Documente Academic
Documente Profesional
Documente Cultură
1
CONTENIDO
I Parte Estadística General…………………………………………………………3
Bibliografía………………………………………………………155
2
I PARTE
ESTADÍSTICA GENERAL
3
CAPITULO 1
CONCEPTOS BÁSICOS
Para tomar esta decisión decido visitar 10 fundos y revisar los registros de ambas
razas, los resultados me indican que la raza Holstein Friesian HF tiene un
rendimiento de 10 litro/vaca/día, mientras que la raza Brown Swiss BS tiene un
rendimiento de 8 litros/vaca/día; finalmente concluyendo que la raza HF tiene una
mayor productividad de leche decido comprar la raza HF.
Ahora nos preguntamos ¿se puede estar completamente seguro que la raza HF
tiene mayor productividad que la raza BS?, la repuesta es no; existe la posibilidad
que la raza HF sea superior a la BS, sin embargo también hay la posibilidad de que
ambas razas fueran de igual productividad, incluso existe la posibilidad de que la
raza BS tenga una mayor productividad que la raza HF, aunque esta última
posibilidad es más remota. Para que nuestra conclusión fuera absolutamente
correcta se debería haber medido los registros de todas las vacas existentes en
todos fundos de la región y no solo los 10 fundos que se midió inicialmente. Medir
todos los registros existentes de la raza HF y BS es una tarea difícil y muchas veces
imposible.
4
Así mismo la población estadística de la raza BS consta también de una gran
cantidad de números cada uno de los cuales mide el rendimiento de leche/vaca/día.
5
1.2 VARIABLES
A las variables se les denomina por las últimas letras mayúsculas del abecedario: X,
Y, Z y con la misma letra minúscula se hacen referencia a un valor en particular
observable en un elemento de la población, el que se suele llamar dato. Así por
ejemplo si X mayúscula representa una variedad de un determinado cultivo, x
minúscula representará los kilogramos cosechados en un campo, siendo
representado por un sub índice para hacer referencia a un valor en particular. Si
tenemos cinco campos de maíz y medimos el rendimiento de cada uno de ellos, el
rendimiento del campo número 5 se representaría por x5, lo que representa a los
kilogramos cosechados en ese campo. Esta anotación se suele generalizar
utilizando como sub índice letras minúsculas como i, j, k en adelante y luego
indicando los posibles valores que puede adoptar el sub índice para establecer
cuantos datos de considera en el problema.
Las variables además tienen una unidad de medida a las cuales se les conoce como
dominio de la variable; en este caso la variable rendimiento de leche, su unidad de
medida sería “litros de leche /vaca/día”
x1 = 10 l/vaca/día
x2 = 8 l/vaca/día
x3 = 5 l/vaca/día
6
x4 = 7 l/vaca/día
x5 = 8 l/vaca/día
x6 = 10 l/vaca/día
x7 = 9 l/vaca/día
x8 = 8 l/vaca/día
X9 = 9 l/vaca/día
X10 = 10 l/vaca/día
Variables Cualitativas. Son aquellas variables para las cuales no es posible hacer
mediciones numéricas, por lo que solamente se pueden clasificar o enumerar, se les
conoce también como atributos, siendo la diferencia entre ellas de clase. Así por
ejemplo la raza de una especie animal, la variedad de un cultivo, el color de piel de
una vaca, el color de ojos de una persona. Esta variable se hace una observación
cuando se le asigna a un individuo una o varias categorías mutuamente excluyentes,
así por ejemplo al lanzar una moneda al aire, el posible resultado cara o sello lo
podemos asignar un valor a cara=1 y a sello=0; o en el caso de hacer la prueba de
degustación de una alimento con la variable X=sabor los resultados posibles de
agradable, no agradable, indiferente, se puede asignar los valores 1,2 y 3.
Variables Cuantitativas. Son aquellas para las cuales las observaciones resultantes
se pueden medirse o cuantificarse porque poseen un orden o rango natural, su
diferencia es de grado, como por ejemplo el peso de un animal, la altura de una
planta, el rendimiento de un cultivo, distancia recorrido por un carro de un lugar a
otro, tiempo que demora en llegar un avión de un lugar a otro, número de sellos que
aparecen cuando se lanzan 5 monedas, número de animales en un potrero, número
de plantas de una determinada especie en un bosque, número de peces en un
estanque. Además este tipo de variable se pueden sub dividirse en dos grupos:
Continuas y Discretas
7
palabras existe una cantidad infinita de posibles valores para los resultados de la
variable.
Variables Cuantitativas Discretas, son aquellas variables para lo cual los valores
posibles no se pueden observar en una escala continua, debido a la existencia de
espacio entre estos posibles valores. En muchos casos las observaciones discretas
son enteros porque provienen de conteos, por ejemplo el número de semillas
germinadas en una bandeja en una prueba de germinación, el número de frutos de
una árbol o el número de colonias de microorganismos de plantas enfermas, el
número de insectos atrapados en una red, o el número de familias residentes en una
manzana de una ciudad.
Categorías ordinales, como el grado de ataque de una enfermedad que puede ser
“alto, medio o bajo”.
Es importante indicar que las variables continuas se pueden “discretizar”, así por
ejemplo tomando intervalos y de esta manera ser tratada como discretas o cuando
una variable discreta asume una gran variedad de valores, como puede ser el caso
de contar el número de hormigas en un hormiguero o el número de caras o sellos al
lanzar una moneda mil veces.
8
quisiéramos seleccionar una muestra aleatoria de 10 observaciones de una
población de 100 vacas con su respectivo rendimiento de producción de leche, en
este caso se enumera a cada una de las vacas del 1 hasta 100, luego cada uno de
estos números se escribe en una balota, utilizando una bolsa se introduce las 100
balotas y se pueden realizar el muestreo de dos maneras: la primera con reemplazo
en donde las balotas extraídas regresan nuevamente a las bolsas y sin reemplazo
cuando las balotas extraídas no se introducen nuevamente en las bolsas, de esta
manera las 10 balotas extraídas con el numero respectivo de cada vaca conformaran
la muestra aleatoria de n=10.
Los cuatro primeros promedios son promedios matemáticos debido a que son
susceptibles de operaciones algebraicas, mientras que las últimas: la mediana, la
moda, cuartiles, deciles y percentiles son promedios no matemáticos.
10 25 + 20 + 26 + 28 + 23 + 26 + 27 + 25 + 24 + 25 249
μ = ∑Xi = = = 24.9 i = 1 … n
10 10
1
Se utiliza este promedio cuando existen cantidades que no se pueden promediar sin
considerar su relación con la cantidad de otra variable, con la cual está relacionada.
El ejemplo más común es el promedio ponderado de las notas en una Universidad
en donde cada calificativo de un estudiante está relacionado con el número de
créditos que cada curso tiene; ejemplo si el curso de matemáticas tiene 4 créditos, el
curso de estadística tiene 3 créditos o el curso de redacción técnica 2 créditos, no es
posible utilizar la media aritmética simple porque el calificativo está relacionado con
la otra variable que es el número de créditos asignado a cada curso. La fórmula
utilizada para el cálculo del promedio ponderado es la siguiente:
𝐏𝟏 𝐗 𝟏 + 𝐏𝟐 𝐗 𝟐 + 𝐏𝟑 𝐗 𝟑 +. . . 𝐏𝐧 𝐗 𝐧
̅𝐏 =
𝐗
𝐏𝟏 + 𝐏𝟐 + 𝐏𝟑 +. . . +𝐏𝐧
10
𝟒𝟎(𝟏𝟎) + 𝟐𝟓(𝟖) + 𝟏𝟓(𝟕) + 𝟐𝟎(𝟓)
̅𝐏 =
𝐗 = 𝟖. 𝟎𝟓
𝟒𝟎 + 𝟐𝟓 + 𝟏𝟓 + 𝟐𝟎
El Promedio Geométrico
El promedio geométrico es la raíz enésima del producto de los valores de una serie.
Este promedio es utilizado cuando contamos con datos en la que haya una razón
constante o casi constante entre cada par de datos consecutivos, formando una
progresión geométrica. También es utilizado para promediar razones o proporciones;
así como a valores que adquiere una cantidad de dinero que se incrementa de
acuerdo a un interés compuesto. Para calcular el promedio geométrico se utiliza la
fórmula (1). En algunos casos para simplificar los cálculos se aplica logaritmos de
acuerdo a la fórmula (2). Recuérdese que con logaritmos la multiplicación se
transforma en suma y la raíz cuadrada en división.
𝒏
𝐥𝐨𝐠 𝑿𝟏 + 𝐥𝐨𝐠 𝑿𝟐 + ⋯ + 𝐥𝐨𝐠 𝑿𝒏
̅=
(𝟐) 𝐋𝐨𝐠 𝑿 = ∑ 𝒍𝒐𝒈𝑿𝒊
𝒏
𝒊=𝟏
Ejemplo: del año 2010 al 2012 el aumento de venta de madera fue de 15000 a
30000 pies, del 2012 al 2014 la cantidad de venta de madera se incrementó de
30,000 a 124,000, ¿cuál es el incremento promedio de la venta de madera cada dos
años?.
Promedio Armónico
11
Este promedio es importante para promediar velocidades y otras magnitudes
análogas y es aplicable cuando los datos de la seria siguen una progresión
armónica. Muchas veces también se utiliza cuando cantidades de variables de
mercaderías se ofrecen por la misma cantidad de dinero o viceversa.
Se define como el recíproco del promedio aritmético de los recíprocos de los valores
de la seria. La fórmula para calcular este promedio es la siguiente:
𝒏
̅𝐚 =
𝐗 𝟏 𝟏 𝟏
+ + ⋯+
𝑿𝟏 𝑿𝟐 𝑿𝒏
𝟐 𝟐
̅𝒂=
𝑿 = = 𝟓. 𝟑𝟑
𝟏 𝟏 𝟏𝟐
+
𝟒 𝟖 𝟑𝟐
La Mediana
La Moda
12
En la serie de datos que presentamos en el ejemplo de la mediana la serie tendría
una distribución unimodal, siendo la moda 6 toneladas.
Veamos el siguiente ejemplo que nos permita aclarar el uso de cada uno de estas
medidas de posición o centralidad.
10 profesores de la Universidad tienen las siguientes características:
Edad (años): 50, 55, 57, 58, 58, 62, 62, 63, 67, 70.
Ingreso anual (soles): 2,000, 3,200, 4,500, 4,500, 5,000, 5,000, 7,000, 10,000,
10,000,10, 000.
Talla de camisa: 30, 30, 32, 32, 32, 32, 32, 34, 34, 36.
La pregunta sería ¿cuál es la edad, ingreso anual y medida de camisa para este
grupo?: la edad promedio queda bien representada por la media aritmética que es
igual a 60.2, esta medida es más utilizado por la mayoría de las personas a
diferencia de la mediana o la moda, además en este caso podemos ver que la moda
sería 58 y 62 y la mediana 60, los valores de las tres medidas son casi iguales.
En el caso de los ingresos mensuales vemos que tres profesores tienen ingresos
mensuales altos lo cual afecta mucho más a la media que a la mediana: la media
sería 6, 120.00, y la mediana 5,000. Siendo la mediana un valor que representa más
a la serie, sería la medida más apropiada para esta seria; por lo tanto la mediana da
el mejor ejemplo en caso de ingresos.
Los cuartiles son tres valores que dividen a la serie ordenada en forma creciente en
cuatro grupos de igual número de términos. El primer valor se denomina primer
cuartil y así sucesivamente.
El número de orden del primer cuartil es igual al número de términos de la serie más
uno dividido entre cuatro y la fórmula es la siguiente:
13
Segundo cuartil, es (12+1) / 2 = 6º
Tercer cuartil, es 3(12 + 1) / 4= 9º
Los deciles son nueve valores que dividen la población, en forma creciente en 10
grupos de igual número de términos.
La Variancia
14
Una de las propiedades más importantes de la media aritmética es que la suma de
las desviaciones de cada observación con respecto a media es igual a cero, razón
por la cual es difícil calcular la desviación media o típica de la serie. Para poder
calcular este valor fue necesario elevar al cuadrado la suma de estas desviaciones,
el cual nos da un valor conocido como variancia. Por tal razón la variancia es la
suma de las desviaciones de cada Xi con respecto a la media poblacional o de la
serie, elevado al cuadrado y dividido entre los grados de libertad.
La fórmula de definición
̅ )𝟐
𝚺(𝑿𝒊 − µ
𝝈𝟐 = Variancia de la población.
𝑵
̅ )𝟐
𝚺(𝑿𝒊 − 𝒙
𝒔𝟐 = Variancia de la muestra.
𝒏−𝟏
Fórmula de Trabajo
(𝚺𝒙𝒊 )𝟐
𝚺 𝒙𝒊 𝟐 −
𝝈𝟐 = 𝑵
Variancia de la población
𝑵
(𝚺 𝒙𝒊 )𝟐
𝚺 𝒙𝒊 𝟐 −
𝑺𝟐 = 𝒏
Variancia de la muestra.
𝒏−𝟏
Muestra de suelo pH
S1 3.5
S2 4.5
S3 4.0
S4 5.5
S5 5.0
Xi (Xi - 𝑥̅ ) (Xi - 𝑥̅ )2
3.5 4.5 – 3.5 = 1.0 1.00
4.5 4.5 – 4.5 = 0.0 0.00
15
4.0 4.5 – 4.0 = 0.5 0.25
5.5 4.5 – 5.5 = -1.0 1.00
5.0 4.5 – 5.0 = -0.5 0.25
𝑥̅ = 4.5 Σ(Xi - 𝑥̅ ) = 0 Σ(Xi - 𝑥̅ ) = 2.50
𝟐. 𝟓𝟎
𝝈𝟐 = = 𝟎. 𝟔𝟐𝟓
𝟓−𝟏
Xi X2
3.5 12.25
4.5 20.25
4.0 16.00
5.5 30.25
5.0 25.00
Σ x = 22.5 Σ x = 103.75
2
𝑥̅ = 4.5
(𝚺 𝒙𝒊 )𝟐 (𝟐𝟐.𝟓)𝟐
𝚺 𝒙𝒊 𝟐 − 𝟏𝟎𝟑. 𝟕𝟓 − 𝟐. 𝟓
𝒏 𝟓
𝑺𝟐 = = 𝑺𝟐 = = = 𝟎. 𝟔𝟐𝟓
𝒏−𝟏 𝟓−𝟏 𝟒
La Desviación Estándar
𝟐 (𝚺𝒙𝒊 )𝟐
𝝈𝟐 = √𝚺 𝒙𝒊 − 𝑵
𝑵
(𝚺 𝒙𝒊 )𝟐
√𝚺 𝒙𝒊 𝟐 −
𝒏
𝑺𝟐 =
𝒏−𝟏
16
Ejemplo: utilizando los datos del grado de acidez (pH) de cinco diferentes suelos, se
puede calcular la desviación estándar de la siguiente manera:
(𝟐𝟐.𝟓)𝟐
√𝟏𝟎𝟑. 𝟕𝟓 − 𝟓 𝟐. 𝟓
𝑺𝟐 = =√ = √𝟎. 𝟔𝟐𝟓 = 𝟎. 𝟕𝟗
𝟓−𝟏 𝟒
17
4. Como (µ ± 3𝜎) incluye al 99.7 % de la población en el caso de una distribución
normal resulta que desviación estándar es igual a 1/6 del rango
aproximadamente.
5. Debido a que todos los valores son elevados al cuadrado en el cómputo de la
desviación estándar mayor influencia ejercen los valores extremos que los que
están próximos al promedio.
El Coeficiente de Variabilidad.
𝐬
𝐂𝐕 = 𝐱𝟏𝟎𝟎 (𝐌𝐮𝐞𝐬𝐭𝐫𝐚)
𝐱̅
18
Ejemplo, el coeficiente de variabilidad del grado de acidez del suelo cuyo ejemplo
del caculo de la media y la desviación estándar que se desarrolló líneas arriba sería
el siguiente.
𝟎. 𝟕𝟗
𝑪𝑽 = 𝒙𝟏𝟎𝟎 = 𝟏𝟕. 𝟓𝟓 %
𝟒. 𝟓
De acuerdo a este resultado de cv=17.55, se puede determinar que los valores del
grado de acidez están muy dispersos con respecto al promedio. Generalmente los
cultivos o crianzas que estén manejadas, están en mejoramiento genético, el
coeficiente de variabilidad debe ser menor de 10%, ejemplo pollos parrilleros, maíz
híbrido, razas de ganado como holstein y Brown swiss; de igual manera los cultivos
o crianzas recién incorporadas a la economía que no tienen un manejo agronómico
o mejoramiento genético, las variables de productividad animal o rendimiento del
cultivo, como es el caso de especies silvestres en cautiverio, especies maderables,
especies no maderables, los coeficientes de variabilidad son muy altos.
𝝈𝟐 𝑵 − 𝒏 𝝈
𝝈𝒙̅ = √ √ = 𝝈𝒙̅ =
𝒏 𝑵−𝟏 √𝒏
19
Donde sigma es la desviación estándar de la población original; N= al tamaño de la
𝑵−𝒏
población original y n = al tamaño de la muestra; el término √ se denomina
𝑵−𝟏
fracción de muestreo y solo tiene importancia cuando el valor de la muestra es
relativamente grande; por lo tanto y en los casos prácticos de poblaciones grandes y
muestras pequeñas este factor prácticamente se convierte en uno; por lo que
generalmente para calcular 𝝈𝒙̅ , este término no se utiliza, quedando la fórmula:
𝝈
𝝈𝒙̅ =
√𝒏
Como en la práctica 𝝈𝒙̅ no se calcula sino que se estima a través de 𝒔𝒙̅ , la fórmula
para calcular el error estándar de la muestra es:
𝐬
𝐬𝐱̅ =
√𝐧
N1 N2 N3 N4 N5 N6 N7 N8 N9 N10
18,22,25 17, 23, 24 18,21,22 19,21,24 25,17,22 19,20,21 18,23,22 19,25,24 18,22,24 19,20,21
21.67 21.33 20.33 21.33 21.3 20.00 21.00 22.67 21.33 20.00
𝛍𝐱̅ = 𝟐𝟏. 𝟏
𝝈 𝟐 𝟐
𝝈𝒙̅ = = 𝝈𝒙̅ = = = 𝟎. 𝟔𝟑
√𝒏 √𝟏𝟎 𝟑. 𝟏𝟔𝟐
20
todos los posibles pares de medias y le restamos a ambos tanto de la población A
como de la población B tendremos una quinta población de diferencia de promedios.
La media de las diferencias de los promedios de las poblaciones A y B es igual a la
diferencia entre la media de la población A y la población B, como se demuestra en
la siguiente expresión:
1. Cuando el tamaño de las muestras son iguales y las variancias son homogéneas
𝒏𝟏 = 𝒏𝟐 𝒚𝒔𝟏 𝟐 = 𝒔𝟐 𝟐
(𝒔𝟐 𝒄𝒐𝒎𝒖𝒏)
𝒔𝒅̅ = √𝟐
𝒏
𝟐
𝒔 𝟏 𝟏 + 𝒔𝟐 𝟐
𝒔 𝒄𝒐𝒎𝒖𝒏 =
𝒏
𝒏𝟏 = 𝒏𝟐 = 𝒏
𝒏𝟏 = 𝒏𝟐 𝒚 𝒔𝟏 𝟐 ≠ 𝒔𝟐 𝟐
𝐬𝟏 𝟐 + 𝐬𝟐 𝟐
𝐬𝐝 ̅ = √
𝐧
21
3. Cuando el tamaño de las muestras son diferentes y las variancias son
homogéneas.
𝐧𝟏 ≠ 𝐧𝟐 𝐲 𝐬𝟏 𝟐 = 𝐬𝟐 𝟐
𝐬 𝟐 (𝐜𝐨𝐦𝐮𝐧) 𝐬 𝟐 (𝐜𝐨𝐦𝐮𝐧)
𝐬𝐝 ̅ = √ +
𝐧𝟏 𝐧𝟐
𝟐
𝐬𝟏 𝟐 (𝐧𝟏 ) + 𝐬𝟐 𝟐 (𝐧𝟐 )
𝐬 𝐜𝐨𝐦𝐮𝐧 =
𝐧𝟏 + 𝐧𝟐
𝒏𝟏 ≠ 𝒏𝟐 𝒚 𝒔 𝟏 𝟐 ≠ 𝒔𝟐 𝟐
𝒔𝟏 𝟐 𝒔 𝟐 𝟐
𝒔𝒅̅ = √ +
𝒏𝟏 𝒏𝟐
22
CAPITULO 2
2.1 PROBABILIDAD
La probabilidad es una de las herramientas que utiliza la estadística, tal vez la más
importante, incluso puede decirse que la estadística moderna es una aplicación de la
teoría de la probabilidad.
23
a. El lanzamiento de dos dados simultáneamente. En este experimento el espacio
muestral está constituido por 36 elementos, siendo 3,4 el punto muestral que al
lanzar los dos dados simultáneamente resultaría en cada cara los números 3 y 4.
D1/D2 1 2 3 4 5 6
1 1,1 1,2 1,3 1,4 1,5 1,6
2 2,1 2,2 2,3 2,4 2,5 2,6
3 3,1 3,2 3,3 3,4 3,5 3,6
4 4,1 4,2 4,3 4,4 4,5 4,6
5 5,1 5,2 5,3 5,4 5,5 5,6
6 6,1 6,2 6,3 6,4 6,5 6,7
Ω ={1,1, 1,2, 1,3, 1,4, 1,5, 1,6, 2,1, 2,2, 2,3, 2,4, 2,5, 2,6, 3,1, 3,2, 3,3, 3,4, 3,5, 3,6,
4,1, 4,2, 4,3, 4,4, 4,5, 4,6, 5,1, 5,2, 5,3, 5,4, 5,5, 5,6, 6,1, 6,2, 6,3, 6,4, 6,5, 6,6}
R1 R2 R3 R4
Ω= {AAAA,AAAD,AADA,AADD, ADAA,ADAD,ADDA,ADDD,
DAAA,DAAD,DADA,DADD, DDAA,DDAD,DDDA,DDDD}
24
2.1.2 Suceso.
Ω= {AAAA, AAAD, AADA, AADD, ADAA, ADAD, ADDA, ADDD, DAAA, DAAD,
DADA, DADD, DDAA, DDAD, DDDA, DDDD}
D = {DDDD}
En conclusión a un sub conjunto de un espacio muestral se le denomina suceso, así
el sub conjunto A = {AAAD, AADA, ADAA, DAAA}, es el suceso en la cual
exactamente tres regidores aprueben el proyecto y el subconjunto D = {DDDD} es el
suceso que corresponde a que exactamente cuatro regidores desaprueben el
proyecto.
25
asignará igual probabilidad, en este caso de 1/16, y la suma de todas las
probabilidades de los elementos nos debe dar a 1; análogamente si lanzamos un
dado se asigna una probabilidad de 1/6 a cada uno de los elementos del espacio
muestral.
𝟏 𝟏 𝟏 𝟏 𝟏 𝟓
𝐏(𝐀) = + + + + =
𝟏𝟔 𝟏𝟔 𝟏𝟔 𝟏𝟔 𝟏𝟔 𝟏𝟔
La probabilidad de A es:
𝟏 𝟏 𝟏 𝟑 𝟏
𝑷(𝑨) = + + = = = 𝟎. 𝟑𝟑
𝟔 𝟔 𝟔 𝟔 𝟑
De acuerdo a las dos reglas de la probabilidad que el valor del punto muestral es de
0 a 1 y que la suma de todos los puntos muestrales es igual a 1 se concluye lo
siguiente:
26
𝐏(𝛀) = 𝟏. Debido a que el espacio muestral es el suceso que contiene a todos los
puntos muestrales.
Así por ejemplo la probabilidad de que no ocurra un cuatro al lanzar un dado al aire
es igual a la probabilidad de:
𝟏 𝟓
𝐏(𝐀´) = 𝟏 − =
𝟔 𝟔
Regla de la Adición
27
Respuesta: Existen cuatro damas que tienen una probabilidad de 1/52 cada uno;
además hay 26 cartas rojas en la que están incluidos 2 damas, por lo tanto es
necesario descontar a estas ya que estaríamos duplicando su valor.
𝟒 𝟐𝟔 𝟐 𝟐𝟖 𝟕
𝐏(𝚨 ∪ 𝚩) = 𝐏(𝐀) + 𝐏(𝐁) − 𝐏(𝐀 ∩ 𝚩) ⇒ 𝐏(𝐃 + 𝐑) = + − = =
𝟓𝟐 𝟓𝟐 𝟓𝟐 𝟓𝟐 𝟏𝟑
Ejemplo: Al extraer la carta de una baraja esta no puede ser al mismo tiempo un 2 y
un 3, así el suceso A: 2 y el suceso B: 3, son mutuamente excluyente. En
consecuencia la probabilidad de que al extraer una baraja ésta sea un 2 o un 3.
𝟒 𝟒 𝟖 𝟐
𝐏(𝟐 ∪ 𝟑) = 𝑷(𝟐) + 𝑷(𝟑) = + = =
𝟓𝟐 𝟓𝟐 𝟓𝟐 𝟏𝟑
Regla de la Multiplicación.
𝚸(𝚨∩𝑩)
Partiendo de la probabilidad condicional𝑷 (𝑩/𝑨) = y multiplicamos a todos
𝚸(𝚨)
los miembros por la probabilidad de A entonces la regla de multiplicación se puede
expresar en la siguiente fórmula:
Respuesta a)
𝟓 𝟒 𝟐𝟎 𝟏
𝚸(𝐀 ∩ 𝐀) = 𝐏(𝐀). 𝐏(𝐀/𝐀) = 𝐱 = =
𝟐𝟎 𝟏𝟗 𝟑𝟖𝟎 𝟏𝟗
Respuesta b)
29
𝟏𝟓 𝟓 𝟕𝟓 𝟏𝟓
𝚸(𝐀 ∩ 𝐀) = 𝐏(𝐀). 𝐏(𝐀/𝐀) = 𝐱 = =
𝟐𝟎 𝟏𝟗 𝟑𝟖𝟎 𝟕𝟔
Respuesta c)
𝟒 𝟏𝟓 𝟔𝟎 𝟑
𝚸(𝐀 ∩ 𝐀) = 𝐏(𝐀). 𝐏(𝐀/𝐀) = 𝐱 = =
𝟐𝟎 𝟏𝟗 𝟑𝟖𝟎 𝟏𝟗
Ejemplo 2: Un agricultor tiene dos canastas con naranjas, en ambas canastas hay
50 unidades: en la primera canasta existen 20 naranjas maduras y 30 verdes, en la
segunda canasta existen 15 naranjas maduras y 35 verdes. Se extraen una naranja
de cada canasta.
Respuesta:
Probabilidad de que ambos sean verdes o que ambos sean maduros
𝚸(𝐕𝟏 ∩ 𝐕𝟐 ) + 𝐏(𝐌𝟏 ∩ 𝐌𝟐 ) =
𝐕𝟐 𝐌𝟐
𝐏(𝐕𝟏 ). 𝐏 ( ) + 𝐏(𝐌𝟏 ). 𝐏 ( ) =
𝐕𝟏 𝐌𝟏
𝟏 𝟏 𝟏
𝚸(𝐀 ∩ 𝐁) = 𝐏(𝐀). 𝐏(𝐁) entonces 𝚸(𝟏 ∩ 𝟒) = 𝐏 𝐱 =
𝟔 𝟔 𝟑𝟔
30
Teorema de Bayes
Sean los sucesos A1, A2,…, AK, sucesos mutuamente excluyentes que ocupan todo
el espacio muestral. Si cada uno de estos procesos tiene probabilidad no nula y uno
de ellos debe ocurrir, entonces el teorema de Bayes expresa lo siguiente:
𝐏(𝐀𝐤 ). 𝐏(𝐁/𝐀𝐤 )
𝐏(𝐀𝐊 /𝐁) =
𝐏(𝐀𝟏 ). 𝐏(𝐁/𝐀𝟏 ) + 𝐏(𝐀𝟐 ). 𝐏(𝐁/𝐀𝟐 ) + ⋯ + 𝐏(𝐀𝐤 ). 𝐏(𝐁/𝐀𝐤 )
𝐏(𝐂). 𝐏(𝐄/𝐂) 𝟎. 𝟑𝟎 𝐱 𝟎. 𝟒𝟎
𝑷(𝐂/𝐄) = =
𝐏(𝐂). 𝐏(𝐄/𝐂) + 𝐏(𝐂′). 𝐏(𝐄/𝐂′) 𝟎. 𝟑𝟎 𝐱 𝟎. 𝟒𝟎 + 𝟎. 𝟕𝟎 𝐱 𝟎. 𝟕𝟓
𝟎. 𝟏𝟐 𝟎. 𝟏𝟐
= = = 𝟎. 𝟏𝟖𝟓
𝟎. 𝟏𝟐 + 𝟎. 𝟓𝟑 𝟎. 𝟔𝟓
2.2DISTRIBUCIONES
Los valores de una variable sirven para describir o clasificar individuos o distinguir
entre ellos. La mayoría de los investigadores hacen más que simplemente describir o
31
distinguir porque tienen ideas respecto a las frecuencias relativas al valor de una
variable, así por ejemplo en Pucallpa el rendimiento de una vaca de 5 litros por día
es un valor frecuente, muchos ganaderos no creerían en el rendimiento de 25 litros
por día de una vaca o no es frecuente ver una persona rubia en Pucallpa o tampoco
es frecuente ver el peso de un bebe al nacimiento con 6 k. la mayoría asociamos
una medida con el valor de una variable, una medida de lo corriente que es o no, a
la probabilidad de ocurrencia de un valor semejante. En estadística se conoce que la
variable tiene una función de probabilidad, o una función de densidad de
probabilidad o simplemente una función de densidad. Así por ejemplo al lanzar un
dado equilibrado la probabilidad de que caiga 1,2,3,4,5,6 es la misma para cada uno,
es decir un sexto o la probabilidad de que sea hembra o macho al nacer un bebe es
de ½ para cada uno; esta es una afirmación con respecto a la función de
probabilidad de una variable discreta o por ejemplo si tenemos los porcentajes de
cada uno del rendimiento de varios campos de cultivo se podría decir que
corresponde a una función de distribución de una variable continua; por lo que las
expresiones al azar y variable aleatoria se usan particularmente para variables que
poseen funciones de densidad de probabilidad; aunque ambos se pueden
reemplazar con el termino distribución.
32
M1M2M3 CCS 1/8
M1M2M3 CSC 1/8
M1M2M3 CSS 1/8
M1M2M3 SCC 1/8
M1M2M3 SCS 1/8
M1M2M3 SSC 1/8
M1M2M3 SSS 1/8
𝐧!
𝐏(𝐗 = 𝐱) = 𝐩𝐱 (𝟏 − 𝐩)𝐧−𝐱
𝐱! (𝐧 − 𝐱)
P = Es la probabilidad de ocurrencia.
p = Es la probabilidad de éxito en un experimento.
(1-p) = Es la probabilidad de fracaso en un experimento
n = Número de experimentos.
x = Número de éxitos.
33
(n-x) = Número de fracasos.
𝟓! 𝟐𝟕𝟎
𝐏(𝐗 = 𝟐) = 𝟏/𝟒𝟐 (𝟑/𝟒)𝟑 = 𝟏𝟎 𝐱 𝟏/𝟒𝟐 𝐱 𝟑/𝟒𝟑 =
𝟐! (𝟓 − 𝟐) 𝟏𝟎𝟐𝟒
𝐏(𝐗 = 𝐱) = (𝐩 + 𝐪)𝐧
Reemplazando
(1/4+3/4)5= (1/4)5+5(1/4)4(3/4)+10(1/4)3(3/4)2+10(1/4)2(3/3)3+5(1/4)(3/4)4+(3/4)5
34
̅ = 𝐧𝐩
𝐏𝐫𝐨𝐦𝐞𝐝𝐢𝐨 = 𝛍 = 𝐩
𝛔 = 𝛔𝐩 = √𝐧𝐩𝐪 = √𝟏𝟎𝟎𝐱𝟏/𝟐𝐱𝟏/𝟐 = 𝟓
m = np = media
x = 0,1,2,3,…
35
b. No se presente ninguna demanda.
̅=𝐦
𝐏𝐫𝐨𝐦𝐞𝐝𝐢𝐨 = 𝛍 = 𝐩
𝐕𝐚𝐜𝐢𝐚𝐧𝐜𝐢𝐚 = 𝛔𝟐 𝐩 = 𝐦
𝐃𝐞𝐬𝐯𝐢𝐚𝐜𝐢ó𝐧 𝐞𝐬𝐭á𝐧𝐝𝐚𝐫 = 𝛔𝐩 = √𝐦
𝐍 −(𝐱−𝟒)𝟐
𝐘= 𝛔 𝐞 /𝟐𝛔𝟐
√𝟐𝛑
N = tamaño de la población
µ = promedio de la población
36
x-µ = es la desviación entre un el valor x dado y el promedio de la población
37
Figura 2: Rendimiento de leche de 200 vacas
lecheras L/vaca/dia (µ =10; σ = 3)
Así por ejemplo se tiene que el 34 % del área bajo la curva normal esta entre la
media µ y µ +1 σ = 10 y 10+3, esto significa que el 34% de las vacas se encuentran
entre 10 y 13 litros; también podemos decir que hay una probabilidad de 0.34 de que
una vaca produzca entre 10 y 13 litros por día.
Los datos referente al área bajo la curva normal, se puede obtener de la tabla x la
que da el área incluido entra la media y un valor cualquiera de X y está definida por
la siguiente formula: Z = X - µ /σ.
38
b.- ¿Cuántas vacas producen más de 13 litros?
Z = X-µ/ σ=13-10/3=1;
La respuesta a esta pregunta sería que el número de vacas que producen más de 13
litros es de 32 vacas. Figura x:
Para contestar a esta pregunta hay que encontrar dos valores de Z, y luego sumar
ambos:
39
Z1 = X - µ/σ = 9 – 10/3 = -1/3 = - 0.33 = 0.1293 (el valor de Z negativo indica la
posición de este en la curva normal, en este caso se encuentra a la izquierda; un
valor positivo nos indica que está a la derecha).
40
e.- ¿Qué porcentaje de vacas producen más de 5 litros?
Para responder a esta pregunta hay que encontrar también dos valores de Z, y luego
restar ambos, debido a que el valor para Z1 se sobrepone sobre el área de Z2.
41
g.- ¿Cuántas vacas producen más de 17 litros de leche por día?
Rspta.: dado que el 20% de las plantas miden más de 4m, el 30% (0.2995) de las
plantas se encuentran entre 3.5m y 4m. De acuerdo con la tabla de Z
aproximadamente el 30% tiene un valor de Z = 0.84. Luego se despeja de la fórmula
de Z.
30% 20%
µ = 3.5 4
42
2.2.4. Distribución de t
Cuando las muestras son de tamaño pequeño (n ≤ 30) la desviación estándar
basada en n no es un buen estimador de σ de la población de donde proviene, por
lo general este valor es menor. Por esta razón la desviación estándar basado en (n-1
grados de libertad) el resultado es un buen estimador de σ, aunque difícilmente es
igual.
∑(𝐱 𝐢 − 𝐱̅)𝟐
𝐬=√
𝐧−𝟏
s ~ σ (s estimador insesgado de σ )
Como hemos visto para calcular probabilidades de bajo de la curva normal estándar
se utiliza la distribución de Z cuya fórmula es conocida Z = X - µ/ σ; de igual manera
las poblaciones formadas por promedios para el cálculo de probabilidades utilizan la
siguiente formula: Z = 𝑥̅ - µ/𝜎𝑥̅ .
43
Por lo que la distribución de Z se identifica con la curva normal y está basada en la
formula Z = 𝑥̅ - µ / 𝜎𝑥̅ , mientras que la distribución de t está basada en la fórmula: t =
𝑥̅ - µ/𝑠𝑥̅ . La distribución de T es utilizada principalmente cuando se trabaja con
muestras pequeñas y la curva de distribución, es diferente a la distribución de la
curva de Z; ya que esta es más achatada y explayada, aunque cuando el tamaño de
la muestra se incremente n>30 la curva de T se va aproximando la curva normal
estándar.
Para cada grado de libertad se tiene una curva de t y esta alcanza su máxima altura
cuando t=0; todas las curvas son simétricas con respecto a línea trazada en t=0
perpendicular al eje horizontal; por lo tanto los valores de t son positivos a la derecha
y negativos a la izquierda. Figura X.
44
menores de -1.753 y 2.5% son mayores de + 1.753. Si el α sería igual 0.01
encontramos en la tabla que el valor correspondiente a la línea 15 y columna 0.01 es
2.602; lo que significa que entre –2.602 y +2.602 se encuentra el 99% de las t de la
curva correspondiente a 15 grados de libertad y que el 0.05% son menores que -
2.602 y 0.05% son mayores de + 2.602.
45
Para el cálculo del límite de confianza se puede partir del ejemplo del valor de t para
15 grados de libertad y α = 0.05 los cuales fueron entre – 1.753 y + 1.753, lo que
quiere decir que la probabilidad de obtener una t de una muestra de 15 grados de
libertad que esta fuera de estos límites, es de 0.05 x 1, lo que simbólicamente se
expresa de la siguiente manera:
̅ - µ/s 𝒙
P [- 1.753 <𝒙 ̅ t < 1.753] = 0.95
̅ + 1.753 (s𝒙
P [𝒙 ̅) > µ >𝒙
̅ - 1.753(s𝒙
̅)] = 0.95
̅ + tα(s𝒙
P [𝒙 ̅) > µ >𝒙
̅ - tα(s𝒙
̅)] = 0.95
46
La tabla de distribución de X2 nos muestra las probabilidades en la parte superior de
la tabla, los grados de libertad en la columna de la izquierda y los valores de X 2 en el
cuerpo de la tabla para las combinaciones entre la probabilidad y los grados de
libertad. Así por ejemplo si encontramos en valor de X2 con 8 grados de libertad y
con una probabilidad de α = 0.05 el valor encontrado en la tabla es igual a 15.5, la
que se puede expresar de la siguiente manera:
f(x2)
90 %
3.94 18.3
47
2.2.6 Distribución de F
Es una distribución muy importante porque es muy usada en pruebas de hipótesis
relacionadas con variancias. Se utiliza para probar si las variancias de dos
poblaciones de donde proceden las muestras pueden considerarse iguales u
homogéneas.
𝑺𝟏 𝟐
𝐅=
𝑺𝟐 𝟐
Las características más importantes de esta distribución es que para cada par de
grados de libertad hay una curva de probabilidad; esta distribución no tiene valores
negativos siendo el valor mínimo 0, todas la curvas son asimétricas, y a medida que
aumenta los grados de libertad las curvas son más elevadas y más extendida a la
derecha.
48
(F)
1.0
F(3,3)
F(8,8)
0.5
95% α=0.05
0 1 2 3 4 F
F=3.44
49
CAPITULO 3
INTRODUCCIÓN A LA EXPERIMENTACIÓN
Una prueba de hipótesis es una suposición que se hacen a cerca del parámetro de
la población. Las hipótesis pueden clasificarse en dos grupos.
Ho: µ1 = µ2
Ejemplo 2: Conocemos que el rendimiento promedio del maíz de la variedad
“Marginal 28” en Ucayali es de 3 toneladas métricas. La hipótesis nula se plantea de
la siguiente manera:
Ho: µ = 3.0 TM
Hp : µ1 › µ2 = 50
50
Hipótesis alternativas
HP : µ = µ0
HA : µ > µ0 , H A : µ < µ0
Por ejemplo si nosotros sabemos que el peso promedio de toretes es mayor que 200
k y que estos no puede ser menor, entonces aquí tenemos una hipótesis en donde
se plantearía de la siguiente manera, la HP µ = 13 y HA µ > 13.
HP : µ = 200
HA : µ > 200.
𝐱̅ = 𝟐𝟏𝟎
𝐬 = 𝟏𝟎
𝐬 𝟏𝟎 𝟏𝟎
𝐬𝐱̅ = = = = 𝟏. 𝟖𝟐
√𝐧 √𝟑𝟎 𝟓. 𝟒𝟖
𝟐𝟏𝟎 − 𝟐𝟎𝟎
𝐭𝐜 = = 𝟓. 𝟒𝟗
𝟏. 𝟖𝟐
𝐭 𝐭 = 𝐭 𝟐 𝛂𝐲𝐧 − 𝟏𝐠𝐥 = 𝟏. 𝟔𝟗
51
tc > tt entonces aceptamos la HA que los pesos de los toretes es mayor a 200k.
Ver figura x.
HP: µ = µ0
H A : µ > µ0 y µ < µ 0
HP: µ = 5 t
Para someter a prueba esta HA se extrae una muestra representativa de todos los
campos de producción y se procede a calcular los valores de 𝐱̅ , 𝐬, 𝐬𝐱̅ 𝐲𝐭.
𝐱̅ − 𝟓
𝒕=
𝐱̅
Las hipótesis alternativas pueden ser positivas o negativas; si es positivo se
compara tα de la tabla de t. El valor de tα es buscado en la tabla de t con n-1 gl.
52
Como solo hay ½α de probabilidad de encontrar un valor de t superior a t α
igualmente un ½ 𝛼 probabilidades de encontrar un valor de t inferior a -tα, por
consiguiente hay α probabilidades de encontrar un valor que este fuera de estos
límites. Ver gráfica x.
Introducción a la experimentación
H0 : µ = 3.0
HA : µ >3.0
53
µ <3.0
𝐱 − 𝛍𝟎 𝟑. 𝟓 − 𝟑. 𝟎
𝐭𝐜 = = =𝟏
𝐬𝐱̅ 𝟎. 𝟓
Para la prueba de significación se utilizará α = 0.05, con la cual buscamos el valor de
t en la tabla de distribución de t para 0.05 y 9gl cuyo valor es 2.262.
En toda prueba de hipótesis nula acerca del promedio de una población se extrae al
azar una muestra de la población en estudio, y en ella se determina 𝑥̅ y 𝑠𝑥̅ con las
cuales se aplica la ecuación de la distribución de t, obteniéndose la t calculada, la
cual se comprara con la t tabular para n-1 gl y el nivel de significación que se haya
fijado. Si t calculada es menor o igual que - tα o mayor que +tα se rechaza la
hipótesis nula, por el contrario si se encuentra entre los límites de –tα y + tα se
acepta la hipótesis nula o planteada; por tal razón a esta prueba se le conoce como
prueba de dos colas, debido a que se considera para este fin las dos mitades de la
curva normal estándar, porque hay doble posibilidad de que µ > ó < µ 0.
µ0 = 50 mml
n = 30
̅
𝒙 =65
𝒔𝒙̅ =6
La hipótesis queda definida de la siguiente manera: Prueba de una cola.
H0 : µ = 50
HA : µ > 50
𝟔𝟓 − 𝟓𝟎
𝐭𝐜 = = 𝟐. 𝟓
𝟔
La t tabular se encuentra en la tabla de distribución de t con 29 gl y α = 2 (0.05) =
0.1, el cual nos da un valor de 1.699. Como el valor de t calculada 2.5 es mayor que
t tabular 1.699 se rechaza la hipótesis nula, por lo que aceptamos que la nueva
54
variedad de algodón tiene un largo de fibra superior a 50 mml con 5% de
probabilidades que ocurra esto.
Como hemos podido observar en esta prueba se considera t(2α) porque la H A solo
admite que µ sea superior a µ0,razón por la que se utiliza la prueba de una cola;
siendo α las probabilidades de hacer un rechazo indebido pese haberse tomado
t(2α), debido a que cada cola de la curva le toca α.
𝑯𝟎 = 𝒔𝟏 𝟐 = 𝒔𝟐 𝟐
𝐇𝐀 = 𝐬𝟏 𝟐 ≠ 𝐬𝟐 𝟐
55
𝐒𝟏 𝟐 (𝐯𝐚𝐫𝐢𝐚𝐧𝐜𝐢𝐚𝐦𝐚𝐲𝐨𝐫)
𝐅𝐂 =
𝐒𝟐 𝟐 (𝐯𝐚𝐫𝐢𝐚𝐧𝐜𝐢𝐚𝐦𝐞𝐧𝐨𝐫)
𝐧𝟏 = 𝐧𝟐 𝐲𝐬𝟏 𝟐 = 𝐬𝟐 𝟐
Se desea conocer cuál de dos variedades de yuca tiene un mayor rendimiento, para
esto se sembraron 10 campos de la variedad A y 10 campos de la variedad B; a
continuación se dan los rendimientos de los 10 campos en toneladas métricas por
hectárea.
Variedad Pucallpa: 26, 25, 20, 16, 12, 25, 8, 18, 11, 21
Variedad Chanchamayo: 15, 16, 24, 14, 25, 16, 24, 22, 23, 29
𝐒𝟏 𝟐 𝟒𝟎. 𝟒
𝐅𝐂 = = = 𝟏. 𝟓𝟑
𝐒𝟐 𝟐 𝟐𝟔. 𝟒
Ft = 9 y 9 gl y α 0.05 = 3.18
𝐱̅ 𝟏 − 𝐱̅ 𝟐 𝟏𝟖. 𝟐 + 𝟐𝟎. 𝟖
𝐭𝐜 = = = 𝟏. 𝟎𝟏
𝐒𝐝̅ 𝟐. 𝟓𝟖𝟓
56
𝟐 (𝐒𝟐 𝐜𝐨𝐦𝐮𝐧) 𝟐(𝟑𝟑. 𝟒)
𝐒𝐝̅ = √ = √ = √𝟔. 𝟔𝟖 = 𝟐. 𝟓𝟖𝟓
𝐧 𝟏𝟎
𝟐 𝐒𝟏 𝟐 + 𝐒𝟐 𝟐 𝟒𝟎. 𝟒 + 𝟐𝟔. 𝟒
𝐒𝟏 𝐜𝐨𝐦𝐮𝐧 = = = 𝟑𝟑. 𝟒
𝟐 𝟐
𝐧𝟏 = 𝐧𝟐 = 𝐧 = 𝟏𝟎 = 𝟏𝟎 = 𝟏𝟎
5. Comparar tc Vs tt: 1.01 < 2.101. Se acepta la Hipótesis nula, que ambas medias
no difieren significativamente.
𝐧𝟏 = 𝐧𝟐 𝐲 𝐬𝟏 𝟐 ≠ 𝐬𝟐 𝟐
Dos grupos de toretes de la raza Gyr fueron sometidos a un engorde con dos
raciones diferentes, una ración A control y ración B con hormonas para
crecimiento. A continuación se presenta la ganancia de peso Kg/Animal luego de
120 días de engorde.
𝐱̅ 𝟏 = 𝟕𝟐. 𝟓𝟎
𝐱̅ 𝟐 = 𝟏𝟐𝟎. 𝟕𝟓
𝐬𝟏 𝟐 = 𝟏𝟗𝟐𝟖. 𝟎𝟎
𝐬𝟐 𝟐 = 𝟓𝟎𝟑. 𝟎𝟎
57
𝟏𝟗𝟐𝟖
𝐅𝐜 = = 𝟑. 𝟖𝟑
𝟓𝟎𝟑
̅
4. Calcular 𝑺𝒅
𝐬𝟏 𝟐 𝐬𝟐 𝟐 𝟏𝟗𝟐𝟖 𝟓𝟎𝟑
𝐒𝐝̅ = √ + = √ + = 𝟏𝟕. 𝟒𝟑
𝐧𝟏 𝐧𝟐 𝟖 𝟖
5. Calcular la tc
𝟕𝟐. 𝟓 − 𝟏𝟐𝟎. 𝟕𝟓
𝐭𝐜 = = 𝟐. 𝟕𝟕
𝟏𝟕. 𝟒𝟑
6. Calcular la tt.
𝐧𝟏 ≠ 𝐧𝟐 𝐲 𝐬𝟏 𝟐 = 𝐬𝟐 𝟐
SL 20cm = 36, 43, 43, 38, 36, 41, 39, 42, 40, 42, 40, 35, 37, 37, 34, 37, 40, 37,
36, 35.
SL 40cm =37, 34, 40, 37, 40, 37, 35, 37, 35, 42
𝐱̅ 𝟏 = 𝟑𝟖. 𝟓𝟎
58
𝐱̅ 𝟐 = 𝟑𝟕. 𝟒
𝐬𝟏 𝟐 = 𝟕. 𝟔𝟎
𝐬𝟐 𝟐 = 𝟔. 𝟓𝟎
𝟕. 𝟔
𝐅𝐜 = = 𝟏. 𝟏𝟕
𝟔. 𝟓
Ft = 19 y 9gl, α 0.05 = 2.93. Como Fc< Ft se acepta la hipótesis nula de que las
variancias son homogéneas.
𝟐
𝐧𝟏 (𝐒𝟏 𝟐 ) + 𝐧𝟐 (𝐒𝟐 𝟐 ) 𝟐𝟎(𝟕. 𝟔) + 𝟏𝟎(𝟔. 𝟓)
𝐒 𝐜𝐨𝐦𝐮𝐧 = = = 𝟕. 𝟐𝟓
𝐧𝟏 + 𝐧𝟐 𝟐𝟎 + 𝟏𝟎
̅
Calcular 𝑺𝒅
𝟕. 𝟐𝟓 𝟕. 𝟐𝟓
𝐒𝐝̅ = √ + = 𝟏. 𝟎𝟓
𝟐𝟎 𝟏𝟎
Calcular la tc
𝟑𝟖. 𝟓 − 𝟑𝟕. 𝟒
𝐭𝐜 = = 𝟏. 𝟎𝟓𝟐
𝟏. 𝟎𝟓
Calcular la tt.
𝐧𝟏 ≠ 𝐧𝟐 𝐲 𝐬𝟏 𝟐 ≠ 𝐬𝟐 𝟐
Con la finalidad de estudiar la macrofauna del suelo en dos pasturas, la pastura 1
una pastura naturalizada altamente compactada y la pastura 2 de Brachiaria
59
decumbens también con alta compactación, se muestrearon 20 marcos de ½
metro cuadrado en la pastura nativa y 10 marcos de ½ metro cuadrado en el
pasto braquiaria. Como indicador se contó el número de lombrices existentes,
encontrándose los siguientes resultados.
Pastura braquiaria = 43, 36, 43, 38, 41, 38, 42, 37, 35, 34, 40, 37, 37, 36, 42, 40,
39, 37, 40, 35.
Pastura nativa= 28, 30, 32, 30, 16, 45, 35, 33, 28, 32
𝐱̅ 𝟏 = 𝟑𝟖. 𝟓
𝐱̅ 𝟐 = 𝟑𝟎. 𝟗
𝐬𝟏 𝟐 = 𝟕. 𝟔𝟎
𝐬𝟐 𝟐 = 𝟓𝟏. 𝟒𝟎
𝟓𝟏. 𝟒
𝐅𝐜 = = 𝟔. 𝟕𝟔
𝟕. 𝟔
̅
Calcular 𝑺𝒅
𝟕. 𝟔𝟎 𝟓𝟏. 𝟒𝟎
𝐒𝐝̅ = √ + = 𝟐. 𝟑𝟓
𝟐𝟎 𝟏𝟎
Calcular la tc
𝟑𝟖. 𝟓 − 𝟑𝟎. 𝟗
𝐭𝐜 = = 𝟑. 𝟐𝟒
𝟐. 𝟑𝟓
Calcular la tt.
𝐖𝟏 (𝐭 𝟏 ) + 𝐖𝟐 (𝐭 𝟐 ) 𝐒𝟏 𝟐 𝟕. 𝟔 𝐒𝟐 𝟐 𝟓𝟏. 𝟒
𝐭𝐭 = ∶ 𝐝𝐨𝐧𝐝𝐞 𝐖𝟏 = = = 𝟎. 𝟑𝟕; 𝐲 𝐖𝟐 = = = 𝟓. 𝟏𝟒
𝐖𝟏 + 𝐖𝟐 𝐧𝟏 𝟐𝟎 𝐧𝟐 𝟏𝟎
Entonces la tt =
60
𝐖𝟏 (𝐭 𝟏 ) + 𝐖𝟐 (𝐭 𝟐 ) 𝟎𝟑𝟕(𝟐. 𝟎𝟗) + 𝟓. 𝟏𝟒(𝟐. 𝟐𝟔)
𝐭𝐭 = = 𝐭𝐭 = = 𝟐. 𝟐𝟓
𝐖𝟏 + 𝐖𝟐 𝟎. 𝟑𝟕 + 𝟓. 𝟏𝟒
II PARTE
DISEÑOS EXPERIMENTALES
61
Capítulo4
Formulación de proyectos de
Investigación
4.1 INTRODUCCIÓN
1. Consideraciones básicas
62
experiencia, comportamiento científico, objetividad, honestidad, humildad,
organización y celo profesional.
2. Marco de beneficiarios.
Hemos dicho que todo proyecto, empieza con el BENEFICIARIO y termina cuando
sus beneficios son adoptados por el BENEFICARIO. Entonces es natural que
primeramente identifiquemos a que productores está dirigido directamente nuestro
trabajo de acuerdo a nuestras responsabilidades institucionales. (Quienes son
nuestros clientes). Esto es identificar el marco de productores beneficiarios de la
tecnología y servicios que generamos y préstamos, que generalmente se encuentran
situados en una Región definida por la predominancia de sistemas de producción y
características agroecológicos y socio-económicos. Esta Región puede referirse a
una zona geográfica o varias zonas geográficas del país bajo las mismas
condiciones. Por ejemplo, productores de arroz en barreal, ganaderos lecheros de la
carretera Federico Basadre, productores de maíz de la carretera a Tournavista o
Palmicultores de la zona de Shambillo, etc. Este marco corresponde a los
denominados también conjuntos Productivos, complejos ambientales, zonas
agroclimáticas, áreas ecológicamente homogéneas, módulos de operación
agropecuaria, zonas homogéneas de producción a dominios de responsabilidad.
Algunas veces por ejemplo, cuando se quiere ampliar la frontera agrícola el marco
solamente será referenciado a los agricultores potenciales para la región de
ampliación. Al identificar el marco de productores, es necesario determinarlo dentro
de un ámbito con cierta homogeneidad en aquellos factores inmodificables que
condicionan la aplicación de la tecnología generada a fin de reducir la variabilidad de
las recomendaciones técnicas que se ofrecen como alternativas para los usuarios
del conocimiento o tecnología.
63
EVALUACIÓN DE LA DIAGNOSIS DEL
ADOPCIÓN PROCESO
PRODUCTOR PRODUCTIVO DEL
PRODUCTOR
BANCO DE
INFORMACIÓN EN
DEFINICIÓN
PROBLEMAS
PRIORIZADOS INVESTIGACIÓN
BÁSICA
NO
REVISIÓN DE
DIFUSIÓN GENERAL Y LITERATURA
APOYO
¿EXISTE ¿HAY
NO INFORMACIÓN
SOLUCIÓN?
PRIMARIA
DEMOSTRACIÓN Y
SI
CAPACITACIÓN
SI SI
COMPROBADA INVESTIGACIÓN
APLICADA
NO
SI
“Para resolver un problema debemos conocerlo primero”, por esta razón el proyecto, debe
nacer de la identificación y priorización de los problemas que afronta el productor para
incrementar su productividad y mejorar su nivel de vida.
64
Esta identificación debe ser una consecuencia de una diagnosis del proceso
productivo, fruto del análisis situacional realizado conjuntamente por investigadores,
extensionistas y los mismos productores, con la asistencia de Agroeconomistas y
otros científicos y técnicos de varias disciplinas. Esta diagnosis, debe ser una
continua caracterización de los sistemas de producción preponderantes que nos
permite establecer los límites y potenciales físico-biológicos, económicos, sociales,
culturales e institucionales que condicionan el nivel del marco de productores
definido.
5. Revisión de literatura
65
Una revisión de literatura o de la información disponible relacionada con el problema
que confronta el agricultor, nos ayudará no sólo a conocer la existencia de modelos
de producción ya desarrollados que pueden ser aplicados por los agricultores con la
asistencia de extensionistas, sino también a especificar el problema con una
precisión y conocer resultados de intentos anteriores por resolver situaciones
similares en parte a toda la problemática bajo estudio.
66
d. No existen modelos de producción, ni información científica básica o primaria que
permita postular planeamientos hipotéticos. Entonces se trata de una acción de
investigación básica para generar información primaria. Los resultados serán
debidamente documentados para incrementar el banco de información. Implica la
formulación un proyecto de investigación básica.
Pregunta Resultado
1. ¿Para quién trabajo? Marco de productores, beneficiario,
caracterización socio-económicos y ecológica de
sus sistemas de producción.
67
cómo lo haré?
Requerimiento de Recursos humanos, físicos y
8. ¿con qué? financieros.
Así de esta manera podrá formular las siguientes fases que por lo menos debe
contener todo proyecto de investigación:
68
Una vez identificado y priorizado los problemas o las dificultades que confrontan al
productor, y haber encontrado que se necesita investigar, entonces nos
encontraremos frente a la necesidad de definir claramente cuál es el problema de
investigación relacionado con la finalidad del productor.
2. Hipótesis.
Una hipótesis es una proposición conjetural, es la relación causal entre dos o más
variables expresada casi siempre en forma de oración afirmativa. La hipótesis
especifica cómo se relacionan las variables que se supone son mesurables o
potencialmente mesurables.
69
Ellas deben ser planteadas en una forma tan simple como sea posible.
Ellas deben ser capaces de verificación o rechazo.
3. Objetivos
Los objetivos deben estar dentro de un marco, definir los problemas a resolver, las
hipótesis a verificar, la metodología a seguir, los recursos disponibles, así como con
la política y mecanismo institucionales de planificación y ejecución.
70
b. La nueva tecnología debe generar una mayor producción, que la obtendrá con la
tecnología existente.
c. La variabilidad en la producción y en los ingresos netos con la nueva tecnología
no debe ser mayor a la obtenida con la tecnología existente.
d. La nueva tecnología con los nuevos recursos que dispone el productor
agropecuario del marco definido debe producir un mayor ingreso que lo obtenido
con la tecnología existente.
e. La nueva tecnología debe ser viable y de fácil adopción por el agricultor, para
mejorar sus condiciones de desarrollo.
El propósito es la razón por la que queremos generar la nueva tecnología: los
efectos que se buscan en cuanto al ingreso: mantenerlo con nuevos costo, ampliar
la frontera agrícola, mejorar la calidad, etc. Referida al marco de productores, este
propósito del proyecto de investigación será el producto a obtenerse por el proyecto
de extensión correspondiente. La finalidad se refiere a los objetivos generales de la
institución.
4. Metas
5. Metodología
a) Tratamientos
b) Diseño Experimental.
71
Se ha evaluado topográficamente el lugar para identificar áreas
homogéneas que puedan constituir bloque?
Es el tamaño de estos bloques lo suficientemente grandes para contener al
menos una parcela de cada tratamiento y el control?
Si es así, usará Ud. Un diseño de bloques completos al azar?
Si los bloques no son lo suficientemente grandes para contener al menos
una parcela de cada tratamiento y los controles, sabe Ud. Cómo diseñar el
experimento de modo que las comparaciones más importantes sean
estimadas con la mayor precisión?
Están presentes uno o más patrones regulares a través del lugar
experimental o del material? Si es así, son estos patrones en una o en
ambas direcciones?
Ha considerado Ub. el uso de diseños de fila y columna para remover los
efectos de patrones en una dirección o en dos?
Es posible la existencia de alguna ventaja cuando se usa el diseño de
parcelas divididas?
Si es así, son los tratamientos aplicados a las sub parcelas aquellos para
los cuales se requiere la precisión mayor?
Mejorará la eficiencia del diseño a través del confundido de efectos
principales o interacciones de los factores de tratamientos con las
diferencias entre los bloques?
Ha planificado Ud. el uso de bloques en el experimento para controlar tanto
como sea posible la variación externa en la ejecución y conducción del
experimento?
Es posible que las parcelas puedan perderse a consecuencia de
accidentes o desastres?
Si es así, permite la elección de la disposición experimental y una
interpretación significativa de los resultados?
Se han asignado los tratamientos y controles a las parcelas del
experimento mediante un proceso de aleatorización explícito?
Se llevó a cabo una aleatorización separada para cada bloque o hilera del
experimento?
Se aplicaron correctamente las restricciones en la aleatorización?
Estuvo Ud. tentado de re-aleatorizar cualquier parte del asignamiento de
los tratamientos y controles debido a aparentes coincidencias
desafortunadas?
Si es así, como Ud. algún conocimiento de la variación en el lugar o
material del experimental que nos ha sido incluida en el diseño del
experimento?
Existe un plan mostrando el asignamiento de los tratamientos y controles a
las parcelas individuales?
c) Número de repeticiones
72
Tiene Ud. algún estimado preliminar de la precisión que es más probable
de ser alcanzada por el experimento (expresado como un porcentaje de
variación, por ejemplo)?
Es posible concluir un experimento piloto para determinar el coeficiente de
variación más probable de ser encontrado y para probar los procedimientos
experimentales?
Ha determinado Ud. el tamaño de las diferencias entre las medias de los
tratamientos que Ud. consideraría de importancia práctica, si tal diferencia
existiera?
Ha calculado Ud. el número de repeticiones que sería necesario para lograr
que el tamaño de la diferencia más probable de ser detectada como
significativa sea similar al tamaño de la diferencia que considera Ud. de
importancia práctica?
Valdría la pena ejecutar el experimento después de todo, si no hay
suficiente terreno o material experimental para el numero de repeticiones
requerido para alcanzar diferencias significativas de importancia práctica?
Necesitan los controles ser replicados más o menos frecuentemente que
los otros tratamientos para enfatizar ciertas comparaciones en particular?
d) Tamaño de parcela
e) Método de análisis
Los componentes o factores en estudio, a decir que factores serán sujetos de control
a modificación para medir sus efectos de acuerdo a la hipótesis formulada.
6. Plan de trabajo
7. Recursos
Humanos, la amplitud cada vez mayor del conocimiento científico, hace que la
ejecución de un proyecto sea de naturaleza interdisciplinaria, de otro modo, será
difícil que solo investigador pueda planificar y ejecutar un proyecto en forma integral.
Los investigadores deberán ser especialistas en los temas o las áreas a investigarse.
74
Muchas veces, proyectos prioritarios han dejado de realizarse o han sido ejecutados
deficientemente o han quedado inconcluso por que fueron formulados solamente
considerando el personal de la unidad ejecutiva, desconociendo la disponibilidad de
otros investigadores de otras unidades de la misma institución de otras relacionadas
con los problemas por resolver.
Físico, incluyen tanto los recursos físicos técnicos como los no técnicos necesarios
para llevar a cabo el proyecto, requerimiento en materiales, insumos, servicios,
equipo, áreas de terreno e instalaciones.
Generalmente se debe requerir y evaluar los recursos con que no cuenta la unidad
ejecutora. Estos requerimientos deben ser presentados por trimestres de acuerdo al
cronograma planteado.
Otros recursos importantes que es necesario tener en cuenta y que muchas veces
se le obvia, son:
Tiempo, está muy relacionado con la eficiencia en la generación del producto del
proyecto. Es necesario considerar el tiempo disponible no sólo para la ejecución en
el campo o laboratorio, sino también para realizar los informes de avance y final.
Por ello debemos elegir una fecha de inicio realista, que nos permita obtener los
materiales e insumos que requerimos, preparar el lugar, etc. y fecha de término
realista por la cual los objetivos se debe haber cumplido.
75
8. Título
El título por sí solo, debe dar una idea completa y sin ambigüedad de objetivos del
proyecto. Debe expresar en forma sintética al principal objetivo del proyecto. A pesar
de todo el título es lo primero que se lee en el formulario del proyecto, debe ser la
última información que se debe llenar en el formulario, ya que sin problema por
resolver, sin hipótesis que verificar y sin objetivo claros, no se puede pensar en un
título.
Luego de formulado el título, nos preguntamos ¿Es el título correcto?, ¿Es el título
descriptivo?, ¿Sirve para diferenciar este ensayo de otros en este lugar?
9. Palabras claves
76
Capítulo 5
Diseños experimentales
5.1 INTRODUCCIÓN
La observación y la experimentación son la base en que se apoya el investigador
para el estudio de fenómenos de su interés, presentes en la naturaleza. Mediante la
observación describe el fenómeno con todas las circunstancias que lo rodean, no
pudiendo atribuir sus efectos a una causa específica. Con la ayuda de la
experimentación estudia dichos fenómenos en forma más controlada, aislando
aquellos factores que pudieran enmascarar el efecto que ocasiona la causa de su
interés sobre dicho fenómeno.
77
5.2 Diseños experimentales en la formulación de
proyectos de investigación
- Repeticiones
- Control local
- Aleatorización
- Arreglo factorial.
78
Elementos estructurales del diseño experimental
Tratamiento
Unidad Experimental
Respuesta
Error Experimental
79
Exactitud y Precisión.
Aleatorización
Control Local
Arreglo Factorial
80
Número Óptimo de Repeticiones
Entre los principales métodos tenemos el de Cochran y Cox y Tukey, los que son
ampliamente descritos por Cochran y Cox, y Federer respectivamente.
81
Capítulo vi
DISEÑO COMPLETAMENTE AL AZAR,
DCR, clasificación de una vía
Este diseño es conocido por varios nombres y abreviaturas como: Diseño
Completamente Aleatorizado, Diseño Completamente al Azar, Diseño
completamente Randomizado; DCR, y según Stell and Torrie (19…) como
Clasificación de una Vía. Este diseño es el más sencillo, flexible, útil y versátil; y
consiste en asignar en forma irrestrictamente al azar un grupo de tratamientos a las
unidades experimentales previamente determinado. Ejemplo: individuos, grupos de
individuos, parcelas, jaulas, animales, insectos, macetas, etc., por lo tanto cada una
de las unidades experimentales de un experimento tienen la misma probabilidad de
recibir cualquiera de los tratamientos en estudio.
Este diseño es muy utilizado en experimentos con animales como vacunos, cerdos,
aves, en donde es fácil homogenizar las unidades experimentales por ejemplo se
puede contar con animales de la misma raza, sexo, edad, peso, manejo, animales
de la misma camada como el caso de cerdos, de la misma granja, estado fisiológico,
etc. También se puede utilizar en invernaderos, por ejemplo si utilizamos “macetas”
como unidades experimentales para ciertos tipos de experimentos donde se puede
homogenizar el tamaño, la tierra para el llenado de éstas, la cantidad de agua de
riego para cada una, la intensidad de luz, etc. Igualmente se puede utilizar en
laboratorios utilizando placas Petri o tubos de ensayo como unidades
experimentales. En viveros donde también se puede controlar el suelo, la luz, el
agua, etc. Se puede extender su uso en experimentos de otras disciplinas como
ciencias sociales, médicas, teniendo en consideración el principio de homogeneidad
del material experimental.
Existen muchas extensiones de este tipo de diseño como: El DCR con desigual
número de unidades por tratamiento, el DCR con sub muestras, igual o el DCR con
desigual número de sub muestras conocidos también como Diseño Anidado o
Diseño Jerárquico muy utilizado con animales y plantas, o para su uso e genética
para el cálculo del índice de heredabilidad.
82
Aleatorización
Yij = µ + ti +eij
Dónde:
83
eij = Error o residual: Normal e Independientemente Distribuido con media cero y
variancia 1 o variancia común. Generalmente se abrevia: NID (µ =0, σ² =1)
i = 1, 2, 3,..., n
j = 1, 2, 3,..., n
Prueba de hipótesis
𝐇𝐨 ⇒ μ1 = μ2 = ⋯ = μn
𝐇𝑨 ⇒ μ1 ≠ μ2 ≠ ⋯ ≠ μn
ANVA
FV GL SC CM Fc
2
∑𝑥𝑖 (∑𝑥𝑖 )2 𝑆𝐶𝑡 𝐶𝑀𝑡
Tratamiento t-1 −
𝑟 𝑡𝑥𝑟 𝑔𝑙𝑡 𝐶𝑀𝑒
𝑆𝐶𝑒
Error ≠ (por diferencia ≠ 𝑔𝑙𝑒
Total – Tratamiento)
Total (t x r)-1 (∑ 𝑥𝑖 )2
∑𝑥𝑖 2 −
𝑡𝑟
t = Número de tratamientos; r = Número de repeticiones
84
denominador) que se ubica en la parte izquierda vertical de la Tabla, además de la
probabilidad deseada (α = probabilidad de un valor más alto de F) que se ubica en la
parte izquierda vertical de la Tabla.
Cálculos
1. Término de corrección- TC
(∑𝐱 𝐢 )𝟐 𝟗𝟕𝟐²
𝐓𝐂 = = = 𝟓𝟗𝟎𝟒𝟗
𝐭𝐱𝐫 𝟏𝟔
85
SCt = 3171
SCTo = 3113
SCe = 542
ANVA
Fuente de variabilidad GL SC CM FC
Tratamientos: Raciones 3 3171 1057 23.4
Error 12 542 45.167 |
Total 15 3713
7. Significación estadística.
√𝟒𝟓. 𝟏𝟔𝟕
𝐂𝐕 = 𝑿𝟏𝟎𝟎 = 𝟏𝟏. 𝟎𝟔%
𝟔𝟎. 𝟕𝟓
Conclusiones preliminares
86
El coeficiente de variabilidad nos está informando que las unidades
experimentales (cerdos) fueron bastante homogéneas.
Se recomienda hacer la prueba de promedios propuesto en el enunciado del
proyecto para conocer cuál de las raciones estudiadas es la que tiene un mayor
efecto en el engorde de los cerdos.
Datos
𝑥̅𝐴 = 44
𝑥̅𝐵 = 57
𝑥̅𝑐 = 59
𝑥̅𝐷 = 83
a) Ración A vs. Ración B
𝐇𝐨 ∶ 𝜇𝐴 = 𝜇𝐵
𝐇𝐚 ∶ 𝜇𝐴 ≠ 𝜇𝐵
𝛂 = 0.05
Conclusión
El experimento ha sido conducido bajo estricto control y cuidado de modo que las
posibilidades de encontrar muestras extremas (siendo cierta la hipótesis planteada)
es muy pequeña por lo cual se concluye que la hipótesis planteada no es aceptada a
la luz de los resultados que dicen que la ganancia de peso con la ración B es supe-
rior a la ganancia de peso con la ración A.
87
Diferencia límite de significación (D.L.S)
𝟐 (𝟒𝟓. 𝟏𝟔𝟕)
𝟐. 𝟏𝟕𝟗 𝐱 √ = 𝟏𝟎. 𝟑𝟓
𝟒
D.L.S. = 10.35
D.L.S. es la diferencia mínima requerida para declarar que dos tratamientos son
diferentes consistentemente.
Así
𝐝̅ = 𝐱̅ 𝐁 − 𝐱̅ 𝐁 = 𝟏𝟑 𝐲 𝐝̅ > 𝐷. 𝐿. 𝑆.
Suponga que durante el experimento por causas ajenas a este se pierden algunas
unidades experimentales. En otros casos desde el inicio de la experimentación y por
falta de material experimental se diseña los tratamientos con diferente número de
unidades experimentales. En estos casos es posible realizar el análisis de variancia
que se conoce como el diseño completamente al azar con diferente numero
unidades experimentales por tratamiento.
88
Gran total 873
Cálculos
1. Término de Corrección
𝟖𝟕𝟑²
𝐂=
𝟏𝟑
𝐂 = 𝟓, 𝟖𝟕𝟔𝟑. 𝟑𝟏
𝐒𝐂(𝐓𝐫) = 𝟐𝟖𝟔𝟑. 𝟎𝟐
𝐒𝐂(𝐄) = 𝟒𝟎𝟎. 𝟔𝟕
ANALISIS DE VARIANCIA
89
√𝟒𝟒. 𝟓𝟐
𝐂𝐕 = = 𝟏𝟎. 𝟕𝟗%
𝟔𝟏. 𝟖𝟓
𝐱𝐀 − 𝐱𝐁 = 𝐝 ⇒ 𝟒𝟒. 𝟕 − 𝟓𝟕 = 𝟏𝟐. 𝟑
𝟒𝟒. 𝟓𝟐 𝟒𝟒. 𝟓𝟐
𝐃. 𝐋. 𝐒 = 𝟐. 𝟐𝟔√ +
𝟑 𝟒
𝐃. 𝐋. 𝐒 = 𝟏𝟏. 𝟓𝟑
Como la diferencia de los promedios 12.3 y D.LS. 11.53 se acepta la hipótesis
alternante lo que nos muestra que existen diferencias significativas entre los dos
tratamientos.
Conclusión.
90
Cuadro x.
2
∑ 𝑋𝑖𝑗𝑘 = 𝑋𝑖𝑗. 𝑦 ∑ 𝑋𝑖𝑗𝑘
𝑘 𝑘
𝑦 2 … (416.5)2
𝐶= = = 2,409.34
𝑠𝑟𝑡 4(3)6
2
𝑆𝐶𝑇𝑜𝑡𝑎𝑙 = ∑ 𝑋𝑖𝑗𝑘 −𝐶
𝑖,𝑗,𝑘
2
∑𝑖,𝑗 𝑋𝑖𝑗.
𝑆𝐶𝑀𝑎𝑡𝑒𝑟𝑎𝑠 = −𝐶
𝑠
(15.0)2 + ⋯ + (35.0)2
= − 𝐶 = 205.47 𝑐𝑜𝑛 17 𝑔𝑙
4
= 255.91 − 205.47
= 50.44 𝑐𝑜𝑛 71 − 17 = 54 𝑔𝑙
91
∑𝑖 𝑋𝑖..2
𝑆𝐶 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠 = −𝐶
𝑠𝑟
(44.0)2 + ⋯ + (95.0)2
= − 𝐶 = 179.64 𝑐𝑜𝑛 5𝑔𝑙
4(3)
FV GL SC CM FC Sig.
Entre materas 17 205.47
Tratamientos 5 179.64 35.93
Entre materas dentro de 12 25.83 2.15
tratamiento = error experimental
Entre plantas dentro de materas 54 50.44 0.93
= error de muestreo
Total 71 255.91
2.15 − 0.93 ∑ 𝑡𝑖2 35.93 − 2.15
𝑆 2 = 0.93, 𝑆𝜀2 = = 0.30, = = 2.82 (𝑜 = 𝑠𝑡2 𝑝𝑎𝑟𝑎 𝑒𝑙 𝑀𝑜𝑑𝑒𝑙𝑜 𝐼𝐼)
4 5 12
(15.0)2
𝑆𝐶𝑝𝑙𝑎𝑛𝑡𝑎𝑠 𝑑𝑒 𝑚𝑎𝑡𝑒𝑟𝑎 1, 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜 1 = (3.5)2 + ⋯ + (4.5)2 −
4
= 1.25 𝑐𝑜𝑛 3 𝑔𝑙.
92
= 4.54 𝑐𝑜𝑛 2 𝑔𝑙.
35.93
𝐹= = 16.7 ∗∗ 𝑐𝑜𝑛 5 𝑦 12 𝑔𝑙
2.15
2.15
𝐹= = 2.3 ∗ 𝑐𝑜𝑛 12 𝑦 54 𝑔𝑙.
0.93
Capítulo 6
COMPARACIONES MÚLTIPLES
O PRUEBAS DE PROMEDIOS
6.1 INTRODUCCIÓN
93
Prueba de Dunnett
Pruebas para Factores continuos. Cuando los factores en estudio son continuos
generalmente se desea conocer la naturaleza de la curva de respuesta, la cual
puede realizarse mediante las llamadas comparaciones de tendencia, para lo cual se
cuenta con dos pruebas las que depende de que si los tratamientos son ortogonales
o no, siendo estos los siguientes:
Polinomios Ortogonales.
Regresión lineal
𝐃𝐒𝐌 = 𝐭𝛂 . 𝐒𝐝̅
2(CMe)
𝐒𝒅̅ = √
r
a) ̅𝑋1 − 𝑋̅2
𝑏) 𝑋̅3 − 𝑋̅4
Prueba de Dunnett.
2(CMe)
𝐒𝒅̅ = √
r
𝑎) ̅𝑋𝑡𝑒𝑠𝑡𝑖𝑔𝑜 − 𝑋̅2
b) 𝑋̅𝑡𝑒𝑠𝑡𝑖𝑔𝑜 − 𝑋̅3
95
c) 𝑋̅𝑡𝑒𝑠𝑡𝑖𝑔𝑜 − 𝑋̅4
Prueba de Duncan.
𝐶𝑀𝑒
𝑆𝑥̅ = √
𝑟
96
ordenamiento que se está probando y N = número de grados de libertad del
error, con α = 0.05 ó 0.01 correspondiente.
Prueba de Tukey.
La prueba de Duncan conocida también como prueba múltiple, consiste en
comparar a todos los tratamientos contra todos; esta prueba es considerada
muy exigente, debido a que tiene un solo valor comparativo, razón por la cual
muchos investigadores recomiendan utilizar esta prueba. La prueba de Tukey
no tiene una tabla sino que utiliza la tabla de SNK.
97
siguiente fórmula.
𝐶𝑀𝑒
𝑆𝑥̅ = √
𝑟
𝐖 = qα (P1 𝑁2 ) . Sx̅
98
comparar a todos los tratamientos contra todos; esta prueba es una
combinación entre la prueba de Duncan y la prueba de Tukey debido a que
tiene varios valores comparativos como Duncan y utiliza la misma tabla que
Tukey, por esta razón es considerada medianamente exigente.
𝐶𝑀𝑒
𝑆𝑥̅ = √
𝑟
𝐖𝐩 = qα (P1 𝑁2 ) . Sx̅
Wp= Valor comparativo de Tukey.
99
puede representar poniendo un asterisco (*) al final de fila de las
comparaciones.
Tratamientos 1 2 3 4
∑ t1 ∑ t2 ∑ t3 ∑ t4
1 Vs 234
2 Vs 34
3 Vs 4
Tratamientos 1 2 3 4
∑ t1 ∑ t2 ∑ t3 ∑ t4
1 Vs 234 -3 +1 +1 +1
2 Vs 34 0 -2 +1 +1
3 Vs 4 0 0 -1 +1
6. Una vez calculado estos valores se estructura nuevamente una tabla como se
muestra a continuación, la cual debe ser llenada con los valores calculados
respectivamente.
Tratamientos 1 2 3 4
∑ t1 ∑ t2 ∑ t3 ∑ t4 Qi r ∑ C2ij SCCi
1 Vs 234
2 Vs 34
3 Vs 4
FV GL SC CM Fc
1 Vs 234 1 SCC1 SCC1 /1 CMc1 / CMe
2 Vs 34 1 SCC2 SCC2 /1 CMc2 / CMe
3 Vs 4 1 SCC3 SCC3 /1 CMc3 / CMe
Error ≠ SCe SCe /GLe
Total txr SCT
101
Donde:
j = 1, 2, ...n
k = niveles del factor
102
103
5.4 DISEÑO DE BLOQUES COMPLETOS AL
AZAR, BCR, Diseño de doble vía
Definición.
El Diseño de Bloques Completos al Azar es un modelo estadístico en el cual se
deben efectuar dos actividades: la primera consiste en reunir entre sí las unidades
experimentales semejantes para formar un grupo homogéneo al cual se le llama
BLOQUE; la segunda actividad consiste en asignar los tratamientos en forma
aleatoria sobre las unidades experimentales (o vice versa) dentro de cada bloque.
2. Casos ilustrativos
CASO 1
104
enmascarando de esta manera el verdadero efecto debido únicamente como es
deseable, al de los tratamientos o variedades. Ilustrando lo mencionado.
Rendimiento
T2 T1 T1
CASO 2
El tamaño de la ciudad tiene que ver con el volumen de venta por lo que se decide
formar grupos (o bloques) de cinco ciudades cada uno, donde el criterio principal
105
para formar estos grupos es el tamaño de la población, así las cuatro ciudades más
grandes constituirán un bloque, luego se distribuirán al azar los cuatro tipos de
publicación uno para cada ciudad; las siguientes cuatro ciudades que le siguen en
tamaño se agruparán en otro bloque y se asignarán aleatoriamente los cuatro
tratamientos uno en cada ciudad y así hasta completar con todas las ciudades en el
estudio.
CASO 3
Bloque I T2, T1 T3 T4
Bloque II T1 T3 T4 T2,
Bloque IV T4 T2, T3 T1
3. Características
Entre otras, las más saltantes podemos mencionar:
106
Usualmente cada tratamiento es asignado a una unidad experimental dentro de
cada bloque; sin embargo, ciertos tratamientos puede ser aplicados a dos o más
unidades experimentales.
4. Muestreo aleatorio.
Luego de que las unidades experimentales han sido agrupadas en los bloques,
dentro de cada bloque se usa una permutación aleatoria de tratamientos para
asignar a las Unidades experimentales. Permutaciones independientes son
efectuadas para los bloques.
5. Modelo estadístico.
Teniendo en cuenta "t" niveles de un factor en estudio y "r" bloques, la variableYIJ (i=1
r; j=1 a t) se considera como la observación de una unidad experimental (muestra
unitarial) perteneciente a una población cuya media es µij . Entonces se tendrá rt
poblaciones las cuales se distribuirán normalmente con variancia única c2 y con
media:
𝐫 𝐭
𝟏
𝝁 = ∑ ∑ μ𝐈𝐉
𝐫𝐭 𝟏 𝐣
T1 T3 T5 vs. T2 T4 T6 T7
T1 vs. T3 T5
T3 vs. T5
T7 vs. T2 T4 T6
T2 vs. T4 T6
T4 vs. T6
1. Modelo Estadístico
i = 1 á 4 bloques
j = 1 á 8 tratamientos o Insecticidas
108
DondeYIJ variable respuesta o número de larvas vivas dela parcela en el i-ésimo
bloque que recibe el j-ésimo tratamiento o insecticida.
ANVA
𝐻𝑜 ⇒ 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑛
𝐻𝐴 ⇒ 𝜇1 ≠ 𝜇2 ≠ ⋯ ≠ 𝜇𝑛
𝐻𝑜 ⇒ 𝐵1 = 𝐵2 = ⋯ = 𝐵𝑛
𝐻𝐴 ⇒ 𝐵1 ≠ 𝐵2 ≠ ⋯ ≠ 𝐵𝑛
ANVA
FV GL SC CM Fc
2 2 𝑆𝐶𝑡 𝐶𝑀𝑡
Tratamiento t-1 ∑𝑥𝑖𝑗𝑘 (∑𝑥𝑖𝑗𝑘 )
− 𝑔𝑙𝑡 𝐶𝑀𝑒
𝑏 𝑡𝑥𝐵
𝑆𝐶𝑒
Error ≠ ≠ 𝑔𝑙𝑒
Total (txb)-1 2
(∑𝑥𝑖𝑗𝑘 )𝟐
∑𝑥𝑖 −
𝑡𝑥𝐵
109
Cuadro X. Kg de maleza por parcela 30 días después de aplicado diferentes tipos de herbicidas para el
control de malezas.
4 2 3 4 13 3.25
1 (2.23) (1.73) (2.00) (2.23) (8.19 ) (2.04)
0 1 1 0 2 0.50
2 (1.00) (1.41) (1.41) (1.00) (4.82) (1.20)
2 3 4 5 14 3.50
3 (1.73) (2.00) (2.23) (2.44) (8.40) (2.10)
5
4 6 6 21 5.25
4 (2.23) (2.44) (2.64) (2.64) (9.95) (2.48)
0 1 0 0 1 0.25
5 (1.00) (1.41) (1.00) (1.00) (4.41) (1.10)
6 5 5 6 22 5.50
6 (2.64) (2.44) (2.44) (2.64) (10.16) (2.54)
0 0 2 3 5 1.25
7 (1.00) (1.00) (1.73) (2.00) (5.73) (1.43)
14 11 17 12 54 13.50
8 (3.87) (3.46) (4.24) (3.60) (15.17) (.379)
TOTAL 30 28 38 36 132
BLOCKS (15.70) (15.89) (17.69) (17.55) (66.33)
Los números encerrados entre paréntesis han sido transform ados a v ̅̅̅̅̅̅̅̅
x+ 1
110
Total 31 24.43 --------
‘* = significativo
C.V. = 15.3%
S𝑥̅ = 0.17
Valores “p”
Tratamientos 𝒙̅ Sig.
5 1.10 a
2 1.20 a
7 1.43 a
1 2.04 b
3 2.10 b
4 2.48 b
6 2.54 b
8 3.79 c
2. Hipótesis
111
Término de corrección: T.C.
(66.83)²
TC = =
32
S.C.(B.) = 0.42
CS(Tr) = 21.79
SC(To) = 23.43
S.C€ = 2.22
5. Conclusiones
112
Diseño de bloques completamente al azar con Sub muestreo.
Por razones de logística no se pudieron medir el peso de los 300 ovinos por lo que
se decidió obtener las muestras de incremento de peso de 3 ovinos por cada corral.
Luego de alimentar el primer mes se evaluó el incremento de peso: peso inicial
menos peso final, cuyos resultados se presentan en el cuadro x.
Sumas de cuadrados
220.9²
C= = 813.2802
60
113
1
S.C. Bloques = 15 = (52.8² + … + 63.5²) – C = 6.2058
1
S.C. Tratamientos = 12 = (50.4² + … + 55.8²) – C = 34.8456
1
S.C. Total - Unidades = 3 = (11.8² + … + 15.8²) – C = 41.9498
Conclusiones
114
Se utilizó el Diseño de Bloques Completos al Azar con 4 repeticiones y la variable
respuesta fue el número de garrapatas vivas encontradas en los animales 48 horas
después de aplicado los tratamientos. Los resultados se presentan en el Cuadro x.
Cuadro x. Número de garrapatas vivas encontradas en los animales 48 horas después de aplicada
los antiparasitarios.
Block
I II III IV
Tratamientos
4 2 3 4
1 (2.23) (1.73) (2.00) (2.23)
0 1 1 0
2 (1.00) (1.41) (1.41) (1.00)
2 3 4 5
3 (1.73) (2.00) (2.23) (2.44)
5
4 6 6
4 (2.23) (2.44) (2.64) (2.64)
0 1 0 0
5 (1.00) (1.41) (1.00) (1.00)
6 5 5 6
6 (2.64) (2.44) (2.44) (2.64)
0 0 2 3
7 (1.00) (1.00) (1.73) (2.00)
14 11 17 12
8 (3.87) (3.46) (4.24) (3.60)
Prueba de Duncan
DATA DBCA;
TITLE'ANTIPARASITARIOS CON TRANSFORMACION';
OPTIONS LINESIZE=80 PAGESIZE=64 NODATE NONUMBER;
INPUT TRATAM BLOQUES $ Y;
X = SQRT (Y+1);
CARDS;
1 I 4
1 II 2
1 III 3
1 IV 4
2 I 0
2 II 1
2 III 1
2 IV 0
3 I 2
115
3 II 3
3 III 4
3 IV 5
4 I 4
4 II 0
4 III 6
4 IV 6
5 I 0
5 II 1
5 III 0
5 IV 0
6 I 6
6 II 5
6 III 5
6 IV 6
7 I 0
7 II 0
7 III 2
7 IV 3
8 I 14
8 II 11
8 III 17
8 IV 12
;
PROCPRINT;
RUN;
PROCGLM;
CLASS TRATAM BLOQUES;
MODEL X = TRATAM BLOQUES;
MEANS TRATAM / T;
MEANS TRATAM / DUNCANALPHA = 0.05;
RUN;
1 1 I 4 2.23607
2 1 II 2 1.73205
3 1 III 3 2.00000
4 1 IV 4 2.23607
5 2 I 0 1.00000
6 2 II 1 1.41421
7 2 III 1 1.41421
8 2 IV 0 1.00000
9 3 I 2 1.73205
10 3 II 3 2.00000
11 3 III 4 2.23607
12 3 IV 5 2.44949
13 4 I 4 2.23607
14 4 II 0 1.00000
15 4 III 6 2.64575
16 4 IV 6 2.64575
17 5 I 0 1.00000
18 5 II 1 1.41421
19 5 III 0 1.00000
20 5 IV 0 1.00000
21 6 I 6 2.64575
22 6 II 5 2.44949
23 6 III 5 2.44949
24 6 IV 6 2.64575
25 7 I 0 1.00000
26 7 II 0 1.00000
27 7 III 2 1.73205
28 7 IV 3 2.00000
29 8 I 14 3.87298
116
30 8 II 11 3.46410
31 8 III 17 4.24264
32 8 IV 12 3.60555
TRATAM 8 1 2 3 4 5 6 7 8
BLOQUES 4 I II III IV
Number of observations 32
Dependent Variable: X
Sum of
Source DF Squares Mean Square F Value Pr> F
NOTE: This test controls the Type I comparisonwise error rate, not the
experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 21
Error Mean Square 0.135338
Critical Value of t 2.07961
Least Significant Difference 0.541
117
A 3.7963 4 8
B 2.5476 4 6
B
B 2.1319 4 4
B
B 2.1044 4 3
B
B 2.0510 4 1
C 1.4330 4 7
C
C 1.2071 4 2
C
C 1.1036 4 5
NOTE: This test controls the Type I comparisonwise error rate, not the
experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 21
Error Mean Square 0.135338
Number of Means 2 3 4 5 6 7 8
Critical Range .5410 .5679 .5851 .5972 .6061 .6129 .6183
B 2.5476 4 6
B
B 2.1319 4 4
B
B 2.1044 4 3
B
B 2.0510 4 1
C 1.4330 4 7
C
C 1.2071 4 2
C
C 1.1036 4 5
INTRODUCCION
Este diseño es una extensión del diseño bloque completo al azar. Se aplica cuando
las unidades experimentales a las cuales se van a aplicar los tratamientos, pueden
agruparse de acuerdo a dos fuentes (de variabilidad) llamadas bloques y columnas
respectivamente.
118
CARACTERISTICAS
3. Cada tratamiento debe aparecer una vez y distribuido al azar en cada bloque y en
cada columna
7. Para realizar las pruebas de promedios DSM, Dunnett, Duncan, Tukey, SNK y
pruebas de contrastes, el procedimiento es el mismo que para los diseños DCR y
NCR. La desviación estándar de la diferencia de promedios y la desviación
estándar del promedio, están en función del cuadrado medio del error
experimental.
.
A D C B E D C B E A C B E A D B E A D C E A D C B
Modelo Matemático
𝒴𝑖𝑗𝑘 = 𝜇 + 𝑡𝑖 + 𝐵𝑗 + 𝐶𝑘 + 𝑒𝑖𝑗𝑘
Hipótesis Columna
119
Hipótesis de Bloques (Filas)
Hipótesis Tratamiento
ANVA
FV GL SC CME FC
∑𝑥.𝑗. 2 (∑𝑥𝑖𝑗𝑘 )2 𝑆𝐶𝑏 𝐶𝑀𝑏
Bloques b-1 −
𝑐 𝑏𝑥𝑐 𝐺𝑙𝑏 𝐶𝑀𝑒
∑𝑥..𝑘 2 (∑𝑥𝑖𝑗𝑘 )2 𝑆𝐶𝑐 𝐶𝑀𝑐
Columnas c-1 −
𝑏 𝐵𝑥𝑐 𝐺𝑙𝑐 𝐶𝑀𝑒
∑𝑥𝑖... 2 (∑𝑥𝑖𝑗𝑘) 2 𝑆𝐶𝑡 𝐶𝑀𝑡
Tratamiento t-1 − 𝐺𝑙𝑡 𝐶𝑀𝑒
𝑐 𝐵𝑥𝑐
COLUMNAS Total
Bloques
1 2 3 4 5
120
I A D C B E
18 38 29 35 24 144
B
L II D C B E A
37 30 34 25 22 148
O
Q III B E A D C
U 35 23 19 37 29 143
E
S IV C B E A D
28 34 24 17 39 142
V E A D C B
26 18 40 29 35 148
Total
Columnas 144 143 146 143 149 Gran Total
725
Tratamientos A B C D E
Total 94.0 173.0 145.0 191.0 122.0
Promedio 18.8 34.6 29.6 38.2 24.4
Gran total 725
Cálculos
1. Término de Corrección
725²
TC = = 21025
25
SCt =1206.0
1212120640.0
SCb =6.4
121
4. Suma de cuadrados de Columnas
SCc = 5.2
= 22261–21025 = 1236
SCTo = 1236.0
=10.5
SCe = 18.4
Análisis de variancia
122
√1.53
CV = 𝑥 100 = 4.27%
29
Conclusiones
PRUEBA DE PROMEDIOS
Hipótesis
Ho: µ𝐴 = µ𝐵 = µ𝐶 = µ𝐷 = µ𝐸
Hp: µ𝐴 ≠ µ𝐵 ≠ µ𝐶 ≠ µ𝐷 ≠ µ𝐸
∝ = 0.05
123
III – IV= 29.6 – 24.4 = 5.2
IV – V = 24.4 – 18.8 = 5.6
Conclusión
Los resultados del experimento nos indican a través de prueba t que los
rendimientos promedios de la variedad A y B no son iguales.
r (T+B+C)−2G
Y=
(𝑟−1)(𝑟−2)
Donde:
Es decir
Luego se procede a hacer cálculos de las sumas de cuadrados como si este valor
existiera realmente. El análisis de variancia se va a ver afectado ya que los GL del
total disminuyen en una unidad y por ende también los del error.
124
125
CAPÍTULO 7
EXPERIMENTOS FACTORIALES
A los factores se les simbolizan por las primeras letras mayúsculas del alfabeto (A,
B, C).
a1 = Ecotipo 1,
a2 = Ecotipo 2
a3 = Ecotipo 3
a4 = Ecotipo 4
a5 = Ecotipo 5
126
Tipo de Factores
Factores cuantitativos
Son aquellos cuyos niveles son cantidades numéricas. Dosis e fertilizante, Densidad
de siembra., etc.
Factores Cualitativos
Son aquellos cuyos niveles son procedimientos o cualidades. Por ejemplo, ecotipos
de cocona, fuentes de fertilizantes, etc.
Ejemplo fuentes de fertilizante nitrogenado puede tener los niveles: Urea, Nitrato de
Amonio, Nitrato de Calcio, Sulfato de Amonio.
Un experimento factorial en el cual participan dos factores, cada uno con tres
niveles, se simboliza como 3Ax3B ó3x3ó 32. El número de combinaciones de
tratamientos que involucra esta factorial es el producto de las cantidades de los
niveles de los factores en estudio; siendo esto 9.
Nivel b1 ∶ Superficialmente.
Factor B= Forma de aplicación{
Nivel b2 ∶ Incorporado con una rastra.
127
Las combinaciones de tratamientos son: a₁b₁, a₁b2, a2b1, a2b2. Supongamos que
cada una de las combinaciones de tratamientos se aplica a 4 parcelas homogéneas,
para el cultivo de Chiclayo u ojo negro. Los datos obtenidos (TM/ha) se dan a
continuación.
Los efectos simples de un factor en un nivel determinado del otro factor se puede
expresar de la siguiente manera:
128
̅12. - ̅Y11. = 5.1 – 4.8 = 0.3
E. simple de B en a₁ = Y
E. simple de B en a2 = ̅
Y22. - ̅Y21. = 8.6 – 7.4 = 1.2
Los efectos simples son medidas de cómo cambian los promedios de los
rendimientos de los niveles de un factor para un determinado nivel del otro factor.
Efecto de Interacción
129
Existen situaciones donde el efecto de interacción no es nulo, y esto se puede
producir por un cambio de magnitud (signo positivo) en los rendimient0s al estudiar
el Efecto Simple de A en B1 (B en A) con respecto al efecto simple de A en B2, o
también por un cambio de dirección (signo negativo) al estudiar los antes
mencionados efectos simples. La significación o no significación de esta interacción
se probará con la respectiva prueba estadística.
130
Para nuestro ejemplo el gráfico correspondiente es:
Rdto.
de
Modelo Matemático
μ = media general
Hipótesis a probar:
Η𝜊 ⇒ 𝜇𝑎1 = 𝜇𝑎2
Η𝐴 ⇒ 𝜇𝑎1 ≠ 𝜇𝑎2
Η𝜊 ⇒ 𝜇𝑏1 = 𝜇𝑏2
131
Η𝐴 ⇒ 𝜇𝑏1 ≠ 𝜇𝑏2
Η𝜊 ⇒ 𝜇𝑎 b = 𝜇𝑎 b = 𝜇𝑎 b = 𝜇𝑎 b
1 1 1 2 2 1 2 2
Η𝐴 ⇒ 𝜇𝑎 b ≠ 𝜇𝑎 b ≠ 𝜇𝑎 b ≠ 𝜇𝑎 b
1 1 1 2 2 1 2 2
ANVA
FV GL SC CME FC
∑𝑎𝑖2 (∑𝑥𝑖𝑗 )2 𝑆𝐶𝐴 𝐶𝑀𝐴
Factor A a-1 −
𝑏𝑟 𝑎𝑥𝑏𝑥𝑟 𝐺𝑙𝐴 𝐶𝑀𝑒
∑𝑏𝑗 2 (∑𝑥𝑖𝑗 )2 𝑆𝐶𝐵 𝐶𝑀𝐵
Factor B b-1 − 𝐺𝑙𝐵 𝐶𝑀𝑒
𝑎𝑟 𝑎𝑥𝑏𝑥𝑟
∑𝑎𝑖 𝑏𝑗 2 (∑𝑥𝑖𝑗) 2 𝑆𝐶𝐴𝐵 𝐶𝑀𝐴𝐵
Interacción (a-1)(b-1) − 𝐺𝑙𝐴𝐵 𝐶𝑀𝑒
𝑟 𝑎𝑥𝑏𝑥𝑟
AB
Por Por diferencia 𝑆𝐶𝑒
Error diferencia SCTotal – SCA- 𝐺𝑙𝑒
SCB - SCAB
(∑𝑥𝑖𝑗 )2
Total (axbxr)-1 ∑𝑥𝑖𝑗 2 −
𝑎𝑥𝑏𝑥𝑟
Cálculos
𝑎1 𝑏1 𝑎1 𝑏2 𝑎2 𝑏1 𝑎2 𝑏2
4.5 5.1 7.0 9.4
6.0 4.4 7.4 8.3
3.8 5.3 8.3 7.4
4.9 5.6 6.9 9.3
∑𝑎𝑖 𝑏𝑗 19.2 20.4 29.6 34.4 Total
general=
103.6
x̅ai 𝑏j 4.8 5.1 7.4 8.6
∑𝑎𝑖 A1= 39.6 A2= 64
x̅ai A1= 4.95 A2 = 8
∑𝑏𝑗 B1 = 48.8 B2 = 54.8
x̅𝑏j B1 = 6.1 B2 = 6.85
132
Término de Corrección.
103.6²
TC = = 670.81
16
Suma de Cuadrados del factor A.
39.62 + 642
SCA = − 670.81
8
= 708.02 − 670.81 = 37.21
SCA = 37.21
1212120640.0
48.8² + 54.8²
SCB = − 670.81
8
= 673.6 – 670.81= 2.25
SCB = 2.25
133
SCTo = 47.47
=10.5
= 47.47 – (37.21+2.25+0.81)
SCe = 7.2
Análisis de variancia
Ft = Con 1Gl para Cuadrado Medio Mayory 12 Gl para Cuadrado Medio del
Error y con α = 0.05 y α = 0.01con valores de 4.75 y 9.33
respectivamente.
√0.6
CV = x 100 = 11.95%
6.48
Conclusiones
134
7.3 EJEMPLO DE UN experimento factorial de 2
factores con TRES niveles de CADA FACTOR.
Se realizó un experimento en el marco de convenio INIA, IVITA, CIA, para ver el
efecto de dos factores: A = Forma de siembra de arroz más pasto. B = tres dosis de
fertilización nitrogenada. Con tres niveles para cada factor conducido en un diseño
de bloques completos al azar: Se utilizaron cuatro bloques o repeticiones. Los
resultados en términos de rendimiento del arroz en TM/ha se presentan a
continuación:
𝐚𝟏 𝐚𝟐 𝐚𝟑
Arroz solo Arroz + pasto en línea. Arroz + pasto siembra
Bloques alboleo.
𝐛𝟏 𝐛𝟐 𝐛𝟑 𝐛𝟏 𝐛𝟐 𝐛𝟑 𝐛𝟏 𝐛𝟐 𝐛𝟑 Total
N= 50 N= 100 N= 150 N= 50 N= 100 N= 150 N= 50 N= 100 N= 150
Kg/ha Kg/ha Kg/ha Kg/ha Kg/ha Kgha Kg/ha Kg/ha Kg/ha
I 0.5 1 1.5 3 2 1 2.0 2 4 17.0
II 1.0 1.5 2 2.5 1 1 2 3 3 17.0
III 1.0 1 1.5 1.5 1.5 1.5 1 2.5 2 13.0
IV 0.5 0.5 1.4 2 3 1.4 1.5 2 4 16.8
∑𝐱𝐢 3 4 6.4 9 7.5 4.9 6.5 9.5 13 GT= 63.8
x̅ai 𝑏j 0.75 1 1.6 2.25 1.88 1.23 1.63 2.38 3.25 1.78
∑𝑎𝑖 A1= 13.4 A2= 21.4 A3 = 29 Prom.
x̅ai A1 = 1.12 A2 = 1.78 A3 = 2.42 Gral.
∑𝑏𝑗 B1 = 18.5 B2 = 21 B3 = 24.3
x̅𝑏j B1 = 1.54 B2 = 1.75 B3 = 2.03 1.77
135
Grafico X. Rendimiento de arroz solo y asociado con pastos como efecto de tres
formas de siembra y tres niveles de fertilización.
Cálculos
Término de Corrección.
63.8²
TC = = 113.07
36
Suma de Cuadrados del factor A.
= 123.21 − 113.07
SCA = 10.14
1212120640.0
136
= 114.48 – 113.07 = 1.41
SCB = 1.41
SCb = 1.29
SCTo = 0.5² + 1.0² +1.5² + 3.0² + 2.0² + 1.02+ 2.02+2.02+4.02+… + 2.0² + 4.0² -
113.07
SCTo = 27.85
=10.5
137
SCe = 7.45
Análisis de variancia
ANALISIS DE LA INTERACCIÓN
138
2 2
ΣX X 3.02 + 4.02 + 6.42 13.42
1𝑗. 1. .
𝐒𝐂𝐀𝟏 = − = − = 1.527
r br 4 (3)( 4)
GL = q - 1 = 2
2
ΣX2𝑗. X 2 9.02 + 7.52 + 4.92 21.42
𝐒𝐂𝐀 𝟐 = − 1. . = − = 2.152
r br 4 (3)( 4)
GL = 2
2
ΣX3𝑗. X 2 6.52 + 9.52 + 13.02 29.02
𝐒𝐂𝐀 𝟑 = − 3. . = − = 5.292
r br 4 (3)( 4)
GL = 2
FV GL SC CM FC Sign
Arroz en mono cultivo 2 1.527 0.764 4.72 *
Arroz + pasto en línea 2 2.152 1.076 6.64 **
Arroz + pasto al boleo 2 5.292 2.646 16.33 **
Error 24 3.88 0.162
Prueba de duncan
√0.162
𝑠𝑥̅ = =0.20
4
P 2 3
AES(D) 2.92 3.07
𝑠𝑥̅ 0.20 0.20
ALS(D) 0.544 0.614
El experimento consta de tres factores con tres niveles de cada factor, y con tres
repeticiones, conducido en un diseño completamente al azar. Haciendo un total de
27 tratamientos combinaciones y 81 unidades experimentales.
El experimento fue controlar malezas con tres diferentes herbicidas con tres dosis y
aplicadas en 3 épocas, una seca (agosto) y dos lluvias (noviembre y febrero). Se
midió la respuesta en términos de peso fresco de malezas en las parcelas. Los
factores en estudio fueron los siguientes:
i = de 1 a 3 niveles de factor A.
j = de 1 a 3 niveles de factor B.
k= de 1 a 3 niveles de factor C.
r = número de repeticiones igual a 3.
Hipótesis a probar.
Interacción BC
141
Interacción AC
142
Cuadro X. Peso fresco de malezas(Kg/parcela) luego de la aplicación de tres tipos de
herbicidas con tres dosis de aplicación en tres épocas del año, en un pastizal de Pucallpa.
Interacción AB Promedios AB
A1 A2 A3 ∑b.j. A1 A2 A3 ∑b.j.
B1 29 101 38 168 B1 3.22 11.22 4.22 6.22
B2 39 81 38 158 B2 4.33 9.00 4.22 5.85
B3 49 70 38 157 B3 5.44 7.78 4.22 5.81
∑ai.. 117 252 114 ∑ai.. 4.33 9.33 4.22
Interacción AC Promedios AC
A1 A2 A3 ∑c..k A1 A2 A3 ∑c..k
C1 13 18 9 40 C1 1.44 2.00 1.00 4.44
C2 27 158 36 221 C2 3.00 17.56 4.00 24.56
C3 77 76 69 222 C3 8.56 8.44 7.67 24.67
∑ai.. 117 252 114 ∑ai.. 4.33 9.33 4.22
143
Interacción BC Promedios BC
B1 B2 B3 ∑c..k B1 B2 B3 ∑c..k
C1 13 9 18 40 C1 1.44 1.00 2.00 4.44
C2 85 71 85 221 C2 9.45 7.89 7.22 24.56
C3 70 78 74 222 C3 7.78 8.67 8.22 24.67
∑b.j. 168 158 157 ∑b.j. 6.59 5.85 5.81
Término de Corrección.
∑(Xijk )2 (483)2
𝐓𝐂 = = = 2880.11
abcr 81
Suma de Cuadrados
∑ai bj 2 (∑xijk )2
𝐈𝐧𝐭. 𝐀𝐁 = rc
− abcr
− {SCA + SCB} =
∑ai CK 2 (∑xijk )2
𝐈𝐧𝐭. 𝐀𝐂 = − − {SCA + SCC} =
rb abcr
144
132 +272 +772 +182 +1582 +762 +92 +362 +692
− 2880.11 − (460.22 + 813.41) = 738.37
9
∑bj ck 2 (∑xijk )2
𝐈𝐧𝐭. 𝐁𝐂 = − − {SCB + SCC}
rb abc
∑ai bj ck 2 (∑xijk )2
𝐈𝐧𝐭. 𝐀𝐁𝐂 = − − {SCA + SCB + SCC + SCAB + SCAC + SCBC}
r abcr
32 +102 +162 +32 +82 +282 +72 +92 +332 +. . . + 42 + 152 + 192 + 12 + 112 + 262 + 42 + 102 + 242
3
2
(∑xijk )2
𝐒𝐂𝐓𝐨𝐭𝐚𝐥 = ∑xijk − =
abcr
𝐒𝐂𝐓 = 𝟐𝟑𝟗𝟒. 𝟖𝟗
𝑺𝑪𝑬 = 2394.89 − (460.22 + 2.74 + 813.41 + 74.37 + 738.37 + 28.74 + 53.04) = 224.00
ANVA
FV GL SC CM FC Sig.
Factor A 2 460.22 230.11 55.45 **
Factor B 2 2.74 1.37 0.33 NS
Factor C 2 813.41 406.71 98.00 **
Int. AB 4 74.37 18.65 4.49 **
Int. AC 4 738.37 184.59 44.48 **
Int. BC 4 28.74 7.18 1.73 NS
Int. ABC 8 53.04 6.63 1.60 NS
Error 54 224.00 4.15
Total 80 2394.89
145
- F de la tabla para Factores principales: 2 gl. para A, B, C y 54 gl. del Error.
α : 0.05 = 3.15
α : 0.01 = 4.98
- F de la tabla para las interacciones: 4 gl. para AB, AC y BC, y 54 gl. del Error.
α : 0.05 = 2.53
α : 0.01 = 3.65
α : 0.05 = 2.10
α : 0.01 = 2.82
Conclusiones preliminares
146
1012 + 812 + 702 (252)2
𝐒𝐂𝐁(𝐀𝟐 ) = − = 54.89
9 27
382 + 382 + 382 (114)2
𝐒𝐂𝐁(𝐀𝟑 ) = − = 0.00
9 27
147
Cuadro del análisis de variancia de efectos simples de A en Bj (constante C) y
A en Ck (constante B).
FV GL SC CM F cal Sign
A(b1 ) 2 342.00 171.00 41.20 **
A(b2 ) 2 133.85 66.93 16.13 **
A(b3 ) 2 58.74 29.37 7.08 *
B(a1 ) 2 22.22 11.11 2.68
B(a2 ) 2 54.89 27.45 6.61 **
B(a3 ) 2 0.00 0.00 0.00
A(c1 ) 2 4.52 2.26 0.54
A(c2 ) 2 1189.85 594.93 143.36 **
A(c3 ) 2 4.22 2.11 0.51
C(a1 ) 2 251.56 125.78 30.31 **
C(a2 ) 2 1099.56 549.78 132.48 **
C(a3 ) 2 200.67 100.33 24.18 **
Conclusión final.
148
11.2 – 4.2 = 7 11.2 – 7.8 = 3.4 5.3 – 1.0 = 4.3
4.2 – 3.2 = 1 9.0 – 7.8 = 1.2 3.3 – 1.0 = 2.3
149
Capítulo 8
Diseño de Parcelas divididas
BI B II B III
A2 A1 A3 A2 A3 A1 A1 A2 A3
b2 b1 b2 b1 b2 b1 b2 b1 b 1 b2 b2 b1 b2 b1 b2 b1 b1 b2
150
Factor A: Parcela principal: 3 leguminosas: Pueraria phaseoloides CIAT 900 – kudzú;
Desmodium ovalifolium CIAT 350 – Desmodium; Stylosanthes guianensis – Stylo.
Factor B: Sub parcela: 3 laboreos del suelo: 0 – 20 y 100 % de preparación del área.
BLOQUE I
A2 A1 A3
b2 b1 b3 b3 b2 b1 b1 b3 b2
c1 c2 c2 c1 c1 c2 c2 c1 c1 c2 c2 c1 c2 c1 c2 c1 c1 c2
BLOQUE II
A2 A1 A3
b2 b1 b3 b1 b2 b3 b3 b1 b2
c2 c1 c1 c2 c2 c1 c2 c1 c1 c2 c1 c2 c1 c1 c2 C1 c1 c2
BLOQUE III
A2 A1 A3
b2 b1 b3 b3 b1 b2 b1 b3 b2
c1 c2 c2 c1 c1 c2 c2 c1 c1 c2 c2 c1 c2 c1 c2 c1 c1 c2
Existen diferentes situaciones en las que hay de decidir que factor debe estar
ubicado en parcela principal, sub parcelas ó sub sub parcelas. Para esto hay que
considerar lo siguiente:
Estamos interesados en estudiar tres factores que son los siguientes: Tipo de
ración; forma de aplicación y niveles de proteínas. En este caso los niveles de
proteína es el factor que requiere mayor precisión debido al costo que implica la
adición de proteína, por lo tanto este factor debe ir como sub sub parcela. La
forma de aplicación si bien es cierto también requiere una alta precisión debido a
que si es adicionado de forma ad- libitum o en forma controlada va tener un
efecto en la cantidad que consumen los animales, sin embargo se puede
diferenciar con la cantidad de proteína por lo que este factor podría estar probado
en la sub parcela y con respecto al tipo de ración que puede estar elaborado con
diferentes insumos requeriría una menor precisión por lo que podría probar como
parcela principal.
151
El diagrama de distribución quedaría de la siguiente manera:
BLOQUE I
BLOQUE II
Ración 2 Ración 3 Ración 1
controlado Ad- libitum Ad- libitum controlado Ad-libitum controlado
18 16 14 16 18 14 18 16 14 18 16 14 16 14 18 14 16 18
BLOQUE III
Ración 3 Ración 2 Ración 1
Ad- libitum controlado Ad- libitum controlado Ad-libitum controlado
16 14 18 18 16 14 14 18 16 14 18 16 16 18 14 16 14 18
152
Desmodium ovalifolium. Se midió el rendimiento de forraje Materia Seca
(kg/parcela). Los resultados se presentan a continuación:
153
𝐑 𝐢 𝐏𝐏𝐣 (𝐞𝐫𝐫𝐨𝐫 𝐚) = interacción de la repetición por la parcela principal
𝐒𝐏𝐤 = efecto de la k − esima parcela en estudio
𝐏𝐏𝐣 𝐒𝐏𝐤 = efecto de la interacción de la j − esima parcela principal por la k
− esima sub parcela
𝐞𝐢𝐣𝐤 = error o residual
Hipótesis a probar.
Ηο ⇒ μR1 = μR 2 = ⋯ = μR n
ΗA ⇒ μR1 ≠ μR 2 ≠ ⋯ ≠ μR n
FV GL SC CM FC
Repeticiones -R R-1 ∑R i2
(∑X ijk )2 𝑆𝐶𝑅 𝐶𝑀𝑅
− 𝐺𝐿𝑅 𝐶𝑀𝐸(𝑎)
ab abr
Parcela principal -PP PP -1 ∑PPj 2 (∑X ijk )2 𝑆𝐶𝑃𝑃 𝐶𝑀𝑃𝑃
− 𝐺𝐿𝑃𝑃 𝐶𝑀𝐸(𝑎)
br abr
Error (a) (R-1)(PP-1) Por diferencia del 𝑆𝐶𝐸
total de parcelas 𝐺𝐿𝐸(𝑎)
Total de parcelas R x PP-1 ∑R i xPPj 2 (∑X ijk )2
−
b abr
154
Sub parcela -SP SP-1 ∑SPk 2 (∑X ijk )2 𝑆𝐶𝑆𝑃 𝐶𝑀𝑆𝑃
− 𝐺𝐿𝑆𝑃 𝐶𝑀𝐸(𝑏)
ar abr
Int. Parcela principal (PP-1)(SP-1) ∑PPj SPk 2
(∑X ijk )
2 𝑆𝐶𝑃𝑃𝑥𝑆𝑃 𝐶𝑀𝑃𝑃𝑥𝑆𝑃
x Sub parcela − 𝐺𝐿𝑃𝑃𝑥𝑆𝑃 𝐶𝑀𝐸(𝑏)
r abr
− (SCPPj + SCSPk )
Error PP(SP-1)(R-1) Por diferencia del 𝑆𝐶𝐸
total 𝐺𝐿𝐸(𝑏)
Total (RxPPxSP)-1 (∑X ijk )2
∑𝑋𝑖𝑗𝑘 2 −
abr
Termino de corrección.
(∑Xijk )2 1382
𝐓𝐂 = = = 1089
abr 36
2
∑R i xPPj 2 (∑Xijk )
𝐒𝐂𝐓𝐏 = −
b abr
12.82 + 18.82 + 18.22 + 13.12 + 18.22 + 14.62 + 14.82 + 20.52 + 18.42 + 13.72 + 17.72 + 17.22
=
3
155
𝐒𝐂𝐄(𝐚) = SCTP − SCPP − SCR = 24 − 19 − 3 = 2
2
∑SPk 2 (∑Xijk ) 79.52 + 70.82 + 47.72
𝐒𝐂𝐒𝐏 = − = − 1089 = 45
ar abr 4x3
2
∑PPj SPk 2 (∑Xijk )
𝐒𝐂𝐏𝐏𝐱𝐒𝐏 = − − (SCPPj + SCSPk )
r abr
22.22 + 17.12 + 10.52 + 19.52 + 14.72 + 11.72 + 19.52 + 20.72 + 13.52 + 18.32 + 18.32 + 122
3
2
2 (∑Xijk )
𝐒𝐂𝐓 = ∑𝑋𝑖𝑗𝑘 − =
abr
6.12 + 8.32 + 7.82 + 3.72 + ⋯ + 3.62 + 4.42 + 4.02
𝐒𝐂𝐓 = − 1089 = 84
3
FV GL SC CM FC Sig.
Repeticiones – R 2 19 9.5 28.79 **
Parcela principal –PP (labores culturales) 3 3 1 3.03 NS
Error (a) 6 2 0.33
Total de parcelas 11 24
Sub parcela –SP (especies de pasturas) 2 45 22.5 51.1 **
Int. Parcela principal x Sub parcela 6 8 1.33 3.02 *
Error(b) 16 7 0.44
Total 35 84
156
Valores de F de la tabla para la prueba de hipótesis.
α : 0.05 = 5.14
α : 0.01 = 10.92
- F de la tabla para la Parcela Principal: 3 gl. para PP, y 6 gl. del Error.
α : 0.05 = 4.76
α : 0.01 = 9.78
α : 0.05 = 3.63
α : 0.01 = 6.23
α : 0.05 = 2.74
α : 0.01 = 4.20
157
√CME(b) √0.44
𝐂𝐕𝐒𝐏 = x 100 = x 100 = 12.06%
x̅ general 5.5
CONCLUSIONES:
r = Número de repeticiones
a = número de niveles de Parcela Principal.
b= Número de niveles de la Sub Parcela.
158
a1 a2 a3 a4
b1 7.4 6.5 6.5 6.1 6.63
b2 5.7 4.9 6.9 6.1 5.9
b3 3.5 3.9 4.5 4.0 3.98
5.53 5.1 5.97 5.4
Las ganancias de pesos en los tres primeros meses del experimento de muestran en
la tabla x.
159
Distribución de los tratamientos por bloques.
BLOQUE I
BLOQUE II
BLOQUE IV
160
Total PP 223.9 193.2 189.9 185.2 792.2
SP1 23.4 24.2 21.2 20.9 89.7 22.4
SP1 SP2 25.3 27.7 23.7 24.3 101.0 25.2
SP3 29.8 29.9 24.3 23.8 107.8 27.0
Total SP 78.5 81.8 69.2 69.0 298.5 24.9
PP3 SP1 20.8 23.0 25.2 23.1 92.1 23.0
SP2 29.0 32.0 26.5 31.2 118.7 29.7
SP2 SP3 36.6 37.8 34.8 40.2 149.4 37.4
Total SP 86.4 92.8 86.5 94.5 360.2 30.0
Total PP 164.9 174.6 155.7 163.5 658.7
Total Bloques 588.7 574.4 536.6 527.7 ∑𝑿𝒊𝒋𝒌 = 2227.4
𝐘𝐢𝐣𝐤𝐥 = μ + R i + PPj + Error (a) + SPk + PPj SPk + Error (b) + SSP𝑙 + 𝑃𝑃𝑗 𝑆𝑆𝑃𝑙
+ 𝑆𝑃𝑘 𝑆𝑆𝑃𝑙 + 𝑃𝑃𝑗 𝑆𝑃𝐾 𝑆𝑆𝑃𝑙 + 𝐸𝑟𝑟𝑜𝑟(𝑐)
Hipótesis a probar.
Ηο ⇒ μR1 = μR 2 = ⋯ = μR n
161
ΗA ⇒ μR1 ≠ μR 2 ≠ ⋯ ≠ μR n
162
Cuadro del Análisis de la Variancia.
FV GL SC CM FC
Repeticiones –R R-1 ∑𝑅𝑖 2 ∑𝑋𝑖𝑗𝑘𝑙 2 𝑆𝐶𝑅 𝐶𝑀𝑅
𝑆𝐶𝑅 = − 𝐺𝐿𝑅 𝐶𝑀𝐸(𝑎)
𝑎𝑏𝑐 𝑟𝑎𝑏𝑐
Parcela principal -PP PP-1 ∑𝑃𝑃𝑗 2 ∑𝑋𝑖𝑗𝑘𝑙 2 𝑆𝐶𝑃𝑃 𝐶𝑀𝑃𝑃
𝑆𝐶𝑃𝑃 = − 𝐺𝐿𝑃𝑃 𝐶𝑀𝐸(𝑎)
𝑟𝑏𝑐 𝑟𝑎𝑏𝑐
Error (a) (R-1)(PP-1) 𝑆𝐶𝐸(𝑎)
𝐺𝐿𝐸(𝑎)
Total de parcelas (R x PP) - 1
Sub parcela –SP SP-1 ∑𝑆𝑃𝑘 2 ∑𝑋𝑖𝑗𝑘𝑙 2 𝑆𝐶𝑆𝑃 𝐶𝑀𝑆𝑃
𝑆𝐶𝑆𝑃 = − 𝐺𝐿𝑆𝑃 𝐶𝑀𝐸(𝑏)
𝑟𝑎𝑐 𝑟𝑎𝑏𝑐
Int. Parcela principal x (PP-1)(SP-1) ∑𝑃𝑃𝑗 𝑆𝑃𝑘 2 ∑𝑋𝑖𝑗𝑘𝑙 2 𝑆𝐶𝑃𝑃𝑆𝑃 𝐶𝑀𝑃𝑃𝑆𝑃
Sub parcela 𝑆𝐶𝑃𝑃𝑥𝑆𝑃 = − 𝐺𝐿𝑃𝑃𝑆𝑃 𝐶𝑀𝐸(𝑏)
𝑟𝑐 𝑟𝑎𝑏𝑐
− (𝑆𝐶𝑃𝑃 + 𝑆𝐶𝑆𝑃)
Error (b) 𝑆𝐶𝐸(𝑏)
𝐺𝐿𝐸(𝑏)
Total de Sub parcelas (R x PP x SP)-
1
Sub subparcela SSP-1 ∑𝑆𝑆𝑃𝑙 2 ∑𝑋𝑖𝑗𝑘𝑙 2 𝑆𝐶𝑆𝑆𝑃 𝐶𝑀𝑆𝑆𝑃
𝑆𝐶𝑆𝑆𝑃 = − 𝐺𝐿𝑆𝑆𝑃 𝐶𝑀𝐸(𝑐)
𝑟𝑎𝑏 𝑟𝑎𝑏𝑐
Int. Parcela principal x (PP-1)(SSP-1) ∑𝑃𝑃𝑗 𝑆𝑆𝑃𝑘 2 ∑𝑋𝑖𝑗𝑘𝑙 2 𝑆𝐶𝑃𝑃𝑆𝑆𝑃 𝐶𝑀𝑃𝑃𝑆𝑆𝑃
Sub subparcela 𝑆𝐶𝑃𝑃𝑥𝑆𝑆𝑃 = − 𝐺𝐿𝑃𝑃𝑆𝑆𝑃 𝐶𝑀𝐸(𝑐)
𝑟𝑏 𝑟𝑎𝑏𝑐
− (𝑆𝐶𝑃𝑃 + 𝑆𝐶𝑆𝑆𝑃)
Int. Sub parcela x Sub (SP-1)(SSP-1) ∑𝑆𝑃𝑗 𝑆𝑆𝑃𝑘 2 ∑𝑋𝑖𝑗𝑘𝑙 2 𝑆𝐶𝑆𝑃𝑆𝑆𝑃 𝐶𝑀𝑆𝑃𝑆𝑆𝑃
subparcela 𝑆𝐶𝑆𝑃𝑥𝑆𝑆𝑃 = − 𝐺𝐿𝑆𝑃𝑆𝑆𝑃 𝐶𝑀𝐸(𝑐)
𝑟𝑎 𝑟𝑎𝑏𝑐
− (𝑆𝐶𝑆𝑃 + 𝑆𝐶𝑆𝑆𝑃)
Int. Parcela principal x (PP-1)(SP- ∑𝑃𝑃𝑗 𝑆𝑃𝑘 𝑆𝑆𝑃𝑙 2 ∑𝑋𝑖𝑗𝑘𝑙 2 𝑆𝐶𝑃𝑃𝑆𝑃𝑆𝑆𝑃 𝐶𝑀𝑃𝑃𝑆𝑃𝑆𝑆𝑃
Sub parcela x Sub 1)(SSP-1) 𝑆𝐶𝑃𝑃𝑥𝑆𝑃𝑥𝑆𝑆𝑃 = − 𝐺𝐿𝑃𝑃𝑆𝑃𝑆𝑆𝑃 𝐶𝑀𝐸(𝑐)
𝑟 𝑟𝑎𝑏𝑐
subparcela. − (𝑆𝐶𝑃𝑃 + 𝑆𝐶𝑆𝑃 + 𝑆𝐶𝑆𝑆𝑃 + 𝑆𝐶𝑃𝑃𝑥𝑆𝐶𝑆𝑃
+ 𝑆𝐶𝑃𝑃𝑥𝑆𝐶𝑆𝑆𝑃
+ 𝑆𝐶𝑆𝑃𝑥𝑆𝐶𝑆𝑆𝑃)
Error (c) Por diferencia Por diferencia del total 𝑆𝐶𝐸(𝑐)
del total 𝐺𝐿𝐸(𝑐)
Total (PPxSPxSSP) ∑𝑋𝑖𝑗𝑘𝑙 2
-1 ∑𝑋𝑖𝑗𝑘𝑙 2 −
𝑟𝑎𝑏𝑐
r = Número de repeticiones.
a = número de niveles de la Parcela Principal.
b = Número de niveles de la Sub parcela.
c = Número de niveles de la Sub subparcela.
PP x SP PP x SSP SP x SSP
163
SP1 SP2 SSP1 SSP2 SSP3 SP1 SP2
P1 337.9 438.6 P1 218.3 260.6 297.6 SSP1 291.4 342.1
P2 364.5 427.7 P2 234.0 264.0 294.2 SSP2 345.2 399.1
P3 298.5 360.2 P3 181.8 219.7 257.2 SSP3 364.3 484.7
Termino de corrección.
(∑Xijk )2 2227.42
𝐓𝐂 = = = 68907.09
rabc 72
𝐒𝐂𝐓𝐏 = 698.90
164
2
∑PPj SPk 2 (∑Xijk )
𝐒𝐂𝐏𝐏𝐱𝐒𝐏 = − − (SCPPj + SCSPk )
rc rabc
𝐒𝐂𝐄(𝐛) = 78.42
165
Suma de cuadrados de la interacción PP x SP x SSP.
2
∑Xijkl 2
𝐒𝐂𝐓 = ∑𝑋𝑖𝑗𝑘𝑙 − =
rabc
𝐒𝐂𝐄(𝐜) = SCT − (SCTP + SCSP + SCPPxSP + SCE(b) + SCSSP + SCPPxSP + SCSPxSSP + SCPPxSPxSSP)
= 2840.61 − (698.90 + 706.88 + 40.69 + 78.34 + 962.34 + 13.11 + 127.83 + 44.02) = 168.5
FV GL SC CM FC Sig.
Repeticiones – R 3 143.46 47.82 2.57 NS
Parcela principal –PP (Especies de 2 443.68 221.84 11.91 **
Brachiaria)
Error (a) 6 111.76 18.63
Total de parcelas 11
Sub parcela –SP (Cargas animal) 1 706.88 706.88 81.21 **
Int. Parcela principal x Sub parcela 2 40.69 20.34 2.34 **
Error(b) 9 78.34 8.7
Total de Sub Parcela 23
Sub subparcela – SSP (Tipo de pastoreo) 2 962.34 481.17 102.8 **
Int. PPxSSP 4 13.11 3.28 0.7 NS
Int. SPxSSP 2 127.83 63.92 13.66 **
Int. PPxSPxSSP 4 44.02 11.01 2.35 NS
Error(c) 36 168.50 4.68
Total 71
166
mayor
Repeticiones 3 6 4.76 9.78
Parcela principal 2 6 5.14 10.92
Sub parcela 1 9 5.12 10.56
Int. PPxSP 2 9 4.26 8.02
Sub subparcela 2 36 3.26 5.25
Int. PPxSSP 4 36 2.63 3.89
Int. SPxSSP 2 36 3.26 5.25
Int. PPxSPxSSP 4 36 2.63 3.89
CONCLUSIONES:
167
4. Debido a la existencia de diferencias altamente significativas en la interacción de
la carga animal por el sistema de pastoreo, por lo que se considera importante
probar cada uno de las cargas animal en cada uno de los sistemas de pastoreo.
5. El coeficiente de variabilidad de la Parcela principal se presenta relativamente
alta, sin embargo en las Sub parcelas y Sub suparcelas podríamos indicar que los
datos son confiables.
6. Cuando se trata de comparar los promedios de los factores principales o
interacciones es necesario calcular el error estándar de los promedios Sx̅ . El
cálculo del error estándar es distinto para comparar los promedios en las parcelas
principales, sub parcelas, Sub subparcelas e interacciones.
Promedios Error Estándar para las pruebas de Tukey, Error Estándar para DSM y Dunnett.
de: Duncan y SNK
C1 – C2
CM(Ec) 2CM(Ec)
SX̅ = √ SX̅ = √
rab rab
A1C1 - A1C2
CM(Ec) 2CM(Ec)
SX̅ = √ SX̅ = √
rb rb
B1C1 – B2C1
CM(Ec) 2CM(Ec)
SX̅ = √ SX̅ = √
ra ra
B1C1 – B2C1
(c − 1)CM(Ec) + CM(Eb) 2(c − 1)CM(Ec) + CM(Eb)
ó SX̅ = √ SX̅ = √
B1C1 – B2C2 rac rac
A1C1 – A2C1
(c − 1)CM(Ec) + CM(Ea) 2(c − 1)CM(Ec) + CM(Ea)
ó SX̅ = √ SX̅ = √
A1C1 – A2C2 rbc rbc
A1B1C1-A1B1C2
CM(Ec) 2CM(Ec)
SX̅ = √ SX̅ = √
r r
A1B1C1-A1B2C1
(c − 1)CM(Ec) + CM(Eb) 2(c − 1)CM(Ec) + CM(Eb)
SX̅ = √ SX̅ = √
rc rc
A1B1C1-A2B1C1
b(c − 1)CM(Ec) + (b − 1)CM(Eb) + CM(Ea) 2b(c − 1)CM(Ec) + (b − 1)CM(Eb) + CM(Ea)
SX̅ = √ SX̅ = √
rbc rbc
r = Número de repeticiones
a = número de niveles de Parcela Principal.
b= Número de niveles de la Sub Parcela.
c= Número de niveles de la Sub subparcela.
168
las especies de pasturas, debido a que no se registran valores de F significativos
para la interacción especies de pasturas por carga animal (PPxSP); especies de
pasturas por sistema de pastoreo (PPxSSP)y la interacción triple especie de
pasturas por carga animal por sistema de pastoreo (PPxSPxSSP), pero las especies
que fueron sometidos a una carga animal para la producción de forraje se
condujeron en forma bastante diferente con respecto al sistema de pastoreo que las
pasturas que no fueron sometidos a los diferentes tipos de sistemas de pastoreo
(valores de F altamente significativos para carga animal por sistema de pastoreo).
169
Figura X. Efecto que ejerce el sistema de pastoreo sobre la ganancia de peso de los
toretes. La presente grafica muestra la interacción entre la carga animal y el sistema
de pastoreo.
170
Capítulo 9
ANALISIS DE EXPERIMENTOS REPETIDOS
9.1 INTRODUCCIÓN
En experimentos agropecuarios como es el caso de la investigación en pasturas
tropicales, as evaluaciones de hacen por varios años, por lo que existe una
influencia del tiempo y del lugar en que se realizan sobre los efectos de los
tratamientos; en estos casos tanto el suelo como las condiciones climáticas de un
año a otro van a tener una gran influencia en las pasturases así como en los
animales que pastorean dicha pastura.
En estos casos se puede realizar análisis como experimentos repetidos, ya que una
vez obtenido los datos, se agrupan los experimentos según los criterios previamente
adoptados en el área de estudio.
(276)2
𝐓𝐂 = = 6348
12
ANVA
FV GL SC CM FC Sig.
Bloques 3 0.67 0.22 0.39 NS
Carga animal 2 134.00 67.00 119.64 **
Error 6 3.33 0.56
Total 11 138.00
Ft bloques = α 0.05 = 4.76; Ft = α 0.01 = 9.78
Ft Tratamientos = α 0.05 = 5.14; Ft = α 0.01 = 10.92
(527)2
𝐓𝐂 = = 23144.08
12
172
1302 + 1342 + 1312 + 1322
𝐒𝐂𝐛 = − 23144.08 = 2.92
3
ANVA
FV GL SC CM FC Sig.
Bloques 3 2.92 0.97 1.20 NS
Carga animal 2 811.17 405.59 500.71 **
Error 6 4.83 0.81
Total 11 818.92
Ft bloques = α 0.05 = 4.76; Ft = α 0.01 = 9.78
Ft Tratamientos = α 0.05 = 5.14; Ft = α 0.01 = 10.92
(633)2
𝐓𝐂 = = 33,390.75
12
173
ANVA
FV GL SC CM FC Sig.
Bloques 3 5.58 1.86 15.50 **
Carga animal 2 1134.00 567.00 4725.00 **
Error 6 0.67 0.12
Total 11 1140.25
Ft bloques = α 0.05 = 4.76; Ft = α 0.01 = 9.78
Ft Tratamientos = α 0.05 = 5.14; Ft = α 0.01 = 10.92
174
Suma de cuadrados de bloques combinados.
𝐒𝐂𝐛𝐥𝐨𝐪𝐮𝐞𝐬 = ∑𝐒𝐂𝐛𝐥𝐨𝐪𝐮𝐞𝟏 + 𝐒𝐂𝐛𝐥𝐨𝐪𝐮𝐞𝟐 + 𝐒𝐂𝐛𝐥𝐨𝐪𝐮𝐞𝟑
𝐒𝐂𝐛𝐥𝐨𝐪𝐮𝐞𝐬 = 0.67 + 2.92 + 5.58 = 9.17
∑𝐓𝐜𝐢 𝐏𝐞𝐢 𝟐
𝐒𝐂𝐓𝐜𝐏𝐞 = − 𝐓𝐂 − (𝐒𝐂𝐓𝐜 + 𝐒𝐂𝐏𝐞)
𝐫
FV GL SC CM FC Sig.
Bloques dentro de periodos de 9 9.17 1.02
evaluación
Tratamientos o Carga animal 2 101.61 50.81 7.17 **
Periodos de evaluación 2 350.15 175.08 33.29 **
Int. de carga animal por 4 28.34 7.09 14.18 **
175
periodo de evaluación
Error experimental 18 8.83 0.50
Total 35 798.10
Ft bloques = α 0.05 = 4.76; Ft = α 0.01 = 9.78
Ft Tratamientos = α 0.05 = 5.14; Ft = α 0.01 = 10.92
Ft bloques = α 0.05 = 4.76; Ft = α 0.01 = 9.78
𝐂𝐌𝐭 50.81
𝐅𝐜(𝐜𝐚𝐫𝐠𝐚 𝐚𝐧𝐢𝐦𝐚𝐥) = = = 7.17
𝐂𝐌𝐓𝐜𝐏𝐞 7.09
√0.50
𝐂𝐕 = X 100 = 1.18
39.89
Conclusiones
176
CAPITULO 10
REGRESION Y CORRELACION LINEAL SIMPLE
10.1 INTRODUCCIÓN
En todos los casos que hemos tratado en el presente libro hemos analizado
referente a una sola variable. Pero existen muchos otros casos en donde las
observaciones tienen valores de dos variables como X conocida como variable
independiente y Y conocida como variable dependiente. Cuando tenemos
información acerca de dos variables relacionadas es importante buscar el modo de
expresar la forma de la relación funcional entre estas dos variables. Igualmente es
importante conocer como están relacionados estas dos variables; lo que quiere decir
que no se busca únicamente una función matemática de cómo están relacionadas
estas variables, sino también saber con qué precisión se puede predecir el valor de
una variable si conocemos los valores de la otra variable asociada.
177
La regresión lineal simple, se presenta cuando la correlación funcional entre la
variable aleatoria dependiente (Y) y la variable aleatoria independiente (X) es una
línea recta, definida por la ecuación.
Y= a + bx
Dónde:
Y= Es la variable dependiente
a= Es el valor de la ordenada donde la línea de regresión la intersecta.
b= Es la pendiente de la línea recta, llamada Coeficiente de Regresión de la
Población.
X= Es la variable independiente
Ŷ = a + bx
Coeficiente de Regresión
Según que su valor sea una cantidad positiva o negativa, indicará que la pendiente
de la línea de regresión es positiva o negativa.
Ejemplo
178
Humedad % Rendimiento (TM/ha)
(x) (y)
27 11
43 10
53 8
33 9
43 11
23 12
88 4
1. Gráfico de puntos
Ŷ= 14.397-0.115X
Y
12
11
10
8
23
4 27 53 88 X
Se hace un gráfico de puntos para tener una idea de si la relación entre X e Y tiene
un comportamiento del tipo rectilíneo, de tal manera que se justifique el ajuste de
una regresión lineal.
El gráfico de los puntos del ejemplo muestra una tendencia lineal lo que justifica el
ajuste de la regresión lineal.
X Y X² Y² XY
27 11 729 121 297
43 10 1,849 100 430
53 8 2,809 64 424
33 9 1,089 81 297
43 11 1,849 121 473
23 12 529 144 276
88 4 7.744 16 352
310 65 16,598 647 2,549
179
Cálculos adicionales:
(310)²
SC(X) = 16598 − = 2869.4
7
(65)²
SC(Y) = 647 − 7 =
(310)(65)
SC(XY) = 2549 − =
7
Coeficiente de regresión
SP (XY) 329.6
b= -
SC ( X) S2869.4
b= -0.115
Coeficiente de intersección
65 310
a= 𝑌̅ - b𝑋̅ = – (-0.115) ( )
67 7
a = - 14.379
Línea de regresión
Ŷ= 14.379 – 0.155x
Interpretación
3. Análisis de variancia
²
SC (Re = b SC (X) = (-0.115)² (2869.4)
₁
180
SC (Re) = 37.9
SC (To) = SC(Y)
4. Prueba de Independencia. -
𝐶𝑀 (𝑅𝑒) 37.9
Fc = = = 34.45
𝐶𝑀 ( 𝐸) 1.1
Como Fc> Ftse rechaza Hp:B1 = 0, es decir el rendimiento de la papa (Y) depende del
-porcentaje de infección (X).
Hp: B1 = -0.5
donde
t∝ = t (n – 2 )gl, ∝
Así
= (-0.165, - 0.065)
7. Predicción
Muchas veces el interés reside en saber cuál sería el promedio de una población de
Y, establecida por un nuevo valor de X.
Ŷp= a + bXp
Ŷ = 14.379 - 0.115Xp
182
10.2 CORRELACION LINEAL SIMPLE
El coeficiente de correlación (r) es un número que indica la intensidad de la
asociación entre las dos variables. Su valor varía entre -1 a + 1.
Ŷ = 14.379 - 0.115 Xp
Y YY
𝑆𝑃 (𝑋𝑌)
r=
√𝑆𝐶 (𝑋).𝑆𝐶(𝑌)
− 329.6
r=
√(2869.4)(43.4)
R = -0.934
El valor de r hallado nos indica que hay un alto grado de asociación entre las dos
variables: rendimiento (Y) y porcentaje de infección (X), pero de tipo inverso.
183
Coeficiente de Determinación.-
Tratamientos Repeticiones
(Raciones)
A(Testigo) 47 42 45 42
B 50 54 67 57
C 57 53 69 57
D 74 85 94 79
Pruebas de promedios
Prueba de DLS
184
a) Ración A vs. Ración B
b) Ración C vs. Ración D
Prueba de Dunnett
Prueba Estadística
datadca;
title'diseño completo al azar';
optionspagesize=100linesize=80nodatenonumber;
inputracion $ repetirespu;
cards;
A 1 47
A 2 42
A 3 45
A 4 42
B 1 50
B 2 54
B 3 67
B 4 57
C 1 57
C 2 53
C 3 69
C 4 57
D 1 74
D 2 85
D 3 94
D 4 79
;
procglm;
procprint;
run;
procanova;
classracionrepeti;
modelrespu=racion;
meansracion/ t;
meansracion/ dunnett;
run;
Ventana EDITOR
Data dca; D1
Title ‘diseño completo al azar’ D2
Options pagesize =100 linesize = 80 D3
nodate nonumber; input racion $ D4
repeti respu ;
cards; proc glm;
A1 proc print;
A2 run;
A3 proc anova; 185
A4 class racion repeti;
B1 model respu = racion;
B2 means racion/ t;
Ventana OUTPUT
Obsracionrepetirespu
1 A 1 47
2 A 2 42
3 A 3 45
4 A 4 42
5 B 1 50
6 B 2 54
7 B 3 67
8 B 4 57
9 C 1 57
10 C 2 53
11 C 3 69
12 C 4 57
13 D 1 74
14 D 2 85
15 D 3 94
16 D 4 79
186
ejemplo de diseño completo al azar
racion 4 A B C D
repeti 4 1 2 3 4
Number of observations 16
Sum of
Source DF Squares Mean Square F Value Pr> F
NOTE: This test controls the Type I comparisonwise error rate, not the
experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 12
Error Mean Square 45.16667
Critical Value of t 2.17881
Least Significant Difference 10.354
A 83.000 4 D
B 59.000 4 C
B
B 57.000 4 B
C 44.000 4 A
187
ejemplo de diseño completo al azar
NOTE: This test controls the Type I experimentwise error for comparisons of all
treatments against a control.
Alpha 0.05
Error Degrees of Freedom 12
Error Mean Square 45.16667
Critical Value of Dunnett's t 2.68292
Minimum Significant Difference 12.75
Difference
racion Between Simultaneous 95%
Comparison Means Confidence Limits
Tratamiento Repeticiones
A(control) 47 42 45
B 50 54 67 57
C 57 53 69
D 74 85 94 79
Prueba de DLS
Prueba de Dunnett
datadca;
title'diseño completo al azar con UE desigual';
optionspagesize=100linesize=80nodatenonumber;
inputracion $ repetirespu;
cards;
A 1 47
188
A 2 42
A 3 45
B 1 50
B 2 54
B 3 67
B 4 57
C 1 57
C 2 53
C 3 69
D 1 74
D 2 85
D 3 94
D 4 79
;
procglm;
procprint;
run;
procanova;
classracionrepeti;
modelrespu=racion;
meansracion/ t;
meansracion/ dunnett;
run;
Obsracionrepetirespu
1 A 1 47
2 A 2 42
3 A 3 45
4 B 1 50
5 B 2 54
6 B 3 67
7 B 4 57
8 C 1 57
9 C 2 53
10 C 3 69
11 D 1 74
12 D 2 85
13 D 3 94
14 D 4 79
racion 4 A B C D
repeti 4 1 2 3 4
Number of observations 14
Sum of
Source DF Squares Mean Square F Value Pr> F
189
Error 10 531.333333 53.133333
NOTE: This test controls the Type I comparisonwise error rate, not the
experimentwise error rate.
Alpha 0.05
Error Degrees of Freedom 10
Error Mean Square 53.13333
Critical Value of t 2.22814
Difference
racion Between 95% Confidence
Comparison Means Limits
NOTE: This test controls the Type I experimentwise error for comparisons of all
treatments against a control.
Alpha 0.05
Error Degrees of Freedom 10
Error Mean Square 53.13333
Critical Value of Dunnett'st 2.74378
Difference
racion Between Simultaneous 95%
Comparison Means Confidence Limits
190
D - A 38.333 23.058 53.609 ***
C - A 15.000 -1.330 31.330
B - A 12.333 -2.942 27.609
diseño completo al azar con UE desigual
NOTE: This test controls the Type I experimentwise error for comparisons of all
treatments against a control.
Alpha 0.05
Error Degrees of Freedom 8
Error Mean Square 44.75
Critical Value of Dunnett's t 2.87966
Minimum Significant Difference 15.729
Difference
racion Between Simultaneous 95%
Comparison Means Confidence Limits
191
192
BIBLIOGRAFÍA
193
DISTRIBUCIÓN NORMAL ESTÁNDAR
∑ .00 .01 .02 .03 .04 .05 .06 .07 .08 .09
0.0 .0000 .0040 .0080 .0120 .0160 .0199 .0236 .0279 .0319 .0359
0.1 .0398 .0438 .0478 .0517 .0557 .0596 .0636 .0675 .0714 .0754
0.2 .0793 .0832 .0712 .0910 .0948 .0987 .1026 .1064 .1103 .1141
0.3 .1179 .1217 .1255 .1239 .1331 .1368 .1406 .1443 .1480 .1517
0.4 .1554 .1591 .1623 .1664 .1700 .1736 .1772 .1808 .1844 .1879
0.5 .1926 .1950 .1985 .2019 .2054 .2088 .2123 .2157 .2190 .2224
0.6 .2258 .2291 .2324 .2357 .2389 .2422 .2454 .2486 .2518 .2549
0.7 .2580 .2612 .2642 .2673 .2704 .2734 .2464 .2794 .2823 .2852
0.8 .2881 .2910 .2939 .2967 .2996 .3023 .3051 .3078 .3106 .3133
0.9 31.59 .3186 .3212 .3238 .3264 .3289 .3315 .3340 .3365 .3389
1.0 .3413 .3438 .3461 .3485 .3508 .3531 .3554 .3577 .3599 .3621
1.1 .3643 .3665 .3686 .3708 .3729 .3749 .3770 .3790 .3810 .3835
1.2 .3849 .3869 .3888 .3907 .3925 .3944 .3962 .3980 .3997 .4013
1.3 .4032 .4049 .4066 .4082 .4099 .4115 .4131 .4147 .4162 .4176
1.4 .4192 .4207 .4222 .4236 .4251 .4265 .4279 .4292 .4306 .4317
194
1.5 .4332 .4345 .4357 .4370 .4382 .4394 .4406 .4418 .4429 .4441
1.6 .4452 .4463 .4474 .4484 .4495 .4505 .4515 .4525 .4535 .4545
1.7 .4554 .4564 .4573 .4582 .4591 .4599 .4608 .4616 .4625 .4633
1.8 .4641 .4649 .4656 .4664 .4671 .4678 .4686 .4693 .4699 .4706
1.9 .4713 .4719 .4726 .4732 .4738 .4744 .4750 .4756 .4716 .4767
2.0 .4772 .4778 .4783 .4786 .4793 .4798 .4803 .4808 .4812 .4817
2.1 .4821 .4826 .4830 .4834 .4838 .4842 .4846 .4850 .4854 .4857
2.2 .4861 .4864 .4868 .4871 .4875 .4878 .4881 .4884 .4887 .4890
2.3 .4893 .4896 .4898 .4901 .4904 .4906 .4909 .4911 .4913 .4916
2.4 .4918 .4920 .4922 .4925 .4927 .4929 .4931 .4932 .4934 .4936
2.5 .4938 .4940 .4941 .4943 .4945 .4946 .4948 .4949 .4951 .4952
2.6 .4953 .4955 .4956 .4957 .4959 .4960 .4961 .4962 .4963 .4964
2.7 .4965 .4966 .4967 .4968 .4969 .4970 .4971 .4972 .4973 .4974
2.8 .4974 .4975 .4976 .4977 .4977 .4978 .4979 .4979 .4980 .4981
2.9 .4981 .4982 .4982 .4983 .4984 .4984 .4985 .4985 .4986 .4986
3.0 .4987 .4987 .4987 .4988 .4988 .4989 .4989 .4989 .4990 .4990
3.1 .4990 .4991 .4991 .4991 .4992 .4992 .4992 .4992 .4993 .4993
3.2 .4993 .4993 .4994 .4994 .4994 .4994 .4994 .4995 .4995 .4995
3.3 .4995 .4995 .4995 .4996 .4996 .4996 .4996 .4996 .4996 .4997
3.4 .4997 .4997 .4997 .4997 .4997 .4997 .4997 .4997 .4997 .4998
3.5 .4998 .4998 .4998 .4998 .4998 .4998 .4998 .4998 .4998 .4998
3.6 .4998 .4998 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999
3.7 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999
3.8 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999 .4999
3.9 .5000 .5000 .5000 .5000 .5000 .5000 .5000 .5000 .5000 .5000
DISTRIBUCIÓN DE “T”
195
16 .690 .865 1.071 1.337 1.746 2.120 2.583 2.921 4.015
17 .689 8.63 1.069 1.333 1.740 2.110 2.567 2.898 3.965
18 .688 .862 1.067 1.330 1.734 2.101 2.552 2.878 3.922
19 .688 .861 1.066 1.328 1.729 2.092 2.539 2.861 3.883
20 .87 .860 1.064 1.325 1.725 2.086 2.528 2.845 3.850
2 18.51 19.00 19.16 19.25 19.30 19.33 19.36 19.37 19.38 19.39 19.40 19.41
98.49 99.00 99.17 99.25 99.30 99.33 99.34 99.36 99.38 99.40 99.41 99.42
3 10.13 9.55 9.28 9.12 9.01 8.94 8.88 8.84 8.81 8.78 8.76 8.74
34.12 30.82 29.46 28.71 28.24 27.91 27.67 27.49 27.34 27.23 27.13 27.05
4 7.71 6.94 6.59 6.39 6.26 6.16 6.09 6.04 6.00 5.96 5.93 5.91
21.20 18.00 16.69 15.98 15.52 15.21 14.98 14.80 14.66 14.34 14.45 14.37
5 6.61 5.79 5.41 5.19 5.05 4.95 4.88 4.82 4.78 4.74 4.70 4.68
16.26 13.27 12.06 11.39 10.97 10.67 10.45 10.27 10.15 10.05 9.96 9.89
196
6 5.99 5.14 4.76 4.53 4.39 4.28 4.21 4.15 4.10 4.06 4.03 4.00
13.74 10.92 9.78 9.15 8.75 8.47 8.26 8.10 7.98 7.87 7.79 7.72
7 5.59 4.74 4.35 4.12 3.97 3.87 3.79 3.73 3.68 3.63 3.60 3.57
12.25 9.55 8.45 7.85 7.46 7.19 7.00 6.84 6.71 6.62 6.54 6.47
8 5.32 4.46 4.07 3.84 3.69 3.58 3.50 3.44 3.39 3.34 3.31 3.28
11.26 8.65 7.59 7.01 6.36 6.37 6.19 6.03 5.91 5.82 5.74 5.67
9 5.12 4.26 3.86 3.63 3.48 3.37 3.29 3.23 3.18 3.13 3.10 3.07
10.56 8.02 6.99 6.42 6.06 5.80 5.62 5.47 5.35 3.26 5.18 5.11
10 4.96 4.10 3.71 3.48 3.33 3.22 3.14 3.07 3.02 2.97 2.94 2.91
10.04 7.56 6.55 5.99 5.64 5.39 5.25 5.06 4.95 4.85 4.78 4.71
11 4.84 3.98 3.59 3.36 3.20 3.03 3.01 2.95 2.90 2.86 2.82 2.79
9.65 7.20 6.22 5.67 5.32 5.07 4.88 4.74 4.63 4.54 4.46 4.40
2 17.42 19.43 19.44 19.45 19.46 19.47 19.47 19.48 19.49 19.49 19.50 19.50
99.43 99.44 99.45 99.46 99.47 99.48 99.48 99.49 99.49 99.49 99.50 99.50
3 8.71 8.69 8.66 8.64 8.62 8.60 8.58 8.57 8.56 8.54 8.54 8.53
26.92 28.83 26.69 26.60 26.50 26.41 26.35 26.27 26.23 26.18 26.14 26.12
4 5.87 5.84 5.80 5.77 5.74 5.71 5.70 5.68 5.66 5.65 5.6413 5.63
14.24 14.15 14.02 13.93 13.83 13.74 13.69 13.61 13.57 13.52 48 13.46
5 4.64 4.60 4.56 4.53 4.50 4.46 4.44 4.42 4.40 4.38 4.37 4.36
197
9.77 9.68 9.55 9.47 9.38 9.29 9.24 9.17 9.13 9.07 9.04 9.02
6 3.96 3.92 3.87 3.84 3.81 3.77 3.75 3.72 3.71 3.69 3.68 3.67
7.60 7.52 7.39 7.31 7.23 7.14 7.09 7.02 6.99 6.94 6.90 6.88
7 3.62 3.49 3.44 3.41 3.38 3.34 3.32 3.29 3.28 3.25 3.24 3.23
6.35 6.27 6.15 6.07 5.98 5.90 5.85 5.78 5.75 5.70 5.67 5.65
8 3.23 3.20 3.15 3.12 3.08 3.05 3.03 3.00 2.98 2.96 2.94 2.93
5.56 5.48 5.36 5.28 5.20 5.11 5.06 5.00 4.96 4.91 4.68 4.86
9 3.02 2.98 2.93 2.90 2.86 2.82 2.80 2.77 2.76 2.73 2.72 2.71
5.00 4.92 4.80 4.73 4.64 4.56 4.51 4.45 4.41 4.36 4.33 4.31
10 2.86 2.82 2.77 2.74 2.70 2.67 2.64 2.61 2.59 2.56 2.55 2.54
4.60 4.52 4.41 4.33 4.25 4.17 4.12 4.05 4.01 3.96 3.93 3.91
11 2.74 2.70 2.65 2.61 2.57 2.53 2.50 2.47 2.45 2.42 2.41 2.40
4.29 4.21 4.10 4.02 8.94 3.86 3.80 3.74 3.70 3.66 3.62 3.60
13 4.67 3.80 3.41 3.18 3.02 2.92 2.84 2.77 2.72 2.67 2.63 2.60
9.07 6.70 5.74 5.20 4.86 4.62 4.44 4.30 4.19 4.10 4.02 3.96
14 4.60 3.74 3.34 3.11 2.96 2.85 2.77 2.70 2.65 2.60 2.56 2.53
8.86 6.51 5.56 5.03 4.69 4.46 4.28 4.14 4.03 3.94 3.86 3.80
15 4.54 3.68 3.29 3.06 2.90 2.79 2.70 2.64 2.59 2.55 2.51 2.48
8.68 6.36 5.42 4.89 4.56 4.32 4.14 4.00 3.89 3.80 3.73 3.67
198
16 4.49 3.63 3.24 3.01 2.85 2.74 2.66 2.59 2.54 2.49 2.45 2.42
8.53 6.23 5.29 4.77 4.44 4.20 4.03 3.89 3.78 3.69 3.61 3.55
17 4.45 3.59 3.20 2.96 2.81 2.70 2.62 2.55 2.50 2.45 2.41 2.38
8.40 6.11 5.18 4.67 4.34 4.10 3.93 3.79 3.68 3.59 3.52 3.45
18 4.41 3.55 3.16 2.93 2.77 2.66 2.58 2.51 2.46 2.41 2.37 2.34
8.28 6.01 5.09 4.58 4.25 4.01 3.85 3.71 3.60 3.51 3.44 3.37
19 3.48 3.52 3.13 2.90 2.74 2.63 2.55 2.48 2.43 2.38 2.34 2.31
8.18 5.93 5.01 4.50 4.17 3.94 3.77 3.63 3.52 3.42 3.36 3.30
20 4.35 3.49 3.10 2.87 2.71 2.60 2.52 2.45 2.40 2.35 2.31 2.28
8.10 5.85 4.94 4.43 4.10 3.87 3.71 3.56 3.45 3.17 3.30 3.23
21 4.32 3.47 3.07 2.84 2.68 2.57 2.49 2.42 2.37 2.32 2.28 2.25
8.02 5.78 4.87 4.37 4.04 3.81 3.65 3.51 3.40 3.31 3.24 3.17
22 4.30 3.44 3.05 3.82 2.66 2.55 2.47 2.40 2.35 2.30 2.36 2.23
7.94 5.72 4.82 4.31 3.99 3.76 3.59 3.45 3.35 3.26 3.18 3.12
23 4.28 3.42 3.03 2.80 2.64 2.53 2.25 2.38 2.32 2.28 2.24 2.20
7.88 5.66 4.76 4.26 3.94 3.71 3.54 3.41 3.30 3.21 3.14 3.07
13 2.55 2.52 2.46 2.42 2.38 2.34 2.32 2.28 2.26 2.24 2.22 2.21
3.85 3.78 3.67 3.59 3.51 3.42 3.37 3.30 3.27 3.21 3.18 3.16
14 2.48 2.44 2.39 2.35 2.31 2.27 2.24 2.21 2.19 2.16 2.14 2.13
3.70 3.62 3.51 3.43 3.34 3.26 3.21 3.14 3.11 3.06 3.02 3.00
15 2.43 2.39 2.33 2.29 2.25 2.21 2.18 2.15 2.12 2.10 2.08 2.07
3.55 3.48 3.36 3.29 3.20 3.12 3.07 3.00 2.97 2.92 2.89 2.87
199
16 2.37 2.33 2.28 2.24 2.20 2.16 2.13 2.09 2.07 2.04 2.02 2.01
3.45 3.37 3.25 3.18 3.10 3.01 2.96 2.89 2.86 2.80 2.77 2.75
17 2.33 2.99 2.23 2.19 2.15 2.11 2.08 2.04 2.02 1.99 1.97 1.96
3.35 3.27 3.16 3.08 3.00 2.92 2.86 2.79 2.76 2.70 2.67 2.65
18 2.29 2.25 2.19 2.15 2.11 2.07 2.04 2.00 1.98 1.95 1.93 1.92
3.27 3.19 3.07 3.00 2.91 2.83 2.78 2.71 2.68 2.62 2.59 2.57
19 2.26 2.21 2.15 2.11 2.07 2.02 2.00 1.96 1.94 1.91 1.90 1.88
3.19 3.12 3.00 2.92 2.84 2.76 2.70 2.63 2.60 2.54 2.52 2.49
20 2.23 2.18 2.12 2.08 2.04 1.99 1.96 1.92 .190 1.87 1.85 1.84
3.13 3.05 2.94 2.86 2.17 2.69 2.63 2.56 2.53 2.47 2.44 2.42
21 2.20 2.15 2.09 2.05 2.00 1.96 1.93 1.89 1.87 1.84 1.82 1.81
3.07 2.99 2.88 2.80 3.72 2.63 2.58 2.51 2.47 2.42 2.38 2.36
22 2.18 2.13 2.07 2.03 1.98 1.93 1.91 1.87 1.84 1.81 1.80 1.73
3.02 2.94 2.83 2.75 2.67 2.58 2.53 2.46 2.42 2.37 2.33 2.31
23 2.14 2.10 2.04 2.00 1.96 1.91 1.88 1.84 1.82 1.79 1.77 1.76
2.97 2.89 2.78 2.70 2.62 2.53 2.48 2.41 2.37 2.32 2.28 2.26
25 4.24 3.38 2.99 2.76 2.60 2.49 2.41 2.34 2.28 2.24 2.20 2.16
7.77 5.57 4.68 4.18 3.86 3.63 3.46 3.32 3.21 3.13 3.05 2.99
26 4.22 3.37 2.98 2.74 2.59 2.47 2.39 2.32 2.27 2.22 2.18 2.15
7.72 5.53 4.64 4.14 3.82 3.59 3.42 3.29 3.17 3.09 3.02 2.96
27 4.21 3.35 2.96 2.73 2.57 2.46 2.37 2.30 2.25 2.20 2.16 2.13
7.68 5.49 4.60 4.11 3.79 3.56 3.39 3.26 3.14 3.06 2.98 2.93
200
28 4.20 3.34 2.95 2.71 2.56 2.44 2.36 2.29 2.24 2.19 2.15 2.12
7.64 5.45 4.57 4.07 3.76 3.53 3.36 3.23 3.11 3.03 2.95 2.90
29 4.18 3.33 2.93 2.70 2.54 2.43 2.35 2.28 2.22 2.18 2.14 2.10
7.60 5.42 4.54 4.04 3.73 3.50 3.33 3.20 3.08 3.00 2.92 2.87
30 4.17 3.32 2.92 2.69 2.53 2.42 2.34 2.27 2.21 2.16 2.12 2.09
7.56 5.39 4.51 4.02 3.70 3.47 3.30 3.17 3.06 2.98 2.90 2.84
32 4.15 3.30 2.90 2.67 2.51 2.40 2.32 2.25 2.19 2.14 2.10 2.07
7.50 5.34 4.46 2.97 3.66 3.42 3.25 3.12 3.01 2.94 2.86 2.80
34 4.13 3.28 2.88 2.65 2.49 2.38 2.30 2.23 2.17 2.12 2.08 2.05
7.44 5.29 4.42 3.93 3.61 3.38 3.21 3.08 2.97 2.89 2.82 2.76
36 4.11 3.26 2.86 2.63 2.48 2.36 2.28 2.21 2.15 2.10 2.06 2.03
7.39 5.25 4.38 3.89 3.58 3.35 3.18 3.04 2.94 2.86 2.78 2.72
38 4.10 3.25 2.85 2.02 2.46 2.35 2.26 2.19 2.14 2.09 2.05 2.02
7.35 5.21 4.34 3.86 3.54 3.32 3.15 3.02 2.91 2.82 2.82 2.69
40 4.08 3.23 2.84 2.61 2.45 2.34 2.25 2.18 2.12 2.07 2.04 2.00
7.31 5.18 4.31 3.83 3.51 3.29 3.12 2.99 2.88 2.80 2.73 2.66
25 2.11 2.06 2.00 1.96 1.92 1.87 1.84 1.80 1.77 1.74 1.72 1.71
2.89 2.81 2.70 2.62 2.54 2.45 2.40 2.32 2.29 2.23 2.19 2.17
26 2.10 2.05 1.99 1.95 1.90 1.85 1.82 1.78 1.76 1.72 1.70 1.69
2.86 2.77 2.66 2.58 2.50 2.41 2.36 2.28 2.25 2.19 2.15 2.13
27 2.08 2.03 1.97 1.93 1.88 1.84 1.80 1.76 1.74 1.71 1.68 1.67
2.83 2.74 2.63 2.55 2.47 2.38 2.33 2.25 2.21 2.16 2.12 2.10
201
28 2.06 2.02 1.96 1.91 1.87 1.81 1.78 1.75 1.72 1.69 1.67 1.65
2.80 2.71 2.60 2.52 2.44 2.35 2.30 2.22 2.18 2.13 2.09 2.06
29 2.05 2.00 1.94 1.90 1.85 1.80 1.77 1.73 1.71 1.68 1.65 1.64
2.77 2.68 2.57 2.49 2.41 2.32 2.27 2.19 2.15 2.10 2.06 2.03
30 2.04 1.99 1.93 1.89 1.84 1.79 1.76 1.72 1.69 1.66 1.64 1.62
2.74 2.66 2.55 2.47 2.38 2.29 2.24 2.16 2.13 2.07 2.03 2.01
32 2.02 1.97 1.91 1.86 1.82 1.76 1.74 1.69 1.67 1.64 1.61 1.59
2.70 2.62 2.51 2.42 2.34 2.25 2.20 2.12 2.08 2.02 1.98 1.96
34 2.00 1.95 1.89 1.84 1.80 1.74 1.71 1.67 1.64 1.61 1.59 1.57
2.66 2.58 2.47 2.38 2.30 2.21 2.15 2.08 2.04 1.98 1.94 1.91
36 1.98 1.93 1.87 1.82 1.78 1.72 1.69 1.65 1.62 1.59 1.56 1.55
2.62 2.54 2.43 2.35 2.26 2.17 2.12 2.04 2.00 1.94 1.90 1.87
38 1.96 1.92 1.85 1.80 1.76 1.71 1.67 1.63 1.60 1.57 1.54 1.53
2.59 2.51 2.40 2.32 2.22 2.14 2.08 2.00 1.97 1.90 1.86 1.84
40 1.95 1.90 1.84 1.79 1.74 1.69 1.66 1.61 1.59 1.55 1.53 1.51
2.56 2.49 2.37 2.29 2.20 2.11 2.03 1.97 1.94 1.88 1.84 1.81
44 4.06 3.21 2.82 2.58 2.43 2.31 2.23 2.16 2.10 2.05 2.01 1.98
7.24 5.12 4.26 3.78 3.46 3.24 3.07 2.94 2.84 2.75 2.68 2.62
46 4.05 3.20 2.81 2.57 2.42 2.30 2.22 2.14 2.09 2.04 2.00 1.97
7.21 5.10 4.24 3.76 3.44 3.22 3.05 2.92 2.82 2.73 2.66 2.60
48 4.04 3.19 2.80 2.56 2.41 2.30 2.21 2.14 2.08 2.03 1.93 1.96
7.19 5.08 4.22 3.74 3.42 3.20 3.04 2.90 2.80 2.71 2.64 2.58
202
50 4.03 3.18 2.79 2.56 2.40 2.29 2.20 2.13 2.07 2.02 1.98 1.95
7.17 5.06 4.20 3.72 3.41 3.18 3.02 2.88 2.78 2.70 2.62 2.56
55 4.02 3.17 2.78 2.54 2.38 2.27 2.18 2.11 2.05 2.00 1.97 1.93
7.12 5.01 4.16 3.68 3.37 3.15 2.98 2.85 2.75 2.66 2.59 2.53
60 4.00 3.15 2.76 2.52 2.37 2.25 2.17 2.10 2.04 1.99 1.95 1.92
7.08 4.98 4.13 3.65 3.34 3.12 2.95 2.82 2.72 2.63 2.56 2.50
65 3.99 3.14 2.75 2.51 2.36 2.24 2.15 2.08 2.02 1.98 1.94 1.90
7.04 4.95 4.10 3.62 3.31 3.09 2.93 2.79 2.70 2.61 2.54 2.47
70 3.98 3.13 2.74 2.50 2.35 2.23 2.14 2.07 2.01 1.97 1.93 1.89
7.01 4.92 2.08 3.60 3.29 3.07 2.91 2.77 2.67 2.59 2.51 2.45
80 3.96 3.11 2.72 2.48 2.33 2.21 2.12 2.05 1.99 1.95 1.91 1.88
6.96 4.88 4.04 3.56 3.25 3.04 2.87 2.74 2.64 2.55 2.48 2.41
100 3.94 3.09 2.70 2.46 2.30 2.19 2.10 2.03 1.97 1.92 1.88 1.85
6.90 4.82 3.98 3.51 3.20 2.99 2.82 2.69 2.59 2.51 2.43 2.36
125 3.96 3.11 2.72 2.48 2.33 2.21 2.12 2.05 1.99 1.95 1.91 1.88
6.96 4.88 4.04 3.56 3.25 3.04 2.87 2.74 2.64 2.55 2.48 2.41
44 1.92 1.88 1.81 1.76 1.72 1.66 1.63 1.58 1.56 1.52 1.30 1.48
2.52 2.44 2.32 2.24 2.15 2.06 2.00 1.92 1.88 1.82 1.78 1.75
46 1.91 1.87 1.80 1.75 1.71 1.65 1.62 1.57 1.54 1.51 1.48 1.46
2.50 2.42 2.30 2.22 2.13 2.04 1.98 1.90 1.86 1.80 1.76 1.72
48 1.90 1.86 1.79 1.74 1.70 1.64 1.61 1.56 1.53 1.50 1.47 1.45
2.48 2.40 2.28 2.20 2.11 2.02 1.96 1.88 1.84 1.78 1.73 1.70
203
50 1.90 1.85 1.78 1.74 1.69 1.63 1.60 1.55 1.52 1.48 1.46 1.44
2.45 2.39 2.26 2.18 2.10 2.00 1.94 1.86 1.82 1.76 1.71 1.68
55 1.88 1.83 1.76 1.72 1.67 1.61 1.58 1.52 1.50 1.46 1.43 1.41
2.43 2.35 2.23 2.15 2.06 1.96 1.90 1.82 1.78 1.71 1.66 1.64
60 1.86 1.81 1.75 1.70 1.65 1.59 1.66 1.50 1.48 1.44 1.41 1.39
2.40 2.32 2.20 2.12 2.03 1.93 1.87 1.79 1.74 1.68 1.63 1.60
65 1.85 1.80 1.73 1.68 1.63 1.57 1.54 1.49 1.46 1.42 1.39 1.37
2.37 2.30 2.18 2.09 2.00 1.90 1.04 1.76 1.71 1.64 1.60 1.56
70 1.84 1.79 1.72 1.67 1.62 1.56 1.53 1.47 1.45 1.40 1.37 1.35
2.35 2.28 2.15 2.07 1.98 1.88 1.82 1.74 1.69 1.62 1.56 1.53
80 1.82 1.77 1.70 1.69 1.60 1.54 1.51 1.45 1.42 1.38 1.35 1.32
2.32 2.24 2.11 2.03 1.94 1.84 1.78 1.70 1.65 1.57 1.52 1.49
100 1.79 1.75 1.68 1.63 1.57 1.51 1.48 1.42 1.39 1.34 1.30 1.28
2.26 2.19 2.06 1.98 1.89 1.79 1.73 1.64 1.59 1.51 1.46 1.43
125 1.77 1.78 1.65 1.60 1.55 1.49 1.45 1.39 1.36 1.31 1.27 1.25
2.23 2.15 2.03 1.94 1.85 1.75 1.68 1.59 1.54 1.46 1.40 1.37
200 3.89 3.04 2.65 2.41 2.26 2.14 2.05 1.98 1.92 1.87 1.83 1.80
6.76 4.71 3.88 3.41 3.11 2.90 2.73 2.60 2.50 2.41 2.34 2.28
400 3.86 3.02 2.62 2.39 2.23 2.12 2.03 1.96 1.90 1.85 1.81 1.78
6.70 4.66 3.83 3.36 3.06 2.85 2.69 2.55 2.46 2.37 2.29 2.23
1000 3.85 3.00 2.61 2.28 2.22 2.10 2.02 1.95 1.89 1.84 1.80 1.76
6.66 4.62 3.80 3.34 3.04 2.82 2.66 2.63 2.43 2.32 2.24 2.18
204
∞ 3.84 2.99 2.60 2.37 2.21 2.09 2.01 1.94 1.88 1.83 1.79 1.75
6.64 4.60 3.70 3.32 3.02 2.80 2.64 2.51 2.41 2.32 2.24 2.18
200 1.74 1.69 1.62 1.57 1.52 1.45 1.42 1.35 1.32 1.26 1.22 1.19
2.17 2.09 1.97 1.88 1.79 1.69 1.62 1.53 1.48 1.39 1.33 1.28
400 1.72 1.67 1.60 1.54 1.49 1.42 1.38 1.32 1.28 1.22 1.16 1.13
2.12 2.04 1.92 1.84 1.74 1.64 1.57 1.47 1.42 1.32 1.24 1.19
1000 1.70 1.65 1.58 1.53 1.47 1.41 1.36 1.30 1.26 1.19 1.13 1.08
2.09 2.01 1.89 1.81 1.71 1.61 1.54 1.44 1.38 1.28 1.19 1.11
∞ 1.69 1.64 1.57 1.52 1.46 1.40 1.35 1.28 1.24 1.17 1.11 1.00
2.07 1.99 1.87 1.79 1.69 1.59 1.52 1.41 1.36 1.25 1.15 1.00
10 2.23 2.57 2.76 2.89 2.99 3.07 3.14 3.19 3.24 3.29 3.33 3.36 3.45 3.57
11 2.20 2.53 2.72 2.84 2.94 3.02 3.08 3.14 3.19 3.23 3.27 3.30 3.39 3.50
12 2.18 2.50 2.68 2.81 2.90 2.98 3.04 3.09 3.14 3.18 3.22 3.25 3.34 3.45
13 2.16 2.48 2.65 2.78 2.87 2.94 3.00 3.06 3.10 3.14 3.18 3.21 3.29 3.40
14 2.14 2.46 2.63 2.75 2.84 2.91 2.97 3.02 3.07 3.11 3.14 3.18 3.26 3.36
205
15 2.13 2.44 2.61 2.73 2.82 2.89 2.95 3.00 3.04 3.08 3.12 3.15 3.23 3.33
16 2.12 2.42 2.59 2.71 2.80 2.87 2.92 2.97 3.02 3.06 3.09 3.12 3.20 3.30
17 2.11 2.41 2.58 2.69 2.78 2.85 2.90 2.95 00 3.03 3.07 3.10 3.18 3.27
18 2.10 2.40 2.56 2.68 2.76 2.83 2.89 2.94 2.98 3.01 3.05 3.08 3.16 3.25
19 2.09 2.39 2.55 2.66 2.75 2.81 2.87 2.92 2.96 3.00 3.03 3.06 3.14 3.23
20 2.09 2.38 2.54 2.65 2.73 2.80 2.86 2.90 2.95 2.98 3.02 3.05 3.12 3.22
24 2.06 2.35 2.51 2.61 2.70 2.76 2.81 2.86 2.90 2.94 2.97 3.00 3.07 3.16
30 2.04 2.32 2.47 2.58 2.66 2.72 2.77 2.81 2.86 2.89 2.92 2.95 3.02 3.11
40 2.02 2.29 2.44 2.54 2.62 2.68 2.73 2.77 2.81 2.85 2.87 2.90 2.97 3.06
60 2.00 2.27 2.41 2.51 2.58 2.64 2.69 2.73 2.77 2.80 3.83 2.86 2.92 3.00
120 1.98 2.24 2.38 2.47 2.55 2.60 2.65 2.69 2.73 2.76 2.79 2.81 2.87 2.95
∞ 1.96 2.21 2.35 2.44 2.51 2.57 2.61 2.65 2.69 2.72 2.74 2.77 2.83 2.91
10 3.17 3.53 3.74 3.88 3.99 4.08 4.16 4.22 4.28 4.33 4.37 4.42 4.52 4.65
11 3.11 3.45 3.65 3.79 3.89 3.98 4.05 4.11 4.16 4.21 4.25 4.29 4.39 4.52
12 3.05 3.39 3.58 3.71 3.81 3.89 3.96 4.02 4.07 4.12 4.16 4.49 4.29 4.41
13 3.01 3.33 3.52 3.65 3.74 3.82 3.89 3.94 3.99 4.04 4.08 4.11 4.20 4.32
14 2.98 3.29 3.47 3.59 3.69 3.76 3.83 3.88 3.98 3.97 4.01 4.05 4.13 4.24
15 2.95 3.25 3.43 3.55 3.64 3.71 3.78 3.83 3.88 3.92 3.95 3.99 4.07 4.18
206
16 2.92 3.22 3.39 3.51 3.60 3.67 3.73 3.78 3.83 3.87 3.91 3.94 4.02 4.13
17 2.90 3.19 3.36 3.47 3.56 3.63 3.69 3.74 3.79 3.83 3.86 3.90 3.98 4.08
18 2.88 3.47 3.38 3.44 3.53 3.60 3.66 3.71 3.75 3.79 3.83 3.36 3.94 4.04
19 2.86 3.15 3.31 3.42 3.50 3.57 3.63 3.68 3.72 3.76 3.79 3.83 3.90 4.00
20 2.85 3.13 3.29 3.40 3.48 3.55 3.60 3.65 3.69 3.73 3.77 3.90 3.87 3.97
24 2.80 3.07 3.22 3.32 3.40 3.47 3.52 3.57 3.61 3.64 3.68 3.70 3.78 3.87
30 2.75 3.01 3.15 3.25 3.33 3.39 3.44 3.49 3.52 3.56 3.59 3.62 3.69 3.78
40 2.70 2.95 3.09 3.19 3.26 3.32 3.37 3.41 3.44 3.48 3.51 3.53 3.60 3.68
60 2.66 2.90 3.03 3.12 3.19 3.25 3.29 3.33 3.37 3.40 3.42 3.45 3.51 3.59
120 2.62 2.85 2.97 3.06 3.12 3.18 3.22 3.26 3.29 3.32 3.35 3.37 3.43 3.51
∞ 2.58 2.79 2.92 3.00 3.06 3.11 3.15 3.19 3.22 3.25 3.27 3.29 3.35 3.42
PRUEBA DE DUNCAN
2 .05 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09
.01 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0
3 0.5 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50
.01 8.26 8.5 8.6 8.7 8.8 8.9 8.9 8.9 8.9 9.0 9.1 9.2 9.3 9.3
4 .05 3.93 4.01 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02
.01 6.51 6.8 6.9 7.0 7.1 7.1 7.2 7.2 7.2 7.3 7.4 7.4 7.5 7.5
207
5 .05 3.64 3.74 3.79 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83
.01 5.70 5.96 6.11 6.18 6.26 6.33 6.40 6.44 6.5 6.6 6.6 6.7 6.7 6.8
6 .05 3.46 3.58 3.64 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68
.01 5.24 5.51 5.65 5.73 5.81 5.88 5.95 6.00 6.00 6.1 6.2 6.2 6.3 6.3
7 .05 3.35 3.47 3.54 3.58 3.60 3.61 3.61 3.61 3.61 3.61 3.61 3.61 3.61 3.61
.01 4.95 5.22 5.37 5.54 5.53 5.61 5.59 5.73 5.8 5.8 5.9 5.9 6.0 6.0
8 05 3.26 3.39 3.47 3.52 3.55 3.56 3.56 3.56 3.56 3.56 3.56 3.56 3.56 3.56
.01 4.74 5.00 5.14 5.23 5.32 5.40 5.47 5.51 5.5 5.6 5.7 5.7 5.8 5.8
9 .05 3.20 3.34 3.41 3.47 3.50 3.52 3.52 3.52 3.52 3.52 3.52 3.52 3.52 3.52
.01 4.60 4.86 4.99 5.08 5.17 5.25 5.32 5.36 5.4 5.5 5.5 5.6 5.7 5.7
10 .05 3.15 3.30 3.37 3.43 3.46 3.47 3.47 3.47 3.47 3.47 3.47 3.47 3.47 3.47
.01 4.48 4.73 4.88 4.96 5.06 5.13 5.20 5.24 5.28 5.36 5.42 5.48 5.54 5.55
11 .05 3.11 3.27 3.35 3.39 3.43 3.44 3.45 3.46 3.46 3.46 3.46 3.46 3.47 3.48
.01 4.39 4.63 4.77 4.86 4.94 5.01 5.06 5.12 5.15 5.24 5.28 5.34 5.38 5.39
12 .05 3.08 3.23 3.33 3.36 3.40 3.42 3.44 3.44 3.46 3.46 3.46 3.46 3.47 3.48
.01 4.32 4.55 4.68 4.76 4.84 4.92 4.96 5.02 5.07 5.13 5.17 5.22 5.24 5.26
13 .05 3.06 3.21 3.30 3.35 3.38 3.41 3.42 3.44 3.45 3.45 3.46 3.46 3.47 3.47
.01 4.26 4.48 4.62 4.69 4.74 4.84 4.88 4.94 4.98 5.04 5.08 5.13 5.14 5.15
14 .05 3.03 3.18 3.27 3.33 3.37 3.39 3.41 3.42 3.44 3.45 3.46 3.46 3.47 3.47
.01 4.21 4.42 4.55 4.63 4.70 4.78 4.83 4.87 4.91 4.96 5.00 5.04 5.06 5.07
15 .05 3.01 3.16 3.25 3.31 3.36 3.38 3.40 3.42 .43 3.44 3.45 3.46 3.47 3.47
.01 4.17 4.37 4.50 4.58 4.64 4.72 4.77 4.81 4.84 4.90 4.94 4.97 4.99 5.00
16 .05 3.00 3.15 3.23 3.30 3.34 3.37 3.39 3.41 3.43 3.44 3.45 3.46 3.47 3.47
.01 4.13 4.34 4.45 4.54 4.60 4.67 4.71 4.76 4.79 4.84 4.88 4.91 4.93 4.94
17 .05 2.98 3.13 3.22 3.28 3.33 3.36 3.38 3.40 3.42 3.44 3.45 3.46 3.47 3.47
.01 4.10 4.30 4.41 4.50 4.56 4.63 4.68 4.72 4.75 4.80 4.83 4.86 4.88 4.89
18 .05 2.97 3.12 3.21 3.27 3.32 3.35 3.37 3.39 3.41 3.43 3.45 3.46 3.47 3.47
.01 4.07 4.27 4.38 4.46 4.53 4.59 4.64 4.68 4.71 4.76 4.79 4.82 4.84 4.85
19 .05 2.96 3.11 3.19 3.26 3.31 3.35 3.37 3.39 3.41 3.43 3.44 3.46 3.47 3.47
.01 4.05 4.24 4.35 4.43 4.50 4.56 4.61 4.64 4.67 4.72 4.76 4.79 4.81 4.82
20 .05 2.95 3.10 3.18 3.25 3.30 3.34 3.36 3.38 3.40 3.43 3.44 3.46 3.46 3.47
.01 4.02 4.22 4.33 4.40 4.47 4.53 4.58 4.61 4.65 4.69 4.73 4.76 4.78 4.79
22 .05 2.93 3.08 3.17 3.24 3.29 3.32 3.35 3.37 3.39 3.42 3.44 3.45 3.46 3.47
.01 3.99 4.17 4.28 4.38 4.42 4.48 4.53 4.57 4.60 4.65 4.68 4.71 4.74 4.75
208
24 .05 2.92 3.07 3.15 3.22 3.28 3.31 3.34 3.37 3.38 3.41 3.44 3.45 3.46 3.47
.01 3.96 4.14 4.24 4.33 4.39 4.44 4.49 4.53 4.57 4.62 4.64 4.67 4.70 4.72
26 .05 2.91 3.06 3.14 3.21 3.27 3.30 3.34 3.36 3.38 3.41 3.43 3.45 3.46 3.47
.01 3.93 4.11 4.21 4.30 4.36 4.41 4.46 4.50 4.53 4.58 4.62 4.65 4.67 4.69
28 .05 2.90 2.04 3.13 3.20 3.26 3.30 3.33 3.35 3.37 3.40 3.43 3.45 3.46 3.47
.01 3.91 4.08 4.18 4.28 4.34 4.39 4.43 4.47 4.51 4.56 4.60 4.62 4.65 4.67
30 .05 2.89 3.04 3.12 3.20 3.25 3.29 3.32 3.35 3.37 3.40 3.43 3.44 3.46 3.47
.01 3.89 4.06 4.16 4.22 4.32 4.36 4.41 4.45 4.51 4.54 4.58 4.61 4.63 4.65
40 .05 2.86 3.01 3.10 3.17 3.22 3.27 3.30 3.33 3.35 3.39 3.42 3.44 3.46 3.47
.01 3.82 3.99 4.10 4.17 4.24 4.30 4.34 4.37 4.41 4.46 4.51 4.54 4.57 4.59
60 .05 2.83 2.98 3.08 3.14 3.20 3.24 3.28 3.31 3.33 3.37 3.40 3.43 3.45 3.47
.01 3.76 3.92 4.03 4.12 4.17 4.23 4.27 4.31 4.34 4.39 4.44 4.47 4.50 4.53
100 .05 2.77 2.92 3.02 3.09 3.15 3.19 3.23 3.26 3.29 3.34 3.38 3.41 3.44 3.47
.01 3.64 3.80 3.90 3.98 4.04 4.09 4.14 4.17 4.20 4.30 4.31 4.34 4.38 4.41
6 .05 3.46 4.34 4.90 5.31 5.63 5.89 6.12 6.32 6.49 6.65
.01 5.24 6.33 7.03 7.56 7.97 8.32 8.61 8.87 9.10 9.30
7 .05 3.34 4.16 4.68 5.06 5.36 5.61 5.82 6.00 6.16 6.30
.01 4.95 5.92 6.54 7.01 7.37 7.68 7.94 8.17 8.37 8.55
8 .05 3.26 4.04 4.53 4.89 5.17 5.40 5.60 5.77 5.92 6.05
209
.01 4.74 5.63 6.20 6.63 6.96 7.24 7.47 7.68 7.87 8.03
9 .05 3.20 3.95 4.42 4.76 5.02 5.24 5.43 5.60 7.74 5.87
.01 4.60 5.43 5.96 6.35 6.66 6.91 7.13 7.32 7.49 7.65
10 .05 3.15 3.88 4.33 4.65 4.91 5.12 5.30 3.46 5.60 5.72
.01 4.48 5.27 5.77 6.14 6.43 6.67 6.87 7.05 7.21 7.36
11 .05 3.11 3.82 4.26 4.57 4.82 5.03 5.20 5.35 5.49 5.61
.01 4.39 5.14 5.62 5.97 6.25 6.48 6.67 6.84 6.99 7.13
12 .05 3.08 3.77 4.20 4.51 4.57 4.95 5.12 5.27 5.40 5.51
.01 4.32 5.04 5.50 5.84 6.10 6.32 6.51 6.67 6.81 6.94
13 .05 3.06 3.73 4.15 4.45 4.69 4.88 5.05 5.19 5.32 5.43
.01 4.26 4.96 5.40 5.73 5.98 6.19 6.37 6.53 6.67 6.79
14 .05 3.03 3.70 4.11 4.41 4.64 4.83 4.99 5.13 5.25 5.36
.01 4.21 4.89 5.32 5.63 5.88 6.08 6.26 6.41 6.54 6.66
15 .05 3.02 3.67 4.08 4.37 4.60 4.78 4.94 5.08 5.20 5.31
.01 4.17 4.83 5.25 5.56 5.80 5.99 6.16 6.31 6.44 6.55
16 .05 3.00 3.65 4.05 4.33 4.56 4.74 4.90 5.03 5.15 5.26
.01 4.13 4.78 5.19 5.49 5.72 5.92 6.08 6.22 6.35 6.46
17 .05 2.98 3.63 4.02 4.30 4.52 4.71 4.86 4.99 5.11 5.21
.01 4.10 4.74 5.14 5.43 5.66 5.85 6.01 6.15 6.27 6.38
18 .05 2.97 3.61 4.00 4.28 4.49 4.67 4.82 4.96 5.07 5.17
.01 4.07 4.70 5.09 5.38 5.60 5.79 5.94 6.08 6.20 6.31
19 .05 2.96 3.59 3.98 4.25 4.47 4.65 4.79 4.92 5.04 5.14
.01 4.05 4.67 5.05 5.33 5.55 5.73 5.89 6.02 6.14 6.25
20 .05 2.95 3.58 3.96 4.23 4.45 4.62 4.77 4.90 5.01 5.11
.01 4.02 4.64 5.02 5.29 5.51 5.69 5.84 5.97 6.09 6.19
24 .05 2.92 3.53 3.90 4.17 4.37 4.54 4.68 4.81 4.92 5.01
.01 3.96 4.54 4.91 5.17 5.37 5.54 5.69 5.81 5.92 6.02
30 .05 2.89 3.49 3.84 4.10 4.30 4.46 4.60 4.72 4.83 4.92
.01 3.89 4.45 4.80 5.05 5.24 5.40 5.54 5.65 5.76 5.85
40 .05 2.86 3.44 3.79 4.04 4.23 4.39 4.52 4.63 4.74 4.82
.01 3.82 4.37 4.70 4.93 5.11 5.27 5.39 5.50 5.60 5.69
60 .05 2.83 3.40 3.74 3.98 4.16 4.31 4.44 4.55 4.65 4.73
.01 3.76 4.28 4.60 4.82 4.99 5.13 5.25 5.36 5.45 5.53
120 .05 2.80 3.36 3.69 3.92 4.10 4.24 4.36 4.48 4.56 4.64
210
.01 3.70 4.20 4.50 4.71 4.87 5.01 5.12 5.21 5.30 5.38
∞ .05 2.77 3.31 3.63 3.86 4.03 4.17 4.29 4.39 4.47 4.55
.01 3.64 4.12 4.40 4.60 4.76 4.88 4.99 5.08 5.16 5.23
6 .05 6.79 6.92 7.03 7.14 7.24 7.34 7.43 7.51 7.59
.01 9.49 9.65 9.81 9.95 10.08 10.21 10.32 10.43 10.54
7 .05 6.43 6.55 6.66 6.76 6.85 6.94 7.02 7.09 7.17
.01 8.71 8.86 9.00 9.12 9.24 9.35 9.46 9.55 9.65
8 .05 6.18 6.29 6.39 6.48 6.57 6.65 6.73 6.80 6.87
211
.01 8.18 8.31 8.44 8.55 8.66 8.76 8.85 8.94 9.03
9 .05 5.98 6.09 6.19 6.28 6.36 6.44 6.51 6.58 6.64
.01 7.78 7.91 8.03 8.13 8.23 8.32 8.41 8.49 8.57
10 .05 5.83 5.93 6.03 6.11 6.20 6.27 6.34 6.40 6.47
.01 7.48 7.60 7.71 7.81 7.91 7.99 8.07 8.15 8.22
11 .05 5.71 5.81 5.90 5.90 6.06 6.14 6.20 6.26 6.33
.01 7.25 7.36 7.46 7.56 7.65 7.73 7.81 7.88 7.95
12 .05 5.62 5.71 5.80 5.88 5.95 6.03 6.09 6.15 6.21
.01 7.06 7.17 7.26 7.36 7.44 7.52 7.59 7.66 7.73
13 .05 5.53 5.63 5.71 5.79 5.86 5.93 6.00 6.05 6.11
.01 6.90 7.01 7.10 7.19 7.27 7.34 7.42 7.48 7.55
14 .05 5.46 5.55 5.64 5.72 5.79 5.85 5.92 5.97 6.03
.01 6.77 6.87 6.96 7.05 7.12 7.20 7.27 7.33 7.39
15 .05 5.40 5.49 5.58 5.65 5.72 5.79 5.85 5.90 5.96
.01 6.66 6.76 6.84 6.93 7.00 7.07 7.14 7.20 7.26
16 .05 5.35 5.44 5.52 5.59 5.66 5.72 5.79 5.84 5.90
.01 6.56 6.66 6.74 6.82 6.90 6.97 7.03 7.09 7.15
17 .05 5.31 5.39 5.47 5.55 5.61 5.68 5.74 5.79 5.84
.01 6.48 6.57 6.66 6.73 6.80 6.87 6.94 7.00 7.05
18 .05 5.27 5.35 5.43 5.50 5.57 5.63 5.69 5.74 5.79
.01 6.41 6.50 6.58 6.65 6.72 6.79 6.85 6.91 6.96
19 .05 5.23 5.32 5.39 5.46 5.53 5.59 5.65 5.70 5.75
.01 6.34 6.43 6.51 6.58 6.65 6.72 6.78 6.84 6.89
20 .05 5.20 5.28 5.36 5.43 5.49 5.55 5.61 5.66 5.71
.01 6.29 6.37 6.45 6.52 6.59 6.65 6.71 6.76 6.82
24 .05 5.10 5.18 5.25 5.32 5.38 5.44 5.50 5.54 5.59
.01 6.11 6.19 6.26 6.33 3.39 6.45 6.51 6.56 6.61
30 .05 5.00 5.08 5.15 5.21 5.27 5.33 5.38 5.43 5.48
.01 5.93 6.01 6.08 6.14 6.20 6.26 6.31 6.36 6.41
40 .05 4.91 4.98 5.05 5.11 5.16 5.22 5.27 5.31 5.36
.01 5.77 5.84 5.90 5.96 6.02 6.07 6.12 6.17 6.21
60 .05 4.81 4.88 4.94 5.00 5.06 5.11 5.16 5.20 5.24
.01 5.60 5.67 5.73 5.79 5.84 5.89 5.93 5.98 6.02
120 .05 4.72 4.78 7.84 4.90 4.95 5.00 5.05 5.09 5.13
212
.01 5.44 5.51 5.56 5.61 5.65 5.71 5.75 5.79 5.83
∞ .05 4.62 4.68 4.74 4.80 4.85 4.89 4.93 4.97 5.01
.01 5.29 5.35 5.40 5.45 5.49 5.54 5.57 5.61 5.63
DISTRIBUCIÓN DE X2
Gl 0.001 0.005 0.01 0.02 0.025 0.03 0.04 0.05 0.10 0.15 0.20
1 10.828 7.879 6.635 5.412 5.024 4.709 4.218 3.841 2.706 2.072 1.642
2 13.816 10.597 9.210 7.824 7.378 7.013 6.438 5.991 4.605 3.794 3.219
3 16.266 12.838 11.345 9.837 9.348 8.947 8.311 7.815 6.251 5.317 4.642
4 18.467 14.860 13.277 11.668 11.143 10.712 10.026 9.488 7.779 6.745 5.989
5 20.515 16.750 15.086 13.388 12.833 12.375 11.644 11.070 9.236 8.115 7.289
6 22.458 18.548 16.812 15.033 14.449 13.968 13.198 12.592 10.645 9.446 8.558
7 24.322 20.278 18.475 16.622 16.013 15.509 14.703 14.067 12.017 10.748 9.803
8 26.124 21.955 20.090 18.168 17.535 17.010 16.171 15.507 13.362 12.027 11.030
9 27.877 23.589 21.666 19.679 19.023 18.480 17.608 16.919 14.684 13.288 12.242
10 29.588 25.188 23.209 21.161 20.483 19.922 19.021 18.307 15.987 14.534 13.442
11 31.264 26.757 24.725 22.618 21.920 21.342 20.412 19.675 17.275 15.767 14.631
12 32.909 28.300 26.217 24.054 23.337 22.742 21.785 21.026 18.549 16.989 15.812
13 34.528 29.819 27.688 25.472 24.736 24.125 23.142 22.362 19.812 18.202 16.985
213
14 36.123 31.319 29.141 26.873 26.119 25.493 24.485 23.685 21.064 19.406 18.151
15 37.697 32.801 30.578 28.259 27.488 26.848 25.816 24.996 22.307 20.603 19.311
16 39.252 34.267 32.000 29.633 28.845 28.191 27.136 26.696 23.542 21.793 20.465
17 40.790 35.718 33.409 30.995 30.191 29.523 28.445 27.587 24.769 22.977 31.615
18 42.312 37.156 34.805 32.346 31.526 30.845 29.745 28.869 25.989 24.155 22.760
19 43.820 38.582 36.191 33.687 32.852 32.158 31.037 30.144 27.204 25.329 23.900
20 45.315 39.997 37.566 35.020 34.170 33.462 32.321 31.410 28.412 26.498 25.038
21 46.797 41.401 38.932 36.343 35.479 34.759 33.597 32.671 29.615 27.662 26.171
22 48.268 42.796 40.289 37.659 36.781 36.049 34.867 33.924 30.813 28.822 27.301
23 49.728 44.181 41.638 38.968 38.076 37.332 36.131 35.172 32.007 29.979 28.429
24 51.179 45.559 42.980 40.270 39.364 38.609 37.389 36.415 33.196 31.132 29.553
25 52.620 46.928 44.314 41.566 40.646 39.880 38.642 37.652 34.382 32.282 30.675
26 54.052 48.290 45.642 42.856 41.923 41.146 39.889 38.885 35.563 33.429 31.795
27 55.476 49.645 46.963 44.140 43.195 42.407 41.132 40.113 36.741 34.574 32.912
28 56.892 50.993 48.278 45.419 44.461 43.662 42.370 41.337 37.916 35.715 34.027
29 58.301 52.336 49.588 46.693 45.722 44.913 43.604 42.557 39.087 36.854 35.139
30 59.703 53.672 50.892 47.962 46.979 46.160 44.834 43.773 40.256 37.990 36.250
31 61.098 55.003 52.191 49.226 48.232 47.402 46.059 44.985 41.422 39.124 37.359
32 62.487 56.328 53.486 50.487 49.480 48.641 47.282 46.194 42.585 40.256 38.466
33 63.870 57.648 54.776 51.743 50.725 49.876 48.500 47.400 43.745 41.386 39.572
34 65.247 58.964 56.061 52.995 51.966 51.107 49.716 48.602 44.903 42.514 40.676
35 66.619 60.275 57.342 54.244 53.203 52.335 50.928 49.802 46.059 43.640 41.778
40 73.402 66.766 63.691 60.436 59.342 58.428 56.428 55.758 51.805 49.244 47.269
60 99.607 91.952 88.379 84.580 83.298 82.225 80.482 79.082 74.397 71.341 68.972
80 124.839 116.321 112.329 108.069 106.629 105.422 103.459 101.879 96.578 93.106 90.405
90 137.208 128.299 124.116 119.648 118.136 116.869 114.806 113.145 107.565 103.904 101.054
120 149.449 140.169 135.807 131.142 129.561 128.237 126.079 124.342 118.498 114.659 111.667 1
140 197.451 186.847 181.840 176.471 174.648 173.118 170.624 168.613 161.827 157.352 153.854 1
214