UNIVERSIDAD AUTÓNOMA

CHAPINGO

DEPARTAMENTO DE ENSEÑANZA,
INVESTIGACIÓN Y SERVICIO EN SUELOS

MAESTRÍA EN CIENCIAS EN AGROFORESTERÍA PARA EL

DESARROLLO SOSTENIBLE

DISEÑOS EXPERIMENTALES

Tarea 2

Ejercicios de DCA, DBCA y CL

Presenta

Neidy Pérez Álvarez

Profesor

Dr. Julio César Buendía Espinoza

Chapingo, México a 27 de noviembre de 2017

[0]
Contenido
I. Introducción..........................................................................................................................................1
I.1 Definiciones..............................................................................................................................................1
I. Diseño Completamente al Azar.............................................................................................................1
II.2 Modelo....................................................................................................................................................2
II.3 Hipótesis..................................................................................................................................................2
II.4 Anàlisis de varianza (Anova)....................................................................................................................2
II. Diseño Bloques al Azar..........................................................................................................................3
III.2 Modelo...................................................................................................................................................3
III.3 Hipótesis.................................................................................................................................................4
III.4 Anàlisis de varianza (Anova)...................................................................................................................4
III. Cuadro latino.....................................................................................................................................5
IV.2 Modelo...................................................................................................................................................5
IV.3 Hipótesis.................................................................................................................................................5
IV.4 Anàlisis de varianza (Anova)...................................................................................................................6
IV. PROBLEMAS.......................................................................................................................................7
Problema A....................................................................................................................................................7
Problema B..................................................................................................................................................12
Problema C..................................................................................................................................................14
Problema C..................................................................................................................................................19
Problema D..................................................................................................................................................28
Problema E..................................................................................................................................................35
Problema I.....................................................................................................................................................0
Problema J.....................................................................................................................................................5

[1]
 I. Introducción

El diseño experimental es una técnica estadística que permite identificar y cuantificar las
causas de un efecto dentro de un estudio experimental. En un diseño experimental se
manipulan deliberadamente una o más variables, vinculadas a las causas, para medir el
efecto que tienen en otra variable de interés. El diseño experimental prescribe una serie
de pautas relativas qué variables hay que manipular, de qué manera, cuántas veces hay
que repetir el experimento y en qué orden para poder establecer con un grado de
confianza predefinido la necesidad de una presunta relación de causa-efecto.

I.1 Definiciones
 Experimento: acción emprendida con el fin de descubrir algo que es
desconocido.
 Tratamiento: concepto que se desea evaluar y comparar.
 Unidad experimental: área física mínima sobre la cual se aplica un solo
tratamiento.
 Variable respuesta: dato o medida que se cuantifica en cada unidad
experimental y cuyos valores permiten evaluar la acciòn o efectividad de los
tratamientos y hacer comparaciones entre estos.

II. Diseño Completamente al Azar

El diseño completamente al azar es una prueba basada en el análisis de varianza, en

donde la varianza total se descompone en la “varianza de los tratamientos” y la
“varianza del error”. El objetivo es determinar si existe una diferencia significativa entre
los tratamientos, para lo cual se compara si la “varianza del tratamiento” contra la
“varianza del error” y se determina si la primera es lo suficientemente alta según la
distribución F.

II.1 Modelo
Para este diseño el modelo aditivo lineal es:

Yii     
i ij
Donde
Yij= es la respuesta (variable de interés o variable medida)
µ= es la media general del experimento
Ƭi= es el efecto de tratamiento
Ɛij= es el error aleatorio asociado a la respuesta Yij

[2]
II.2 Hipótesis

En un diseño completamente al azar, la hipótesis nula es que los efectos de

tratamientos (β) son todos iguales, lo que se expresa por: H0 : β1 = β2 = β2 .. . . La
hipótesis alterna es que hay al menos un efecto de tratamiento que es diferente a los
demás. Para probar la hipótesis, en la tabla ANOVA se comparan los cuadrados medios
de tratamientos respecto a los cuadrados medios del error, los primeros deben ser
suficiente mayores que los segundos.
Debido a que los cuadrados medios se distribuye ji-cuadrada, al dividir dos variables con
distribución ji-cuadrada se obtiene una variable con una distribución F (Fisher). Es por
esto que la división de los cuadrados medios de tratamientos entre cuadrados medios
del error se le llama «F calculada», y se puede ubicar en esta distribución.
El nivel de significancia es de 0.05 (95% de seguridad), es decir, que se tiene que
identificar el punto (F tabular con nivel de significancia de 0.05), cuya área a la derecha
sea de 0.05; si Fc logra ser mayor que Ft entonces es cuando se rechaza la Ho. En el
caso de los paquetes computacionales, no se usan las columnas Fc y Ft , se cambia por
la probabilidad de que ocurra Fc, cuando esto ocurre, se rechaza H0 cuando la
probabilidad es menor a 0.05.

II.3 Anàlisis de varianza (Anova)

[3]
 III. Diseño Bloques al Azar

En algunos experimentos las unidades diseño experimentales no son homogéneas, es

decir, algunas tienen características diferentes a las demás. Para eficientar el
experimento las unidades experimentales se agrupan por su homogeneidad y a esos
grupos se les aplican los tratamientos. Así se evalúa también el impacto del grupo de
unidades llamado bloque. La varianza total se va a separar en tres varianzas, la de
tratamientos, la de bloques y la del error.

III.1 Modelo

Cada observación del experimento es expresada mediante una ecuación lineal en los
parámetros, el conjunto conforma el modelo para el diseño de bloques completos al
azar:

Yij        
i j ij

Donde
Yij= es la respuesta (variable de interés o variable medida)
µ= es la media general del experimento
Ƭi= es el efecto de tratamiento
βj= efecto del bloque
Ɛij= es el error aleatorio asociado a la respuesta Yij

III.2 Hipótesis

Se asume, por hipótesis de nulidad, que las medias de los grupos experimentales
proceden de una misma población y que, por consiguiente, son iguales:
H0: µ1 = µ2 = µ3
En la hipótesis alternativa se especifica que, por lo menos, hay una diferencia entre las
medias de los tres tratamientos. En términos estadísticos, se tiene:
H1: por lo menos una desigualdad

[4]
III.3 Anàlisis de varianza (Anova)

Fuente de Grados de Suma de Cuadrado medio F calculada F de tablas

variación (F.V.) libertad cuadrados (C.M.) (Fcal) (Ftab)/ P
(G.L.) (S:C)
Bloques (r – 1) S.C. Bloques C . M . Bloques P-value ó
C . M . Error Fα (v1, v2)

Tratamiento (t – 1) S.C. S . C . Tratamiento C . M . Trat P-value ó

Tratamiento t−1 C . M . Error Fα (v1, v2)
Error exp. (r - 1) (t - 1) S.C. Error exp. S . C . Error exp
( r−1)(t−1)
Total (t x r x m - 1) S. C. Total

IV. Cuadro latino

El diseño de Cuadrado Latino es un plan experimental donde cada tratamiento sólo

aparece una vez en cada fila y en cada columna. Asimismo, el Cuadro Latino siempre
requiere, por definición, tres dimensiones de variación a d niveles cada una. Los
Cuadrados Latinos se representan tradicionalmente por tablas dxd, con letras en las
casillas para simbolizar los niveles de la variable de tratamiento.

IV.1 Modelo

Cada observación del experimento es expresado, como una relación lineal de los
efectos involucrados (tratamiento, fila y columna), así:
Y ij(k) =µ+ Fi +Cj+ τ(k) + errorij (k )i

Donde:
i,j,k=1,2,...,n
µ = efecto medio (parámetro del modelo)
Fi = efecto de la fila i C j = efecto de la columna j
τ (k) = efecto del tratamiento k
error ij(k) = error experimental de la unidad experimental
Y ij(k) = Observación en la unidad experimental

[5]
IV.2 Hipótesis
La hipótesis principal recoge el efecto de los tratamientos, y las hipótesis
secundarias los efectos de filas y columnas.
Hipótesis principal
H0: 1 = 2 = 3 = 0
Hipótesis secundarias
H0: ß1 = ß2 = ß3 = 0
H0: 1 = 2 = 3 = 0
La primera hipótesis alternativa está asociada a la hipótesis experimental o hipótesis
sobre los tratamientos, y las dos hipótesis alternativas están asociadas a los efectos
de filas y columnas, respectivamente. Estas tres hipótesis alternativas tienen la
misma expresión.
H1: por lo menos una desigualdad

IV.4 Anàlisis de varianza (Anova)

[6]
 I. PROBLEMAS
Problema A
Se evaluó el efecto de la pulpa del café (Coffea arabica L.) sobre el
rendimiento y eficiencia biológica de la cepa ECS-0110 de Pleurotas ostreatus
utilizando estopa de coco (Cocus nucifera L.) y estróbilos de pino (Pinus
spp.) como sustratos. Los resultados obtenidos para la variable rendimiento,
expresado en gramos de hongo fresco obtenido por cada 454 gramos de
sustrato seco, se presentan a continuación:

Los tratamientos son expresados en proporciones de sustrato en peso seco.

a) Plantee las hipótesis a evaluar.

Ho = τ 1 =τ 2=τ 3=τ 4=τ 5=τ 6=τ 7=τ 8 =τ 9 =τ 10=τ 11=τ 12=τ 13=0

Ha = Al menos un τ i ≠ 0
b) Describa el modelo estadístico matemático

y i=μ+ τ i +ε ij
El modelo estadístico para el Diseño completamente al azar es lineal e incluye a la media
general, se suma el efecto de los tratamientos y finalmente se tiene el error experimental
asociado.

[7]
 c) Realice el ANOVA y concluya en términos del problema

El experimento planteado tiene un total de 13 tratamientos y 5 repeticiones, en el extremo

inferior derecho se tiene la suma y promedio general respectivamente. Por cada línea y
columna se tiene la suma y promedio por tratamientos y repeticiones respectivamente.

Para completar el cuadro de análisis de varianza se procede de la siguiente forma:

t = Numero de tratamientos.
n = Total de observaciones.

Se calcula el factor de corrección

y 2¿∗¿ (271.09+265.15+ .… .+362.79+ 605.12)2

F . C .= = =7447542¿
n 65
Y las sumas de cuadrados totales, de tratamiento y del error
t ri
S .C .Total=∑ ∑ y ij2−F .C .
i=1 j=1

S .C .Total=271.09 2+265.15 2+. … . 362.792+ 605.122−F . C .

S .C .Total=895442
t
y 2i∗¿
S .C .T ratamiento=∑ −F . C . ¿
i=1 ri

1739.872 +1564.832 +. … .+1968.922+2918.4 2

S .C .T ratamiento= =761066.9
5
Aquí, se divide una sola vez por r i = 5 porque las repeticiones por cada tratamiento son
iguales (caso balanceado). En caso contrario se debe hacer la división por el respectivo r i .

S .C . Error=S . C . Total−S .C . Tratamiento=895442−761066.9=134375.1

S .C . Total 761066.9
CM ( T rat amiento )= = =63422.24
t−1 12
S .C . Error 134375.1
CM ( E rror )= = =2584.137
n−t 52

[8]
 C . M .(T rat amiento) 63422.24
Fcal= = =24.543
C . M .( Er ror ) 2584.137

Para hacer el anova, se tiene que:

Fuente de Grados de Suma de cuadrados Cuadrado medio F calculada (Fcal)

variación (F.V.) libertad (G.L.) (S:C) (C.M.)

Tratamiento t-1 S .C .Tratamiento CM ( Tratamiento ) CM (Tratamiento)

CM ( Error)
Error n-t S .C . Error CM ( Error )
Total n-1 S .C .Total

Que sustituyendo en la tabla queda como

Fuente de Grados de Suma de Cuadrado F calculada

variación (F.V.) libertad (G.L.) cuadrados (S:C) medio (C.M.) (Fcal)
Tratamiento 12 761066.9 63422.24 24.543
Error 52 134375.1 2584.137
Total 64 895442

Se rechaza la Ho, si Fc > que Ft. F t−1

n−t ,1−α

Como Fc = 24.543 > Ft = 1.943617 se rechazar Ho de igualdad a cero de los efectos de los
tratamientos τ i y asumir que al menos uno es diferente de cero. Es decir, al menos una de
las
combinaciones de sustratos y pulpa de café presenta una media estadísticamente diferente.

Repeticiones
Tratamientos I II III IV V Suma Promedio
T1 Coco 100% 271.09 468.24 345.02 335.15 320.37 1739.8 347.97
7
T2 Coco-Pulpa 9:I 265.15 371.24 291.68 318.46 318.3 1564.8 312.97
3
T3 Coco-Pulpa 8:2 254.09 171.39 314.33 265.67 285.78 1291.2 258.25
6
T4 Coco-Pulpa 7:3 433.68 278.76 309.75 278.8 309.78 1610.7 322.15
7
T5 Coco-Pulpa 6:4 472.91 439.14 489.8 371.6 448.25 2221.7 444.34
0
T6 Coco-Pulpa 5:5 372.59 484.37 465.79 447.14 484.39 2254.2 450.86
8
T7 Pi no 100% 147.64 210.93 164.52 147.62 189.84 860.55 172.11
T8 Pi no-Pulpa 9:I 227.3 231.85 181.83 195.48 215.92 1052.3 210.48
8

[9]
 T9 Pi no-Pulpa 8:2 197.14 234.13 189.77 246.46 246.46 1113.9 222.79
6
T10 Pi no-Pulpa 7:3 349.87 296.03 376.77 242.2 376.77 1641.6 328.33
4
T11 Pi no-Pulpa 6:4 355.67 385.31 355.66 281.57 385.28 1763.4 352.70
9
T12 Pi no-Pulpa 5:5 527.66 428.75 346.29 303.43 362.79 1968.9 393.78
2
T13 Pulpa 100% (Testigo) 565.82 615.15 552.05 580.26 605.12 2918.4 583.68
0
Suma 4440.61 4615.29 4383.26 4013.84 4549.05 22002.
1
Promedio 341.59 355.02 337.17 308.76 349.93 338.493

d) Si el inciso anterior lo permite realice una comparación de medias de

acuerdo con el diseño de los tratamientos
Dado que en el análisis de varianza se determinó que al menos un tratamiento es diferente
estadísticamente a los demás, se realiza la prueba de Scheffe para determinar cuáles
tratamientos tienen diferencias estadísticamente significativas.
Medias por tratamiento:
Tratamient Media
o
1 347.974
2 312.966
3 258.252
4 322.154
5 444.34
6 450.856
7 172.11
8 210.476
9 222.792
10 328.328
11 352.698
12 393.784
13 583.68

El comparador para la prueba de Scheffe se calcula con la siguiente formula:

2σ 2
SD=√ (t−1)F (t −1 ,gle )∗
√ r
Dónde: t = número de tratamientos, gle = grados de libertad del error, σ 2= cuadrado medio
del error, r = número de repeticiones.

[10]
Las diferencias que sean mayores a SD se consideran estadísticamente significativas.
Para el experimento se tiene:

2∗2584.137
SD=√ ( 12 )∗1.943616∗
√ 5
=4.829431

Ahora se compara si las diferencias de los tratamientos superan el valor de 4.829431.

En esta tabla se presentan el total de comparaciones entre medias, donde se evidencia que
solo el tratamiento 1 vs 11 no presentan diferencias significativas.
Tr Tr Dif Sche Tr Tr Dif Sche
at at ffe at at ffe
1 11 4.724 NS 4 8 111.6 SG
78
1 6 102.8 SG 4 5 122.1 SG
82 86
1 9 125.1 SG 4 6 128.7 SG
82 02
1 8 137.4 SG 4 7 150.0 SG
98 44
1 7 175.8 SG 4 13 261.5 SG
64 26
1 10 19.64 SG 4 11 30.54 SG
6 4
1 13 235.7 SG 4 10 6.174 SG
06
1 4 25.82 SG 4 12 71.63 SG
1 2 35.00 SG 4 9 99.36 SG
8 2
1 12 45.81 SG 5 10 116.0 SG
12
1 3 89.72 SG 5 13 139.3 SG
2 4
1 5 96.36 SG 5 9 221.5 SG
6 48
10 11 24.37 SG 5 8 233.8 SG
64
10 13 255.3 SG 5 7 272.2 SG
52 3
10 12 65.45 SG 5 12 50.55 SG
6 6
[11]
11 13 230.9 SG 5 6 6.516 SG
82
11 12 41.08 SG 5 11 91.64 SG
6 2
12 13 189.8 SG 6 10 122.5 SG
96 28
2 8 102.4 SG 6 13 132.8 SG
9 24
2 5 131.3 SG 6 9 228.0 SG
74 64
2 6 137.8 SG 6 8 240.3 SG
9 8
2 7 140.8 SG 6 7 278.7 SG
56 46
2 10 15.36 SG 6 12 57.07 SG
2 2
2 13 270.7 SG 6 11 98.15 SG
14 8
2 11 39.73 SG 7 10 156.2 SG
2 18
2 3 54.71 SG 7 11 180.5 SG
4 88
2 12 80.81 SG 7 12 221.6 SG
8 74
2 4 9.188 SG 7 8 38.36 SG
6
2 9 90.17 SG 7 13 411.5 SG
4 7
3 12 135.5 SG 7 9 50.68 SG
32 2
3 5 186.0 SG 8 10 117.8 SG
88 52
3 6 192.6 SG 8 9 12.31 SG
04 6
3 13 325.4 SG 8 11 142.2 SG
28 22
3 9 35.46 SG 8 12 183.3 SG
08
3 8 47.77 SG 8 13 373.2 SG
6 04
3 4 63.90 SG 9 10 105.5 SG

[12]
 2 36
3 10 70.07 SG 9 11 129.9 SG
6 06
3 7 86.14 SG 9 12 170.9 SG
2 92
3 11 94.44 SG 9 13 360.8 SG
6 88

Haciendo la comparación del testigo vs los demás tratamientos, se evidencia diferencias

estadísticas en todos los casos. Es decir, el testigo con una media de 583.68 es superior a
todos los demás.
Trat Trat Dif Scheffe
13 2 270.714 SG
13 3 325.428 SG
13 4 261.526 SG
13 5 139.34 SG
13 6 132.824 SG
13 7 411.57 SG
13 8 373.204 SG
13 9 360.888 SG
13 10 255.352 SG
13 11 230.982 SG
13 12 189.896 SG

Problema B
Se realizó un experimento de cuatro raciones para corderos con nueve
corderos por ración. Durante el experimento se presentó una enfermedad y
murieron 16 corderos y se obtuvieron los siguientes resultados:

Racion 1 2 3 4
es
R1 4 3 3 4
5 5 4 1
R2 4 3 3 4
6 3 4 1
R3 4 3 4
9 5 4
[13]
 R4 4 3 4
4 3 3

R5 41
R6 42
R7 44
R8 41
R9 42

a) Plantee las hipótesis a evaluar.

Ho: T1=T2=T3=T4
Vs
Ha: Al menos el efecto de un tratamiento es diferente al de los demás
b) Describa el modelo estadístico matemático
c) Realice el ANOVA y concluya en términos del problema

Bloque
Tratamientos R1 R2 R3 R4
1 45 35 34 41
2 46 33 34 41
3 49 35 44 FC 588289 30963
4 44 33 43 SCTrat 31360.111 398
5 41 1
6 42 SCTotal 31391 428
7 44 SCE 31
8 41
9 42
SUMATORIA 184 68 136 37 767
9
T= 4
r1= 4
r2= 2
r3= 4
r4= 9
ri= 19
Y 2. .
FC = t

∑ ri
i=1

[14]
 t
Yi 2.
S.C. Tratamientos¿ ∑ −FC
i=1 ri
t ri
S.C. Total¿ ∑ ∑ Yij 2−FC
i=1 j=1

S.C. Error= S.C. Total- S.C. Tratamientos

ANOVA
F.V G.L S.C C.M Fcal Ftab
Tratamientos 3 398 133 64 3.29
Error 15 31 2    
Total 18 428      

Se rechaza Ho si Fcal>Ftab. Se rechaza Ho, por lo que se concluye que al menos el efecto de
una de las raciones es diferente a las demás.

d) Si el inciso anterior lo permite realice una comparación de medias de

acuerdo con el diseño de los tratamientos.

Problema C
Se realizó un experimento con el propósito de determinar si existen
diferencias entre cinco variedades de menta (Mentha spicata var.
crispata), denominadas: A, B, C, D y E, para lo cual se sembró cada
variedad en tres macetas y se midieron los crecimientos (en cm.) en
una semana, de los tallos de cuatro plantas por maceta. Los resultados
se presentan a continuación:

[15]
 a. Plantee las hipótesis a evaluar.
Ho: β1= β2 =… =βt vs Ha: al menos el efecto de un bloque es diferente

Ho: No hay diferencias entre las variedades Ha: al menos una variedad es diferente
b. Describa el modelo estadístico matemático
i= 1,2…,t
Y ijk =μ+τ i + β j + ε ij + ηijk j= 1,2…,r
k=1, 2…, m

Yijk= altura de las plantas de menta de la k-maceta de la i-ésima variedad y el j-ésimo bloque
µ= media general de la altura de las mentas
βj= efecto del i-ésimo bloque sobre el crecimiento de las mentas
τi= efecto de la i-ésima variedad
εij= error experimental asociado a la ij-ésima unidad experimental
ηijk= error de muestreo asociado a la ij-ésima unidad experimental

c. Realic

Para hacer el anova de un DBCA con sub muestreo se hace lo siguiente:

Al ser con sub muestreo, primero se suman todos los sub-muestreos (las macetas) para tener un
valor general, que nos permitirá hacer otra tabla con la cual se podrá determinar el factor de
corrección (FC) y las sumas de cuadrados.

[16]
Varied Nùmero de plantas Bloques
ad
1 2 3 4 Variedad 1 2 3 4 Yi
A 13 13 11 12.5 49.5 Para
A 5 5. 4 3.
5 5 B 16 15 16.5 15 62.5 calcular
3. 3. 3 4 C 22 20 24 22 88 los
5 5 grados
D 18.5 20.5 16.5 22 77.5
4. 4 4 5 de
5 E 24 23 24.5 23.5 95
libertad
SUMA 13 13 11 12 Yij 93.5 91.5 92.5 95 372.5
.5
se tiene
B 5 4. 5 4. que:
5 5
5. 6 5 5
5 Total: (t x r x m - 1) = (5 x 4 x 3) -1= 59
5. 4. 6. 5. Variedad: (t – 1) = 5 -1= 4
5 5 5 5 Bloques: (r – 1) = 4 -1 = 3
SUMA 16 15 16 15 Error experimental: (r - 1) (t - 1) = 3 x 4= 12
.5 Error de muestreo: (t x r)(m -1) = (5 x4)(3-1)= 40
C 8. 6 9 7
5 Con este resultado se saca
6. 7 8 7. el F.C. con la fòrmula:
5 5
7 7 7 7. 2
5 Y ..2 (372.5)
F . C .= = =2312.6042
SUMA 22 20 24 22 trm 5 × 4 ×3
D 6 5. 3. 7
5 5 Para la suma de cuadrados totales se emplea:
6 8. 4. 7.
t r b
5 5 5
6. 6. 8. 7. S .C .Totales=∑ ∑ ∑ y 2−F . C .=¿
5 5 5 5 i=1 j=1 k=1

SUMA 18 20 24 23
.5 .5 .5 .5 Por lo que se hace otra tabla, pero esta vez, cada uno de los
E 7 9 8. 8. valores de la tabla original del problema se elevan a l cuadrado y
5 5 se saca la sumatoria total, es decir
6 7 7 7
t r b
11 7 9 8
SUMA 24 23 24 23
∑ ∑ ∑ y 2=( 5 )2 +( 5.5 )2 +… .+( 9 )2 +( 8 )2 =2490.75
i=1 j=1 k=1
.5 .5

Variedade Tratamientos Variedades Tratamientos

s
1 2 3 4 1 2 3 4
A 25 30.25 16 12.25 C 36 30.25 12.25 49
12.25 12.25 9 16 36 72.25 20.25 56.25
20.25 16 16 25 42.25 42.25 72.25 56.25
Por lo que sustituyendo en la
B 25 20.25 25 20.25 D 49 81 72.25 72.25
ecuación se tiene:
30.25 36 25 25 36 49 49 49
30.25 20.25 42.25 30.25 121 49 81 64
Para la suma de cuadrados de
C 72.25 36 81 49 Suma total 2490.75 tratamientos se usa:
42.25 49 64 56.25
[17]
49 49 49 56.25
 ∑ Yi2 ( 49.5 )2+ ( 62.5 )2+ ( 88 )2+ ( 77.5 )2+ ( 95 )2
S .C .Tratamiento= −F . C .= =2427.6458
rm 4 ×3
S .C .Tratamiento=2427.6458−2312.6042=115.0416
De bloques es:

∑ Yj 2 ( 93.5 )2+ ( 91.5 )2 + ( 92.5 )2 + ( 95 )2

S .C . Bloques= −F .C .= =2313.05
tm 5 ×3
S .C . Bloques=2313.05−2312.6042=0.4458
La suma de cuadrado del erro se calcula con:

S .C . Error muestreo=
∑ ∑ Yj 2 −F . C .−S . C . Tratamiento−S . C . Bloques=¿
m

∑ ∑ Yj2 = 7313.75 =2437.9167

m 3
Para calcular esta parte se elevan al cuadrado el resultado de la suma de los sub-muestreos

∑ ∑ Yj2= (13 )2+ (13 )2+ …+ ( 24.5 )2+ ( 23.5 )2=7313.75

Sustituyendo todo en la fòrmula queda como:

S .C . Error muestreo=2437.9167−2312.6042−115.0416−0.4458=9.8251
Se construye la tabla de anova:
Fuente de Grados de Suma de Cuadrado medio F calculada (Fcal)F de tablas
variación (F.V.) libertad (G.L.) cuadrados (S:C) (C.M.) (Ftab)/ P
Variedad (t – 1) S.C. Tratamiento S . C . Tratamiento C . M . Trat
P-value ó
F 2= Fα (v1, v2)
t−1 C . M . Er .exp
Bloques (r – 1) S.C. Bloques
Error exp. (r - 1) (t - 1) S.C. Error exp. S . C . Error exp
( r−1)(t−1)
Error muestreo (t x r)(m -1) S.C. Error S . C . Error muest C . M . Er .exp
muestreo F 1=
(t x r)(m−1) C . M . Er .mues
Total (t x r x m - 1) S. C. Total

Para determinar la S.C. del error experimental, se determina como:

S .C . Error exp=S . C . Total−S .C .Tratamiento−S .C . Bloques−S .C . Error muestral=¿

S .C . Error exp=2020.9125+115.0416 +0.4458+9.8251=77.6
Sustituyendo valores:

[18]
 Fuente de Grados de Suma de Cuadrado medio F calculada (Fcal) F de tablas
variación (F.V.) libertad (G.L.) cuadrados (S:C) (C.M.) (Ftab)/ P
Variedad 4 115.0416 28.7604 17.1061 2
Bloques 3 .4458
Error exp. 12 77.6 6.47 26.34 3.26
Error muestreo 40 9.8251 0.2456
Total 59 202.9125

Para sacar las F1 y F2 se usan las siguientes fòrmulas:

C . M .error exp . 6.47

F 1= = =26.34
C . M . muestra 0.2456

C . M .tratamiento . 28.7604
F 2= = =17.1061
C . M . ep 1.6813

S .C . ee + S .C . em. 77.6+9.8251
C . M . ep= = =1.68125
glee+ glem 12+ 40

La identificación de las coordenadas esta dado por

F2= (gl error experimental, gl muestra) = 12,40 = 2

F1=(gl error tratamientos, gl error experimental) = 4,12= 3.26

Como regla dice que se rechaza Ho si Fcal> si Ftab. En este caso se rechaza Ho, por lo que el
crecimiento de los tallos esta influenciado por la variedad.

d. Comente sobre la efectividad del modelo utilizado.

Para evaluar la efectividad del modelo (al hacer el bloqueo con las macetas), se hace la estimación de
la efectividad:

C . M .residuo 1 5.85806
E= ×100= ×100=0.80407=80.41%
C . M .residuo 2 7.28543

S . C . Total−S .C . Trat 202.9125−115.0416

C . M . residuo 1= = =5.85806
t (r−1) 5( 4−1)
[19]
 S . C . Total−S .C .Trat−S . C . Bloques 202.9125−115.0416−0.4458
C . M . residuo 2= = =7.28543
(t−1)(r−1) (5−1)(4−1)
Se aprecia que no se obtuvo ganancia apreciable en la eficiencia por la formaciòn de bloques, ya que el valor de
esta fue inferior al 100% (80.41%).

Problema C
Usabiaga Gourmet Garlic es una empresa que se dedica al cultivo de
ajo (Allium sativum) utilizando métodos orgánicos. Esta empresa se
especializa en las variedades tipo hardneck. Los propietarios diseñaron
un experimento para evaluar si el crecimiento del ajo es afectado por el
tipo de fertilizante utilizado. En el experimento fue utilizada una
variedad de ajo Rocambole llamada Spanish Roja y evaluados tres
abonos orgánicos y un fertilizante químico (como control). Un acre de
tierra cultivable fue reservado para el experimento, y dividido en 32
camellones, y asignados de forma aleatória los tipos de fertilizante. Al
momento de la cosecha, fueron calculados los pesos promedios de
bulbos (en onzas) de ajo en cada camellón y el número promedio de
dientes de ajo en cada bulbo. Los resultados se presentan en la tabla
siguiente:

[20]
 a) Plantee las hipótesis a evaluar.
Ho: β1= β2 =… =βt vs Ha: al menos el efecto de un tratamiento es diferente

Ho: No hay diferencias entre los abonos orgánicos y el fertilizante en el peso y número de
dientes por bulbo

Ha: hay diferencias entre los abonos orgánicos y el fertilizante en el peso y número de dientes
por bulbo
b) Describa el modelo estadístico matemático

Y ijk =μ+τ i ++ ε ij i= 1,2…,t

j= 1,2…,r

Yijk= respuesta a la fertilización (peso /dientes) en la j-ésima repetición del j-ésimo tratamiento
µ= efecto medio general
τi= efecto atribuido al i-ésimo tratamiento (fertilizante)
εij= error aleatorio. Donde los eij tienen una distribución normal e independiente con media 0 y varianza σ 2.

c) Realice el ANOVA para las dos variables y concluya en términos del

problema.
PESO PROMEDIO
Para hacer el anova del completamente al azar incompleto se calculan los totales de los tratamientos
(aunque estè desblanceado).
Peso promedio
F1 F2 F3 F4
0.24402 0.21588 0.25792 0.20901
0.20891 0.24114 0.2015 0.24754
0.23277 0.1956 0.2335 0.15173
0.20161 0.15851 0.21481 0.17713
0.25285 0.22152 0.22271
0.25362 0.23194 0.23229
0.24118 0.18979 0.18914
0.2053 0.21414 0.21213
0.1884 0.25785
0.27828
0.2279
2.02866 1.66852 2.52803 0.78541
Total 7.01062

[21]
 Elevados al cuadrado y divididos entre r
0.45727349 0.3479948 0.5809941 0.15421722
7 5
Promedios
0.22540667 0.208565 0.22982091 0.1963525

Los cálculos para obtener las sumas de cuadrados son:

t=4 r1=9 r2=8 r3=11 r4=4 ∑ r i=¿ r 1 +r 2 +r 3=32 ¿
2
Y ..2 (7.01062)
F . C .= = =1.5359
∑ ri 32

Para la suma de cuadrados tratamiento se emplea:

t
Yi .2
S .C .Tratamiento=∑ −F . C .=¿
i=1 ri
t 2 2 2 2
(2.02866 )2 ( 1.66852 )2 ( 2.52803 )2 ( 0.78541 )2
∑ Yiri. = Yir 1. + Yir 2. + Yir 3. = 9
+
8
+
11
+
4
=1.5405
i=1

S .C .Tratamientos=1.5405−1.5359=0.0046

Pesos promedios elevados al cuadrado

F1^2 F2^2 F3^2 F2^4
0.05954576 0.04660417 0.06652273 0.04368518
0.04364339 0.0581485 0.04060225 0.06127605
0.05418187 0.03825936 0.05452225 0.02302199
0.04064659 0.02512542 0.04614334 0.03137504
0.06393312 0.04907111 0.04959974
0.0643231 0.05379616 0.05395864
0.05816779 0.03602024 0.03577394
0.04214809 0.04585594 0.04499914
0.03549456 0.06648662
0.07743976
0.05193841
SUMATORIAS
0.4620842 0.35288091 0.58798682 0.15935826
8

Para la suma de cuadrados totales se emplea:

[22]
 t r
S .C .Totales=∑ ∑ y 2ij −F . C=0.4621+0.3529+0.58880+0.1594=1.15624−1.5359=0.0265
i=1 j=1

Donde se emplean los valores (en este caso redondeados) de la sumatoria de los valores elevados al
cuadrado, es decir:
t r

∑ ∑ y 2ij=(0.24402)2+ ( 0.20891 )+ …+( 0.15175 )2 +( 0.177713 )2=1.5624❑

i=1 j=1

La suma de cuadrados del error se obtiene como

S .C . Error=S . C . Total−S .C . Tratamientos=0.0265−0.0046=0.022

Se construye la tabla de anova:
Fuente de Grados de Suma de Cuadrado medio F calculada (Fcal) F de tablas
variación (F.V.) libertad (G.L.) cuadrados (S:C) (C.M.) (Ftab)/ P
Tratamientos (t – 1) S.C. Tratamiento S . C . Tratamiento C . M . Trat P-value ó
t−1 C . M . Error Fα (v1, v2)
Error ∑ r i−t S.C. Error S . C . Error muest
g . l error
Total ∑ r i−1 S. C. Total

Sustituyendo valores:
Fuente de Grados de Suma de Cuadrado medio F calculada (Fcal) F de tablas
variación (F.V.) libertad (G.L.) cuadrados (S:C) (C.M.) (Ftab)/ P
Tratamientos 3 0.0046 0.00153 1.9615 P-value ó
Fα (v1, v2)
Error 28 0.022
Total 31 0.0265

La identificación de las coordenadas esta dado por

F2= (gl tratamiento, gl error) = 3,28 = 2.95

Como regla dice que se rechaza Ho si Fcal> si Ftab. En este caso se rechaza Ho, por lo que los
abonos, ejercen algún efecto sobre el peso de los ajos.

NÙMERO DE DIENTES POR BULBO

[23]
Para hacer el anova del completamente al azar incompleto se calculan los totales de los tratamientos
(aunque estè desblanceado).

Nùmero de dientes por bulbo

F1 F2 F3 F4
12.5793 12.0982 12.255 11.5062
11.5416 9.9072 10.6891 12.9199
11.1439 10.0428 11.213 14.0173
13.116 12.4579 11.2933 12.6372
12.0435 11.6716 11.4917
11.4838 10.9575 12.5118
12.5481 12.0743 12.1337
12.0564 12.7071 11.8415
13.0964 10.1495
10.7842
11.7475
109.609 91.9166 126.1103 51.0806
Total 378.7165
Elevados al cuadrado y divididos entre r
1334.90365 1056.08267 1445.80071 652.306924
Promedio
12.178777 11.489575 11.4645727 12.77015
8

Los cálculos para obtener las sumas de cuadrados son:

t=4 r1=9 r2=8 r3=11 r4=4 ∑ r i=¿ r 1 +r 2 +r 3=32 ¿
2
Y ..2 (378.7165)
F . C .= = =4482.0684
∑ ri 32

Para la suma de cuadrados tratamiento se emplea:

t
Yi .2
S .C .Tratamiento=∑ −F . C .=¿
i=1 ri

[24]
 t 2 2 2 2
Yi .2 Yi .2 Yi .2 Yi .2 (109.609 ) ( 91.9166 ) ( 126.1103 ) ( 51.0806 )
∑ ri = r 1 + r 2 + r 3 = 9 + 8 + 11 + 4 =4489.094
i=1

S .C .Tratamientos=4489.094−4482.0684=7.0256

Para la suma de cuadrados totales se emplea:

t r
S .C .Total=∑ ∑ y 2ij −F . C=1338.91412+1064.12832+1451.07906+655.49997=4509.62149−4482.068=2
i=1 j=1

Donde se emplean los valores (en este caso redondeados) de la sumatoria de los valores elevados al
cuadrado, es decir:
t r

∑ ∑ y 2ij=(12.5793)2+(11.5416)2 + …+( 14.0173 )2 +( 12.6372 )2=4509.62149❑

i=1 j=1

Nùmero de dientes por bulbo elevados al cuadrado

F1^2 F2^2 F3^2 F2^4
133.208531 98.1526118 114.256859 166.923816
124.186507 100.857832 125.731369 196.484699
172.029456 155.199272 127.538625 159.698824
145.045892 136.226247 132.059169
131.877662 120.066806 156.545139
157.454814 145.78872 147.226676
145.356781 161.47039 140.221122
171.515693 103.01235
116.29897
138.003756
SUMATORIA
1338.91412 1064.12832 1451.07906 655.499978

La suma de cuadrados del error se obtiene como

S .C . Error=S . C . Total−S .C . Tratamientos=27.55309−7.0256=20.52749

Se construye la tabla de anova:

Fuente de Grados de Suma de Cuadrado medio F calculada (Fcal) F de tablas
variación (F.V.) libertad (G.L.) cuadrados (S:C) (C.M.) (Ftab)/ P
Tratamientos (t – 1) S.C. Tratamiento S . C . Tratamiento C . M . Trat P-value ó
t−1 C . M . Error Fα (v1, v2)

[25]
 Error ∑ r i−t S.C. Error S . C . Error muest
g . l error
Total ∑ r i−1 S. C. Total

Sustituyendo valores:
Fuente de Grados de Suma de Cuadrado medio F calculada (Fcal) F de tablas
variación (F.V.) libertad (G.L.) cuadrados (S:C) (C.M.) (Ftab)/ P
Tratamientos 3 7.0256 2.3419 3.1945 2.95
Error 28 20.52749 0.7331
Total 31 27.55309

La identificación de las coordenadas esta dado por

F2= (gl tratamiento, gl error) = 3,28 = 2.95

Como regla dice que se rechaza Ho si Fcal> si Ftab. En este caso se rechaza Ho, por lo que los
abonos, ejercen algún efecto sobre el nùmero de dientes por bulbo.

d) Considerando que el tratamiento 4 es el control, realizar la prueba de

Dunnett.

En muchos experimentos uno de los tratamientos es el control, y el investigador está interesado

en comparar cada una de las otras K-  1 medias de los tratamientos contra el control, por lo
tanto, existen K-  1 comparaciones. Un procedimiento para realizar estas comparaciones es la
prueba de Dunnett (desarrollada en 1964). Si se supone que el control es el
tratamiento a,  entonces se desea probar las hipótesis

El procedimiento de Dunnett es una modificación de la prueba t. Para cada hipótesis se

calcula el valor absoluto de la diferencia de medias observadas

El rechazo de la hipótesis nula se realiza con una probabilidad de error tipo I, a si

[26]
 ,

donde la constante   se busca en la tabla. Observe que f es el número de grados de libertad

del error y  a  es el nivel de significación asociado con todos las K-  1 pruebas y utilizado en el análisis
de varianza.

Peso promedio

Se usa el estadìstico de prueba

2(C . M . Error )
D ∝ =d ∝ (a−1, f )
√ n
Por tanto

Tamaño de la muestra= N = 11 (se toma el tratamiento con mayor número de observaciones)

Tratamiento= a = 4
f=N-a =11-4=7
C.M. Error = 0.00078

Despùes se aplica la constante de la prueba Dunnett la cual sale de las tablas de Dunnett, por lo que
la coordenada de búsqueda esta dada por:

d ∝ (a−1, f )=(3, 11) = 2.72

Ya que este valor se sustituye en la primera fòrmula

2(0.00078)
D ∝ =2.72 ×
√ 11
=0.0324

Y se resta con el promedio del control (tratamiento 4= 0.1964) y después se compara con el valor del
estadìstico de prueba.

F1= 0.22547-0.1964 =0.02907 no es significativo al ser menor

F2=0.20856-0.1964 = 0.01216 no es significativo al ser menor
F3=0.2299 -0.1964 = 0.0335 es significativo al ser mayor, por lo tanto, es el mejor
Nùmero de ajos por bulbo

Se usa el estadìstico de prueba

[27]
 2(C . M . Error )
D ∝ =d ∝ (a−1, f )
√ n
Por tanto

Tamaño de la muestra= N = 11 (se toma el tratamiento con mayor número de observaciones)

Tratamiento= a = 4
f=N-a =11-4=7
C.M. Error = 0.7331

Despùes se aplica la constante de la prueba Dunnett la cual sale de las tablas de Dunnett, por lo que
la coordenada de búsqueda esta dada por:

d ∝ (a−1, f )=(3, 11) = 2.72

Ya que este valor se sustituye en la primera fòrmula

2( 0.7331)
D ∝ =2.72 ×
√ 11
=0.9930

Y se resta con el promedio del control (tratamiento 4= 12.77015) y después se compara con el valor
del estadìstico de prueba.

F1= 12.178778-12.77015= 0.5914 no es significativo al ser menor

F2=11.48957-12.77015= 1.2806 es significativo al ser mayor
F3=11.464573 -12.77015= 1.356 es significativo al ser el màs grande, por lo tanto, es el mejor

Problema D
Se realizó un experimento con el objetivo de evaluar 5 tratamientos para el
control del pulgón (Aphis gossypii Glover) en el cultivo del pepino (Cucumis
sativus), fueran utilizadas 6 repeticiones y el diseño adoptado fue el de
completamente al azar. Los datos obtenidos referentes al número de
pulgones colectados 36 horas después de la fumigación, son presentados en
el cuadro siguiente:

[28]
 a) Verifique el cumplimento de los supuestos del modelo estadístico
matemático: normalidad de los residuos y homogeneidad de las varianzas.
Gráfica QQ.plot

QQ PLOT
400

200

0
-2.50 -2.00 -1.50 -1.00 -0.50 0.00 0.50 1.00 1.50 2.00 2.50
-200

-400

-600

-800

-1000

-1200

-1400

El gráfico QQ-Plot muestra que no existe normalidad en los datos.

 Prueba de Shapiro-Wik
Se calcula el estadístico de prueba:
En primer lugar, se construye una tabla con las columnas siguientes:
Columna 1: Se enumeran todos los valores de la variable estudiada (i =1,2,3, . . .., n)
Columna 2: Se ordenan los valores de la variable en forma ascendente Xi.
Columna 3: Se ordenan los valores de la variable en forma descendente [X (n-i+1)]
Columna 4: Se obtiene la diferencia [X (n-i+1)-Xi]
Columna 5: Se obtienen los valores de ai para n = 20 en la Tabla 10.

*Tabla de valores para el cálculo de la prueba Shapiro-Wilk

[29]
 i Xi [X (n-i+1) ] [X (n-i+1) -Xi] ai ai[X (n-i+1) -Xi] xi-xb Xi-xb^2
1-1285.4 237 1522.4 0.4254 647.62896 -1112.326667 1237270.613
2 -689.4 209.4 898.8 0.2944 264.60672 -516.3266667 266593.2267
3 -602.4 83.4 685.8 0.2487 170.55846 -429.3266667 184321.3867
4 -465 47.6 512.6 0.2148 110.10648 -291.9266667 85221.17871
5 -419 39.4 458.4 0.187 85.7208 -245.9266667 60479.92538
6 -380.4 3.4 383.8 0.163 62.5594 -207.3266667 42984.34671
7 -370 -8 362 0.1415 51.223 -196.9266667 38780.11204
8 -315.6 -13.6 302 0.1219 36.8138 -142.5266667 20313.85071
9 -311.6 -14.6 297 0.1036 30.7692 -138.5266667 19189.63738
10 -265 -27.6 237.4 0.0862 20.46388 -91.92666667 8450.512044
11 -147.6 -37.6 110 0.0697 7.667 25.47333333 648.8907111
12 -70.6 -38.6 32 0 0 102.4733333 10500.78404
13 -65.6 -47.6 18 0 0 107.4733333 11550.51738
14 -62.4 -55.6 6.8 0 0 110.6733333 12248.58671
15 -60.6 -58.6 2 0 0 112.4733333 12650.25071
16 -58.6 -60.6 -2 0 0 114.4733333 13104.14404
17 -55.6 -62.4 -6.8 0 0 117.4733333 13799.98404
18 -47.6 -65.6 -18 0 0 125.4733333 15743.55738
19 -38.6 -70.6 -32 0 0 134.4733333 18083.07738
20 -37.6 -147.6 -110 0 0 135.4733333 18353.02404
21 -27.6 -265 -237.4 0 0 145.4733333 21162.49071
22 -14.6 -311.6 -297 0 0 158.4733333 25113.79738
23 -13.6 -315.6 -302 0 0 159.4733333 25431.74404
24 -8 -370 -362 0 0 165.0733333 27249.20538
25 3.4 -380.4 -383.8 0 0 176.4733333 31142.83738
26 39.4 -419 -458.4 0 0 212.4733333 45144.91738
27 47.6 -465 -512.6 0 0 220.6733333 48696.72004
28 83.4 -602.4 -685.8 0 0 256.4733333 65778.57071
29 209.4 -689.4 -898.8 0 0 382.4733333 146285.8507
30 237 -1285.4 -1522.4 0 0 410.0733333 168160.1387
 -173.073 1488.1177 2694453.879
ai[X (n-i+1) -Xi]^2 2214494.289 Wc 0.821871291
Wt 0.985

ai[ X (n−i+1)− Xi]2 2214494.289

W c= = =0.8221871291
∑ (x−x́ )2 2694453.879

Zona de aceptación para H0.

Hipótesis.
H0: La variable aleatoria no tiene una distribución normal
H1: La variable aleatoria tiene una distribución normal
*
En la Tabla 2 se obtiene el valor de W (0.95;30) y se define la zona de aceptación de H0.

ZA= W/Wc ≤ 0.985

Como el valor de Wc = 0.8221 es menor al valor esperado W (0,95;30) = 0.985 se acepta H0 ,
se concluye que se tiene una confianza del 95% que la variable no se distribuye
normalmente.

b) Indique el tipo de heterogeneidad. Puede utilizar gráficos de los residuos.

[30]
Prueba de Bartlett para verificar el supuesto de que los tratamientos tienen igual varianza.
(Castillo, 2017).

Hipótesis: Ho= La varianza de todos los tratamientos es la misma.

Ha=Al menos un tratamiento tiene una varianza diferente.

Estadístico de prueba

M= ( D1 )[ (G ) ( ¿ Vp )−∑ ( gj ) ( InSj 2) ] j= 1,2,3...t

T= Número de tratamientos
Sj2=Varianza de los tratamientos que pertenecen al j-ésimo tratamiento
Gj= Grados de libertad para el j-ésimo tratamiento = rj-1
Rj= Número de repeticiones para el j-ésimo tratamiento
G= ∑ gj
∑ gj Sj2
Vp= Media ponderada para las varianzas de todos los tratamientos =
∑ gj

1 1 1
D=1+
[ 3(t−1) ]( ∑ −
gj G )
Regla de decisión

Se rechaza Ho si M ≥ X2ἀ(v) V=t-1

De la tabla de datos se obtiene la varianza S2

TRATAMIENTOS
REP A B C D E
1 2370 1282 562 173 193
2 1687 1527 321 127 71
3 2592 871 636 132 82
4 2283 1025 317 150 62
5 2910 825 485 129 96
6 3020 920 842 227 44
S2 233750 75559 40126 1502 2792

[31]
*Se construye la tabla para realizar el cálculo de la prueba de Bartlett

TRATAMIENTO gj Sj2 gj*SI2 In Sj2 gj*In Sj2 1/gj

A 4 233750 935000 12.36 49.44 0.25
B 4 75559 302236 11.23 44.92 0.25
C 4 40126 160504 10.6 42.4 0.25
D 4 1502 6008 7.31 29.24 0.25
E 4 2792 11168 7.93 31.72 0.25
20 353729 1414916 12.77 197.72 1.25

*Sustituyendo en formulas:
∑ g j=20 ∑ ( g j ) ( ¿ Sj2) =197.72
∑ g j s j 2=¿14
14916
t
1 ∑ g jS j
∑ gj
=1.25 i=1 1414916
Vp= t
= =70745.8
20
∑g j
i=1

1 1
D=1+
[ ](
3(4)
0.25−
20
=1.017 )
1
M= ( 1.017 ( 20 ) ( ¿ 70745.8 )−197.72)=21.93

∝=0.05 v= t-1=4

Por lo tanto, M= 21.93 y X 2∝ (V )=x 20.05 ( 4 ) =9.49se concluye que las varianzas no son iguales
en consecuencia no se puede realizar el análisis de varianza.

c) Justifique el tipo de transformación más adecuada y aplíquela.

La transformación raíz cuadrada se usa para datos con varianzas que cambian
proporcionalmente a la media, como es frecuentemente el caso de conteo de insectos u
otros organismos. Generalmente cuando los datos se refieren al número de insectos en un
área, se presenta la distribución de Poisson, en cuyo caso la media y la varianza son iguales,
por lo cual no son independientes y varían idénticamente. En este caso esta transformación
es una buena opción.

[32]
*Para el problema tenemos que transformar los datos por la raíz cuadrada de cada
observación: Por lo tanto, se presentan en la siguiente tabla los valores de raíz cuadrada de
los datos originales.

REP A B C D
1 48.68 35.81 23.71 13.15
2 41.07 39.08 17.92 11.27
3 50.91 29.51 25.22 11.49
4 47.78 32.02 17.80 12.25
5 53.94 28.72 22.02 11.36
6 54.95 30.33 29.02 15.07

d) Con los datos transformados verifique de nuevo los supuestos

del modelo estadístico matemático.

[33]
 [X (n- [X (n-i+1)- ai[X (n-i+1)-
i Xi
i+1)] Xi] ai Xi] xi-xb
Xi-xb^2
-
47.3333333 2240.4444
1 -47.33 101.67 149 0.4254 63.3846 3 44
-
10.5491647 29.3333333 860.44444
2 -29.33 6.50 35.83276 0.2944 4 3 44
-
2
6.64928131 20.3333333 413.44444
ai[ X (n−i+1)− Xi] 8229.335795
3 -20.33 6.40 W c=
26.73615 0.2487 = 1 =0.576561178
3 44
∑ (x−x́ )2 14273.13546 -
3.16400502 9.33333333 87.111111
4 -9.33 5.40 14.73 0.2148 4 3 11
-
2.45931485 8.48474966 71.990976
5 -8.48 4.67 13.15142 0.187 4 7 9
-
1.49902675 4.80992253 23.135354
6 -4.81 4.39 9.196483 0.163 3 4 78
-
1.12146546 4.69794348 22.070672
7 -4.70 3.23 7.925551 0.1415 9 2 96
-
0.79120153 3.85460681 14.857993
8 -3.85 2.64 6.490579 0.1219 8 2 67
-
0.58734310 3.06471091 9.3924530
9 -3.06 2.60 5.669335 0.1036 5 8 1
-
1 0.31029856 2.24591826 5.0441488
0 -2.25 1.35 3.599751 0.0862 1 8 69
-
1 0.19998524 1.77710596 3.1581055
1 -1.78 1.09 2.869229 0.0697 7 1 96
1 - 1.3481988
2 -1.16 0.72 1.883519 0 0 1.16111966 66
-
1 1.07273063 1.1507510
3 -1.07 -0.18 0.889632 0 0 8 22
-
1 0.94142203 0.8862754
4 -0.94 -0.56 0.379623 0 0 7 51
-
1 0.87520944 0.7659915
5 -0.88 -0.59 0.283509 0 0 4 71
-
1 0.59170080 0.3501098
6 -0.59 -0.88 -0.28351 0 0 3 41
-
1 0.56179885 0.3156179
7 -0.56 -0.94 -0.37962 0 0 7 56
-
1 0.18309861 0.0335251
8 -0.18 -1.07 -0.88963 0 0 6 03
1 0.72239910 0.5218604
9 0.72 -1.16 -1.88352 0 0 8 71
2 1.09212283 1.1927322
0 1.09 -1.78 -2.86923 0 0 3 83
*continuaci
ón
2 1.35383302 1.8328638
1 1.35 -2.25 -3.59975 0[34] 0 3 54
2 2.60462407 6.7840665
2 2.60 -3.06 -5.66933 0 0 7 83
2 2.63597184 6.9483475
3 2.64 -3.85 -6.49058 0 0 3 59
2 3.22760753 10.417450
 e) Realice el ANOVA con los datos transformados.

Fuentes de GL SC CM F-calculada F-tablas

variación
Tratamientos 4 12541.825 3135.45625 5.49188431 2.76
6
Error 25 14273.135 570.9254
Total 29 26814.96

F f ∝ ( v 1, v 2 )=f tab =f 0.05 ( 4,25 )=2.76

Por lo que se concluye que al menos un tratamiento es diferente.

f) En caso de ser necesario, realice la prueba de comparación múltiple de

medias de acuerdo con el criterio propuesto por Tukey.

Medias de los tratamientos

y1 y2 y3 y4 y5
49.5
6 32.58 22.61 12.43 91.33

d1 y1-y2 41.56-32.58 16.98

d2 y1-y3 41.56-22.61 26.94
d3 y1-y4 41.56-12.43 37.13
d4 y1-y5 41.56-91.33 -41.78
d5 y2-y3 32.58-22.61 9.96
d6 y2-y4 32.58-12.43 20.15
d7 y2-y5 32.58-91.33 -58.76
d8 y3-y4 22.61-12.43 10.18
d9 y3-y5 22.61-91.33 -68.72
d10 y4-y5 12.43-91.33 -78.90

[35]
 * Clasificación

1 2 3 4 5
5 -41.78 -58.76 -68.73 -78.9 0
4 37.13* 40.15* 10.18 0
3 26.94* 9.96 0
2 16.98* 0
1 0
a b c c c

Se puede concluir que el mejor tratamiento es el A, con una media de 46.56 pulgones
colectados después de 36 horas de aplicación del fungicida.

Problema E
En un experimento de riegos en el cultivo de algodón (Gossypium hirsutum L.)
se evaluaron los siguientes tratamientos que están expresados en metros
cúbicos de agua absorbidos por hectárea: T1=5400, T2=4800, T3=4200 y
T4=3600. El experimento se condujo en parcelas de 300 m2 de área útil y los
resultados están expresados en kilogramos por unidad experimental.

a) Plantee el modelo y defina sus componentes

Y ijk =μ+τ i ++ ε ij i= 1,2…,t

j= 1,2…,r

Yijk= respuesta a riego (m3) en la j-ésima repetición del j- ésimo

tratamiento

[36]
 µ= efecto medio general
τi= efecto atribuido al i-ésimo tratamiento (m3)
εij= error aleatorio. Donde los eij tienen una distribución normal e independiente con media
0 y varianza σ2.

b) Defina las hipótesis y construya el cuadro de ANOVA. Utilice α=0.05

Ho: β1= β2 =… =βt vs Ha: al menos el efecto de un tratamiento es diferente

Ho: No hay diferencias entre los tratamientos

Los cálculos para obtener las sumas de cuadrados son:

t=4 b=3 α=0.05

2
Y ..2 (779)
F . C .= = =50 570.08333
b t (3)(4)

3
Yi .2
S .C . Bloques=∑ −F . C .
i=1 t
3
Yi 1.2 +Yi 2.2 +Yi .32 …Yi .n 2
S .C . B .=∑ −F .C .
i =1 t
3
244 2+300 2+235 2
S .C . B .=∑ −50 570.08333=620.16667
i =1 4

4
Yi .2
S .C .Tratamientos=∑ −F . C .
j=1 b
4
Yi 1.2 +Yi 2.2 +Yi .32 …Yi .n 2
S .C . B .=∑ −F .C .
j=1 b
[37]
 4
2222 +2342 +1612 +1622
S .C . B .=∑ −50570.08333=1 498.250003
j=1 3

4
Yi .2
S .C .Total=∑ −F . C .
j=1 b
3 4
S .C . B .=∑ ∑ Yij 2−F . C .
i =1 j=1

3 4
S .C . B .=∑ ∑ ❑68 2+73 2+53 2+50 2+ 862+ 902 +622 ….+50 2−50 570.08333=2 383.583337
i =1 j=1

3 4
S .C . B .=∑ ∑ 52727−50 570.08333=2 156.91667
i =1 j=1

Suma de Cuadrados del Error:

S .C . Error=S . C . Total−S .C . Bloques−S .C .Tratamientos

S .C . E .=2156.91667−620.16667−2383.583337=0.022

Fuente de Grados de Suma de Cuadrado medio F calculada (Fcal) F de tablas

variación (F.V.) libertad (G.L.) cuadrados (S:C) (C.M.) (Ftab)/ P

Bloques (b-1) S.C. Bloques S . C . Bloques C . M . Bloques Fα (v1, v2)

G. L . Bloques C . M . Error
Tratamientos (t – 1) S.C. Tratamiento S . C . Tratamiento C . M . Trata Fα (v1, v2)
G. L .Tratamiento C . M . Error
Error ( b−1 ) (t−1) S.C. Error S . C . Error muest
G . L . Error
Total bt−1 S. C. Total

Fuente de Grados de Suma de Cuadrado medio F calculada (Fcal) F de tablas

variación (F.V.) libertad (G.L.) cuadrados (S:C) (C.M.) (Ftab)/ P

[38]
Bloques 2 2 156.91667 310.08 0.6233 5.14
Tratamientos 3 2 156.91667 497.41 67.12 3.59
Error 6 2 156.91667 7.41
Total 11 2 156.91667

c) Efectúe la prueba de Tukey para comparar las medias de los tratamientos.

Se emplean los valores de la sumatoria y medias de los tratamiento y la información del

ANOVA.

Medias de los tratamientos

A B C D
222 234 161 162
Del ANOVA obtenemos:
B=3 T=4 ∝=0.05 G.L. Error= 96 CME=7.41

Fórmula para estimar el

CME 7.41
Γ =[ q∝ (v1 , v 2) ]
√ r
=( 4.53 )
3√ =.975=7.1194

Fórmula para el cálculo del total de combinaciones posibles para las diferencias de medias.
t(t−1) ( 4)(3)
= =6
2 2
Se realizan restas de cada una de las medias en combinaciones no reiterativas. EJE: 1-2 = 2-1
D
1 1-2 -12
D
2 1-3 61
D
3 1-4 60
D
4 2-3 73
D
5 2-4 72
[39]
 D
6 3-4 -1

T3 T4 T1 T2
T2 24.4 24 -4 0
T1 20.4 20 0
T4 -0.4 0
T3 0
A B C D

TRAT MEDIA
A 222 A
B 234 B
B 161 C
C 162 D

El mejor tratamiento es el A, el cual obtuvo 222 m 3 absorbidos por hectárea.

[40]
Problema I
Los siguientes datos son los resultados de un experimento
realizado para determinar si cinco fuentes de nitrógeno difirieron
en sus efectos sobre la producción de arroz. Se aplicaron los
tratamientos al azar a 20 parcelas en un diseño completamente
aleatorizado. La tasa de N era constante y los tratamientos eran:
T1=Ca(NO3)2, T2=Na NO3, T3= NH4NO3, T4=(NH2)2CO, T5=(NH4)2SO4.

a) Realice el análisis de varianza, utilizando un nivel de

significancia del 5%.
Para hacer el anova del diseño completamente al azar se hace lo siguiente:

Tratamientos
T1 T2 T3 T4 T5
57.2 40.6 36.9 23.3 36.8
TOTAL 51.1 43 29 23.3 38.7
755.2 48.5 52.2 33.7 24.4 31.7
54.9 32.3 37 17 43.6
Sumatoria 211.7 168.1 136.6 88 150.8
Medias 52.925 42.025 34.15 22 37.7

Se sacan las sumatorias de los tratamientos, el total general y el promedio por

tratamiento; después se prosigue al càlculo F.C. y las sumas de cuadrados:

Los cálculos para obtener las sumas de cuadrados son:

t=5 r=4 ∑ r i=¿ r 1 +r 2 +r 3=20 ¿
2
Y ..2 (755.2)
F . C .= = =28516.352
∑ ri 20

Para la suma de cuadrados tratamiento se emplea:

 t
Yi .2
S .C .Tratamiento=∑ −F . C .=¿
i=1 ri
t 2 2 2 2 2
Yi .2 ( 211.7 ) ( 168.1 ) ( 136.6 ) ( 88 ) (150.8 )
∑ ri = 4 + 4 + 4 + 4 + 4 =30554.675
i=1

S .C .Tratamientos=30554.675−28516.352=2038.323

Para la suma de cuadrados totales se emplea:

t r
S .C .Total=∑ ∑ y 2ij −F . C=11249.31 +7265.49+4707.3+1970.14+ 5757.78=30950.02−28516.352=24
i=1 j=1

Donde se emplean los valores (en este caso redondeados) de la sumatoria de los valores
elevados al cuadrado, es decir:
t r

∑ ∑ y 2ij=(57.2)2+(51.1)2 +…+( 31.7 )2+( 43.6 )2=3095.02❑

i=1 j=1

Tratamientos
T1 T2 T3 T4 T5
3271.84 1648.36 1361.61 542.89 1354.24
2611.21 1849 841 542.89 1497.69
2352.25 2724.84 1135.69 595.36 1004.89
3014.01 1043.29 1369 289 1900.96
Sumatoria
11249.31 7265.49 4707.3 1970.14 5757.78

La suma de cuadrados del error se obtiene como

S .C . Error=S . C . Total−S .C . Tratamientos=2433.668−2038.323=395.345

Se construye la tabla de anova:
Fuente de Grados de Suma de Cuadrado medio F calculada (Fcal) F de tablas
variación (F.V.) libertad (G.L.) cuadrados (S:C) (C.M.) (Ftab)/ P
Tratamientos (t – 1) S.C. Tratamiento S . C . Tratamiento C . M . Trat P-value ó
t−1 C . M . Error Fα (v1, v2)
Error ∑ r i−t S.C. Error S . C . Error muest
g . l error
Total ∑ r i−1 S. C. Total

Sustituyendo valores:
Fuente de Grados de Suma de Cuadrado medio F calculada (Fcal) F de tablas
variación (F.V.) libertad (G.L.) cuadrados (S:C) (C.M.) (Ftab)/ P
Tratamientos 4 2038.323 509.5808 19.3343 3.06
Error 15 395.345 26.3563
Total 19 2433.668

[1]
 La identificación de las coordenadas esta dado por

F2= (gl tratamiento, gl error) = 4,15 = 3.06

Como regla dice que se rechaza Ho si Fcal> si Ftab. En este caso se rechaza Ho, por lo que
algún tratamiento es diferente.
b) Dada la naturaleza de los tratamientos, interesa realizar las siguientes
comparaciones:
i. Tratamientos 1, 2 y 3 versus 4 y 5 (nitratos vs. no-nitratos).
ii. Tratamientos 1 y 2 versus 3.
iii.Tratamiento 1 versus 2.
iv. Tratamiento 4 versus 5. Defina los coeficientes necesarios y realice
estos contrastes.
Para hacer los contrastes, se construye una tabla, que permitirá facilitar la asignación de los
valores de Li (coeficiente de contraste) a cada contraste.

Tratamientos C.E

Contraste T1 T2 T3 T4 T5 ∑ li=0 ri ∑ L2i

Totales de los tratamientos 211. 168.1 136.6 88 150.8
7

Tratamientos 1, 2 y 3 versus 4 y 5 2 2 2 -3 -3 0 120

Tratamientos 1 y 2 versus 3 1 1 -2 0 0 0 24

Tratamiento 1 versus 2. 1 -1 0 0 0 0 8

Tratamiento 4 versus 5 0 0 0 1 -1 0 8

A los tratamientos que quedan del lado izquierdo del contraste se les asigna un valor de Li
positivo y los tratamientos que quedan del lado derecho del contraste se les asigna un valor Li
negativo.

En el primer contraste se compara al T1 contra dos tratamientos, por lo que se le asigna un

valor de 2 en el Li, después se compara al T2 contra otros dos tratamientos y se le asigna otro
valor de dos y también sucede con el T3, pero cuando se compara el T4,contra tres
tratamientos se le asigna un 3, pero negativo debido a su posición, en caso de que no se
compare algún tratamiento se le asigna el cero, siendo lo mismo para cada contraste. Hay que
notar que las sumas de las Li, en los contrastes son igual a cero.

A los Li en cada una de las hileras se multiplican por el total de tratamiento correspondiente y
los resultados obtenidos se suman o se restan según sea el caso para obtener Q K, para después
elevarlos al cuadrado:

Qk QK2 Li

Q1= 2(211.7) + 2(168.1) +2(136.6) + -3(88) +-3(150.8) = 316.4 10010.96 4x30

Q2=1(211.7) + 1(168.1) + -2(136.6) + 0(88) + 0(150.8) = 106.6 11363.56 4x6

Q3=1(211.7) + -1(168.1) + 0(136.6) + 0(88) + 0(150.8) = 43.6 1900.84 4x2

[2]
Q4=0(211.7) + 0(168.1) +0(136.6) + 1(88) + -1(150.8) = -62.8 3943.84 4x2

En la parte de Li nótese que el numero 4 equivale al numero de repeticiones por tratamiento,

mientras que el número que lo multiplica se calcula elevando los coeficientes de contraste al
cuadrado:

Q 1=∑ Li 2=( 2)2 +(2)2 +(2)2 +(−3)2 +(−3)2 =30

Q 2=∑ Li 2=( 1)2 +(1)2 +(−2)2 +( 0)2 +(0)2=6

Q 3=∑ Li 2=( 1 )2 + (−1 )2 + ( 0 )2 + ( 0 )2 + ( 0 )2 =2

Q 4=∑ Li 2=( 0 )2 + ( 0 )2+ ( 0 )2+ (1 )2 + (−1 )2=2

Despues se usa la siguiente fòrmula para sacar la suma de cuadrados de los contrastes:

Q2k
S .C .(CO K )=
r ∑ L2i

Se calculan las sumas de cuadrados de acuerdo a la siguiente tabla de anova

Fuente de Grados de Suma de Cuadrado medio F calculada (Fcal)F de tablas
variación (F.V.) libertad (G.L.) cuadrados (S:C) (C.M.) (Ftab)/ P
Contraste k 1 S.C. Contraste S . C . Contraste C . M . contraste P-value ó
g . l .contraste C . M . Error Fα (v1, v2)
Error De la tabla De la tabla S . C . Error
original original g . l error

La identificación de las coordenadas esta dado por

Fα= (gl del contraste k, gl error) = v1, v2

Por tanto:

Q 2k 100108.96
. C 1. ( CO K ) = 2
= =834.2413
r∑L i
4 x 30

Q 2k 11363.56
C 2. ( CO K )= 2
= =437.4817
r∑ L i
4 x6

Q 2k 1900.96
C 3. ( CO K ) = 2
= =237.62
r ∑ Li 4x2

Q 2k 3943.84
C 4. ( CO K )= 2
= =492.98
r∑ L i
4 x2

Sustituyendo en la tabla de anova y considerando que S.C. del error es 395.345, con 15 grados
de libertad, se tiene que:

[3]
Fuente de Grados de Suma de Cuadrado medio F calculada (Fcal) F de tablas Conclusión
variación (F.V.) libertad (G.L.) cuadrados (S:C) (C.M.) (Ftab)/ P
Contraste 1 1 834.2413 834.2413 31.6524 4.54 Rechaza Ho
Contraste 2 1 473.7817 473.7817 17.9760 4.54 Rechaza Ho
Contraste 3 1 237.62 237.62 9.0157 4.54 Rechaza Ho
Contraste 4 1 492.98 492.98 18.7045 4.54 Rechaza Ho
Error 15 395.345 26.3563

Ftablas= (gl del contraste k, gl error) = 1,15 = 4.54

Finalmente se contrastan las medias de los tratamientos de acuerdo a las comparaciones,

sacando los promedios de cada una
Tratamientos 1, 2 y 3 versus 4 y 5

211.7+168.1+136.6 88+150.8
=172.13 vs =119.4 por tanto los primeros tres son màs
3 2
efectivos

Tratamientos 1 y 2 versus 3

211.7+168.1
=189.9 vs 136.6 por tanto los primeros dos son màs efectivos
2
Tratamiento 1 versus 2.

211.7 VS 168.1 por tanto el primero es màs efectivo

Tratamiento 4 versus 5

88 VS 150.8 por tanto el segundo es màs efectivo

¿Son ortogonales estos contrastes? Si lo son, verifique que la sumatoria de sus

sumas de cuadrados es igual a la suma de cuadrados de tratamiento.

Se dice que son ortogonales cuando ∑ L 1ixL 2i=0 , por lo que para poder decir que se
tienen contrastes ortogonales, en el análisis de un experimento, se tiene que cumplir esta
igualdad:

∑ L ji Lki=0
Donde:
j≠k
i = 1, 2,…, t
j =1, 2,…, t-1
k= 1, 2,…, t-1
Lji= coeficiente de contraste para el i-èsimo tratamiento involucrado en el j-èsimo contraste.
Lki= coeficiente de contraste para el i-èsimo tratamiento involucrado en el j-èsimo contraste.

Por tanto, se tiene que:

[4]
∑ Li1 Li 2=( 2 x 1 ) +( 2 x 1 ) +( 2 x−2 ) + (−3 x 0 ) +(−3 x 0 )=0
∑ Li1 Li 3=( 2 x 1 ) +( 2 x−1 ) +( 2 x 0 ) + (−3 x 0 ) +(−3 x 0 )=0
∑ Li1 Li 4 =( 2 x 0 ) +( 2 x 0 )+ ( 2 x 0 )+ (−3 x 1 ) +(−3 x−1 )=0
∑ Li2 Li 3=( 1 x 1 ) +( 1 x−1 ) +(−2 x 0 ) +( 0 x 0 ) +( 0 x 0 )=0
∑ Li2 Li 4 =( 1 x 0 ) +( 1 x 0 ) + (−2 x 0 ) +( 1 x 0 ) +(−1 x 0 ) =0
∑ Li3 Li4 =( 1 x 0 ) +(−1 x 0 )+ ( 0 x 0 ) +( 0 x 1 ) +(−1 x 0 )=0
Por lo tanto se cumple el supuesto, queriendo decir que son ortogonales, lo que permite
descomponer la suma de cuadrados de los tratamientos (de la tabla de anàlisis de varianza del
diseño experimental) en t-1 partes, que al ser unidas vuelven a generar el valor de la suma de
cuadrados de tratamientos:

Que al tener 5 tratamientos y plantear 4 contrastes ortogonales entonces:

S .C (CO)1 + S . C(CO)2 + S . C(CO )3 + S . C( CO)4=S . C . Tratamientos

834.2413 +473.4817 + 237.98 + 492.98 = 2038.323

Problema J
Se desea determinar el efecto de cuatro dietas sobre la ganancia de peso (kg.)
postdestete de cabritos, durante una prueba de 200 días. Se utilizaron 32
cabritos en 16 corraletas (dos cabritos por corraleta) distribuyéndose los
tratamientos por bloques. Se midió la ganancia en peso durante la prueba para
cada cabrito. Los resultados se presentan a continuación:

Con esta información, efectúe el análisis de varianza y en caso de ser

necesario, el análisis post- ANOVA.

*Tabla de valores
  Bloques    

Dieta Cabrito 1 2 3 4 Total Y.j Promedio

a 1 63 62.8 63.5 70.3    

2 62.7 62 64 72.5    

[5]
 Yij 125.7 124.8 127.5 142.8 520.8 65.1

b 1 51.2 60.9 54.7 54.3    

2 52 59.9 69.5 55.6    

Yij 103.2 120.8 124.2 109.9 458.1 57.3

c 1 47.9 56.7 56.2 54.3    

2 44.8 52.8 51.2 54.8    

Yij 92.7 109.5 107.4 109.1 418.7 52.3

d 1 38.9 32.9 32.3 34.9    

2 37.2 41.5 35.9 33.8    

Yij 76.1 74.4 68.2 68.7 287.4 35.9

    49.71 53.69 53.41 53.81    

  Total Yi 397.7 429.5 427.3 430.5 1685 2839225

  Yi 2 158165.29 184470.2 182585.29 185330.2 710551.08 88725.7813

5 5
            73.6  

Para realizar el ANOVA es necesario obtener mediante sumatorias la suma de

cuadrados Total, Suma de cuadrados del Error, Suma de cuadrados de bloques y Suma
de cuadrados de tratamientos.
*Entonces:
Se calcula el factor de corrección:
Y 2.. (1685)2 2839225
FC = = = =88725.79
trm ( 4 ) ( 4 ) (2) 32

*Se calculan la suma de cuadrados correspondientes:

∑ Y 2i .
( 397 )2 ( 429.5 )2 … 430.52
i=1
SCBloques= −FC= −88725.79=93.095
bm 4∗2
t

∑ Y 2. j
( 520.8 )2 +458.12 +418.12 +287.4 2 364
j=1
SCTratamientos= −FC= −88725.79=¿
bm ( 4∗2 )
b t m
8.7975 2 2 2 2
SCTotal=∑ ∑ ∑ Yijk2 −FC =( 63 ) ( 62.7 ) … ( 34.9 ) ( 33.8 ) −88725.79=4203.23
i =1 j=1 k=1

t r

∑∑ 2 (125.7 )2+ (103.2 )2 + ( 109.1 )2 + ( 68.7 )2

SCcc = i=1 j=1
−FC −SCtrat −SCbloques = [6] −88725.79−3648.7975−93.095=
m 2
*Con la suma de cuadrados se realiza el ANOVA:

Fuente gl SC CM Valor F

Dosis 3 3648.80 1216.27 F2 8.07

Bloques 3 93.10 31.03
Error Exp 9 276.71 30.75 F1 2.66
Error
Muestreo 16 184.63 11.54
Total 31 4203.23
H0: 1=2=…..=t
Ha: Al menos una diferente

*En este paso, para calcular el valor de F 1 y F2 se procede de la siguiente manera,

sustituyendo valores en las formulas:

CM ee 12602.49
F 1= = 2.66
CM em 15197.54
Valor critico de F=F1(9*,16*,0.05) =2.54 * °libertad del error
experimental y Error de
muestreo

F1>2.54 lo cual indica que el submuestreo no fue efectivo o no es importante en este

experimento.
Por lo que los errores deben mancomunarse de la siguiente manera:

Scee +Scem 113422.43+243160.64

Cmep= = =2476.27
glee + glem 9+ 16
*Se calcula F2:
Scee +Scem 276.71+ 184.63
Cmep= = =18.45
glee+ glem 9+16
CMtrat 1216.27
F 2= = =65.9
CMep 18.45
Valor critico de F=F2(3,9,0.05) =3.86 * °libertad del error experimental y Error de
tratamientos

[7]
F2>3.86 Como F2 > Ft (2,9,0.05): se rechaza Ho, por lo tanto, al menos un tratamiento es
diferente.

 PRUEBA DE TUKEY

Se toman los totales de los tratamientos de los datos originales y la información

de la tabla de análisis de varianza:

Medias de los tratamientos

A B C D
65.1 57.3 52.3 35.9
Del ANOVA obtenemos:
B=4 T=4 ∝=0.05 ° Error= 9 CME=30.80

*Se calcula:

CME 30.80
Γ =[ q∝ (v1 , v 2) ]
√ r
=( 3.63 )=
4 √ =.975

*Como hay 4 tratamientos en el experimento se tienen que obtener 6 comparaciones.

t(t−1) (4)(3)
= =6
2 2
*Se realiza la tabla de comparaciones:

d1 y1-y2 50-54 7.80

d2 y1-y3 50-53 12.80
d3 y1-y4 50-138 29.20
d4 y2-y3 54-53 5.00
d5 y2-y4 54-138 21.40
d6 y3-y4 53-138 16.40

A B c B
1 2 3 4
D 4 29.2 21.4 16.4 0
C 3 12.8 5 0

[8]
 B 2 7.8 0
A 1 0
a b c c

TRAT MEDIA
A 65.1 a
B 57.3 bc
C 52.3 bc
D 35.9 d

*Se concluye que el mejor tratamiento es

el A, el cual obtuvo 65.1 Kg de ganancia en peso.

[9]