 3.035 3.131 3.199 3.25 3.29 3.322 3.349 3.371 3.389 3.405 3.418 3.43 3.439 3.470 3.483 3.486 3.486 3.486
40 2.858 3.006 3.102 3.171 3.224 3.266 3.300 3.328 3.352 3.373 3.39 3.405 3.418 3.429 3.469 3.489 3.500 3.504 3.504
50 2.84 2.988 3.085 3.154 3.208 3.251 3.286 3.316 3.341 3.362 3.381 3.397 3.411 3.423 3.468 3.494 3.509 3.522 3.521
60 2.829 2.976 3.073 3.143 3.198 3.241 3.277 3.307 3.333 3.355 3.374 3.391 3.406 3.419 3.467 3.497 3.515 3.537 3.537
70 2.821 2.968 3.065 3.135 3.19 3.234 3.271 3.301 3.328 3.35 3.37 3.387 3.403 3.416 3.467 3.499 3.52 3.548 3.552
80 2.814 2.961 3.059 3.130 3.185 3.229 3.266 3.297 3.323 3.436 3.367 3.384 3.400 3.414 3.467 3.501 3.524 3.558 3.564
90 2.81 2.957 3.054 3.125 3.181 3.225 3.262 3.292 3.32 3.343 3.364 3.382 3.398 3.412 3.467 3.502 3.527 3.567 3.575
100 2.806 2.953 3.501 3.121 3.177 3.222 3.259 3.291 3.318 3.341 3.362 3.38 3.396 3.411 3.467 3.503 3.529 3.574 3.585
∞ 2.772 2.918 3.017 3.089 3.146 3.193 3.232 3.265 3.294 3.32 3.343 3.363 3.382 3.399 3.466 3.514 3.55 3.64 3.735

CURSO. Métodos Avanzados en Control de Calidad

 Tabla 8: Cuantiles de la distribución de Tukey q(n, m)

n
α = 0.01 2 3 4 5 6 7 8 9 10 11 12 13 14 15
m
2 13.90 19.02 22.56 25.37 27.76 29.86 31.73 33.41 34.93 36.29 37.53 38.66 39.70 40.66
3 8.26 10.62 12.17 13.32 14.24 15.00 15.65 16.21 16.71 17.16 17.57 17.95 18.29 18.62
4 6.51 8.12 9.17 9.96 10.58 11.10 11.54 11.92 12.26 12.57 12.84 13.09 13.32 13.53
5 5.70 6.98 7.80 8.42 8.91 9.32 9.67 9.97 10.24 10.48 10.70 10.89 11.08 11.24
6 5.24 6.33 7.03 7.56 7.97 8.32 8.61 8.87 9.10 9.30 9.48 9.65 9.81 9.95
7 4.95 5.92 6.54 7.00 7.37 7.68 7.94 8.17 8.37 8.55 8.71 8.86 9.00 9.12
8 4.75 5.64 6.20 6.62 6.96 7.24 7.47 7.68 7.86 8.03 8.18 8.31 8.44 8.55
9 4.60 5.43 5.96 6.35 6.66 6.91 7.13 7.33 7.49 7.65 7.78 7.91 8.03 8.13
10 4.48 5.27 5.77 6.14 6.43 6.67 6.87 7.05 7.21 7.36 7.49 7.60 7.71 7.81
11 4.39 5.15 5.62 5.97 6.25 6.48 6.67 6.84 6.99 7.13 7.25 7.36 7.46 7.56
12 4.32 5.05 5.50 5.84 6.10 6.32 6.51 6.67 6.81 6.94 7.06 7.17 7.26 7.36
13 4.26 4.96 5.40 5.73 5.98 6.19 6.37 6.53 6.67 6.79 6.90 7.01 7.10 7.19
14 4.21 4.89 5.32 5.63 5.88 6.08 6.26 6.41 6.54 6.66 6.77 6.87 6.96 7.05
15 4.17 4.84 5.25 5.56 5.80 5.99 6.16 6.31 6.44 6.55 6.66 6.76 6.84 6.93
16 4.13 4.79 5.19 5.49 5.72 5.92 6.08 6.22 6.35 6.46 6.56 6.66 6.74 6.82
17 4.10 4.74 5.14 5.43 5.66 5.85 6.01 6.15 6.27 6.38 6.48 6.57 6.66 6.73
18 4.07 4.70 5.09 5.38 5.60 5.79 5.94 6.08 6.20 6.31 6.41 6.50 6.58 6.65
19 4.05 4.67 5.05 5.33 5.55 5.73 5.89 6.02 6.14 6.25 6.34 6.43 6.51 6.58
20 4.02 4.64 5.02 5.29 5.51 5.69 5.84 5.97 6.09 6.19 6.28 6.37 6.45 6.52
21 4.00 4.61 4.99 5.26 5.47 5.65 5.79 5.92 6.04 6.14 6.23 6.32 6.39 6.47
22 3.99 4.59 4.96 5.22 5.43 5.61 5.75 5.88 5.99 6.10 6.19 6.27 6.35 6.42
23 3.97 4.57 4.93 5.20 5.40 5.57 5.72 5.84 5.95 6.05 6.14 6.23 6.30 6.37
24 3.96 4.55 4.91 5.17 5.37 5.54 5.69 5.81 5.92 6.02 6.11 6.19 6.26 6.33
25 3.94 4.53 4.89 5.14 5.35 5.51 5.65 5.78 5.89 5.98 6.07 6.15 6.22 6.29
26 3.93 4.51 4.87 5.12 5.32 5.49 5.63 5.75 5.86 5.95 6.04 6.12 6.19 6.26
27 3.92 4.49 4.85 5.10 5.30 5.46 5.60 5.72 5.83 5.92 6.01 6.09 6.16 6.22
28 3.91 4.48 4.83 5.08 5.28 5.44 5.58 5.70 5.80 5.90 5.98 6.06 6.13 6.20
29 3.90 4.47 4.81 5.06 5.26 5.42 5.56 5.67 5.78 5.87 5.96 6.03 6.10 6.17
30 3.89 4.45 4.80 5.05 5.24 5.40 5.54 5.65 5.76 5.85 5.93 6.01 6.08 6.14
31 3.88 4.44 4.79 5.03 5.23 5.38 5.52 5.63 5.74 5.83 5.91 5.99 6.05 6.12
32 3.87 4.43 4.77 5.02 5.21 5.37 5.50 5.61 5.72 5.81 5.89 5.96 6.03 6.10
33 3.87 4.42 4.76 5.00 5.20 5.35 5.48 5.60 5.70 5.79 5.87 5.94 6.01 6.08
34 3.86 4.41 4.75 4.99 5.18 5.34 5.47 5.58 5.68 5.77 5.85 5.93 5.99 6.06
35 3.85 4.40 4.74 4.98 5.17 5.32 5.45 5.57 5.67 5.75 5.84 5.91 5.98 6.04
36 3.85 4.40 4.73 4.97 5.16 5.31 5.44 5.55 5.65 5.74 5.82 5.89 5.96 6.02
37 3.84 4.39 4.72 4.96 5.15 5.30 5.43 5.54 5.64 5.72 5.80 5.88 5.94 6.00
38 3.83 4.38 4.71 4.95 5.13 5.29 5.41 5.53 5.62 5.71 5.79 5.86 5.93 5.99
39 3.83 4.37 4.70 4.94 5.12 5.28 5.40 5.51 5.61 5.70 5.78 5.85 5.91 5.97
40 3.82 4.37 4.70 4.93 5.11 5.26 5.39 5.50 5.60 5.69 5.76 5.83 5.90 5.96
41 3.82 4.36 4.69 4.92 5.11 5.26 5.38 5.49 5.59 5.67 5.75 5.82 5.89 5.95
42 3.82 4.35 4.68 4.91 5.10 5.25 5.37 5.48 5.58 5.66 5.74 5.81 5.88 5.94
43 3.81 4.35 4.67 4.91 5.09 5.24 5.36 5.47 5.57 5.65 5.73 5.80 5.86 5.92
44 3.81 4.34 4.67 4.90 5.08 5.23 5.35 5.46 5.56 5.64 5.72 5.79 5.85 5.91
45 3.80 4.34 4.66 4.89 5.07 5.22 5.34 5.45 5.55 5.63 5.71 5.78 5.84 5.90
46 3.80 4.33 4.66 4.89 5.07 5.21 5.34 5.44 5.54 5.62 5.70 5.77 5.83 5.89
47 3.80 4.33 4.65 4.88 5.06 5.21 5.33 5.44 5.53 5.61 5.69 5.76 5.82 5.88
48 3.79 4.32 4.64 4.87 5.05 5.20 5.32 5.43 5.52 5.61 5.68 5.75 5.81 5.87
49 3.79 4.32 4.64 4.87 5.05 5.19 5.31 5.42 5.51 5.60 5.67 5.74 5.80 5.86
50 3.79 4.32 4.63 4.86 5.04 5.19 5.31 5.41 5.51 5.59 5.67 5.73 5.80 5.85

1
 Tabla 8: Cuantiles de la distribución de Tukey q(n, m)

n
α = 0.01 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
m
2 41.54 42.36 43.13 43.85 44.53 45.16 45.77 46.34 46.89 47.40 47.90 48.37 48.83 49.26 49.68
3 18.91 19.20 19.46 19.71 19.95 20.17 20.39 20.59 20.79 20.98 21.16 21.33 21.50 21.66 21.82
4 13.72 13.91 14.08 14.24 14.39 14.53 14.67 14.80 14.92 15.04 15.16 15.26 15.37 15.47 15.57
5 11.40 11.55 11.68 11.81 11.93 12.05 12.16 12.26 12.36 12.45 12.54 12.63 12.71 12.79 12.87
6 10.08 10.21 10.32 10.43 10.54 10.64 10.73 10.82 10.90 10.98 11.06 11.13 11.20 11.27 11.34
7 9.24 9.35 9.46 9.55 9.65 9.73 9.82 9.89 9.97 10.04 10.11 10.18 10.24 10.30 10.36
8 8.66 8.76 8.85 8.94 9.03 9.11 9.18 9.25 9.32 9.39 9.45 9.51 9.57 9.62 9.68
9 8.23 8.33 8.41 8.49 8.57 8.65 8.72 8.78 8.85 8.91 8.97 9.02 9.08 9.13 9.18
10 7.91 7.99 8.08 8.15 8.23 8.29 8.36 8.42 8.48 8.54 8.60 8.65 8.70 8.75 8.79
11 7.65 7.73 7.81 7.88 7.95 8.02 8.08 8.14 8.20 8.25 8.30 8.35 8.40 8.45 8.49
12 7.44 7.52 7.59 7.66 7.73 7.79 7.85 7.91 7.96 8.02 8.07 8.11 8.16 8.20 8.25
13 7.27 7.35 7.42 7.48 7.55 7.61 7.67 7.72 7.77 7.82 7.87 7.92 7.96 8.00 8.04
14 7.13 7.20 7.27 7.33 7.39 7.45 7.51 7.56 7.61 7.66 7.71 7.75 7.79 7.83 7.87
15 7.00 7.07 7.14 7.20 7.26 7.32 7.37 7.43 7.47 7.52 7.57 7.61 7.65 7.69 7.73
16 6.90 6.97 7.03 7.09 7.15 7.21 7.26 7.31 7.36 7.40 7.44 7.49 7.53 7.57 7.60
17 6.81 6.87 6.94 7.00 7.05 7.11 7.16 7.21 7.25 7.30 7.34 7.38 7.42 7.46 7.49
18 6.73 6.79 6.85 6.91 6.97 7.02 7.07 7.12 7.16 7.21 7.25 7.29 7.32 7.36 7.40
19 6.65 6.72 6.78 6.84 6.89 6.94 6.99 7.04 7.08 7.12 7.17 7.20 7.24 7.28 7.31
20 6.59 6.65 6.71 6.77 6.82 6.87 6.92 6.97 7.01 7.05 7.09 7.13 7.17 7.20 7.24
21 6.53 6.60 6.65 6.71 6.76 6.81 6.86 6.90 6.95 6.99 7.03 7.06 7.10 7.14 7.17
22 6.48 6.54 6.60 6.66 6.71 6.76 6.80 6.85 6.89 6.93 6.97 7.00 7.04 7.07 7.11
23 6.44 6.50 6.55 6.61 6.66 6.71 6.75 6.79 6.84 6.88 6.91 6.95 6.99 7.02 7.05
24 6.39 6.45 6.51 6.56 6.61 6.66 6.70 6.75 6.79 6.83 6.86 6.90 6.94 6.97 7.00
25 6.35 6.41 6.47 6.52 6.57 6.62 6.66 6.70 6.74 6.78 6.82 6.86 6.89 6.92 6.95
26 6.32 6.38 6.43 6.48 6.53 6.58 6.62 6.66 6.70 6.74 6.78 6.81 6.85 6.88 6.91
27 6.29 6.34 6.40 6.45 6.50 6.54 6.59 6.63 6.67 6.71 6.74 6.78 6.81 6.84 6.87
28 6.26 6.31 6.37 6.42 6.47 6.51 6.55 6.59 6.63 6.67 6.71 6.74 6.77 6.81 6.84
29 6.23 6.28 6.34 6.39 6.44 6.48 6.52 6.56 6.60 6.64 6.67 6.71 6.74 6.77 6.80
30 6.20 6.26 6.31 6.36 6.41 6.45 6.49 6.53 6.57 6.61 6.64 6.68 6.71 6.74 6.77
31 6.18 6.23 6.29 6.33 6.38 6.43 6.47 6.51 6.54 6.58 6.62 6.65 6.68 6.71 6.74
32 6.16 6.21 6.26 6.31 6.36 6.40 6.44 6.48 6.52 6.56 6.59 6.62 6.65 6.68 6.71
33 6.13 6.19 6.24 6.29 6.33 6.38 6.42 6.46 6.50 6.53 6.56 6.60 6.63 6.66 6.69
34 6.11 6.17 6.22 6.27 6.31 6.36 6.40 6.44 6.47 6.51 6.54 6.57 6.61 6.64 6.66
35 6.10 6.15 6.20 6.25 6.29 6.34 6.38 6.41 6.45 6.49 6.52 6.55 6.58 6.61 6.64
36 6.08 6.13 6.18 6.23 6.27 6.32 6.36 6.39 6.43 6.47 6.50 6.53 6.56 6.59 6.62
37 6.06 6.11 6.16 6.21 6.26 6.30 6.34 6.38 6.41 6.45 6.48 6.51 6.54 6.57 6.60
38 6.05 6.10 6.15 6.20 6.24 6.28 6.32 6.36 6.39 6.43 6.46 6.49 6.52 6.55 6.58
39 6.03 6.08 6.13 6.18 6.22 6.26 6.30 6.34 6.38 6.41 6.45 6.48 6.51 6.54 6.56
40 6.02 6.07 6.12 6.16 6.21 6.25 6.29 6.33 6.36 6.40 6.43 6.46 6.49 6.52 6.55
41 6.00 6.06 6.10 6.15 6.19 6.24 6.27 6.31 6.35 6.38 6.41 6.44 6.47 6.50 6.53
42 5.99 6.04 6.09 6.14 6.18 6.22 6.26 6.30 6.33 6.37 6.40 6.43 6.46 6.49 6.52
43 5.98 6.03 6.08 6.12 6.17 6.21 6.25 6.28 6.32 6.35 6.38 6.42 6.44 6.47 6.50
44 5.97 6.02 6.07 6.11 6.15 6.20 6.23 6.27 6.31 6.34 6.37 6.40 6.43 6.46 6.49
45 5.96 6.01 6.06 6.10 6.14 6.18 6.22 6.26 6.29 6.33 6.36 6.39 6.42 6.45 6.47
46 5.95 6.00 6.04 6.09 6.13 6.17 6.21 6.25 6.28 6.31 6.35 6.38 6.41 6.43 6.46
47 5.94 5.99 6.03 6.08 6.12 6.16 6.20 6.24 6.27 6.30 6.33 6.36 6.39 6.42 6.45
48 5.93 5.98 6.02 6.07 6.11 6.15 6.19 6.22 6.26 6.29 6.32 6.35 6.38 6.41 6.44
49 5.92 5.97 6.01 6.06 6.10 6.14 6.18 6.21 6.25 6.28 6.31 6.34 6.37 6.40 6.43
50 5.91 5.96 6.01 6.05 6.09 6.13 6.17 6.20 6.24 6.27 6.30 6.33 6.36 6.39 6.42

2
 Tabla 8: Cuantiles de la distribución de Tukey q(n, m)

n
α = 0.05 2 3 4 5 6 7 8 9 10 11 12 13 14 15
m
2 6.08 8.33 9.80 10.88 11.73 12.43 13.03 13.54 13.99 14.40 14.76 15.09 15.39 15.67
3 4.50 5.91 6.82 7.50 8.04 8.48 8.85 9.18 9.46 9.72 9.95 10.15 10.35 10.52
4 3.93 5.04 5.76 6.29 6.71 7.05 7.35 7.60 7.83 8.03 8.21 8.37 8.52 8.66
5 3.64 4.60 5.22 5.67 6.03 6.33 6.58 6.80 6.99 7.17 7.32 7.47 7.60 7.72
6 3.46 4.34 4.90 5.30 5.63 5.90 6.12 6.32 6.49 6.65 6.79 6.92 7.03 7.14
7 3.34 4.16 4.68 5.06 5.36 5.61 5.82 6.00 6.16 6.30 6.43 6.55 6.66 6.76
8 3.26 4.04 4.53 4.89 5.17 5.40 5.60 5.77 5.92 6.05 6.18 6.29 6.39 6.48
9 3.20 3.95 4.41 4.76 5.02 5.24 5.43 5.59 5.74 5.87 5.98 6.09 6.19 6.28
10 3.15 3.88 4.33 4.65 4.91 5.12 5.30 5.46 5.60 5.72 5.83 5.93 6.03 6.11
11 3.11 3.82 4.26 4.57 4.82 5.03 5.20 5.35 5.49 5.61 5.71 5.81 5.90 5.98
12 3.08 3.77 4.20 4.51 4.75 4.95 5.12 5.27 5.39 5.51 5.61 5.71 5.80 5.88
13 3.06 3.73 4.15 4.45 4.69 4.88 5.05 5.19 5.32 5.43 5.53 5.63 5.71 5.79
14 3.03 3.70 4.11 4.41 4.64 4.83 4.99 5.13 5.25 5.36 5.46 5.55 5.64 5.71
15 3.01 3.67 4.08 4.37 4.59 4.78 4.94 5.08 5.20 5.31 5.40 5.49 5.57 5.65
16 3.00 3.65 4.05 4.33 4.56 4.74 4.90 5.03 5.15 5.26 5.35 5.44 5.52 5.59
17 2.98 3.63 4.02 4.30 4.52 4.70 4.86 4.99 5.11 5.21 5.31 5.39 5.47 5.54
18 2.97 3.61 4.00 4.28 4.49 4.67 4.82 4.96 5.07 5.17 5.27 5.35 5.43 5.50
19 2.96 3.59 3.98 4.25 4.47 4.65 4.79 4.92 5.04 5.14 5.23 5.31 5.39 5.46
20 2.95 3.58 3.96 4.23 4.45 4.62 4.77 4.90 5.01 5.11 5.20 5.28 5.36 5.43
21 2.94 3.56 3.94 4.21 4.42 4.60 4.74 4.87 4.98 5.08 5.17 5.25 5.33 5.40
22 2.93 3.55 3.93 4.20 4.41 4.58 4.72 4.85 4.96 5.06 5.14 5.23 5.30 5.37
23 2.93 3.54 3.91 4.18 4.39 4.56 4.70 4.83 4.94 5.03 5.12 5.20 5.27 5.34
24 2.92 3.53 3.90 4.17 4.37 4.54 4.68 4.81 4.92 5.01 5.10 5.18 5.25 5.32
25 2.91 3.52 3.89 4.15 4.36 4.53 4.67 4.79 4.90 4.99 5.08 5.16 5.23 5.30
26 2.91 3.51 3.88 4.14 4.35 4.51 4.65 4.77 4.88 4.98 5.06 5.14 5.21 5.28
27 2.90 3.51 3.87 4.13 4.33 4.50 4.64 4.76 4.86 4.96 5.04 5.12 5.19 5.26
28 2.90 3.50 3.86 4.12 4.32 4.49 4.62 4.74 4.85 4.94 5.03 5.11 5.18 5.24
29 2.89 3.49 3.85 4.11 4.31 4.47 4.61 4.73 4.84 4.93 5.01 5.09 5.16 5.23
30 2.89 3.49 3.85 4.10 4.30 4.46 4.60 4.72 4.82 4.92 5.00 5.08 5.15 5.21
31 2.88 3.48 3.84 4.09 4.29 4.45 4.59 4.71 4.81 4.90 4.99 5.06 5.13 5.20
32 2.88 3.48 3.83 4.09 4.28 4.45 4.58 4.70 4.80 4.89 4.98 5.05 5.12 5.18
33 2.88 3.47 3.83 4.08 4.28 4.44 4.57 4.69 4.79 4.88 4.97 5.04 5.11 5.17
34 2.87 3.47 3.82 4.07 4.27 4.43 4.56 4.68 4.78 4.87 4.96 5.03 5.10 5.16
35 2.87 3.46 3.81 4.07 4.26 4.42 4.56 4.67 4.77 4.86 4.95 5.02 5.09 5.15
36 2.87 3.46 3.81 4.06 4.25 4.41 4.55 4.66 4.76 4.85 4.94 5.01 5.08 5.14
37 2.87 3.45 3.80 4.05 4.25 4.41 4.54 4.66 4.76 4.85 4.93 5.00 5.07 5.13
38 2.86 3.45 3.80 4.05 4.24 4.40 4.53 4.65 4.75 4.84 4.92 4.99 5.06 5.12
39 2.86 3.45 3.79 4.04 4.24 4.39 4.53 4.64 4.74 4.83 4.91 4.98 5.05 5.11
40 2.86 3.44 3.79 4.04 4.23 4.39 4.52 4.63 4.73 4.82 4.90 4.98 5.04 5.11
41 2.86 3.44 3.79 4.03 4.23 4.38 4.51 4.63 4.73 4.82 4.90 4.97 5.04 5.10
42 2.85 3.44 3.78 4.03 4.22 4.38 4.51 4.62 4.72 4.81 4.89 4.96 5.03 5.09
43 2.85 3.43 3.78 4.03 4.22 4.37 4.50 4.62 4.72 4.80 4.88 4.96 5.02 5.08
44 2.85 3.43 3.78 4.02 4.21 4.37 4.50 4.61 4.71 4.80 4.88 4.95 5.02 5.08
45 2.85 3.43 3.77 4.02 4.21 4.36 4.49 4.61 4.70 4.79 4.87 4.94 5.01 5.07
46 2.85 3.42 3.77 4.01 4.20 4.36 4.49 4.60 4.70 4.79 4.87 4.94 5.00 5.06
47 2.85 3.42 3.77 4.01 4.20 4.36 4.48 4.60 4.69 4.78 4.86 4.93 5.00 5.06
48 2.84 3.42 3.76 4.01 4.20 4.35 4.48 4.59 4.69 4.78 4.86 4.93 4.99 5.05
49 2.84 3.42 3.76 4.00 4.19 4.35 4.48 4.59 4.69 4.77 4.85 4.92 4.99 5.05
50 2.84 3.42 3.76 4.00 4.19 4.34 4.47 4.58 4.68 4.77 4.85 4.92 4.98 5.04

3
 Tabla 8: Cuantiles de la distribución de Tukey q(n, m)

n
α = 0.05 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
m
2 15.92 16.16 16.38 16.59 16.78 16.97 17.14 17.30 17.46 17.61 17.75 17.88 18.01 18.13 18.25
3 10.69 10.84 10.98 11.11 11.24 11.36 11.47 11.58 11.68 11.78 11.87 11.96 12.05 12.13 12.21
4 8.79 8.91 9.03 9.13 9.23 9.33 9.42 9.50 9.58 9.66 9.74 9.81 9.88 9.94 10.00
5 7.83 7.93 8.03 8.12 8.21 8.29 8.37 8.44 8.51 8.58 8.64 8.70 8.76 8.82 8.87
6 7.24 7.34 7.43 7.51 7.59 7.66 7.73 7.80 7.86 7.92 7.98 8.03 8.09 8.14 8.19
7 6.85 6.94 7.02 7.10 7.17 7.24 7.30 7.36 7.42 7.48 7.53 7.58 7.63 7.68 7.73
8 6.57 6.65 6.73 6.80 6.87 6.93 6.99 7.05 7.11 7.16 7.21 7.26 7.31 7.35 7.40
9 6.36 6.44 6.51 6.58 6.64 6.70 6.76 6.82 6.87 6.92 6.97 7.02 7.06 7.10 7.14
10 6.19 6.27 6.34 6.40 6.47 6.53 6.58 6.63 6.69 6.73 6.78 6.82 6.87 6.91 6.95
11 6.06 6.13 6.20 6.27 6.33 6.38 6.44 6.49 6.54 6.58 6.63 6.67 6.71 6.75 6.79
12 5.95 6.02 6.09 6.15 6.21 6.26 6.32 6.37 6.41 6.46 6.50 6.54 6.58 6.62 6.66
13 5.86 5.93 5.99 6.05 6.11 6.17 6.22 6.26 6.31 6.36 6.40 6.44 6.48 6.52 6.55
14 5.79 5.85 5.91 5.97 6.03 6.08 6.13 6.18 6.22 6.27 6.31 6.35 6.39 6.42 6.46
15 5.72 5.78 5.85 5.90 5.96 6.01 6.06 6.10 6.15 6.19 6.23 6.27 6.31 6.34 6.38
16 5.66 5.73 5.79 5.84 5.90 5.95 5.99 6.04 6.08 6.13 6.17 6.20 6.24 6.28 6.31
17 5.61 5.67 5.73 5.79 5.84 5.89 5.94 5.98 6.03 6.07 6.11 6.14 6.18 6.22 6.25
18 5.57 5.63 5.69 5.74 5.79 5.84 5.89 5.93 5.98 6.02 6.06 6.09 6.13 6.16 6.20
19 5.53 5.59 5.65 5.70 5.75 5.80 5.85 5.89 5.93 5.97 6.01 6.05 6.08 6.11 6.15
20 5.49 5.55 5.61 5.66 5.71 5.76 5.81 5.85 5.89 5.93 5.97 6.00 6.04 6.07 6.10
21 5.46 5.52 5.58 5.63 5.68 5.73 5.77 5.81 5.85 5.89 5.93 5.97 6.00 6.03 6.07
22 5.43 5.49 5.55 5.60 5.65 5.69 5.74 5.78 5.82 5.86 5.90 5.93 5.97 6.00 6.03
23 5.41 5.46 5.52 5.57 5.62 5.67 5.71 5.75 5.79 5.83 5.87 5.90 5.93 5.97 6.00
24 5.38 5.44 5.49 5.55 5.59 5.64 5.68 5.72 5.76 5.80 5.84 5.87 5.91 5.94 5.97
25 5.36 5.42 5.47 5.52 5.57 5.62 5.66 5.70 5.74 5.78 5.81 5.85 5.88 5.91 5.94
26 5.34 5.40 5.45 5.50 5.55 5.59 5.64 5.68 5.72 5.75 5.79 5.82 5.85 5.89 5.92
27 5.32 5.38 5.43 5.48 5.53 5.57 5.61 5.66 5.69 5.73 5.77 5.80 5.83 5.86 5.89
28 5.30 5.36 5.41 5.46 5.51 5.55 5.60 5.64 5.67 5.71 5.75 5.78 5.81 5.84 5.87
29 5.29 5.34 5.40 5.44 5.49 5.54 5.58 5.62 5.66 5.69 5.73 5.76 5.79 5.82 5.85
30 5.27 5.33 5.38 5.43 5.47 5.52 5.56 5.60 5.64 5.67 5.71 5.74 5.77 5.80 5.83
31 5.26 5.31 5.36 5.41 5.46 5.50 5.54 5.58 5.62 5.66 5.69 5.72 5.76 5.79 5.82
32 5.24 5.30 5.35 5.40 5.45 5.49 5.53 5.57 5.61 5.64 5.68 5.71 5.74 5.77 5.80
33 5.23 5.29 5.34 5.39 5.43 5.48 5.52 5.56 5.59 5.63 5.66 5.69 5.73 5.76 5.78
34 5.22 5.27 5.33 5.37 5.42 5.46 5.50 5.54 5.58 5.61 5.65 5.68 5.71 5.74 5.77
35 5.21 5.26 5.31 5.36 5.41 5.45 5.49 5.53 5.57 5.60 5.64 5.67 5.70 5.73 5.76
36 5.20 5.25 5.30 5.35 5.40 5.44 5.48 5.52 5.55 5.59 5.62 5.66 5.69 5.72 5.74
37 5.19 5.24 5.29 5.34 5.39 5.43 5.47 5.51 5.54 5.58 5.61 5.64 5.67 5.70 5.73
38 5.18 5.23 5.28 5.33 5.38 5.42 5.46 5.50 5.53 5.57 5.60 5.63 5.66 5.69 5.72
39 5.17 5.22 5.27 5.32 5.37 5.41 5.45 5.49 5.52 5.56 5.59 5.62 5.65 5.68 5.71
40 5.16 5.22 5.27 5.31 5.36 5.40 5.44 5.48 5.51 5.55 5.58 5.61 5.64 5.67 5.70
41 5.15 5.21 5.26 5.30 5.35 5.39 5.43 5.47 5.50 5.54 5.57 5.60 5.63 5.66 5.69
42 5.15 5.20 5.25 5.30 5.34 5.38 5.42 5.46 5.50 5.53 5.56 5.59 5.62 5.65 5.68
43 5.14 5.19 5.24 5.29 5.33 5.37 5.41 5.45 5.49 5.52 5.55 5.58 5.61 5.64 5.67
44 5.13 5.19 5.24 5.28 5.33 5.37 5.41 5.44 5.48 5.51 5.55 5.58 5.61 5.64 5.66
45 5.13 5.18 5.23 5.28 5.32 5.36 5.40 5.44 5.47 5.51 5.54 5.57 5.60 5.63 5.66
46 5.12 5.17 5.22 5.27 5.31 5.35 5.39 5.43 5.46 5.50 5.53 5.56 5.59 5.62 5.65
47 5.11 5.17 5.22 5.26 5.31 5.35 5.39 5.42 5.46 5.49 5.52 5.55 5.58 5.61 5.64
48 5.11 5.16 5.21 5.26 5.30 5.34 5.38 5.42 5.45 5.48 5.52 5.55 5.58 5.61 5.63
49 5.10 5.16 5.20 5.25 5.29 5.33 5.37 5.41 5.44 5.48 5.51 5.54 5.57 5.60 5.63
50 5.10 5.15 5.20 5.24 5.29 5.33 5.37 5.40 5.44 5.47 5.50 5.53 5.56 5.59 5.62