9.

En relación a la clasificación del Diseño Experimental, en función de la

cantidad de variables dependientes, complete:

Diseño Definición Ejemplo

Se maneja una sola variable Altura de la planta de
Univariables
dependientemente. maíz
técnicas de
Interviene más de una variable
Multivariados segmentación y
dependiente.
tipología

10. En relación al Diseño Experimental y el Análisis Estadístico, complete:

Análisis de Definición Ejemplo

Evalúa la influencia de las Seleccionar 5
Significación
variables independientes variedades de frejol y
general
manipuladas compararlas entre sí
Seleccionar 3
variedades de
Busca diferencias significativas
Contrastes entre naranjilla y 2 híbridos
entre grupos o condiciones
grupos y comparar las
experimentales
variedades versus
los híbridos
Pruebe el ajuste del conjunto Tendencia del precio
Tendencias de datos a alguna función de frejol en el
matemática mercado

11. ¿Qué entiende por Diseñar un Experimento?

El diseño experimental es una estructura de investigación donde al menos se manipula
una variable y las unidades son asignadas aleatoriamente a los distintos niveles o
categorías de la variable o variables manipuladas.
12. ¿Cuál es el propósito del Diseño Experimental?

El propósito del diseño de experimentos es establecer las metodologías que aseguren las
conclusiones válidas y objetivas en el desarrollo de experimentos.
La mayor parte de la investigación científica se realiza por medio de los experimentos, y
para que un experimento tenga validez, tiene que ser realizado mediante un método
objetivo, y hasta ahora, la estadística es la única herramienta que cumple esa
característica para la realización y el análisis de experimentos. El diseño de experimentos
es indispensable para realizar cualquier investigación científica.

13. En relación a los siguientes conceptos básicos, complete:

Concepto Definición Ejemplo

La precisión es el grado de Medir la humedad del
Precisión concordancia entre una medida y suelo en un cultivo, si
 otras de la misma magnitud se realizan varias
realizadas en condiciones mediciones y los
sensiblemente iguales. valores concuerdan
entre sí se puede
hablar de precisión
Obtener los pesos de
Varias muestras de
La exactitud es el grado de
suelo colocadas en
concordancia entre el valor
Exactitud verdadero y el experimental.
cilindros de iguales
dimensiones y que
estos pesos sean los
mismo.
El tratamiento es el proceso de
modificación de factores de una
La fertilización de un
Tratamiento unidad experimental y cuyos
cultivo de fresa
efectos van a ser medidos y
comparados.
Variable controlable por el
experimentador (Niveles del Rendimiento del
Factor factor o tratamientos) cultivo de fresa

Los niveles son los tipos o

Cantidad de fresa
grados específicos del factor
Nivel que se tendrán en cuenta en
que carga cada
Planta.
la realización del experimento
La unidad experimental es el
elemento (planta, animal u Una parcela que
Unidad
objeto) al que se le modificarán contiene 15 plantas de
experimental en forma planeada factores para fresa
revisar su respuesta.
Una planta de fresa
Es la menor unidad de
Unidad básica medición en un experimento
que se cuenta el
número de frutos.
El número de veces
El número de veces que un
que se considere
tratamiento se aplica al mismo
Réplica número de unidades
evaluar una planta
con el mismo
experimentales.
tratamiento
Es un conjunto de unidades Conjunto de plantas
experimentales de los más que se quiere evaluar
Bloque homogéneo posible que reciben aplicando diferentes
el mismo tratamiento. tratamientos
Consiste en escoger
La asignación de las unidades
una réplica de un
experimentales a los distintos
tratamiento
Aleatorización tratamientos y el orden en el que
cualesquiera, que este
se realizan los ensayos se
dentro de un bloque
determinan al azar.
experimental.
En los experimentos agrícolas, Este efecto de borde
muchas veces existen se lo aprecia cuando
diferencias en los efectos que un cultivo establecido
se expresan en las unidades en una parcela
Efecto de borde situadas en los perímetros de muestra diferencias
la parcela en relación con de tamaño y
aquellas unidades en la parte producción en las
central plantas periféricas
El error experimental
El error experimental es la
será mayor si
Error experimental variación de resultados debido a
comparamos
factores externos al experimento
resultados de:
 evaluación biológica de
un tratamiento
realizada en diferentes
suelos.
Más no así si
comparamos dentro
del mismo tratamiento
y el mismo suelo.
Es una técnica estadística que
sirve para analizar la variación
total de los resultados
Se puede aplicar un
experimentales de un diseño en
análisis de varianzas
Análisis de particular, descomponiéndolo en
cuando se quieren
varianza fuentes de variación
compara dos o más
independientes atribuibles a cada
poblaciones.
uno de los
efectos en que constituye el
diseño experimental
Si al realizar una
prueba t de una
muestra obtenemos un
Se define como la máxima
valor p menor al valor
probabilidad de rechazar la
Nivel de se significancia, de
hipótesis nula cuando esta es
Significación este modo se concluye
verdadera se la denota como
que se rechaza la
α
hipótesis nula y se
concluye a favor de la
hipótesis alterna.
Si el valor p está por
Es un método que permite debajo del nivel de
determinar si una propiedad significación se puede
supuesta en una población decir que la diferencia
Significancia estadística presenta es estadísticamente
compatibilidad con lo que significativa y se
se observa en una muestra de procede a rechazar la
la misma hipótesis nula de
prueba.

14. Plantee dos problemas cuya solución necesita determinar experimentalmente.

 Determinar la cantidad de boro optimo necesario para la producción de
hortensias en un ambiente controlado.
 Calcular la cantidad de volumen de agua que corre a través del rio Malacatos
en el periodo de 1 año.
15. Sobre Errores en la Experimentación, complete

Error Definición Ejemplo

Es aquel que se produce de igual
Medida de una longitud
modo en todas las mediciones
con una regla la regla
que se realizan de una magnitud.
está mal
Sistemático Puede estar originado en un
calibrada y da
defecto del instrumento, en una
longitudes menores (o
particularidad del operador o del
mayores)
proceso de medición
 Medida de una
Es una medida de la variación longitud con una
Aleatorio o existente entre observaciones regla error en la
experimental sobre medidas experimentales interpolación entre
tratadas de forma similar. dos marcas por el
experimentador

16. ¿Cómo puede evitar errores sistemáticos?

Existen dos recursos básicos para reducir el efecto no deseado de la presencia de los
errores. Estos recursos son la aleatorización y la repetición.
- Aleatorización: La aleatorización consiste en la asignación aleatoria de las unidades
experimentales a los distintos tratamientos. Esta técnica tiene por objeto evitar que
unidades experimentales que responden de manera particular a los tratamientos (poca
respuesta, respuesta exagerada) no sean asignadas a un mismo tratamiento sino
distribuidas lo más equitativamente posible entre ellos.
- Repetición: El objetivo principal de esta técnica es lograr que la recreación del
tratamiento para cada unidad experimental evite la introducción de un error sistemático
en todas las unidades experimentales de un mismo tratamiento.
17. ¿Cómo puede reducir la varianza del error experimental?
Precisión: Cuando un experimento es infinitamente preciso es capaz de detectar
cualquier diferencia entre medias de tratamientos. Este caso ideal se obtiene cuando la
varianza del error es cero, pero esta situación no ocurre en la naturaleza. Por el contrario,
todos los experimentos tienen un umbral por debajo del cual no son capaces de distinguir
entre tratamientos diferentes. Cuanto más preciso es el experimento más bajo es el
umbral y viceversa. Por lo tanto, un objetivo principal del diseño es aumentar la precisión
de un experimento. Los recursos para lograr un aumento de precisión son el incremento
del número de repeticiones, el reconocimiento de fuentes sistemáticas de variación entre
parcelas y, en algunos casos, el uso de experimentos factoriales
18. ¿Qué importancia tiene la reproducción en un experimento?
El objetivo principal de esta técnica es lograr que la recreación del tratamiento para cada
unidad experimental evite la introducción de un error sistemático en todas las unidades
experimentales de un mismo tratamiento.
19. ¿Qué importancia tiene la aleatorización en un experimento?

La aleatorización en un diseño de experimentos, centra su atención en minimizar efectos

sistemáticos, la aleatorización hace referencia al proceso mediante el que se asigna cual
tratamiento recibirá cada una de las unidades experimentales.
Consiste en la asignación aleatoria de las unidades experimentales a los distintos
tratamientos. Esta técnica tiene por objeto evitar que unidades experimentales que
responden de manera particular a los tratamientos (poca respuesta, respuesta
exagerada) no sean asignadas a un mismo tratamiento sino distribuidas lo más
equitativamente posible entre ellos.

20. ¿Cómo incide el tamaño de la unidad experimental en la precisión?

Los estudios con tamaños muéstrales insuficientes, no son capaces de detectar
diferencias entre grupos, llegando a la conclusión errónea de que no existe tal diferencia.
Cuando un experimento es infinitamente preciso es capaz de detectar cualquier
diferencia entre medias de tratamientos. Este caso ideal se obtiene cuando la varianza
del error es cero, pero esta situación no ocurre en la naturaleza. Por el contrario, todos
los experimentos tienen un umbral por debajo del cual no son capaces de distinguir entre
tratamientos diferentes. Cuanto más preciso es el experimento más bajo es el umbral y
viceversa. Por lo tanto, un objetivo principal del diseño es aumentar la precisión de un
experimento. Los recursos para lograr un aumento de precisión son el incremento del
número de repeticiones.
 21. Sobre los diseños experimentales, complete:
Diseño Modelo matemático Notación
𝒀𝒊𝒋: valor de un componente aleatorio
𝒀𝒊𝒋 = 𝝁𝒊 + 𝜶𝒋 + 𝜺𝒊𝒋 𝝁𝒊 : es la media
Completamente al azar
𝜶𝒋 : es el efecto del i-esimo tratamiento
𝜺𝒊𝒋 : es el error experimental de la unidad ij.
𝐘𝐢𝐣:observación de la unidad experimental de i-ésimo
tratamiento y la j-ésima réplica
𝛍:es la gran media
𝜶𝒊 : es el efecto del i-esimo tratamiento
Bloques al azar 𝐘𝐢𝐣 = 𝛍 + 𝜶𝒊 + 𝜷𝒋 + 𝜺𝒊𝒋
𝜷𝒋 : es el efecto del j-ésimo bloque o replica
𝜺𝒊𝒋 : valores de la variable aleatorias independientes
normalmente distribuidas que tienen media 0 y varianza ϭ2
(error experimental)
𝛍:es la gran media
𝜶𝒊 : es el efecto del i-ésimo reglón
𝜷𝒋 : es el efecto de la j-ésima columna

𝒀𝒊𝒋(𝒌)𝑰 = 𝝁 + 𝝈𝒊 + 𝜷𝒋 + 𝜸𝒌 + 𝝆𝒍 + 𝜺𝒊𝒋 𝜸𝒌 : es el efecto del k-ésimo tratamiento

Cuadrado latino
𝝆𝒍 : es el efecto de la l-ésimo repetición
𝜺𝒊𝒋 : valores de la variable aleatorias independientes
normalmente distribuidas que tienen media 0 y varianza
común ϭ2
𝒀𝒊𝒋: valor de un componente aleatorio
𝝁𝒊 : es la media
𝜶𝒋 : es el efecto del j-esimo tratamiento
Bifactorial en Diseño 𝒀𝒊𝒋𝒌 = 𝝁𝒊 + 𝜶𝒋 + (𝝁𝜶)𝒊𝒋 + 𝜷𝒌 +𝜺𝒊𝒋𝒌
(𝝁𝜶)𝒊𝒋 : es la interacción o efecto conjunto, del i-ésimo
completamente al azar
nivel del factor A y del j-ésimo nivel del factor B
𝜷𝒌 : es el efecto del k-esimo tratamiento
𝜺𝒊𝒋𝒌 : es el error experimental de la unidad ijk.
 𝒀𝒊𝒋: valor de un componente aleatorio
𝝁𝒊 : es la media
𝜶𝒋 : es el efecto del j-esimo tratamiento
(𝝁𝜶)𝒊𝒋 : es la interacción o efecto conjunto, del i-ésimo
𝒀𝒊𝒋𝒌 = 𝝁𝒊 + 𝜶𝒋 + (𝝁𝜶)𝒊𝒋 + 𝜷𝒌 +(𝝁𝜷)𝒊𝒌 + (𝜶𝜷)𝒋𝒌 + (𝝁𝜶𝜷)𝒊𝒋𝒌 + 𝜸𝒍 + 𝜺𝒊𝒋𝒌𝒍 nivel del factor A y del j-ésimo nivel del factor B
Trifactorial en Diseño
completamente al azar 𝜷𝒌 : es el efecto del k-esimo tratamiento
(𝝁𝜷)𝒊𝒌 + (𝜶𝜷)𝒋𝒌 : son las interacciones
(𝝁𝜶𝜷)𝒊𝒋𝒌 :interacción del factor ABC
𝜸𝒍 : es el efecto del l-esimo tratamiento
𝜺𝒊𝒋𝒌𝒍 : es el error experimental de la unidad ijkl.
𝛍:es la gran media
𝜶𝒊 : es el efecto del i-ésimo nivel de falctor A
𝜷𝒋 : es el efecto del j-ésima nivel del factor B
(𝜶𝜷)𝒊𝒋 :es la interacción o efecto conjunto, del i-ésimo
Bifactorial en Diseño
𝒀𝒊𝒋𝒌 = 𝝁 + 𝝈𝒊 + 𝜷𝒋 + (𝜶𝜷)𝒊𝒋 + 𝝆𝒌 + 𝜺𝒊𝒋𝒌 nivel del factor A y del j-ésimo nivel del factor B
bloques al azar
𝝆𝒌 : es el efecto de la k-ésima replica
𝜺𝒊𝒋𝒌 : valores de variables aleatorias independientes que
tienes distribuciones normales con medias 0 y varianza
común ϭ2
𝛍:es la gran media
𝜶𝒊 : es el efecto del i-ésimo nivel de falctor A
𝜷𝒋 : es el efecto del j-ésima nivel del factor B
𝜸𝒌 : es el efecto del k-ésimo nivel del factor C
Trifactorial en Diseño +(𝜶𝜷)𝒊𝒋 + (𝜶𝜸)𝒊𝒌 + (𝜷𝜸)𝒋𝒌 + (𝜶𝜷𝜸)𝒊𝒋𝒌 : Son las
𝒀𝒊𝒋𝒌 = 𝝁 + 𝝈𝒊 + 𝜷𝒋 + 𝜸𝒌 + (𝜶𝜷)𝒊𝒋 + (𝜶𝜸)𝒊𝒌 + (𝜷𝜸)𝒋𝒌 + (𝜶𝜷𝜸)𝒊𝒋𝒌 + 𝝆𝒍 + 𝜺𝒊𝒋𝒌𝒍
bloques al azar Interacciones
𝝆𝒍 : es el efecto de la l-ésimo replica
𝜺𝒊𝒋𝒌𝒍 : valores de variables aleatorias independientes que
tienes distribuciones normales con medias 0 y varianza
común ϭ2.
 a1, a2, a3 y a4 son los niveles del factor A
Parcelas divididas en Diseño b1 y b2 son niveles del factor B
completamente al azar a11, a22, a33 y a44 son los niveles del factor C

a1, a2, a3 y a4 son los niveles del factor A

b1 y b2 son niveles del factor B
Parcelas sub-divididas en
a11, a22, a33 y a44 son los niveles del factor C
Diseño completamente al
a1b1, a2b1, a3b1 y a4b1 a1b2, a2b2, a3b2 y a4b2 son los
azar
niveles del factor AB

a1, a2, a3 y a4 son los niveles del factor A

b1 y b2 son niveles del factor B
a11, a22, a33 y a44 son los niveles del factor C
Parcelas sub-sub divididas en a1b1, a2b1, a3b1 y a4b1 a1b2, a2b2, a3b2 y a4b2 son los
Diseño completamente al niveles del factor AB
azar a1b1, a2b1, a3b1 y a4b1 a1b2, a2b2, a3b2 y a4b2, b1a1 1,
b1a22, b1a33 y b1a44 ,b2a11, b2a22, b2a33 y b2a44 son los
niveles del factor ABC

Parcelas divididas en Diseño a1, a2, a3 y a4 son los niveles del factor A
bloques al azar b1 y b2 son niveles del factor B
 a1, a2, a3 y a4 son los niveles del factor A
b1 y b2 son niveles del factor B
Parcelas sub-divididas en a11, a22, a33 y a44 son los niveles del factor C
Diseño bloques al azar a1b1, a2b1, a3b1 y a4b1 a1b2, a2b2, a3b2 y a4b2 son los
niveles del factor AB

a1, a2, a3 y a4 son los niveles del factor A

b1 y b2 son niveles del factor B
a11, a22, a33 y a44 son los niveles del factor C
Parcelas sub-sub divididas en a1b1, a2b1, a3b1 y a4b1 a1b2, a2b2, a3b2 y a4b2 son los
Diseño bloques al azar niveles del factor AB
a1b1, a2b1, a3b1 y a4b1 a1b2, a2b2, a3b2 y a4b2, b1a1 1,
b1a22, b1a33 y b1a44 ,b2a11, b2a22, b2a33 y b2a44 son los
niveles del factor ABC
22. Sobre los diseños experimentales, complete:
Diseño Fuentes de variación
Tratamientos
Completamente al azar
Error experimental
Replicas
Bloques al azar Tratamientos
Error experimental
Filas
Columnas
Cuadrado latino
Tratamientos
Error experimental
Tratamientos
Factor A
Bifactorial en Diseño
Factor B
completamente al azar
Interacción AB
Error experimental
Tratamientos
Factor A
Factor B
Interacción AB
Trifactorial en Diseño
Factor C
completamente al azar
Interacción AC
Interacción BC
Interacción ABC
Error experimental
Replicas
Tratamientos
Bifactorial en Diseño bloques al Factor A
azar Factor B
Interacción AB
Error experimental
Replicas
Tratamientos
Factor A
Factor B
Trifactorial en Diseño bloques al Interacción AB
azar Factor C
Interacción AC
Interacción BC
Interacción ABC
Error experimental
Parcela principal
Parcelas divididas en Diseño Factor A
completamente al azar Error exp. A
Subparcela
 Factor B
Interaccion AB
Error Exp.
Parcela principal
Factor A
Error exp. A
Subparcela
Factor B
Parcelas sub-divididas en Diseño Interaccion AB
completamente al azar Error Exp.
Factor C
Interacción AC
Interacción BC
Interacción ABC
Error Exp.
Parcela principal
Factor A
Error exp. A
Subparcela
Factor B
Interaccion AB
Error Exp.
Parcelas sub-sub divididas en Factor C
Diseño completamente al azar Interacción AC
Interacción BC
Interacción ABC
Error Exp.
Factor D
Interacción AD
Interacción BD
Interacción CD
Parcela principal
Replicas
Factor A
Parcelas divididas en Diseño Error exp. A
bloques al azar Subparcela
Factor B
Interaccion AB
Error Exp.
Parcela principal
Replicas
Factor A
Parcelas sub-divididas en Diseño
Error exp. A
bloques al azar
Subparcela
Factor B
Interaccion AB
 Error Exp.
Factor C
Interacción AC
Interacción BC
Interacción ABC
Error Exp.
Parcela principal
Replicas
Factor A
Error exp. A
Subparcela
Factor B
Interaccion AB
Error Exp.
Factor C
Interacción AC
Parcelas sub-sub divididas en Interacción BC
Diseño bloques al azar Interacción ABC
Error Exp.
Factor D
Interacción AD
Interacción BD
Interacción CD
Interacción ABD
Interacción BCD
Interacción ACD
Interacción ABCD
Error Exp.

23. En relación a las Hipótesis, complete:

Hipótesis Definición Ejemplo

Una hipótesis de investigación es una afirmación que

realizan los investigadores cuando especulan sobre el
resultado de una investigación o experimento
Valdivieso José (1991).
Se expone una teoría del
Una hipótesis de investigación representa un elemento
rendimiento de Tomate que se
fundamental en el proceso de investigación. Después
Investigación desarrollará para ser demostrad a
de formular un problema, el investigador enuncia la
los agricultores que siembran
hipótesis, que orientará el proceso y permitirá llegar a
tomate
conclusiones concretas del proyecto que recién
comienza Arcos Marcos (2008).

La hipótesis de investigación ha sido bien elaborada, y

en ella se observa claramente la relación o vínculo
entre dos o más variables, es factible que el
investigador pueda:
 -Elaborar el objetivo, o conjunto de objetivos que
desea alcanzar en el desarrollo de la investigación
-Seleccionar el tipo de diseño de investigación factible
con el problema planteado.
-Seleccionar el método, los instrumentos y las técnicas
de investigación acordes con el problema que se
desea resolver
-Seleccionar los recursos, tanto humanos como
materiales, que se emplearán para llevar a feliz
término la investigación planteada Córdova José
(2013)

La hipótesis nula es aquella que nos dice que no

existen diferencias significativas entre los grupos Una
hipótesis nula es importante por varias razones: Es
una hipótesis que se acepta o se rechaza según el
resultado de la investigación. El hecho de contar con
una hipótesis nula ayuda a determinar si existe una
diferencia entre los grupos, si esta diferencia es
significativa, y si no se debió al azar. Hernández R.
(1991).
El rendimiento de la población de
Nula
La hipótesis nula (H0) constituye una parte esencial de maíz A es igual a la muestra B
cualquier diseño de investigación y siempre es puesta
a prueba, aunque sea indirectamente Martyn
Shuttleworth (2008).

La hipótesis nula es una afirmación que no se rechaza

a menos que los datos de la muestra parezcan
evidenciar que es falsa. Para afirmar que la hipótesis
nula es verdadera se requiere estudiar a toda la
población Lind, Marchal & Wathen (2013).

Es igualmente una afirmación acerca de la población

de origen. Muchas veces, aunque no siempre, consiste
simplemente en negar la afirmación de H0. La
hipótesis alternativa se designa con el símbolo H1
Rodríguez Luis (1990)

Son posibilidades alternativas ante las hipótesis de

investigación y nula. Ofrecen otra descripción,
explicaciones distintas a las que proporcionan los ya
Alternativa El rendimiento de la población de
mencionados tipos de hipótesis, estas sólo pueden
tomate A es diferente al de la B
formularse cuando efectivamente hay otras
posibilidades adicionales a las hipótesis de
investigación y nula Zorrillo Santiago (2006).

Son aquellas que plantean opciones distintas a la

hipótesis de trabajo o de investigación Agustín
Cisneros (2013).

24. En relación de los Supuestos del Modelo Estadístico, complete:

 Supuesto Definición Consecuencias
La aditividad se refiere a que el modelo de
regresión lineal es aditivo (Gonzalo, 2015).

La función de probabilidad debe ser aditiva y, En este modelo Yij representa la respuesta
empleando la inducción matemática, se puede al i-ésimo nivel de factor B, µ representa
extender la aditividad a cualquier número finito una media general, αi el efecto que
de sucesos que mutuamente se excluyen (Miller produce el i-ésimo nivel del factor A, βj
& Freud, 1963). corresponde al j-ésimo nivel del factor b y
Aditividad єij es el error asociado a la observación ij-
La ley aditiva es útil cuando se tienen dos ésima que como siempre se supone
eventos y se desea conocer la probabilidad de normales, independientes, con esperanza
que ocurra al menos uno de ellos. Esto es, con cero y varianza común σ2.
los eventos A y B nos interesa conocer la Esta no debe estar al cuadrado par que no
probabilidad de que suceda el evento A, o el se anule en experimento
evento B, o ambos (Morales, 2009).

La linealidad examina qué tan exactas son sus

mediciones a través del rango de mediciones
esperado. La linealidad indica si el sistema de
medición tiene la misma exactitud a través de
todos los valores de referencia (Minitab, 2016).

La regresión lineal es uno de los

procedimientos estadísticos más útiles y
provechosos disponibles para el metrólogo. El error de linealidad generalmente es la
Siendo también muy utilizadas regresiones de mayor desviación de la mejor línea
Linealidad orden mayor y otras regresiones no lineales, así Recta que puede dibujarse a lo largo de los
como regresiones múltiples (Fluke. 1994). puntos de calibración medidos (error
utilizado en la evaluación de conformidad).
La linealidad se sigue analizando mediante
métodos de consistencia gráfica, sin embargo el
análisis numérico siempre es necesario cuando
se requiere de una evaluación cuantitativa. En
este escenario el cálculo de curvas de ajuste
mediante el método de mínimos cuadrados se
hace imprescindible (Metas y metrólogos
asociados, 2008).
Elija Estadísticas > Estadísticas básicas >
Prueba de normalidad. Los resultados de la
prueba indican si se debe rechazar o no se
puede rechazar la hipótesis nula de que los
datos provienen de una población distribuida
La presencia de ligeras violaciones a este
normalmente. Puede realizar una prueba de
supuesto no es muy grave, no afectándose
normalidad y producir una gráfica de
de forma importante la probabilidad de
probabilidad normal en el mismo análisis. La
Normalidad cometer Error de tipo I, pero en algunos
prueba de normalidad y la gráfica de
casos puede elevarse demasiado la
probabilidad suelen ser las mejores
probabilidad de cometer error tipo II.
herramientas para juzgar la normalidad,
especialmente cuando se trata de muestras
pequeñas (Minitab, 2016).

Un caso específico de ajuste a una distribución

teórica es la correspondiente a la distribución
 normal. Este contraste se realiza para
comprobar si se verifica la hipótesis de
normalidad necesaria para que el resultado de
algunos análisis sea fiable, como por ejemplo
para el ANOVA (Salgado, 1990).
Independencia entre los residuos mediante el
estadístico de Durbin-Watson que toma valor
2 cuando los residuos son completamente
independientes (entre 1.5 y 2.5 se considera
que existe independencia), DW<2
autocorrelación positiva y DW>2
autocorrelación negativa. (INFORMATICA,
2007)
Tiene que tomarse aleatoriamente los datos
Supuesto esté particularmente relevante
para que no se puede anular el
cuando los datos se han recogido siguiendo la
Independencia experimento
secuencia temporal. (multivariables, 1999)
Tienen que ser homogéneos la para que no
se inhabilite los resultados
Una ayuda valiosa para estudiar la posible
falta de independencia entre los errores es
realizar un gráfico de los residuos según la
secuencia en el tiempo o espacio físico en que
han sido colectados los datos; por supuesto
que para tal prueba debe conocerse cómo ha
sido el mecanismo de recolección de datos.
(Balzarini, 2011)

Implica que la variación de los residuos sea

uniforme en todo el rango de valores de los
pronósticos (gráfico sin pautas de asociación).
(INFORMATICA, 2007)

El supuesto de homocedasticidad implica que

la variación de los residuos sea uniforme en
todo el rango de valores de los pronósticos
(gráfico sin pautas de asociación). El supuesto
La varianza de los errores es constante
Varianzas homogéneas de homocedasticidad implica que la variación
Invalida los resultados
de los residuos sea uniforme en todo el rango
de valores de los pronósticos (gráfico sin
pautas de asociación). (multivariables, 1999)

Cuando los términos de error tienen varianzas

homogéneas y el modelo explica bien a los
datos (es decir no queda ninguna fuente de
variación sistemática que aún se pueda
remover), (Balzarini, 2011)