1.

En una investigación de suelos, se deseaba conocer el efecto residual de fósforos en suelos

donde previamente se cultivó maíz, para lo cual se midió la concentración de fósforo
inorgánico (X1) y el orgánico (X2) en varios suelos calcáreos. Además se midió el contenido
de fósforo del maíz sembrado en esos suelos y se estimó el fósforo aprovechable por la
planta (ppm) en suelos a una temperatura de 20 °C (Y).

Para estos datos realice

a. ¿Cuál es la variable dependiente (y) respuesta y cuál es (son) la (s) variable (s)
independiente (s)(x) o predictora (s) en este caso?
b. Realice el diagrama de dispersión asignando la variable respuesta e independiente
según corresponda. ¿Qué sugiere la gráfica con respecto al modelo?
c. Identifique el modelo
d. Estime los parámetros del modelo e interprételos
e. Redacte las hipótesis que interesa contrastar en el análisis de varianza
f. Especifique matemáticamente el modelo y especifique cada término
g. Verifique los supuestos para realizar en ANAVA y determine las hipótesis
h. Es significativo el modelo, a qué nivel?
i. Realice la regresión con fórmulas en archivo Excel y con la herramienta “regresión de
análisis de datos”
j. Son significativos los coeficientes de regresión
k. Como se cuantifica si el modelo explica una parte significativa de la variación de la
variable respuesta
l. Redactar como si fuese para la sección de material y método y resultados de un artículo
científico

Los datos:

Muestra X1 X2 Y
1 0.4 53 64
2 0.4 23 60
3 3.1 19 71
4 0.6 34 61
5 4.7 24 54
6 1.7 65 77
7 9.4 44 81
8 10.1 31 93
9 11.6 29 93
10 12.6 58 51
11 10.9 37 76
12 23.1 46 96
13 23.1 50 77
14 21.6 44 93
15 23.1 56 95
16 1.9 36 54
17 26.8 58 168
18 29.9 51 99
Fuente: Datos adaptados Martínez 1997
Solución:
 a. ¿Cuál es la variable dependiente (y) respuesta y cuál es (son) la (s) variable (s)
independiente (s)(x) o predictora (s) en este caso?

Respuesta:

Las variables las podemos clasificar en:

Variable dependiente:
y = fósforo aprovechable por la planta (ppm) en suelos a una temperatura de 20 °C.

Variables Independientes:
𝑥1 = 𝐶𝑜𝑛𝑐𝑒𝑛𝑡𝑟𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑓𝑜𝑠𝑓𝑜𝑟𝑜 𝑖𝑛𝑜𝑟𝑔á𝑛𝑖𝑐𝑜 𝑒𝑛 𝑠𝑢𝑒𝑙𝑜𝑠 𝑐𝑎𝑙𝑐𝑎𝑟𝑒𝑜𝑠
𝑥2 = 𝐶𝑜𝑛𝑐𝑒𝑛𝑡𝑟𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑓𝑜𝑠𝑓𝑜𝑟𝑜 𝑜𝑟𝑔á𝑛𝑖𝑐𝑜𝑠 𝑒𝑛 𝑠𝑢𝑒𝑙𝑜𝑠 𝑐𝑎𝑙𝑐𝑎𝑟𝑒𝑜𝑠

b. Realice el diagrama de dispersión asignando la variable respuesta e independiente

según corresponda. ¿Qué sugiere la gráfica con respecto al modelo?

Respuesta

El diagrama de dispersión se muestra en la siguiente gráfica:

De acuerdo al modelo, la gráfica sugiere una dependencia lineal de la variable dependiente (Y),
respecto a las variables independientes X1 y X2.

c. Identifique el modelo

Las variables las variables relacionadas en el caso son:

Variable dependiente:
y = fósforo aprovechable por la planta (ppm) en suelos a una temperatura de 20 °C.
Variables Independientes:
𝑥1 = 𝐶𝑜𝑛𝑐𝑒𝑛𝑡𝑟𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑓𝑜𝑠𝑓𝑜𝑟𝑜 𝑖𝑛𝑜𝑟𝑔á𝑛𝑖𝑐𝑜 𝑒𝑛 𝑠𝑢𝑒𝑙𝑜𝑠 𝑐𝑎𝑙𝑐𝑎𝑟𝑒𝑜𝑠

𝑥2 = 𝐶𝑜𝑛𝑐𝑒𝑛𝑡𝑟𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑓𝑜𝑠𝑓𝑜𝑟𝑜 𝑜𝑟𝑔á𝑛𝑖𝑐𝑜𝑠 𝑒𝑛 𝑠𝑢𝑒𝑙𝑜𝑠 𝑐𝑎𝑙𝑐𝑎𝑟𝑒𝑜𝑠

Tomando como referencia a lo establecido por Douglas Montgomery en el libro Diseño

y análisis de experimentos, e l modelo de regresión para este caso es (Montgomery,
2001):

𝑦 = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2

En este modelo, además de las variables podemos identificar:

𝛽0 = 𝐼𝑛𝑡𝑒𝑟𝑐𝑒𝑝𝑡𝑜 𝑑𝑒 𝑙𝑎 𝑔𝑟á𝑓𝑖𝑐𝑎 𝑐𝑜𝑛 𝑒𝑙 𝑒𝑗𝑒 (𝑦) 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒

𝛽1 = 𝐶𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑥1

𝛽2 = 𝐶𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒 𝑑𝑒 𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑥2

d. Estime los parámetros del modelo e interprételos

Para hacer la estimación de los parámetros utilizamos las siguientes ecuaciones

normales para la regresión lineal multiple:
n n n n
nb0  b1  x1i b2  x 2i     bk  x ki  y i
i 1 i 1 i 1 i 1
n n n n n
b0  x1i b1  x b2  x1i x 2i     bk  x1i x Ki  X 1i y i
2
1i
i 1 i 1 i 1 i 1 i 1
n n n n n
b0  x ki b1  x ki x1i b2  x ki x 2i     bk  x  Xkiyi 2
ki
i 1 i 1 i 1 i 1 i 1

Para resolver el sistema de ecuaciones, calculamos el valor de las sumatorias de las

variables involucradas.

Para el caso de la primera ecuación:

n n n n
nb0  b1  x1i b2  x 2i     bk  x ki  y i
i 1 i 1 i 1 i 1

En la siguiente tabla se muestran los cálculos respectivos:

 N° X1 X2 Y
1 0,4 53 64
2 0,4 23 60
3 3,1 19 71
4 0,6 34 61
5 4,7 24 54
6 1,7 65 77
7 9,4 44 81
8 10,1 31 93
9 11,6 29 93
10 12,6 58 51
11 10,9 37 76
12 23,1 46 96
13 23,1 50 77
14 21,6 44 93
15 23,1 56 95
16 1,9 36 54
17 26,8 58 168
18 29,9 51 99
SUMATORIA 215 758 1463

Al remplazar en la ecuación tenemos:

18b0  b1 215  b2 (758)  1463

Para determinar los elementos de la segunda ecuación:

n n n n n
b0  x1i b1  x b2  x1i x 2i     bk  x1i x Ki  X 1i y i
2
1i
i 1 i 1 i 1 i 1 i 1
Hacemos los cálculos, tal como se muestra en la siguiente tabla:
X1 X2 Y 𝑥12 𝑥1 ∗ 𝑥2 𝑥1 ∗ 𝑦
N°
1 0,4 53 64 0,16 21,2 25,6
2 0,4 23 60 0,16 9,2 24
3 3,1 19 71 9,61 58,9 220,1
4 0,6 34 61 0,36 20,4 36,6
5 4,7 24 54 22,09 112,8 253,8
 6 1,7 65 77 2,89 110,5 130,9
7 9,4 44 81 88,36 413,6 761,4
8 10,1 31 93 102,01 313,1 939,3
9 11,6 29 93 134,56 336,4 1078,8
10 12,6 58 51 158,76 730,8 642,6
11 10,9 37 76 118,81 403,3 828,4
12 23,1 46 96 533,61 1062,6 2217,6
13 23,1 50 77 533,61 1155 1778,7
14 21,6 44 93 466,56 950,4 2008,8
15 23,1 56 95 533,61 1293,6 2194,5
16 1,9 36 54 3,61 68,4 102,6
17 26,8 58 168 718,24 1554,4 4502,4
18 29,9 51 99 894,01 1524,9 2960,1
SUMATORIA 215 758 1463 4321,02 10139,5 20706,2

Reemplazando los valores en la ecuación, obtenemos:

b0 (215)  b1 (4321,02)  b2 (10139,5)  (20706,2)
Con procedimiento parecido, calculamos los elementos de la tercera ecuación:
n n n n n
b0  x ki b1  x ki x1i b2  x ki x 2i     bk  x  Xkiyi 2
ki
i 1 i 1 i 1 i 1 i 1

Ahora, teniendo en cuenta que el número de variables se representa por (K), en este
caso K=2. La última ecuación es:

n n n n
b0  x2i b1  x2i x1i b2  x  X 2i yi 2
2i
i 1 i 1 i 1 i 1

En la siguiente tabla se muestra el resultado de las respectivas sumatorias:

X1 X2 Y 𝑥12 𝑥1 ∗ 𝑥2 𝑥1 ∗ 𝑦 𝑥22 𝑥2 ∗ 𝑦
N°
1 0,4 53 64 0,16 21,2 25,6 2809 3392
2 0,4 23 60 0,16 9,2 24 529 1380
3 3,1 19 71 9,61 58,9 220,1 361 1349
4 0,6 34 61 0,36 20,4 36,6 1156 2074
5 4,7 24 54 22,09 112,8 253,8 576 1296
6 1,7 65 77 2,89 110,5 130,9 4225 5005
7 9,4 44 81 88,36 413,6 761,4 1936 3564
8 10,1 31 93 102,01 313,1 939,3 961 2883
9 11,6 29 93 134,56 336,4 1078,8 841 2697
10 12,6 58 51 158,76 730,8 642,6 3364 2958
11 10,9 37 76 118,81 403,3 828,4 1369 2812
12 23,1 46 96 533,61 1062,6 2217,6 2116 4416
13 23,1 50 77 533,61 1155 1778,7 2500 3850
 14 21,6 44 93 466,56 950,4 2008,8 1936 4092
15 23,1 56 95 533,61 1293,6 2194,5 3136 5320
16 1,9 36 54 3,61 68,4 102,6 1296 1944
17 26,8 58 168 718,24 1554,4 4502,4 3364 9744
18 29,9 51 99 894,01 1524,9 2960,1 2601 5049
SUMATORIA 215 758 1463 4321,02 10139,5 20706,2 35076 63825
Reemplazando los valores en la ecuación, obtenemos:

b0 (758)  b1 (10139,5)  b2 (35076)  63825

El sistema de ecuaciones queda de la siguiente forma:

{18𝑏0 + 215𝑏1 + 758𝑏2 = 1463 215𝑏0 + 4321,02𝑏1 + 10139,5𝑏2

= 20706,2 758𝑏0 + 10139,5𝑏1 + 35076𝑏2 = 63825

Resolvemos el sistema de ecuaciones aplicando la regla de Cramer y la

función =mdeterm() en Excel.

Los el procedimiento y los resultados se muestran en la tabla:

REGLA DE CRAMER
DETERMINANTES VALOR DETERMINANTE VALOR DE LA VARIABLE
18 215 758
S= 215 4321,02 10139,5 S= 78361465,6
758 10139,5 35076

1463 215 758

𝑏𝑖 = 20706,2 4321,02 10139,5 𝑏𝑖 = 4407912688 56,2510241
𝑏𝑖
63825 10139,5 35076 𝑏0 = =
𝑠

18 1463 758 𝑏1 =
𝑥1𝑖
=
𝑏1𝑖 = 215 20706,2 10139,5 𝑏1𝑖 = 140249323 𝑠 1,78977412
758 63825 35076

18 215 1463
𝑥2𝑖
𝑏2𝑖 = 215 4321,02 20706,2 𝑏2𝑖 = 6789962,22 𝑏2 = 𝑠
= 0,08664925
758 10139,5 63825
Podemos concluir que el valor de los parámetros del modelo so:

𝑏0 = 56,25
𝑏1 = 1,78
𝑏2 = 0,086
Por lo tanto a ecuación de regresión es:

𝑦 = 56,25 + 1,78𝑥1 + 0,086𝑥2

De acuerdo a estos resultados, podemos interpretar lo siguiente:

- 𝑏0 = 56,25: En caso que los valores de las variables 𝑥1 , 𝑥2 sean iguales a cero,
la cantidad de fósforo aprovechable por la planta (ppm) en suelos a una
temperatura de 20 °C es de 56,25.
- 𝑏1 = 1,78: Es el coeficiente de 𝑥1 , indica que la concentración de fosforo
inorgánicos en suelos calcáreos aumenta en 1,78 ppm cuando la cantidad, en
partes por millón, de fósforo orgánico es constante.
- 𝑏2 = 0,086: Es el coeficiente de 𝑥2 , indica que la concentración de fósforo
orgánico en suelos calcáreos aumenta en 0,086 pp, cuando cantidad en ppm de
fosforo inorgánico es constante.

Cada variable X mantiene con la variable criterio Y una relación de linealidad, es decir,
supone un incremento constante y regular en Y por cada cambio en X. En el modelo
global el cambio total de Y se debe a la suma de los incrementos por separado de cada
variable predictora. En definitiva, el modelo se considera aditivo en este sentido descrito
por ser una suma de efectos (Diaz, 1999).

e. Redacte las hipótesis que interesa contrastar en el análisis de varianza

Para este ejercicio, la hipótesis a redactar es la siguiente:

Hipótesis nula
𝐻0 : No existe relación lineal entre las variables.
𝐻0 : 𝐵0 = 𝐵1 = 𝐵2 = 0

Hipótesis alternativa:
𝐻1 : Existe relación lineal entre las variables.
𝐻1 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛𝑜 𝑑𝑒 𝑙𝑎𝑠 𝐵𝑖 ≠ 0

f. Especifique matemáticamente el modelo y especifique cada término.

El modelo de ANAVA para la regresión consta de los siguientes términos (Kuehl, 2001):
Fuente de variación
Suma de cuadrados
Grados de libertad
Cuadrado Medio Fo
Debido a la regresión
SCR k MCR MCR/MCE
Error residual SCE n–k-1 MCE
Total SCT n-1
SCR: Suma de cuadrado de la regresión
SCE: Suma de cuadrado del error
SCT: Sumad e cuadrado totales.
MCR: Cuadrado medio de la regresión.
MCE: Cuadrado medio del error.
Fo : Función calculada MCR/MCE

g. Verifique los supuestos para realizar en ANAVA y determine las hipótesis

Para realizar el análisis de varianza utilizamos la herramienta Excel teniendo en cuenta la
tabla de datos.

Muestra X1 X2 Y
1 0.4 53 64
2 0.4 23 60
3 3.1 19 71
4 0.6 34 61
5 4.7 24 54
6 1.7 65 77
7 9.4 44 81
8 10.1 31 93
9 11.6 29 93
10 12.6 58 51
11 10.9 37 76
12 23.1 46 96
13 23.1 50 77
14 21.6 44 93
15 23.1 56 95
16 1.9 36 54
17 26.8 58 168
18 29.9 51 99

Los resultados del análisis de varianza se muestran en la siguiente tabla:

ANÁLISIS DE VARIANZA
Grados de Suma de Promedio de Valor crítico de
libertad cuadrados los cuadrados F F
Regresión 2 5975,668532 2987,83427 6,98751407 0,00716977
Residuos 15 6413,942579 427,596172
Total 17 12389,61111

Notamos que la función calculada es F= 6,987

Utilizamos la fórmula de Excel =INV.F(0,95;2;15)
Donde:
0,95 = corresponde al nivel de confianza.
2 = Grados de liberta de la regresión
 15= Grados de libertad residual
Con esta fórmula calculamos el valor de la función de acuerdo al estadístico de prueba de
Fischer. y obtenemos:
F(Fischer) = 3,68232034

Como la función calculada es F es mayor que la función calculada de acuerdo al estadístico

de prueba. Fo > F(Fischer).
Podemos concluir que existen relación lineal entre las variables y por ende se rechaza la
hipótesis nula.

h. Es significativo el modelo, a qué nivel?

Respuesta:
El modelo es significativo al 95% de nivel de confianza.

i. Realice la regresión con fórmulas en archivo Excel y con la herramienta “regresión de

análisis de datos”.

Al aplicar la herramienta de Excel, obtenemos:

Estadísticas de la regresión
Coeficiente de correlación
múltiple 0,69448747
Coeficiente de determinación
R^2 0,48231284
R^2 ajustado 0,41328789
Error típico 20,6783987
Observaciones 18

Estadístico Inferior Superior

Coeficientes Error típico t Probabilidad 95% 95%
Intercepción 56,2510241 16,310737 3,448711 0,0035 21,4855104 91,0165378
X1 1,78977412 0,556743 3,21471 0,00578 0,60310362 2,97644461
X2 0,08664925 0,4149429 0,20882 0,83739 -0,7977808 0,9710793

j. Son significativos los coeficientes de regresión.

El análisis de varianza prueba que existe una relación lineal entre los coeficientes de
regresión, por lo tanto los coeficientes son significativos con un 95% de confianza.

k. Como se cuantifica si el modelo explica una parte significativa de la variación de la

variable respuesta.
Se puede cuantificar a través del coeficiente de determinación, que para este caso es:
𝑅 2 = 0,48. La relación lineal es perfecta cuando el coeficiente es igual a la unidad.

l. Redactar como si fuese para la sección de material y método y resultados de un

artículo científico

EFECTO RESIDUAL DE FÓSFOROS EN SUELOS DONDE PREVIAMENTE SE CULTIVÓ MAÍZ

Materiales y método
 Para determinar el efecto residual de fósforos en suelos donde previamente se cultivó maíz se
midió la concentración de fósforo inorgánico y el orgánico en varios suelos calcáreos.
Además se midió el contenido de fósforo del maíz sembrado en esos suelos y se estimó el
fósforo aprovechable por la planta (ppm) en suelos a una temperatura de 20 °C. En total
se tomaron 18 muestras y en cada una se hicieron las respectivas medciones.

Con base en la información obtenida, se establecieron las siguientes variables:

Variable dependiente:
y = fósforo aprovechable por la planta (ppm) en suelos a una temperatura de 20 °C.

Variables Independientes:
𝑥1 = 𝐶𝑜𝑛𝑐𝑒𝑛𝑡𝑟𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑓𝑜𝑠𝑓𝑜𝑟𝑜 𝑖𝑛𝑜𝑟𝑔á𝑛𝑖𝑐𝑜 𝑒𝑛 𝑠𝑢𝑒𝑙𝑜𝑠 𝑐𝑎𝑙𝑐𝑎𝑟𝑒𝑜𝑠

𝑥2 = 𝐶𝑜𝑛𝑐𝑒𝑛𝑡𝑟𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑓𝑜𝑠𝑓𝑜𝑟𝑜 𝑜𝑟𝑔á𝑛𝑖𝑐𝑜𝑠 𝑒𝑛 𝑠𝑢𝑒𝑙𝑜𝑠 𝑐𝑎𝑙𝑐𝑎𝑟𝑒𝑜𝑠

Los datos obtenidos con las mediciones de cada una de las variables se presenta en el la
siguiente tabla.

Muestra X1 X2 Y
1 0.4 53 64
2 0.4 23 60
3 3.1 19 71
4 0.6 34 61
5 4.7 24 54
6 1.7 65 77
7 9.4 44 81
8 10.1 31 93
9 11.6 29 93
10 12.6 58 51
11 10.9 37 76
12 23.1 46 96
13 23.1 50 77
14 21.6 44 93
15 23.1 56 95
16 1.9 36 54
17 26.8 58 168
18 29.9 51 99
Para determinar el efecto residual, hicimos un análisis de regresión lineal múltiple que nos
permitió establecer la relación lineal entre las variables establecidas. Para ello iniciamos
construyendo un diagrama de dispersión en el que pudimos observar la tendencia lineal de
las variables en las respectivas mediciones.

Utilizando el método de mínimos cuadrados, determinamos la ecuación de regresión que

relaciona las variables.

Una vez establecida la ecuación de regresión analizamos el significado de los coeficientes de

regresión en la interacción entre las variables.
 Se estableció una hipótesis nula y una hipótesis alternativa para hacer el análisis de varianza
del proceso de regresión. Estas son:

Hipótesis nula
𝐻0 : No existe relación lineal entre las variables.
𝐻0 : 𝐵0 = 𝐵1 = 𝐵2 = 0

Hipótesis alternativa:
𝐻1 : Existe relación lineal entre las variables.
𝐻1 : 𝐴𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛𝑜 𝑑𝑒 𝑙𝑎𝑠 𝐵𝑖 ≠ 0

Al hacer el análisis de varianza, utilizamos el estadístico de Fischer con el 95% de

confiabilidad. Todo se hizo a través de herramientas en Excel.

Es de notar que con este procedimiento determinamos si las variables son linealmente
dependientes o si no existe relación lineal entre ellas.

Resultados
Los datos fueron organizados en un archivo de Excel y en él se hicieron los diferentes
cálculos.

Al aplicar el procedimiento de mínimos cuadrado para determinar la ecuación de regresión

se obtuvo:

𝑦 = 56,25 + 1,78𝑥1 + 0,086𝑥2

De acuerdo los valores de los coeficientes de regresión podemos establecer:

- 𝑏0 = 56,25: En caso que los valores de las variables 𝑥1 , 𝑥2 sean iguales a cero,
la cantidad de fósforo aprovechable por la planta (ppm) en suelos a una
temperatura de 20 °C es de 56,25.
- 𝑏1 = 1,78: Es el coeficiente de 𝑥1 , indica que la concentración de fosforo
inorgánicos en suelos calcáreos aumenta en 1,78 ppm cuando la cantidad, en
partes por millón, de fósforo orgánico es constante.
- 𝑏2 = 0,086: Es el coeficiente de 𝑥2 , indica que la concentración de fósforo
orgánico en suelos calcáreos aumenta en 0,086 pp, cuando cantidad en ppm de
fosforo inorgánico es constante.

Cada variable X mantiene con la variable criterio Y una relación de linealidad, es decir,
supone un incremento constante y regular en Y por cada cambio en X. En el modelo
global el cambio total de Y se debe a la suma de los incrementos por separado de cada
variable predictora. En definitiva, el modelo se considera aditivo en este sentido descrito
por ser una suma de efectos.

Para establecer la relación de linealidad entre las variables, hicimos el análisis de varianza
con un 95% de confiabilidad. Los resultados del ANOVA se muestran en la siguiente tabla:
 ANÁLISIS DE VARIANZA
Grados de Suma de Promedio de Valor crítico de
libertad cuadrados los cuadrados F F
Regresión 2 5975,668532 2987,83427 6,98751407 0,00716977
Residuos 15 6413,942579 427,596172
Total 17 12389,61111

Notamos que la función calculada es F= 6,987

Utilizamos la fórmula de Excel =INV.F(0,95;2;15)
Donde:
0,95 = corresponde al nivel de confianza.
2 = Grados de liberta de la regresión
15= Grados de libertad residual
Con esta fórmula calculamos el valor de la función de acuerdo al estadístico de prueba de
Fischer. y obtenemos:
F(Fischer) = 3,68232034

Como la función calculada en la tabla F es mayor que la función calculada de acuerdo al

estadístico de prueba. Fo > F(Fischer).
Podemos concluir que existe relación lineal entre las variables y por ende se rechaza la
hipótesis nula.
Por ende podemos establecer que si existe efecto residual de fósforos en suelos donde
previamente se cultivó maíz.
 BIBLIOGRAFIA

Diaz, A. (1999). Diseño Estadistico de experimentos. Medellín: Universidad de Antioquia.

Kuehl, R. O. (2001). Diseño de Experimentos. Mexico: Thomson.

Montgomery, D. (2001). Análisis y diseño de experimentos. Arizona: Limusa Wiley.