TECNOLÓGICO NACIONAL DE MÉXICO

INSTITUTO TECNOLÓGICO DE POCHUTLA

DISEÑOS EXPERIMENTALES PARA

INGENIEROS CIVILES

MANUAL DE CONSULTA DE CLASE

CARLOS ALDAIR CONTRERAS CRUZ

 INDICE
PREFACIO .................................................................................................................................................. 4
1. Pruebas de hipótesis ......................................................................................................................... 6
1.1. Modelos ....................................................................................................................................... 6
1.2. Pruebas de hipótesis ................................................................................................................. 7
1.2.1. Definiciones básicas .......................................................................................................... 8
1.3. Error tipo I y tipo II ...................................................................................................................... 9
1.4. Estadística de prueba y valores tabulados. ......................................................................... 10
1.5. Distribuciones de probabilidad continuas ............................................................................. 11
1.5.1. Distribución Normal .......................................................................................................... 11
1.5.2. Distribución t de Student. ................................................................................................ 13
1.5.3. Distribución ji-cuadrado. .................................................................................................. 14
1.5.4. Distribución F. ................................................................................................................... 15
2. Conceptos básicos de Diseños Experimentales ......................................................................... 16
2.1. Definiciones ............................................................................................................................... 16
2.2. Modelo lineal ............................................................................................................................. 17
2.2.1. Conceptos básicos. .......................................................................................................... 17
2.2.2. Error experimental ............................................................................................................ 20
2.2.3. Modelo lineal general....................................................................................................... 21
2.3. Supuestos básicos de los diseños experimentales ............................................................ 22
2.4. Hipótesis a probar .................................................................................................................... 23
2.5. Análisis de varianza (ANOVA) ............................................................................................... 24
2.5.1. Estructura general ............................................................................................................ 24
2.5.2. Mínimos cuadrados .......................................................................................................... 26
2.6. Pasos para la correcta ejecución de un experimento......................................................... 27
2.6.1. Recomendaciones............................................................................................................ 27
3. Diseño Completamente al Azar (DCA) ......................................................................................... 27
3.1. Características .......................................................................................................................... 27
3.2. Modelo lineal ............................................................................................................................. 28
3.3. Hipótesis a probar .................................................................................................................... 28
3.4. Análisis de varianza ................................................................................................................. 28
3.5. Regla de decisión ..................................................................................................................... 29
3.6. Suma de cuadrados ................................................................................................................. 29
4. Diseño en Bloques Completos al Azar (DBCA) .......................................................................... 34
4.1. Factor de confusión y bloques ............................................................................................... 34
4.2. Características .......................................................................................................................... 37
4.3. Modelo lineal ............................................................................................................................. 38
4.4. Hipótesis a probar .................................................................................................................... 38
4.5. Análisis de varianza ................................................................................................................. 38
4.6. Regla de decisión ..................................................................................................................... 39
4.7. Suma de cuadrados ................................................................................................................. 40
5. Comparaciones múltiples de medias de tratamientos ................................................................ 45
Apéndice .................................................................................................................................................... 46
Tabla I.- Probabilidad para valores límites de 𝒵. Las probabilidades que se obtienen son de la
forma 𝑃𝓏 ≤ 𝑣𝑎𝑙𝑜𝑟 𝑙í𝑚𝑖𝑡𝑒 .......................................................................................................................... 47
Tabla II.- Cuantiles de la distribución 𝑡 de student ............................................................................. 49
Tabla III.- Cuantiles de la distribución 𝑗𝑖 − 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑜 ......................................................................... 50
Tabla IV.- Cuantiles de la distribución 𝐹 ............................................................................................... 51
Tabla V.- Cuantiles para la estadística de prueba 𝑟𝐸 ........................................................................ 59
Tabla VI.- Valores críticos para la prueba de Tukey qα𝑣1, 𝑣2 ........................................................... 60
PREFACIO

Sé que soy mortal, una criatura de un día, pero cuando estudio los círculos giratorios
de las estrellas, mis pies ya no tocan la Tierra, sino que, sentado al lado del propio
Zeus, me harto de ambrosía, el alimento de los dioses.
(Claudio Ptolomeo)

La ciencia y la ingeniería están estrechamente relacionadas, ya que la primera

proporciona la base teórica que la segunda aplica para resolver problemas prácticos y
mejorar la calidad de vida de las personas. Sin embargo, a medida que la ciencia avanza
a un ritmo acelerado, la innovación en los métodos ingenieriles se ha limitado a los usos
tradicionales ya practicados durante décadas y que de alguna manera resultan ser
ambiguos u obsoletos.

El objetivo de este manual es proporcionar una introducción a las técnicas estadísticas

aplicadas al análisis de datos en investigaciones y experimentos científicos relacionados
con la Ingeniería Civil. Se presentan técnicas estadísticas como la regresión lineal simple
y múltiple, el diseño de experimentos, el análisis de covarianza y el análisis Probit, entre
otras, para resolver problemas prácticos. Este manual está diseñado para ser utilizado
en cursos introductorios de diseños de experimentos o de estadística experimental,
donde los estudiantes pueden aplicar las técnicas estadísticas a problemas relacionados
con el campo propio de la construcción. Está dirigido principalmente a los estudiantes e
investigadores en el área de la Ingeniería Civil, aunque también puede ser útil para
profesionales y estudiantes de otras disciplinas que necesiten aplicar técnicas
estadísticas en la resolución de problemas.

Este texto se enfoca en la aplicación práctica en la Ingeniería, sin descuidar los

fundamentos teóricos que las sustentan. Se presentan ejemplos de aplicación y se
desarrollan paso a paso las soluciones a problemas, lo que facilita la comprensión y
aplicación de las técnicas estadísticas. Se utiliza un lenguaje claro y conciso, evitando la
jerga técnica innecesaria, pero manteniendo la terminología estadística común. Los
conceptos básicos o importantes se resaltan mediante letra cursiva negrilla para captar
el interés del lector y asegurar una comprensión correcta. La idea es proporcionar una
guía práctica y fácil de seguir para que los estudiantes y profesionales de la Ingeniería
Civil puedan aplicar las técnicas estadísticas en la resolución de problemas relacionados
con su campo de estudio.

Para aprovechar al máximo este manual, se recomienda que el lector tenga un buen
dominio de la aritmética y conceptos básicos de álgebra y cálculo. En cuanto a la
estadística, es necesario tener conocimientos fundamentales de distribuciones de
probabilidad y pruebas de hipótesis. Sin embargo, no se preocupe si no tiene una base
sólida en estos temas, ya que los primeros capítulos los cubren de manera introductoria.

4
Además, al final del manual se proporciona una bibliografía básica para que los lectores
interesados puedan profundizar en temas específicos o revisar métodos y conceptos que
no se abordan en detalle en este manual. Esto les permitirá ampliar su conocimiento y
aplicar las técnicas estadísticas en una variedad de contextos.

Es importante destacar que existen numerosas técnicas y métodos estadísticos que

pueden ser útiles para resolver problemas experimentales específicos. Sin embargo,
incluir todas ellas en este texto sería una tarea grande que superaría su propósito. En
consecuencia, se ha intentado cubrir las técnicas estadísticas más comúnmente
utilizadas en investigaciones relacionadas con problemas de la Ingeniería Civil, como la
evaluación de la resistencia de materiales, la estabilidad de estructuras y la optimización
de procesos constructivos. Aunque este manual no abarca todas las técnicas
estadísticas disponibles, proporciona una base sólida para el análisis de datos
experimentales.

Muchos de los ejemplos presentados en este manual se basan en proyectos de

investigación realizados por estudiantes de la Ingeniería Civil. Para facilitar la
comprensión y aplicación de las técnicas estadísticas, se han simplificado los datos
originales y se han seleccionado ejemplos representativos. Los nombres de los
materiales y productos utilizados en los ejemplos han sido modificados para evitar
cualquier referencia específica a marcas o empresas. El objetivo es ilustrar el uso de las
técnicas estadísticas en la resolución de problemas de la Ingeniería Civil, sin
promocionar o desacreditar ningún producto o material en particular. Los ejemplos
presentados tienen como finalidad demostrar la aplicación de las técnicas estadísticas
en la Ingeniería Civil, y no implican que los materiales o productos mencionados sean
mejores o peores que otros. La evaluación y selección de materiales y productos deben
ser realizadas por los investigadores y profesionales de la Ingeniería Civil en función de
sus necesidades específicas y criterios técnicos.

Carlos Aldair Contreras Cruz.

5
1. Pruebas de hipótesis

Debido a que la mayoría de los métodos estadísticos que se expondrán en los capítulos
siguientes se caracterizan por el contraste de juegos de hipótesis en la solución de
problemas específicos, se dará una breve exposición de las pruebas de hipótesis
estadísticas y de las distribuciones de probabilidad asociadas con estas pruebas de
hipótesis.

1.1. Modelos

Modelo: Pretende la representación de la realidad o de un fenómeno con la mayor

fidelidad o exactitud posible, generalmente mediante el empleo de fórmulas o ecuaciones
matemáticas.

Valor observado: Es aquel dato que se registra acerca de un fenómeno y que se obtiene
a partir de un estudio o experimento. Es el valor que en la vida real presenta el fenómeno
bajo estudio o experimento.

Valor esperado o predicho: Es aquel valor que teóricamente debería presentar un

fenómeno si su comportamiento se ajustara a un modelo matemático o probabilístico
predefinido.

Error: Es la diferencia que se presenta entre el valor observado y el valor esperado. Es

el alejamiento que presenta un valor observado con respecto al dato que teóricamente
se debería obtener (valor esperado) al utilizar un modelo especifico.

𝐸𝑟𝑟𝑜𝑟 = (𝑣𝑎𝑙𝑜𝑟 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑑𝑜) − (𝑣𝑎𝑙𝑜𝑟 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜) (1)

Ejemplo: Se tienen los siguientes datos:

𝑋 𝑌
(𝑉𝑎𝑙𝑜𝑟𝑒𝑠 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑑𝑜𝑠)
1 2
2 4.6
3 10.3
4 17
5 25.8

y se elige el modelo 𝑌 = 𝑋 2 + 1 para intentar representar los valores de 𝑌. Calcular los

errores.
6
Respuesta: Al sustituir los valores originales de 𝑋 en el modelo propuesto, se obtiene:

𝑌̂ = (1)2 + 1 = 2 (valores esperados)

𝑌̂ = (2)2 + 1 = 5
𝑌̂ = (3)2 + 1 = 10
𝑌̂ = (4)2 + 1 = 17
𝑌̂ = (5)2 + 1 = 26

con lo que se calculan los siguientes errores

𝑌 𝑌̂
𝑋 𝑒𝑟𝑟𝑜𝑟𝑒𝑠
(𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑑𝑜𝑠) (𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑜𝑠)
1 2 2 0
2 4.6 5 -0.4
3 10.3 10 0.3
4 17 17 0
5 25.8 26 -0.2

Debido a que los errores obtenidos son muy pequeños, se puede decir, de manera
empírica, que el modelo propuesto es adecuado para describir los valores observados.

En el ejemplo anterior, mediante simple observación de los errores, se concluyó que el

modelo era adecuado para describir a los datos; no se utilizó un criterio con un
fundamento científico sólido que permitiera tomar la decisión con un alto grado de
confiabilidad. Para solventar el requerimiento mencionado la estadística cuenta con una
herramienta conocida como prueba de hipótesis.

Se hace uso de las pruebas de hipótesis estadísticas para probar la adecuación de un

modelo especifico, la igualdad de tratamientos en un diseño experimental, el
cumplimiento de los supuestos básicos del modelo o diseño experimental elegido y en
otras situaciones comunes.

1.2. Pruebas de hipótesis

En situaciones prácticas, los ingenieros civiles deben tomar decisiones informadas sobre
un fenómeno en estudio, basándose en la información obtenida de un conjunto de datos
experimentales. Por ejemplo, se puede necesitar decidir, a partir de datos
experimentales, si un material de construcción es lo suficientemente resistente para
soportar cargas específicas, si un sistema de drenaje es más eficiente que otro, si un
modelo de simulación es adecuado para predecir el comportamiento de una estructura
sometida a cargas externas, si la relación entre la resistencia de un material y la cantidad

7
de un aditivo específico se puede describir mediante un modelo de regresión lineal
simple, etc.

Se debe contar, entonces, con un mecanismo que permita tomar una decisión con un
alto grado de certeza. Una de las formas más objetivas para llevar a cabo una decisión
con alta confiabilidad se da mediante el empleo de una prueba de hipótesis.

1.2.1. Definiciones básicas

Hipótesis: Aseveración que se hace acerca de un fenómeno o experimento.

Prueba de hipótesis: Método estadístico que se emplea para determinar sí una

hipótesis es verdadera o falsa.

Se definen a continuación los elementos esenciales que deben conformar una pruebe de
hipótesis:

 Hipótesis a probar: Consiste en dos hipótesis que se contraponen: la hipótesis

nula y la hipótesis alternativa. La hipótesis nula es aquella que el investigador está
dispuesto a sostener como cierta. se representa por 𝐻𝑜 . La hipótesis alternativa
es aquella que se contrapone a la hipótesis nula, se representa por 𝐻𝑎
 Estadística de prueba: Es una fórmula estadística que, con base en los datos
experimentales, permite obtener un dato (valor calculado) que es comparado
contra un valor de tablas (valor tabulado) de la distribución de probabilidad con la
que se relaciona la estadística de prueba.
 Regla de decisión: Determina la forma en que se deben relacionar el valor
calculado y el valor tabulado para rechazar no rechazar la hipótesis nula (𝐻𝑜 ).
 Conclusión: Habiendo rechazado o no rechazado a 𝐻𝑜 , se deben externar las
conclusiones pertinentes en base al estudio o experimento que se realiza.

Note que en las definiciones anteriores se utiliza la idea de no rechazar en lugar de la

idea de aceptar. Lo anterior se debe al hecho de que las pruebas de hipótesis se realizan
suponiendo un componente aleatorio en los datos experimentales y por lo tanto no se
tiene la entera seguridad de la certeza o falsedad de la 𝐻𝑜 , por lo que es más correcto
emplear el no rechazo que la total aceptación.

Una prueba de hipótesis permitirá rechazar o no rechazar la hipótesis nula (𝐻𝑜 ) . Si se

rechaza a 𝐻𝑜 , implica que ésta es falsa y no se rechaza a 𝐻𝑎 . Si no se rechaza a 𝐻𝑜 ,
implica que ésta es verdadera y se rechaza a 𝐻𝑎 . El enunciado de la hipótesis que no es
rechazada servirá de base para dar las concusiones finales de la prueba de hipótesis.

8
Ejemplo: Juan Pérez asegura que él es una persona superdotada, Algunos de sus
amigos están de acuerdo con él y otros en desacuerdo. Se decide poner fin a la
controversia y se determina que para que una persona sea considerada superdotada
debe poseer un IQ por lo menos 135. Por lo que Juan Pérez es medido con un test de
IQ y registra un IQ de 140.

Del párrafo anterior podemos ilustrar, en forma general, los elementos esenciales de una
prueba de hipótesis:

Hipótesis a probar.

𝐻𝑜 : Juan Pérez es superdotado

𝐻𝑎 : Juan Pérez no es superdotado

Estadística de prueba.

Aunque no se trata de una fórmula, la estadística de prueba consiste en medir y registrar

el IQ de Juan Pérez.

𝐼𝑄 = 140 (valor medido)

Regla de decisión.

Se rechaza que Juan Pérez es superdotado si su IQ no es por lo menos de 135. El valor

de 135 fue establecido de antemano como el IQ mínimo para que una persona sea
considerada superdotada, por lo que éste puede ser tomado como el valor tabulado
contra el que se comparará el valor calculado.

Se rechaza 𝐻𝑜 si 𝐼𝑄 < 135

Conclusión.

Como 𝐼𝑄 > 135, entonces, no Se rechaza a 𝐻𝑜 , por lo que se concluye que Juan Pérez
es .

1.3. Error tipo I y tipo II

Cualquier estadística de prueba está asociada a una distribución de probabilidad

específica, por lo que una prueba de hipótesis está sujeta a errores atribuibles al azar.
Comúnmente se llegan a presentar dos tipos de errores en las pruebas de hipótesis:
Error Tipo I y Error Tipo II.

Los errores anteriores se definen de la siguiente forma:

9
Error Tipo I = Rechazar 𝐻𝑜 cuando es cierta

Error Tipo II = No rechazar 𝐻𝑜 cuando es falsa

Cuando 𝐻𝑜 es verdadera y no se rechaza se está tomando la decisión correcta. Cuando

𝐻𝑜 es verdadera y se rechaza se está cometiendo un Error Tipo I. Cuando 𝐻𝑜 es falsa y
se rechaza se está tomando la decisión correcta. Cuando 𝐻𝑜 es falsa y no se rechaza se
está cometiendo un Error Tipo II.

Se desean pruebas de hipótesis en las cuales las probabilidades asociadas a ambos

tipos de errores sean mínimas. Bajo un enfoque probabilístico los errores mencionados
se expresan como:

𝑃[𝐸𝑟𝑟𝑜𝑟 𝑇𝑖𝑝𝑜 𝐼] = 𝑃[𝑅𝑒𝑐ℎ𝑎𝑧𝑎𝑟 𝐻𝑜 𝑐𝑢𝑎𝑛𝑑𝑜 𝑒𝑠 𝑐𝑖𝑒𝑟𝑡𝑎] (2)

= 𝛼 (𝑛𝑖𝑣𝑒𝑙 𝑑𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑛𝑐𝑖𝑎 𝑑𝑒 𝑙𝑎 𝑝𝑟𝑢𝑒𝑏𝑎 𝑑𝑒 ℎ𝑖𝑝𝑜𝑡𝑒𝑠𝑖𝑠)
𝑃[𝐸𝑟𝑟𝑜𝑟 𝑇𝑖𝑝𝑜 𝐼𝐼] = 𝑃[𝑁𝑜 𝑟𝑒𝑐ℎ𝑎𝑧𝑎𝑟 𝐻𝑜 𝑐𝑢𝑎𝑛𝑑𝑜 𝑒𝑠 𝑓𝑎𝑙𝑠𝑎] = 𝛽 (3)

En términos prácticos el nivel de significancia (𝛼) se define como el máximo valor de la

probabilidad de Error Tipo I que el experimentador esté dispuesto a aceptar al ejecutar
una prueba de hipótesis. Bajo esta definición es deseable que el 𝛼 asuma valores lo más
pequeño posibles. Los valores del 𝛼 se expresan en decimales y los más comunes en
una prueba de hipótesis son 0.01, 0.025, 0.05 y 0.10.
La confiabilidad es un término de uso común en las pruebas de hipótesis y puede ser
definida como la probabilidad de que no ocurra un Error Tipo I. Sus valores se expresan
en porcentaje.

Bajo la definición anterior se puede relacionar al 𝛼 y a la confiabilidad mediante la

ecuación:

𝑃[𝐸𝑟𝑟𝑜𝑟 𝑇𝑖𝑝𝑜 𝐼] + 𝑃[𝑁𝑜 𝐸𝑟𝑟𝑜𝑟 𝑇𝑖𝑝𝑜 𝐼] = 1 (4)

𝛼 + 𝑐𝑜𝑛𝑓𝑖𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑 = 1 (5)

Una confiabilidad del 90% implica un 𝛼 = 0.10; una confiabilidad del 95% implica un 𝛼 =
0.05, una confiabilidad del 97.5% implica un 𝛼 = 0.025; una confiabilidad del 99% implica
un 𝛼 = 0.01.

1.4. Estadística de prueba y valores tabulados.

Las pruebas de hipótesis se sustentan en supuestos acerca de la distribución de

probabilidad de donde provienen los datos experimentales. En algunas pruebas de

10
hipótesis se asume de inicio que los datos experimentales tienen una distribución normal
[𝑋~𝑁(𝜇, 𝜎 2 )], una distribución Poisson [𝑋~𝑃(𝜆)], etc.

Suponiendo que se tiene un valor de energía expresado en calorías y se desea expresar

el valor en Joule. Es necesario multiplicar el valor expresado en calorías por 4.184 para
convertirlo a un valor expresado en Joule. Por ejemplo:

10 𝑐𝑎𝑙𝑜𝑟í𝑎𝑠 = (10 𝑐𝑎𝑙𝑜𝑟í𝑎𝑠) (4.184 𝐽𝑜𝑢𝑙𝑒𝑠/𝑐𝑎𝑙𝑜𝑟í𝑎𝑠) = 41.84 𝐽𝑜𝑢𝑙𝑒𝑠

En una prueba de hipótesis, al utilizar la estadística de prueba, es necesario ejecutar

cálculos sobre los datos experimentales. Al ejecutar tales operaciones se realiza un
proceso análogo al de una conversión de unidades físicas, es decir, el valor final que se
obtiene no presenta la distribución de probabilidad que tienen los datos experimentales
sino una distribución de probabilidad diferente. Los mecanismos mediante los cuales es
posible transformar una distribución de probabilidad en base a operaciones matemáticas
y lógicas son dados por el área de conocimiento denominada Algebra de Variables
Aleatorias.

En gran cantidad de las pruebas de hipótesis de uso generalizado se tienen estadísticas

de prueba que generan valores pertenecientes a distribuciones de probabilidad continuas
(t de Student, ji-cuadrado, F). EI problema principal consiste en que la mayoría de las
funciones de probabilidad continuas, al intentar integrarlas, no admiten una solución
analítica, por lo que se hace uso de tablas de probabilidades específicas con el fin de
poder ejecutar la prueba de hipótesis.

1.5. Distribuciones de probabilidad continuas

1.5.1. Distribución Normal

Esta distribución es fundamental en la ingeniería civil debido a que modela

adecuadamente una amplia variedad de situaciones en la práctica real. La distribución
normal se utiliza comúnmente en áreas como la Mecánica de Suelos, la Resistencia de
Materiales, la Hidráulica y la Geotecnia, para modelar variables aleatorias como la
resistencia de los materiales, la densidad de los suelos y la carga hidráulica en
estructuras.

Varios matemáticos han contribuido a su formulación, entre ellos Abraham De Moivre,

Pierre Laplace y Carl Friedrich Gauss; aunque De Moivre fue el primero que formuló la
distribución normal, su trabajo quedó en el anonimato y fue el trabajo de Gauss el más
conocido entre los estadísticos. Resultado de ello ha sido que a la distribución normal se
le llame algunas veces distribución gaussiana.

11
La curva normal es la expresión gráfica de la distribución normal, que es una distribución
que tiene gran cantidad de observaciones cercanas a la media y luego disminuyen
gradual y simétricamente. Los extremos de esta distribución se conocen como colas de
probabilidad. Se muestra a continuación la curva normal con sus componentes básicos:

Fig. 1. Curva normal de probabilidad

La 𝜇 es considerada un parametro de centralización y la 𝜎 como un parámetro de forma.

Dependiendo de los valores que presente 𝜎 se tendrá diferentes formas de curvas
normales, todas ellas simétricas.

Cuantil normal: valor 𝒵 de la distribución normal estándar que tiene una probabilidad
menor o igual a 𝛾.

Un cuantil normal será representado mediante la siguiente nomenclatura:

𝑍0.95 valor de 𝒵 que tiene una probabilidad menor o igual a 0.95.

𝑍0.90 valor de 𝒵 que tiene una probabilidad menor o igual a 0.9o.
𝑍0.99 valor de 𝒵 que tiene una probabilidad menor o igual a 0.99.

Para encontrar el valor de los cuantiles se utiliza la Tabla I del Apéndice, buscando en
el interior de la tabla el valor 𝛾 de probabilidad deseado y registrando el valor de 𝓏 que
se asocia a la probabilidad.

Ejemplo: Encontrar 𝑍0.95, 𝑍0.90 , 𝑍0.99.

12
Para hallar 𝑍0.95 se debe localizar al interior de la Tabla I al dato 0.95 no el dato más
cercano superior; a partir de ese dato hay que desplazarse hacia la izquierda y registrar
el valor que se halla en la columna 𝒵, a este valor se le agrega el valor de la columna
donde se localiza el dato 0.95.

En la Tabla I no se encuentra exactamente el dato 0.95, lo más cercano superior es

0.9505. El dato 0.9505 tiene asociado un valor de 𝒵 = 1.6 y se encuentra ubicado en la
columna marcada como 0.05, por lo tanto:

𝑍0.95 = 1.6 + 0.05 = 1.65

Para hallar 𝑍0.90 se debe localizar al interior de la Tabla I al dato 0.90 no el dato más
cercano superior; a partir de ese dato hay que desplazarse hacia la izquierda y registrar
el valor que se halla en la columna 𝒵, a este valor se le agrega el valor de la columna
donde se localiza el dato 0.90.

En la Tabla I no se encuentra exactamente el dato 0.90, lo más cercano superior es

0.9015. El dato 0.9015 tiene asociado un valor de 𝒵 = 1.2 y se encuentra ubicado en la
columna marcada como 0.09, por lo tanto:

𝑍0.90 = 1.2 + 0.09 = 1.29

Para hallar 𝑍0.99 se debe localizar al interior de la Tabla I al dato 0.99 no el dato más
cercano superior; a partir de ese dato hay que desplazarse hacia la izquierda y registrar
el valor que se halla en la columna 𝒵, a este valor se le agrega el valor de la columna
donde se localiza el dato 0.99.

En la Tabla I no se encuentra exactamente el dato 0.99, lo más cercano superior es

0.9901. El dato 0.9901 tiene asociado un valor de 𝒵 = 2.3 y se encuentra ubicado en la
columna marcada como 0.03, por lo tanto:

𝑍0.99 = 2.3 + 0.03 = 2.33

1.5.2. Distribución t de Student.

En algunas pruebas de hipótesis, que se expondrán en los capítulos siguientes, se

asume que los datos experimentales o los errores que se generan tienen distribución
normal con media 𝜇 y varianza 𝜎 2 [𝑋~𝑁(𝜇, 𝜎 2 )].Bajo este supuesto, las estadísticas de
prueba correspondientes generan valores que tienen una distribución de probabilidad t
de Student.

La distribución t de Student es parecida a la distribución normal estándar debido a que

también es simétrica y tiene una media igual a cero. La principal diferencia se da por el

13
hecho de que la distribución t de Student tiene mayor área de probabilidad en las colas
que la distribución normal estándar. La función de probabilidad correspondiente no
admite una solución analítica, por lo que existe una tabla específica para el cálculo de
probabilidades.

En pruebas de hipótesis se utiliza el cuantil t de Student como el valor tabulado contra el

que se compara el valor calculado, y se representa por 𝑡𝛼 (𝑣), donde 𝛼 es el nivel de
significancia de la prueba de hipótesis y 𝑣 es los grados de libertad de la distribución t de
Student.

Cuantil t de Student: Valor de la distribución t de Student tal que la probabilidad de un

valor mayor es igual a 𝛼 con 𝑣 grados de libertad.

Grados de libertad: Número de datos experimentales o variables independientes (𝑛)

con los que se calcula la estadística de prueba menos el número de parámetros (𝑘) que
van a ser contrastados en una prueba de hipótesis.

Si se quiere encontrar el cuantil 𝑡0.05 (7) entonces se debe localizar, en la Tabla II del
Apéndice, el valor 7 en la columna marcada como 𝑣 y desplazarse hacia la derecha hasta
la columna de 𝛼 que presente el valor 0.05, el dato ubicado en dicha columna es el cuantil
buscado, en este caso𝑡0.05 (7) = 1.90.

Si se quiere encontrar el cuantil 𝑡0.01 (6) entonces se debe localizar, en la Tabla II del
Apéndice, el valor 6 en la columna marcada como 𝑣 y desplazarse hacia la derecha hasta
la columna de 𝛼 que presente el valor 0.01, el dato ubicado en dicha columna es el cuantil
buscado, en este caso𝑡0.01 (6) = 3.14.

1.5.3. Distribución ji-cuadrado.

En algunas pruebas de hipótesis, que se expondrán en los capítulos siguientes, se

asume que los datos experimentales o los errores generados tienen una distribución
normal con media 𝜇 y varianza 𝜎 2 [𝑋~𝑁(𝜇, 𝜎 2 )]. Bajo este supuesto, las estadísticas de
prueba correspondientes generan valores que tienen una distribución de probabilidad ji-
cuadrado.

La distribución ji-cuadrado presenta formas variadas, por lo general asimétricas, que

dependen de los grados de libertad asociados. La función de probabilidad
correspondiente no admite una solución analítica por lo que existe una tabla específica
para el cálculo de probabilidades.

En pruebas de hipótesis se utiliza el cuantil ji-cuadrado como el valor tabulado contra el

que se comparará el valor calculado, y se representa por 𝒳𝛼2 (𝑣), donde 𝛼 es el nivel de

14
significancia de la prueba de hipótesis y 𝑣 es los grados de libertad de la distribución ji-
cuadrado.
2 (9)
Si se quiere encontrar el cuantil 𝒳0.05 entonces se debe localizar, en la Tabla III del
Apéndice, el valor 9 en la columna marcada como 𝑣 y desplazarse hacia la derecha
hasta la columna 𝛼 que presente el valor 0.05; el dato ubicado en dicha columna es el
2 (9)
cuantil buscado, en este caso 𝒳0.05 = 16.9.
2 (12) entonces se debe localizar, en la Tabla III del
Si se quiere encontrar el cuantil 𝒳0.975
Apéndice, el valor 12 en la columna marcada como 𝑣 y desplazarse hacia la derecha
hasta la columna 𝛼 que presente el valor 0.975; el dato ubicado en dicha columna es el
2 (12) = 4.40.
cuantil buscado, en este caso 𝒳0.975

1.5.4. Distribución F.

En algunas pruebas de hipótesis, que se expondrán en los capítulos siguientes, se

asume que los datos experimentales o los errores generados tienen una distribución
normal con media 𝜇 y varianza 𝜎 2 [𝑋~𝑁(𝜇𝑥 , 𝜎 2 )]. Bajo este supuesto, las estadísticas de
prueba correspondientes generan un valor que tienen una distribución de probabilidad F.

La distribución F presenta formas variadas, por lo general asimétricas, que dependen de

los grados de libertad asociados. Esta distribución de probabilidad tiene la característica
de estar asociada con dos tipos de grados de libertad conocidos como gradas de libertad
del numerador y del denominador. La función de probabilidad correspondiente no admite
una solución analítica por lo que existe una tabla específica para el cálculo de
probabilidades.

En pruebas de hipótesis se utiliza el cuantil F como el valor tabulado contra el que se

comparará el valor calculado, y se representa por 𝐹𝛼 (𝑣1 , 𝑣2 ), donde 𝛼 es el nivel de
significancia de la prueba de hipótesis, 𝑣1 es los grados de libertad del numerador y 𝑣2 ,
es los grados de libertad del denominador de la distribución F.

Si se quiere encontrar el cuantil 𝐹0.05 (8,10) entonces se debe localizar, en la Tabla IV del
Apéndice, el valor 8 en la columna marcada como grados de libertad 𝑣1 , a partir de este
valor avanzar hacia la derecha a la altura de la columna de gados de libertad 𝑣2 , que
tiene el valor 10; en este sitio se localizan cuatro valores correspondientes a los cuantiles
de la distribución F a un 𝛼 de 0.1, 0.05, 0.025 y 0.01, respectivamente, entonces se elige
el cuantil al 𝛼 deseado; en este caso 𝐹0.05 (8,10) = 3.07.

Si se quiere encontrar el cuantil 𝐹0.01 (12,9) entonces se debe localizar, en la Tabla IV del
Apéndice, el valor 12 en la columna marcada como grados de libertad 𝑣1 , a partir de
este valor avanzar hacia la derecha a la altura de la columna de gados de libertad 𝑣2 ,

15
que tiene el valor 9; en este sitio se localizan cuatro valores correspondientes a los
cuantiles de la distribución F a un 𝛼 de 0.1, 0.05, 0.025 y 0.01, respectivamente, entonces
se elige el cuantil al 𝛼 deseado; en este caso 𝐹0.01 (12,9) = 5.11.

2. Conceptos básicos de Diseños Experimentales

2.1. Definiciones

Experimento: Acción emprendida con el fin de descubrir algo que es desconocido.

Tratamiento: Material, sistema, técnica o condición cuya efectividad se desea evaluar y

comparar en un experimento.

Ejemplos: tipo de hormigón, sistema de drenaje, técnica de compactación, resistencia a

la corrosión, carga de viento.

Unidad experimental: Área física mínima sobre la cual se aplica un solo tratamiento.

Ejemplos: una sección de pavimento, un tramo de tubería, una estructura de prueba, un

modelo a escala, un conjunto de muestras de material.

Variable respuesta: Dato o medida que se cuantifica en cada unidad experimental y

cuyos valores permiten evaluar la acción o efectividad de los tratamientos y hacer
comparaciones entre estos.

Ejemplos: resistencia a la compresión, deformación bajo carga, capacidad de drenaje,

velocidad de corrosión, costo de mantenimiento.

Diseño experimental: Conjunto ordenado de normas, procedimientos y cálculos que

orientan acerca de la forma en que deben disponerse las unidades experimentales en el
campo o laboratorio, la forma en que deben colocarse los tratamientos en las unidades
experimentales, la manera en que deben recopilarse y analizarse los datos
experimentales, para así obtener información relevante y con un alto grado de
confiabilidad basado en los datos arrojados por la variable respuesta.

Existen un gran número de diseños experimentales para solucionar problemas

específicos, pero debido al carácter introductorio del manual sólo se abordarán los
siguientes diseños:

 Diseño completamente al azar.

 Diseño en bloques completos al azar.
 Diseño en cuadro latino.
 Experimento factorial.

16
  Diseño en parcelas divididas.

Las características básicas y la forma correcta de utilizar los diseños mencionados, así
como la forma de analizar los datos derivados de estos se hará en los capítulos
siguientes.

Repeticiones: Número de unidades experimentales en las cuales aparece un mismo

tratamiento. Si un tratamiento específico aparece en siete unidades experimentales se
dice que esta repetido siete veces o que hay siete repeticiones del tratamiento.

Testigo: Consiste, por lo general, en una unidad experimental en la cual ninguno de los
tratamientos utilizados en el experimento es probado, y cuyo valor obtenido para la
variable respuesta permitirá medir la acción o efectividad de los tratamientos.

2.2. Modelo lineal

2.2.1. Conceptos básicos.

Modelo lineal: Es un modelo matemático en donde la relación principal entre los

términos que lo componen se da básicamente mediante sumas y restas.

Modelo no lineal: Es un modelo matemático en donde la relación principal entre los

términos que lo componen se da básicamente mediante multiplicaciones, divisiones y
potencias.

Ejemplos:

𝑌 = 𝛽0 + 𝛽1 𝑋 (Modelo lineal; la relación principal entre los términos se

da mediante una suma)

𝑌 = 𝛽0 + 𝛽1 𝑋 + 𝛽2 𝑋 2 + 𝛽3 𝑋 3 (Modelo lineal; la relación principal entre los términos se

da mediante una suma)

𝑌 = (𝛽0 )(𝛽1 )𝑥 (Modelo no lineal; la relación principal entre los términos

se da mediante una multiplicación y una potencia)

1 (Modelo no lineal; la relación principal entre los términos

𝑌=
𝛽0 + 𝛽1 𝑋 se da mediante una división)

𝑌 = 𝑒 𝛽0 +𝛽1 𝑥 (Modelo no lineal; la relación principal entre los términos

se da mediante una potencia)

17
Los modelos matemáticos empleados para representar algunos métodos estadísticos
(como la regresión lineal simple y los diseños experimentales) son modelos estadísticos
de tipo lineal, ya que la relación principal entre los términos que los componen se da
mediante sumas y restas.

Suponga que, en un puente de carretera, 8 secciones de la estructura están afectadas

por corrosión (100 puntos de corrosión en cada sección) y el ingeniero responsable
decide abordar el problema. Aplica aleatoriamente un tratamiento de protección contra
la corrosión (A) en 4 secciones del puente, y otro tratamiento (B) en las 4 secciones
restantes, y registra el número de puntos de corrosión que permanecen después del
tratamiento en cada sección. Se obtienen los siguientes resultados:

Tratamiento de protección Sección No. puntos de corrosión

1 10
2 9
A
3 10
4 11
1 20
2 7
B
3 30
4 26

Suponga que el modelo lineal que sirve para describir el experimento anterior es:

𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝑒𝑖𝑗 (6)

donde
𝑌𝑖𝑗 : Valor de la variable respuesta obtenida en la j-ésima repetición del i-ésimo
tratamiento.
𝜇: Efecto medio general.
𝜏𝑖 : Efecto atribuido al i-ésimo tratamiento.
𝑒𝑖𝑗 : Término de error aleatorio.

El valor de 10 puntos de corrosión obtenido en la sección 1 usando el tratamiento de

protección A, asumiendo el modelo anterior, es la suma del efecto medio general (𝜇), el
efecto atribuido al i-ésimo tratamiento (𝜏𝑖 ) y el término de error aleatorio (𝑒𝑖𝑗 ); cabe
mencionar que no es posible determinar la cantidad exacta con la que contribuyen al
valor final de la variable respuesta cada uno de estos tres términos.

Suponga que el valor de 10 puntos de corrosión pudo estar determinado por:

18
 𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝑒𝑖𝑗
10 = 0.5 + 9 + 0.5

Note que en este caso la respuesta obtenida se debe en mayor grado al efecto del i-
ésimo tratamiento.

También, el valor de 10 puntos de corrosión pudo estar determinado por

𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝑒𝑖𝑗
10 = 0.5 + 3 + 6.5

Note que en este caso la respuesta obtenida se debe en menor grado al efecto del
termino de error aleatorio.

El efecto medio general se considera cono un término constante para cualquier valor de
𝑌𝑖𝑗 . Todos los valores de número de puntos de corrosión para los tratamientos de
protección A y B pueden estar determinados en mayor grado por el efecto del i-ésimo
tratamiento o por el efecto del termino de error aleatorio. No es posible determinar, para
cada uno de los valores de la variable respuesta, el aporte individual de los tres términos
que forman el modelo lineal. Las técnicas estadísticas pretenden determinar de manera
conjunta, para los datos que pertenecen a cada uno de los tratamientos (en este caso
tratamientos de protección A y B), si las respuestas observadas se deben en su mayor
parte al efecto del tratamiento o al efecto del término de error aleatorio. Si las respuestas
observadas se deben en su mayor parte al efecto del tratamiento es posible detectar
diferencias entre tratamientos; por el contario, si las respuestas observadas se deben en
su mayor parte al efecto del término de error aleatorio es posible que no se detecten
diferencias entre tratamientos.

Se supone que para un mismo tratamiento las variables respuesta deben ser muy
parecidas entre si cuando las condiciones de las unidades experimentales son
homogéneas. Para los valores de número de puntos de corrosión obtenidos con el
tratamiento A (10,9, 10, 11) se observa una gran similitud, por lo que es posible esperar
que las respuestas observadas estén determinadas en mayor grado por el efecto del
tratamiento. Para el tratamiento B los números de puntos de corrosión (20, 7, 30, 26) son
muy diferentes entre sí, por lo que es posible esperar que las respuestas observadas
estén determinadas en mayor grado por el efecto del término de error aleatorio. Aunque
aquí se tiene el valor más bajo de puntos de corrosión (7), no es posible pensar, con un
alto grado de certeza, que este dato es representativo del efecto del tratamiento B porque
las diferencias entre los valores obtenidos son grandes. Debido a estas diferencias
observadas es altamente probable que al analizar estadísticamente los datos de los dos
tratamientos no se llegue a detectar diferencias entre estos tratamientos.

19
Para llegar a detectar diferencias entre los tratamientos utilizados en un experimento es
preciso que la varianza de cada uno de los tratamientos sean muy similares entre sí. Si
los datos obtenidos para el tratamiento B hubieran sido 20, 21, 22, 20, es posible pensar
que las respuestas observadas están determinadas en mayor grado por el efecto del
tratamiento y es altamente probable que al analizar estadísticamente los datos de los
dos tratamientos se llegue a detectar diferencia entre estos.

El modelo lineal utilizado en el ejemplo de los tratamientos de protección corresponde al

diseño experimental completamente al azar, que será expuesto más adelante.

2.2.2. Error experimental

Error experimental: Para unidades experimentales que han recibido el mismo

tratamiento, constituye diferencias que se presentan entre cada uno de los valores
obtenidos en la variable respuesta y la media del tratamiento. Estas diferencias son de
naturaleza aleatoria y se desconoce las causas que las originan. Es un error estadístico,
lo que significa que es producto de una variación incontrolable y generalmente inevitable.
La palabra error no es sinónimo de “equivocaciones”, sino que incluye todos los tipos de
variación extraña que influyen directamente en los valores de la variable respuesta.

Normalmente, sólo una pequeña parte del error experimental puede ser atribuido a
errores en la medición. Efectos importantes pueden quedar ocultos, total o parcialmente
por el error experimental y a la inversa a causa del error experimental, el investigador
puede equivocarse y creer en la influencia de efectos que no existen.

En el modelo lineal, el error experimental es representado mediante el término de error

aleatorio, ya que ambos términos, en el desarrollo de los siguientes temas, serán
equivalentes.

Es importante hacer notar que todos los valores que se obtengan para una variable
respuesta serán determinados en parte por el término de error aleatorio; no es posible
que los datos experimentales se sustraigan del efecto del termino de error aleatorio (error
experimental). La importancia principal de este término se da cuando asume un valor tal
que determina en mayor medida la magnitud de la variable respuesta, ya que así no será
posible detectar diferencias entre tratamientos. Se espera que el valor del término del
error debe ser muy semejante para cada uno de los datos de la variable respuesta en el
experimento, por lo que se asume que los errores experimentales tienen una distribución
normal con media cero y varianza 𝜎 2 , y son independientes entre sí, es decir,
𝑒𝑖𝑗 ~𝑁𝐼(0, 𝜎 2 ).

20
No se puede eliminar el efecto del error experimental, pero sí reducirlo con el fin de
obtener una mejor estimación de los efectos de los tratamientos. Entre las estrategias
recomendadas para lograr la reducción de la magnitud del error experimental están:

 La utilización de un número suficiente de repeticiones, ya que esto permite obtener

una buena estimación del error experimental. Se puede calcular con mayor
precisión el efecto real de los tratamientos en el experimento. El tener muchas
observaciones provenientes de un mismo fenómeno permite tener una idea más
aproximada y real del comportamiento de dicho fenómeno.
 La adecuada distribución de los tratamientos mediante el mecanismo de
aleatorización. Por aleatorización se entiende al hecho de que tanto la asignación
de los tratamientos como el orden en que se aplican sobre las unidades
experimentales se determina mediante un mecanismo aleatorio (sorteos, rifas,
volados, tabla de números aleatorios, etc.). Los diseños experimentales requieren
que los errores experimentales sean variables aleatorias independientes y la
aleatorización usualmente garantiza dicha independencia.
 La utilización de bloques, que es una técnica estadística que se usa para reducir
la magnitud del error experimental. El uso de bloques será expuesto en el capítulo
correspondiente al diseño en bloques completos al azar (capítulo 4).

Los razonamientos anteriores se hacen extensivos a los diseños experimentales que se

expondrán en los capítulos siguientes, en donde el valor de la variable respuesta está
determinado por un número mayor o menor de términos según el diseño experimental
utilizado, pero siempre estando presente el efecto medio general y el término de error
aleatorio.

2.2.3. Modelo lineal general

El modelo lineal general para los diseños experimentales se expresa como:

𝑌 =𝜇+𝜔+𝑒 (7)

donde
𝑌: Valor de la variable respuesta.
𝜇: Efecto medio general.
𝜔: Efecto a considerar en el diseño experimental.
𝑒: Término de error aleatorio.

Los subíndices para la variable respuesta (𝑌) y el termino del error aleatorio (𝑒)
dependerán del número de efectos a considerar en el diseño experimental (𝜔).

21
Con base en el diseño experimental elegido, 𝜔 pueden englobar diferentes términos,
como se muestra en la tabla siguiente:

Diseño Experimental Efecto a considerar (𝝎)

Completamente al azar Tratamientos 𝜏𝑖
Bloques 𝛽𝑖
Bloques completos al azar
Tratamientos 𝜏𝑗
Hileras 𝐻𝑖
Cuadro latino Columnas 𝐶𝑗
Tratamientos 𝑇𝑘

Si el diseño elegido es completamente al azar, el modelo lineal será:

𝑌 =𝜇+𝜔+𝑒 (8)

𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝑒𝑖𝑗 (9)

Si el diseño elegido es en bloques completos al azar, el modelo lineal será:

𝑌=𝜇+ 𝜔 +𝑒 (10)

𝑌𝑖𝑗 = 𝜇 + 𝛽𝑖 + 𝜏𝑗 + 𝑒𝑖𝑗 (11)

Si el diseño elegido es el cuadro latino, el modelo lineal será:

𝑌=𝜇+ 𝜔 +𝑒 (12)

𝑌𝑖𝑗 = 𝜇 + 𝐻𝑖 + 𝐶𝑗 + 𝑇(𝑖𝑗)𝑘 + 𝑒𝑖𝑗𝑘 (13)

El termino 𝑇(𝑖𝑗)𝑘 indica que la ubicación de los tratamientos en el experimento está en

función de las hileras y las columnas presentes en el cuadro latino. La explicación a este
detalle se abordada en el capítulo correspondiente al cuadro latino.

La estructura básica del modelo lineal general se mantiene para otros diseños
experimentales, sólo que 𝜔 engloba, en ocasiones, efectos que pueden interaccionar o
anidarse, por lo cual la estructura del modelo lineal llega a tener una forma específica,
dependiendo del diseño experimental en uso.

2.3. Supuestos básicos de los diseños experimentales

Tomando como base lo expuesto en el inciso 2.2 es posible determinar dos supuestos
básicos de los diseños experimentales en general:

22
Existe homogeneidad de varianza entre tratamientos (todos los tratamientos tienen igual
varianza).

Los errores tienen distribución Normal con media cero y varianza 𝜎 2 , y son
independientes entre sí, (no están correlacionados), es decir, 𝑒𝑖𝑗 ~𝑁𝐼(0, 𝜎 2 ).

2.4. Hipótesis a probar

Bajo los supuestos mencionados es posible realizar pruebas de hipótesis acerca de los
efectos de los términos del modelo lineal en un diseño experimental específico. A
excepción del efecto medio general los demás términos en un modelo lineal específico
reciben la denominación de fuentes de variación. En los diseños experimentales se
prueban diferentes pares de hipótesis, dependiendo del número de fuentes de variación
a analizar. La hipótesis nula (𝐻𝑜 ) siempre postula la igualdad entre los diferentes niveles
de una fuente de variación, mientras que la hipótesis alternativa (𝐻𝑎 ) siempre postula
que al menos uno de los niveles de la fuente de variación produce un efecto diferente.

Suponiendo que se realiza un experimento bajo un diseño en bloques completos al azar,

entonces con base al modelo lineal se observan tres fuentes de variación posibles:
bloques (𝛽𝑖 ), tratamientos (𝜏𝑗 ) y error (𝑒𝑖𝑗 ). Es importante mencionar que, en cualquier
diseño experimental, para el término de error aleatorio no se realizan pruebas de
hipótesis, sino que se constituye en un elemento básico para probar las hipótesis de las
fuentes de variación restantes. Por lo tanto, se tienen dos juegos de hipótesis diferentes
a contrastar:

1 𝐻𝑜 : 𝛽1 = 𝛽2 = 𝛽3 = ⋯ = 𝛽𝑏
vs
𝐻𝑎 : Al menos un bloque (𝛽𝑖 ) tiene un efecto diferente
𝑖 = 1,2, ⋯ , 𝑏 𝑏 = número de bloques

2 𝐻𝑜 : 𝜏1 = 𝜏2 = 𝜏3 = ⋯ = 𝜏𝑡
vs
𝐻𝑎 : Al menos un tratamiento (𝜏𝑗 ) tiene un efecto diferente
𝑗 = 1,2, ⋯ , 𝑡 𝑡 = número de tratamientos

Con un diseño en cuadro latino se tiene cuatro fuentes de variación posibles (hileras,
columnas, tratamientos y error) y tres pares de hipótesis para contrastar:

1 𝐻𝑜 : 𝐻1 = 𝐻2 = 𝐻3 = ⋯ = 𝐻ℎ
vs

23
 𝐻𝑎 : Al menos una hilera (𝐻𝑖 ) tiene un efecto diferente
𝑖 = 1,2, ⋯ , ℎ ℎ = número de hileras

2 𝐻𝑜 : 𝐶1 = 𝐶2 = 𝐶3 = ⋯ = 𝐶𝑡
vs
𝐻𝑎 : Al menos una columna (𝐶𝑗 ) tiene un efecto diferente
𝑗 = 1,2, ⋯ , 𝑐 𝑐 = número de columnas

3 𝐻𝑜 : 𝑇1 = 𝑇2 = 𝑇3 = ⋯ = 𝑇𝑡
vs
𝐻𝑎 : Al menos un tratamiento (𝑇𝑘 ) tiene un efecto diferente
𝑘 = 1,2, ⋯ , 𝑡 𝑡 = número de tratamientos
ℎ=𝑐=𝑡

2.5. Análisis de varianza (ANOVA)

En un diseño experimental la técnica estadística que se emplea para contrastar las

hipótesis derivadas del modelo lineal es el análisis de varianza. Para un experimento
especifico el análisis de varianza determina, con un alto grado de confiabilidad, si la
diferencia entre los valores que toma la variable repuesta se debe realmente al efecto de
alguna de las fuentes de variación involucradas o a efectos aleatorios (determinados por
el azar). El análisis de varianza es la estadística de prueba para el contraste de hipótesis
acerca de las fuentes de variación en un diseño experimental.

2.5.1. Estructura general

La estructura general de una tabla de análisis de varianza es:

Fuentes de Grados de Suma de Cuadrado F calculada F de tablas

Variación Libertad Cuadrados Medio (𝑭𝒄𝒂𝒍 ) (𝑭𝒕𝒂𝒃 )
(F.V.) (G.L.) (S.C.) (C.M.)

𝑆. 𝐶. 𝜔 𝐶. 𝑀. 𝜔
𝜔 G.L. 𝜔 S.C. 𝜔 𝐹𝛼 (𝑣1 , 𝑣2 )
𝐺. 𝐿. 𝜔 𝐶. 𝑀. 𝐸𝑟𝑟𝑜𝑟

𝑆. 𝐶. 𝐸𝑟𝑟𝑜𝑟
Error G.L. Error S.C. Error
𝐺. 𝐿. 𝐸𝑟𝑟𝑜𝑟
Total G.L. Total S.C. Total

𝐹𝛼 (𝑣1 , 𝑣2 ) = Cuantil de distribución F

24
 𝑣1 = Grados de libertad de 𝜔

𝑣2 = Grados de libertad del Error

Dependiendo de las fuentes de variación que englobe 𝜔, la tabla tendrá una estructura
especifica.

Si el diseño experimental es un bloques completos al azar, 𝜔 engloba a las fuentes de

variación 𝛽𝑖 y 𝜏𝑗 , por lo que la tabla de análisis de varianza tiene la siguiente estructura:

Fuentes de Grados de Suma de Cuadrado F calculada F de tablas

Variación Libertad Cuadrados Medio (𝑭𝒄𝒂𝒍 ) (𝑭𝒕𝒂𝒃 )
(F.V.) (G.L.) (S.C.) (C.M.)

𝑆. 𝐶. 𝐵𝑙𝑜𝑞 𝐶. 𝑀. 𝐵𝑙𝑜𝑞
Bloques G.L. Bloq S.C. Bloq 𝐹𝛼 (𝑣1 , 𝑣2 )
𝐺. 𝐿. 𝐵𝑙𝑜𝑞 𝐶. 𝑀. 𝐸𝑟𝑟𝑜𝑟

𝐶. 𝑀. 𝑇𝑟𝑎𝑡
G.L. Trat 𝑆. 𝐶. 𝑇𝑟𝑎𝑡
Tratamientos S.C. Trat 𝐶. 𝑀. 𝐸𝑟𝑟𝑜𝑟 𝐹𝛼 (𝑣3 , 𝑣2 )
𝐺. 𝐿. 𝑇𝑟𝑎𝑡

𝑆. 𝐶. 𝐸𝑟𝑟𝑜𝑟
Error G.L. Error S.C. Error
𝐺. 𝐿. 𝐸𝑟𝑟𝑜𝑟
Total G.L. Total S.C. Total
Bloq: Bloques, Trat: Tratamientos.

𝐹𝛼 (𝑣1 , 𝑣2 ) = Cuantil de distribución F

𝐹𝛼 (𝑣3 , 𝑣2 ) = Cuantil de distribución F

𝑣1 = Grados de libertad de Bloques

𝑣2 = Grados de libertad del Error

𝑣3 = Grados de libertad de Tratamientos

Note que la forman final de la tabla de análisis de varianza es determinada por la

estructura del modelo lineal del diseño experimental utilizado, La manera de llenar
numéricamente una tabla de análisis de varianza será ejemplificada en los capítulos
posteriores.

Es importante señalar que, en una tabla de análisis de varianza, aunque es posible

obtener un valor numérico para la F calculada (𝐹𝑐𝑎𝑙 ) de todas las fuentes de variación,
en algunos casos y en algunas fuentes de variación, dependiendo del diseño

25
experimental utilizado y por cuestiones teóricas (que serán aclaradas en su momento),
este valor carecerá de utilidad práctica y tomarlo como una prueba exacta de F no es
conveniente.

En general el cuadrado medio de una fuente de variación cualquiera debe ser

determinado mediante:

𝑆. 𝐶. 𝐹𝑢𝑒𝑛𝑡𝑒 𝑑𝑒 𝑣𝑎𝑟𝑖𝑎𝑐𝑖ó𝑛
𝐶. 𝑀. 𝐹𝑢𝑒𝑛𝑡𝑒 𝑑𝑒 𝑣𝑎𝑟𝑖𝑎𝑐𝑖ó𝑛 =
𝐺. 𝐿. 𝐹𝑢𝑒𝑛𝑡𝑒 𝑑𝑒 𝑣𝑎𝑟𝑖𝑎𝑐𝑖ó𝑛 (14)

2.5.2. Mínimos cuadrados

Un componente básico de una tabla de análisis de varianza es la suma de cuadrados,

ya que a partir de este término se calculan los valores restantes de la tabla y es posible
completar el llenado. Se describe continuación, de manera breve y sencilla, la forma
general en la que se obtiene una suma de cuadrados para una tabla de análisis de
varianza, El procedimiento para obtener la suma de cuadrados es conocido como la
técnica de mininos cuadrados, que consiste en:

 A partir del modelo lineal se obtiene una función para los errores al cuadrado

𝑌𝑖 = 𝜇 + 𝜔 + 𝑒𝑖 (15)

𝑄(𝜇, 𝜔) = ∑ 𝑒𝑖2 = ∑(𝑌𝑖 − 𝜇 − 𝜔)2

 Se busca minimizar la función anterior.

 Para encontrar los valores que minimizan la función, se hace uso de las derivadas
parciales con respecto a los parámetros de la función y se iguala a cero.

𝜕𝑄 𝜕
= ∑ (𝑌𝑖 − 𝜇 − 𝜔)2 = 0
𝜕𝜇 𝜕𝜇

𝜕𝑄 𝜕
=∑ (𝑌𝑖 − 𝜇 − 𝜔)2 = 0
𝜕𝜔 𝜕𝜔

 Al realizar el procedimiento anterior, se genera un conjunto de ecuaciones

simultaneas de primer grado, las cuales se conocen como ecuaciones normales.

 Resolviendo adecuadamente el sistema de ecuaciones normales, es posible

obtener las ecuaciones para las sumas de cuadrados.

26
  Dado el enfoque del manual, que busca la aplicación en ingeniería civil, se omite
la demostración teórica de las sumas de cuadrados, las cuales quedan como
ejercicio sugerido para el lector.

2.6. Pasos para la correcta ejecución de un experimento

1) Definir los objetivos del experimento a realizar.

2) Con base a los objetivos del experimento y a las características de los tratamientos a
evaluar, determinar el diseño experimental a utilizar.

3) Realizar el trabajo de campo o laboratorio acorde a los lineamientos y características

del diseño experimental seleccionado.

4) Analizar los resultados del trabajo de campo o laboratorio con base al diseño
experimental seleccionado.

2.6.1. Recomendaciones

 Antes de realizar el trabajo de campo o laboratorio se debe haber seleccionado

con anterioridad el diseño experimental pertinente.

 Cuando se concluya el trabajo de campo o laboratorio, los datos recabados deben

de analizarse de acuerdo al diseño experimental seleccionado, aunque los
resultados no sean de nuestro completo agrado. No debe analizarse los datos
bajo un diseño experimental que no fue llevado a cabo en el campo o el laboratorio
con tal de obtener resultados “satisfactorio”.

3. Diseño Completamente al Azar (DCA)

3.1. Características

El diseño completamente al azar tiene las siguientes características:

 Se emplea cuando las unidades experimentales son básicamente homogéneas

entre sí, es decir, cuando la variación entre ellas es pequeña.

 Se utiliza preferentemente en experimentos de laboratorio o en modelos a escala

porque es posible mantener condiciones homogéneas en las unidades
experimentales involucradas. Aunque es posible utilizarlo en campo si se tiene la
certeza de que las condiciones en las que se encuentran las unidades
experimentales son esencialmente las mismas, como en el caso de pruebas de
resistencia de materiales en un sitio de construcción controlado.

27
  Los tratamientos se asignan a las unidades experimentales mediante un
mecanismo aleatorio.

 Todos los tratamientos pueden tener un número igual o diferente de repeticiones.

3.2. Modelo lineal

𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝑒𝑖𝑗 (16)

𝑖 = 1,2, ⋯ , 𝑡 𝑗 = 1,2, ⋯ 𝑟𝑖

𝑡= Número de tratamientos.
𝑟𝑖 = Número de repeticiones para el i-ésimo tratamiento.
𝑌𝑖𝑗 = Respuesta obtenida en la j-ésima repetición del i-ésimo tratamiento.
𝜇= Efecto medio general.
𝜏𝑖 = Efecto atribuido al i-ésimo tratamiento.
𝑒𝑖𝑗 = Termino de error aleatorio.

3.3. Hipótesis a probar

𝐻𝑜 : 𝜏1 = 𝜏2 = ⋯ = 𝜏𝑡
vs
𝐻𝑎 : Al menos el efecto de un tratamiento es diferente al de los demás.

3.4. Análisis de varianza

Fuentes de Grados de Suma de Cuadrado F calculada F de tablas

Variación Libertad Cuadrados Medio (𝑭𝒄𝒂𝒍 ) (𝑭𝒕𝒂𝒃 )
(F.V.) (G.L.) (S.C.) (C.M.)
𝐶. 𝑀. 𝑇𝑟𝑎𝑡
𝑆. 𝐶. 𝑇𝑟𝑎𝑡
Tratamientos 𝑡−1 𝑆. 𝐶. 𝑇𝑟𝑎𝑡 𝐶. 𝑀. 𝐸𝑟𝑟𝑜𝑟 𝐹𝛼 (𝑣1 , 𝑣2 )
𝐺. 𝐿. 𝑇𝑟𝑎𝑡
𝑡

∑ 𝑟𝑖 − 𝑡 𝑆. 𝐶. 𝐸𝑟𝑟𝑜𝑟
Error 𝑆. 𝐶. 𝐸𝑟𝑟𝑜𝑟
𝑖=1 𝐺. 𝐿. 𝐸𝑟𝑟𝑜𝑟
𝑡

∑ 𝑟𝑖 − 1
Total 𝑆. 𝐶. 𝑇𝑜𝑡𝑎𝑙
𝑖=1

𝐹𝛼 (𝑣1 , 𝑣2 ) = 𝐹𝑡𝑎𝑏 = Cuantil de distribución F

𝑣1 = Grados de libertad de los tratamientos

28
 𝑣2 = Grados de libertad del Error

3.5. Regla de decisión

Se rechaza 𝐻𝑜 si 𝐹𝑐𝑎𝑙 > 𝐹𝛼 (𝑣1 , 𝑣2 )

3.6. Suma de cuadrados

Resolviendo las ecuaciones normales respectivas, obtenemos las ecuaciones para las
sumas de cuadrados del análisis de varianza:

𝑌..2
𝐹𝐶 = (17)
∑𝑡𝑖=1 𝑟𝑖

𝑡
𝑌𝑖.2
𝑆. 𝐶. 𝑇𝑟𝑎𝑡 = ∑ − 𝐹𝐶 (18)
𝑟𝑖
𝑖=1

𝑡 𝑟𝑖

𝑆. 𝐶. 𝑇𝑜𝑡𝑎𝑙 = ∑ ∑ 𝑌𝑖𝑗2 − 𝐹𝐶 (19)

𝑖=1 𝑗=1

𝑆. 𝐶. 𝐸𝑟𝑟𝑜𝑟 = 𝑆. 𝐶. 𝑇𝑜𝑡𝑎𝑙 − 𝑆. 𝐶. 𝑇𝑟𝑎𝑡 (20)

donde:

𝐹𝐶 = Factor de corrección.
𝑌.. = Suma de todas las observaciones en el experimento.
𝑌𝑖. = Suma de todas las observaciones que pertenecen al i-ésimo tratamiento.
𝑟𝑖 = Repeticiones en el i-ésimo tratamiento.

Ejemplo: Se realizó un experimento en un laboratorio de materiales para evaluar el

efecto de la adición de fibras en la resistencia a la flexión de concretos de alta resistencia.
Se utilizaron dos tipos de fibras: fibras de acero y fibras de polímero. Se utilizó un diseño
completamente al azar en el que se empleó como unidad experimental una probeta de
concreto. La variable respuesta fue la resistencia a la flexión después de 28 días de
curado (MPa). Se obtuvieron 10 repeticiones para el concreto sin fibras (testigo), 8 para
el concreto con fibras de acero y 12 para el concreto con fibras de polímero.

Después de asignar aleatoriamente los tratamientos a las unidades experimentales se

obtuvieron los siguientes resultados:

29
 FIBRAS
Testigo (Mpa) Acero (Mpa) Polímero (Mpa)
5.2 6.8 6.2
5.5 7.1 6.5
5.1 6.9 6.1
5.3 7.0 6.3
5.4 6.7 6.4
5.2 7.2 6.2
5.6 6.8 6.6
5.1 7.1 6.1
5.3 6.5
5.5 6.7
6.2
6.0

¿Existe diferencia entre la adición de fibras a las probetas de concreto?, utilice una
confiabilidad del 95%.

Respuesta: Se calculan los totales de tratamiento:

FIBRAS
Testigo (Mpa) Acero (Mpa) Polímero (Mpa)
5.2 6.8 6.2
5.5 7.1 6.5
5.1 6.9 6.1
5.3 7.0 6.3
5.4 6.7 6.4
5.2 7.2 6.2
5.6 6.8 6.6
5.1 7.1 6.1
5.3 6.5
5.5 6.7
6.2
6.0

53.2 55.6 75.8

(𝒀𝟏. ) (𝒀𝟐. ) (𝒀𝟑. )
𝑌.. = 184.6 (gran total)

Los cálculos para obtener las sumas de cuadrados son:

30
 𝑡

𝑡=3 𝑟1 = 10 𝑟2 = 8 𝑟3 = 12 𝛼 = 0.05 ∑ 𝑟𝑖 = 30
𝑖=1

𝑌..2 (184.6)2
𝑭𝑪 = = = 𝟏𝟏𝟑𝟓. 𝟗𝟏
∑𝑡𝑖=1 𝑟𝑖 30
𝑡
𝑌𝑖.2
𝑺. 𝑪. 𝑻𝒓𝒂𝒕 = ∑ − 𝐹𝐶
𝑟𝑖
𝑖=1

𝑌1.2 𝑌2.2 𝑌3.2

=[ + + ] − 𝐹𝐶
10 8 12

(53.2)2 (55.6)2 (75.8)2

[ + + ] − 1135.91 = 𝟏𝟐. 𝟑𝟒
10 8 12
𝑡 𝑟𝑖

𝑺. 𝑪. 𝑻𝒐𝒕𝒂𝒍 = ∑ ∑ 𝑌𝑖𝑗2 − 𝐹𝐶
𝑖=1 𝑗=1

2 2 2 2 2 ]
= [𝑌11 + 𝑌21 + 𝑌31 + ⋯ + 𝑌113 + 𝑌123 − 𝐹𝐶

[(5.2)2 + (5.5)2 + (5.1)2 + ⋯ + (6.2)2 + (6.0)2 ] − 1135.91 = 𝟏𝟑. 𝟑𝟕

𝑺. 𝑪. 𝑬𝒓𝒓𝒐𝒓 = 𝑆. 𝐶. 𝑇𝑜𝑡𝑎𝑙 − 𝑆. 𝐶. 𝑇𝑟𝑎𝑡

= 13.37 − 12.34

= 𝟏. 𝟎𝟑

Con los valores calculados, se obtiene la tabla ANOVA

Fuentes de Grados de Suma de Cuadrado F calculada F de tablas

Variación Libertad Cuadrados Medio (𝑭𝒄𝒂𝒍 ) (𝑭𝒕𝒂𝒃 )
(F.V.) (G.L.) (S.C.) (C.M.)

Tratamientos 2 12.34 6.17 162.37 3.35

Error 27 1.03 0.038

Total 29 13.37

𝐹0.05 (2,27) = 3.35

31
Se rechaza 𝐻𝑜 si 𝐹𝑐𝑎𝑙 > 𝐹𝑡𝑎𝑏 . En este caso si se rechaza 𝐻𝑜 , por lo que se concluye que
al menos un tipo de fibra adicionada al concreto genera una resistencia a la flexión
(MPa) diferente a la del testigo.

Ejercicios propuestos

1. Se está estudiando la resistencia de cierto material de revestimiento a la erosión

causada por cuatro diferentes velocidades de flujo de agua en condiciones de
laboratorio. En canales de prueba se colocaron 35 secciones del material, se aplicó
la velocidad de flujo y se midió la cantidad de material erosionado. Se recolectaron
los siguientes datos de caudal (𝑚3 /𝑠):

Velocidades de flujo Caudal (𝒎𝟑 /𝒔)

Velocidad alta 3.12 3.00 2.86 2.89
Velocidad moderada alta 3.20 3.30 2.97 3.15
Velocidad moderada baja 2.80 2.90 2.98 3.05
Velocidad baja 2.60 2.70 2.60 2.76

Obtenga el ANOVA con el 95% de confiabilidad y exprese sus conclusiones.

2. Una empresa de levantamientos topográficos cuenta con cinco equipos de medición

GPS. Se supone que cada uno de los equipos tiene la misma precisión en la medición
de distancias. Para investigar esta suposición, los cinco equipos de medición son
examinados y se mide la distancia entre dos puntos de referencia en cuatro diferentes
mediciones. Se obtuvieron los datos siguientes:

GPS Distancia obtenida (m)

Trimble: 124.5 124.5 124.5 124.5
Leica: 123.5 123.5 123.5 124.5
Topcon: 124.5 124.5 124.5 124.5
Magellan: 123.5 123.5 124.5 123.5
Garmin: 123.5 123.5 123.5 123.5

¿La precisión es la misma en los cinco equipos de medición?, exprese sus conclusiones
con un 95% de confiabilidad.

3. Se ha realizado un estudio para determinar si la temperatura de formación afecta la

cristalinidad de un mineral específico. Se recolectaron muestras de roca de diferentes
yacimientos y se sometieron a cuatro temperaturas de formación diferentes según el
tratamiento asignado. Se midió el tamaño de grano (mm) de las muestras y se
registraron los resultados. El estudio arrojó los siguientes datos:

32
 Temperatura de formación (°C) Tamaño del grano (mm)
500°C: 2.18 2.19 2.17 2.16 2.17
700°C: 2.17 2.14 2.15 2.14
900°C: 2.19 2.18 2.18 2.16 2.15
1100°C: 2.19 2.17 2.18 2.14

¿La temperatura de formación afecta la cristalinidad del mineral?, exprese sus

conclusiones con 95% de confiabilidad.

4. Un fabricante de materiales de construcción desarrolla un nuevo tipo de mortero

experimental y está interesado en el posible efecto de cuatro diferentes tipos de
aditivos tendrían sobre la resistencia a la compresión del producto. A un lote de
mortero se le agrega uno de los aditivos y se somete a un proceso de curado
acelerado. Se obtuvieron los siguientes datos aproximados de resistencia a la
compresión del mortero (expresado en MPa):

Aditivo Resistencia a la compresión (Mpa)

Retardex: 14.3 14.1 15 14.6
Glenium: 15.2 14.9 13.7 14.3
Lignosol: 13.4 13.6 13.2 12.7
Melment: 12.9 12.7 13.2

¿El tipo de aditivo tiene efecto sobre la resistencia a la compresión del mortero?, exprese
sus conclusiones con un 95% de confiabilidad.

5. Para tres tipos de sistemas de contabilidad se determinó el error en la declaración de

impuestos (dólares) al procesar una muestra de 1000 transacciones financieras. Los
resultados fueron:

Sistema Error en la declaración de impuestos (dólares)

Sistema A 90 120 100 810 50
Sistema B 200 210 230 170 300
Sistema C 60 50 80 160 170

¿Los sistemas de contabilidad tienen errores en la declaración de impuestos

estadísticamente iguales?, exprese sus conclusiones con un 95% de confiabilidad.

33
4. Diseño en Bloques Completos al Azar (DBCA)

4.1. Factor de confusión y bloques

Factor de confusión: Es un factor que puede producir un efecto significativo sobre los
valores de la variable respuesta, es decir, puede aumentar la magnitud de los errores
experimentales.

Bloque: Conjunto de unidades experimentales que tienen características similares o muy

parecidas entre sí (son homogéneas) pero que difieren de las unidades experimentales
que conforman otro u otros bloques.

Aunque el posible factor de confusión puede ser conocido, es imposible o demasiado

difícil sustraer físicamente su efecto negativo sobre los resultados del experimento. Por
ejemplo, en un proyecto de construcción de una carretera, se desea evaluar el
rendimiento de 4 tipos de pavimento en un tramo de terreno con variaciones en la
compactación del suelo. Se detecta una variación en la densidad del suelo, lo cual puede
sugerir la presencia de un gradiente de estabilidad. Como la variable respuesta a medir
será la resistencia promedio del pavimento, en términos de carga por eje, es claro que
una mala o buena compactación del suelo donde se prueben los pavimentos puede influir
sobre los resultados del experimento. Suponga que existen cinco variaciones en la
compactación del suelo (las cuales serán denominadas como 1, 2, 3, 4 y 5) que se
distinguen unas de otras mediante una relación de orden (1 < 2 < 3 < 4 < 5) y se ignora
esta variación colocándose cada una de las cinco repeticiones de los pavimentos como
se muestra en la siguiente figura:

A A B C D

A B B C D

A B C C D

A B C D D

1 2 3 4 5
Gradiente de estabilidad

Con esta colocación de los tipos de pavimento se puede favorecer indirectamente al

pavimento D, ya que queda colocada en la zona de mayor compactación, y no se tendrá

34
la seguridad de que los valores de resistencia que se registren para el pavimento D sean
el reflejo de una calidad real o sean el reflejo de la influencia de la alta compactación de
suelo (pavimentos colocados en suelos más compactos pueden tener una mayor
resistencia). Bajo este enfoque se observa que el pavimento que es más desfavorecido
es el pavimento A.

La forma correcta de colocar los pavimentos, para eliminar el efecto negativo del factor
de confusión, es probado los cuatro tipos de pavimentos bajo la influencia de las cinco
variaciones de estabilidad, en otras palabras, hay que utilizar bloques. Cada una de las
cinco variaciones de estabilidad será tomada como un bloque. En cada bloque es
necesario colocar los tipos de pavimentos en las unidades experimentales mediante un
mecanismo aleatorio, corno se muestra en la siguiente figura:

Bloques
I II III IV V

B C D A B

C A B C D

D B C B A

A D A D C

1 2 3 4 5
Gradiente de estabilidad

Las unidades experimentales dentro de cada bloque son homogéneas, ya que en el

bloque I las cuatro unidades experimentales tienen un nivel de estabilidad 1, en el bloque
II las cuatro unidades experimentales tienen un nivel de estabilidad 2, etc. Las unidades
experimentales que pertenecen a un bloque cualquiera son iguales entre sí, pero difieren
de las que conforman los otros bloques.

Suponga que ahora se desea evaluar 4 estrategias de marketing para promocionar un

nuevo producto, y se detecta un gradiente de rechazo de los clientes a cinco niveles.
Como la variable respuesta a medir será la cantidad de ventas promedio, en unidades
por mes, un bajo o alto rechazo de los clientes en el mercado donde se prueben las
estrategias puede influir sobre la cantidad de demanda presente y esto a su vez influir
sobre los resultados del experimento. Suponga que existen cinco niveles en el rechazo
de los clientes (las cuales serán denominadas como 1, 2, 3, 4 y 5) que se distinguen

35
unas de otras mediante una relación de orden (1 < 2 < 3 < 4 < 5) y se ignora esta
variación colocándose cada una de las cinco repeticiones de las estrategias como se
muestra en la siguiente figura:

A A B C D

A B B C D

A B C C D

A B C D D

1 2 3 4 5
Gradiente de rechazo

Con esta colocación de las estrategias se puede favorecer indirectamente a la estrategia

A, ya que queda colocada en la zona de menor rechazo, y no se tendrá la seguridad de
que los valores de venta que se registren para la estrategia A sean el reflejo de una
expresión de desarrollo de técnica de venta real o sean el reflejo de la influencia de un
rechazo a las compras, por parte de las personas (a bajos niveles de rechazo las ventas
pueden ser en mayor medida). Bajo este enfoque se observa que la estrategia que es
más desfavorecida es la estrategia D.

La forma correcta de colocar las estrategias, para eliminar el efecto negativo del factor
de confusión, es probando las cuatro estrategias bajo la influencia de los cinco niveles
de rechazo, en otras palabras, hay que utilizar bloques. Cada una de los cinco niveles
de rechazo será tomado como un bloque. En cada bloque es necesario colocar a las
estrategias en las unidades experimentales mediante un mecanismo aleatorio.

En la siguiente figura se puede apreciar que las unidades experimentales dentro de cada
bloque son homogéneas, ya que en el bloque I las cuatro unidades experimentales tienen
un nivel de rechazo 1, en el bloque II las cuatro unidades experimentales tienen un nivel
de rechazo 2, etc. Las unidades experimentales que pertenecen a un bloque cualquiera
son iguales entre sí, pero difieren de las que conforman los otros bloques.

36
 Bloques
I II III IV V

B C D A B

C A B C D

D B C B A

A D A D C

1 2 3 4 5
Gradiente de rechazo

4.2. Características

Anteriormente se mencionó que una de las formas para reducir el efecto negativo de un
factor de confusión era mediante el uso de bloques. Un diseño experimental que se
fundamenta en este concepto es el diseño en bloques completos al azar.

El diseño en bloques completos al azar tiene las siguientes características:

- Es útil cuando se sospecha o se tiene la certeza de que existe un factor de confusión

que puede influir negativamente sobre los resultados del experimento, pero no se
puede sustraer del experimento de forma alguna.

- Los tratamientos a evaluar se alojan sobre unidades compactas llamadas bloques.

- El propósito de la utilización de los bloques es absorber el máximo grado de

variabilidad del material experimental.

- En cada uno de los bloques a utilizar en el experimento están presentes todos los
tratamientos a evaluar. Por esta razón al diseño se le conoce como bloques
completos.

- El tamaño del bloque es igual al número de tratamientos a probar.

- La disposición de los tratamientos dentro de cada uno de los bloques se hace

mediante un mecanismo aleatorio.

- Los bloques se disponen en forma perpendicular al factor de confusión.

37
- Cada uno de los bloques representa una repetición de cada uno de los tratamientos
a evaluar. El número de bloques representa el número de repeticiones de los
tratamientos.

4.3. Modelo lineal

𝑌𝑖𝑗 = 𝜇 + 𝛽𝑖 + 𝜏𝑗 + 𝑒𝑖𝑗 (21)

𝑖 = 1,2, ⋯ , 𝑏 𝑗 = 1,2, ⋯ , 𝜏

donde
𝑌𝑖𝑗 : Valor de la variable respuesta obtenido en el j-ésimo tratamiento del i-ésimo bloque.
𝜇: Efecto medio general.
𝛽𝑖 : Efecto atribuido al i-ésimo bloque.
𝜏𝑗 : Efecto atribuido al j-ésimo tratamiento.
𝑒: Término de error aleatorio.
𝑏: Número de bloques.
𝑡: Número de tratamientos.

4.4. Hipótesis a probar

1 𝐻𝑜 : 𝛽1 = 𝛽2 = 𝛽3 = ⋯ = 𝛽𝑏
vs
𝐻𝑎 : Al menos el efecto de un bloque es diferente al de los demás.

2 𝐻𝑜 : 𝜏1 = 𝜏2 = 𝜏3 = ⋯ = 𝜏𝑡
vs
𝐻𝑎 : Al menos el efecto de un tratamiento es diferente al de los demás.

4.5. Análisis de varianza

Dadas las siguientes especificaciones:

𝐹𝛼 (𝑣1 , 𝑣2 ) = 𝐹𝑡𝑎𝑏 𝐵𝑙𝑜 = Cuantil de distribución F

𝐹𝛼 (𝑣3 , 𝑣2 ) = 𝐹𝑡𝑎𝑏 𝑇𝑟𝑎𝑡 = Cuantil de distribución F

𝑣1 = Grados de libertad de los bloques

𝑣2 = Grados de libertad del Error

𝑣3 = Grados de libertad de los tratamientos

38
 Fuentes de Grados de Suma de Cuadrado F F de tablas
Variación Libertad Cuadrados Medio calculada (𝑭𝒕𝒂𝒃 )
(F.V.) (G.L.) (S.C.) (C.M.) (𝑭𝒄𝒂𝒍 )
𝑆. 𝐶. 𝐵𝑙𝑜𝑞 𝐶. 𝑀. 𝐵𝑙𝑜𝑞
Bloques 𝑏−1 𝑆. 𝐶. 𝐵𝑙𝑜𝑞 𝐶. 𝑀. 𝐸𝑟𝑟𝑜𝑟 𝐹𝛼 (𝑣1 , 𝑣2 )
𝐺. 𝐿. 𝐵𝑙𝑜𝑞
𝐶. 𝑀. 𝑇𝑟𝑎𝑡
𝑆. 𝐶. 𝑇𝑟𝑎𝑡
Tratamientos 𝑡−1 𝑆. 𝐶. 𝑇𝑟𝑎𝑡 𝐶. 𝑀. 𝐸𝑟𝑟𝑜𝑟 𝐹𝛼 (𝑣3 , 𝑣2 )
𝐺. 𝐿. 𝑇𝑟𝑎𝑡

𝑆. 𝐶. 𝐸𝑟𝑟𝑜𝑟
Error (𝑏 − 1)(𝑡 − 1) 𝑆. 𝐶. 𝐸𝑟𝑟𝑜𝑟
𝐺. 𝐿. 𝐸𝑟𝑟𝑜𝑟

Total 𝑏𝑡 − 1 𝑆. 𝐶. 𝑇𝑜𝑡𝑎𝑙

Bloq: Bloques, Trat: Tratamientos

4.6. Regla de decisión

1 Se rechaza 𝐻𝑜 si 𝐹𝑐𝑎𝑙 𝐵𝑙𝑜𝑞 > 𝐹𝛼 (𝑣1 , 𝑣2 )

2 Se rechaza 𝐻𝑜 si 𝐹𝑐𝑎𝑙 𝑇𝑟𝑎𝑡 > 𝐹𝛼 (𝑣3 , 𝑣2 )

Es importante mencionar, que el proceso de aleatorización sólo ha sido aplicado a los

tratamientos dentro de los bloques; en otras palabras, los bloques constituyen una
restricción para el proceso de aleatorización.

Si existiera una aleatorización completa de los tratamientos en el experimento sería

posible realizar el contraste de las hipótesis para bloques, mediante la comparación de
𝐹𝑐𝑎𝑙 𝐵𝑙𝑜𝑞 y 𝐹𝑡𝑎𝑏 𝐵𝑙𝑜𝑞 , sin que hubiera necesidad de que se cumpliera el supuesto de
normalidad. Pero debido a que los bloques constituyen una restricción para el proceso
de aleatorización no es posible realizar el contraste de las hipótesis para bloques sin que
se deba cumplir el supuesto de normalidad.

Como el supuesto de normalidad a menudo queda en tela de juicio, tornar 𝐹𝑐𝑎𝑙 𝐵𝑙𝑜𝑞 para
la realización de una prueba de F exacta, en general, no es conveniente. Por esta razón
el contraste de las hipótesis para boques no se realiza. Sin embargo, el análisis de las
hipótesis para bloques puede ser un procedimiento aproximado para averiguar el efecto
de los bloques.

Un valor grande de 𝐹𝑐𝑎𝑙 𝐵𝑙𝑜𝑞 implica que los bloques tienen un efecto grande en el
experimento y que la reducción de la influencia del factor de confusión al utilizar un diseño

39
en bloques completos al azar probablemente fue útil al mejorar la precisión entre las
medias de tratamientos.

Por motivos didácticos, sin embargo, supondremos que se cumple el supuesto de

normalidad es decir, 𝑒𝑖𝑗 ~𝑁(0, 𝜎 2 ), y se procederá a contrastar las hipótesis para bloques.

4.7. Suma de cuadrados

Resolviendo las ecuaciones normales respectivas, obtenemos las ecuaciones para las
sumas de cuadrados del análisis de varianza:

𝑌..2
𝐹𝐶 = (22)
𝑏𝑡

∑𝑏𝑖=1 𝑌𝑖.2
𝑆. 𝐶. 𝐵𝑙𝑜𝑞 = − 𝐹𝐶 (23)
𝑡

∑𝑡𝑗=1 𝑌.𝑗2
𝑆. 𝐶. 𝑇𝑟𝑎𝑡 = − 𝐹𝐶 (24)
𝑏
𝑏 𝑡

𝑆. 𝐶. 𝑇𝑜𝑡𝑎𝑙 = ∑ ∑ 𝑌𝑖𝑗2 − 𝐹𝐶 (25)

𝑖=1 𝑗=1

𝑆. 𝐶. 𝐸𝑟𝑟𝑜𝑟 = 𝑆. 𝐶. 𝑇𝑜𝑡𝑎𝑙 − 𝑆. 𝐶. 𝐵𝑙𝑜𝑞 − 𝑆. 𝐶. 𝑇𝑟𝑎𝑡 (26)

donde:

𝐹𝐶 = Factor de corrección.
𝑌.. = Suma de todas las observaciones en el experimento.
𝑌𝑖. = Suma de todas las observaciones que pertenecen al i-ésimo bloque.
𝑌.𝑗 = Suma de todas las observaciones que pertenecen al k-ésimo tratamiento.

Ejemplo: Se desea probar el efecto de 4 tipos de recubrimientos sobre la resistencia a

la corrosión en estructuras de acero en un entorno costero. El sitio donde se implementó
el experimento presentaba un gradiente de exposición a la salinidad de tres niveles, por
lo que se decidió utilizar un diseño en bloques completos al azar para minimizar el efecto
negativo de ese factor de confusión. Se dividió el sitio en tres bloques de acuerdo a los
niveles de exposición a la salinidad detectados. La unidad experimental utilizada fue una
sección de estructura de acero de 10 * 10 m. La variable respuesta fue la resistencia a
la corrosión en milímetros por año (mm/año). Los recubrimientos a evaluar fueron:
Testigo, Epoxi, Poliuretano, Alquid y Acrylic.

40
Los resultados fueron los siguientes:

BLOQUE
I II III
Testigo: 0.5 0.8 1.2
Epoxi: 0.1 0.3 0.5
Poliuretano: 0.2 0.4 0.6
Alquid: 0.3 0.5 0.7
Acrylic: 0.4 0.6 0.8

¿Existe diferencia entre los recubrimientos sobre la resistencia a la corrosión? Se desea

obtener una respuesta con una confiabilidad del 95%.

Respuesta: Se obtienen primeramente los totales de bloques y tratamientos:

BLOQUE Total de
tratamientos
I II III (𝒀.𝒋 )
Testigo: 0.5 0.8 1.2 2.5 𝒀.𝟏
Epoxi: 0.1 0.3 0.5 0.9 𝒀.𝟐
Poliuretano: 0.2 0.4 0.6 1.2 𝒀.𝟑
Alquid: 0.3 0.5 0.7 1.5 𝒀.𝟒
Acrylic: 0.4 0.6 0.8 1.8 𝒀.𝟓
Total de Bloques 1.5 2.6 3.8
7.9 𝒀..
(𝒀𝒊 . ) (𝒀𝟏 . ) (𝒀𝟐 . ) (𝒀𝟑 . )

Los cálculos para obtener la suma de cuadrados son:

𝑏=3 𝑡=5 𝛼 = 0.05

𝑌..2 (7.9)2
𝑭𝑪 = = = 𝟒. 𝟏𝟔
𝑏𝑡 (3)(5)

∑𝑏𝑖=1 𝑌𝑖.2
𝑺. 𝑪. 𝑩𝒍𝒐𝒒 = − 𝐹𝐶
𝑡
𝑌1.2 + 𝑌2.2 + 𝑌3.2 (1.5)2 + (2.6) + (3.8)2
= − 𝐹𝐶 = − 4.16
𝑡 5
= 𝟎. 𝟓𝟑

∑𝑡𝑗=1 𝑌.𝑗2
𝑺. 𝑪. 𝑻𝒓𝒂𝒕 = − 𝐹𝐶
𝑏

41
 𝑌.12 + 𝑌.22 + 𝑌.32 + 𝑌.42 + 𝑌.52
= − 𝐹𝐶
3
(2.5)2 + (0.9)2 + (1.2)2 + (1.5)2 + (1.8)2
= − 4.16
3
= 𝟎. 𝟓𝟎
2 2 2 2 2 2 2 2 2 2
𝑺. 𝑪. 𝑻𝒐𝒕𝒂𝒍 = 𝑌11 + 𝑌12 + 𝑌13 + 𝑌14 + 𝑌15 + 𝑌21 + 𝑌22 + 𝑌23 + ⋯ + 𝑌34 + 𝑌35 − 𝐹𝐶
= (0.5)2 + (0.1)2 + (0.2)2 + (0.3)2 + (0.4)2 + (0.8)2 + (0.3)2 + (0.4)2 + ⋯ + (1.8)2 − 4.16
= 𝟏. 𝟎𝟕

𝑺. 𝑪. 𝑬𝒓𝒓𝒐𝒓 = 𝑆. 𝐶. 𝑇𝑜𝑡𝑎𝑙 − 𝑆. 𝐶. 𝐵𝑙𝑜𝑞 − 𝑆. 𝐶. 𝑇𝑟𝑎𝑡

= 𝟏. 𝟎𝟕 − 𝟎. 𝟓𝟑 − 𝟎. 𝟓𝟎
= 𝟎. 𝟎𝟒

Se obtienen entonces la tabla de análisis de varianza:

Fuentes de Grados de Suma de Cuadrado F F de tablas

Variación Libertad Cuadrados Medio calculada (𝑭𝒕𝒂𝒃 )
(F.V.) (G.L.) (S.C.) (C.M.) (𝑭𝒄𝒂𝒍 )

Bloques 2 0.53 0.265 53 4.46

Tratamientos 4 0.50 0.125 25 3.84

Error 8 0.04 0.005

Total 14 1.07

𝐹𝛼 (𝑣1 , 𝑣2 ) = 𝐹0.05 (2,8) = 4.46

𝐹𝛼 (𝑣3 , 𝑣2 ) = 𝐹0.05 (4,8) = 3.84

1 Se rechaza 𝐻𝑜 si 𝐹𝑐𝑎𝑙 𝐵𝑙𝑜𝑞 > 𝐹𝛼 (𝑣1 , 𝑣2 ). En este caso se rechaza 𝐻𝑜 , por lo

que al menos el efecto de uno de los bloques es diferente al de los demás.

2 Se rechaza 𝐻𝑜 si 𝐹𝑐𝑎𝑙 𝑇𝑟𝑎𝑡 > 𝐹𝛼 (𝑣3 , 𝑣2 ). En este caso se rechaza 𝐻𝑜 , por lo

que al menos uno de los tratamientos tiene un mejor desempeño.

42
El rechazo de 𝐻𝑜 para los bloques, implica que los bloques tienen un efecto en el
experimento y que la reducción de la influencia del factor de confusión al utilizar un diseño
en bloques completos al azar probablemente fue útil al mejorar la precisión entre las
medias de tratamientos y reducir la magnitud del error experimental.

Con base en las conclusiones anteriores surge la pregunta ¿cuál de los recubrimientos
es el que ejerce mejor resistencia a la corrosión?

En el capítulo siguiente se expondrá las técnicas estadísticas que permitirán contestar la

pregunta anterior con un alto grado de confiabilidad.

Ejercicios propuestos

1. Un ingeniero estructural desea probar el efecto que tienen cuatro tipos de refuerzos
en la resistencia a la corrosión de barras de acero utilizadas en la construcción de
puentes. Para poder llevar a cabo su experimento, el ingeniero solo está autorizado
a utilizar barras de acero que están almacenadas en bodega y que pertenecen a lotes
de fabricación diferentes. Como pudiera existir cierta variabilidad entre un lote de
barras de acero y otro, decide utilizar un diseño en bloques completos, considerando
los lotes de producto como bloques. El ingeniero seleccionó aleatoriamente cinco
lotes de barras de acero y de cada lote cuatro muestras para después aplicarles los
refuerzos. A continuación, se proporcionan los resultados de la resistencia a la
corrosión de las barras de acero después de aplicarse los refuerzos y estar sometidas
a una prueba de corrosión acelerada durante periodos constantes de tiempo.

Lotes de barras de acero

Tipos de refuerzos
1 2 3 4 5
R1: 850 780 820 830 800
R2: 880 820 890 860 840
R3: 900 850 920 880 860
R4: 920 880 940 900 880

Obtenga el análisis de varianza con una confiabilidad del 99% y exprese sus
conclusiones.

2. Tres diferentes tipos de estabilizantes de suelos en fase de desarrollo se compararon

con el objetivo de estudiar su efectividad sobre la resistencia a la compresión de un
suelo arcilloso. El análisis se realizó en un laboratorio y por restricciones económicas
sólo podían efectuarse tres pruebas en un mismo día, es decir, se podía probar una
sola vez los tres estabilizantes cada día. Como los días son una fuente de variabilidad
potencial, el ingeniero decide usar un diseño en bloques completos. Se prepararon
doce conjuntos de veinte muestras de suelo y se aplicaron los estabilizantes

43
 correspondientes. Las observaciones se recopilaron durante cuatro días diferentes y
los datos de la resistencia a la compresión (en kPa) por unidad experimental aparecen
a continuación.

Días
Estabilizante
11-ene 12-ene 13-ene 14-ene
Estabilizante A: 120 150 140 180
Estabilizante B: 100 120 110 140
Estabilizante C: 80 90 85 100

¿Existe diferencia en la efectividad de los estabilizantes?, externen sus conclusiones con

90% de confiabilidad.

3. En un experimento se compararon en un laboratorio cinco tipos diferentes de filtros

de agua en cuanto a la eficiencia de eliminación de partículas suspendidas. Se
registró la eficiencia de eliminación y esta se midió en porcentaje. Los filtros se
probaron en un sistema de tratamiento de agua simulado. Se utilizó un diseño en
bloques completos al azar con seis bloques perpendiculares a la dirección del flujo
de agua, el cual se creyó podía influir en los resultados del experimento. Los datos
se muestran enseguida:

Bloques
Filtros
I II III IV V VI
Filtro 1: 95.2 95.5 95.8 94.9 95.1 95.3
Filtro 2: 96.5 96.2 97.1 96.3 95.9 96.1
Filtro 3: 97.8 97.5 98.2 97.3 97.1 96.9
Filtro 4: 99.1 98.5 98.8 98.2 98.0 97.9
Filtro 5: 98.5 97.9 97.2 97.0 96.8 96.6

¿Existe diferencia en la eficiencia de eliminación de partículas suspendidas de los

filtros?, exprese sus conclusiones con 99% de confiabilidad.

4. En un área urbana se detecta un gradiente de contaminación del aire. En dicha área

se quieren evaluar cuatro tecnologías de sistemas de energía renovable para reducir
la contaminación del aire, por lo que se decide usar un diseño en bloques completos
al azar. Se utilizaron áreas de 1 km² para instalar las diferentes tecnologías y se midió
la reducción de emisiones de gases de efecto invernadero en toneladas de CO2
equivalente por año, cuyos valores se muestran enseguida:

44
 Niveles del gradiente de contaminación (Bloques)
Tecnología
I II III IV V VI
Energía Solar 2500 2400 2600 2300 2450 2550
Energía Eólica 2000 2200 2100 2400 2150 2250
Energía Hidroeléctrica 2800 2700 2900 2600 2750 2850
Energía Geotérmica 2300 2500 2400 2700 2350 2450

¿Existe diferencia en la eficiencia de reducción de emisiones de gases de efecto

invernadero de las tecnologías?, exprese sus conclusiones con 99% de confiabilidad.

5. Una empresa de servicios financieros desarrolla un nuevo producto de inversión. La

empresa opera en cuatro regiones geográficas. Se sabe que cada región tiene sus
propias características demográficas y económicas, de modo que las regiones se
considerarán una variable problemática (factor de confusión) en el desarrollo del
producto. Como cada región puede ser atendida por cuatro estrategias de marketing
distintas, los gerentes de la empresa sospechan que la estrategia de marketing influye
en la tasa de adopción del producto. Se ejecutó un diseño de bloques completos para
determinar si la estrategia de marketing influye sobre la tasa de adopción del
producto. De cada región y en cada una de las estrategias de marketing se tomaron
dos muestras de clientes y se registró la tasa promedio de adopción del producto (%):

Regiones geográficas
Estrategia
1 2 3 4
Publicidad en redes sociales 25 30 28 32
Correo electrónico directo 18 22 20 25
Promociones especiales 22 25 28 30
Recomendaciones de
clientes 15 18 20 22

¿Realmente influye la estrategia de marketing en la tasa de adopción del producto?,

externe sus conclusiones con 95% de confiabilidad.

5. Comparaciones múltiples de medias de tratamientos

45
Apéndice

Tabla I.- Probabilidad para valores límites de 𝒵.

Tabla II.- Cuantiles de la distribución t de student.

Tabla III.- Cuantiles de la distribución ji-cuadrado.

Tabla IV.- Cuantiles de la distribución F.

Tabla V.- Cuantiles para la estadística de prueba 𝑟𝐸 .

Tabla VI.- Valores críticos para la estadística de prueba de Tukey.

Tabla VII.- Valores críticos para la prueba de Duncan.

Tabla VIII.- Factor de ponderación para los Probit esperados.

46
Tabla I.- Probabilidad para valores límites de 𝓩. Las probabilidades que se
obtienen son de la forma 𝑷(𝔃 ≤ 𝒗𝒂𝒍𝒐𝒓 𝒍í𝒎𝒊𝒕𝒆)

𝓩 -0.00 -0.01 -0.02 -0.03 -0.04 -0.05 -0.06 -0.07 -0.08 -0.09
-3.5 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002 0.0002
-3.4 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0003 0.0002
-3.3 0.0005 0.0005 0.0005 0.0004 0.0004 0.0004 0.0004 0.0004 0.0004 0.0003
-3.2 0.0007 0.0007 0.0006 0.0006 0.0006 0.0006 0.0006 0.0005 0.0005 0.0005
-3.1 0.0010 0.0009 0.0009 0.0009 0.0008 0.0008 0.0008 0.0008 0.0007 0.0007
-3.0 0.0013 0.0013 0.0013 0.0012 0.0012 0.0011 0.0011 0.0011 0.0010 0.0010
-2.9 0.0019 0.0018 0.0018 0.0017 0.0016 0.0016 0.0015 0.0015 0.0014 0.0014
-2.8 0.0026 0.0025 0.0024 0.0023 0.0023 0.0022 0.0021 0.0021 0.0020 0.0019
-2.7 0.0035 0.0034 0.0033 0.0032 0.0031 0.0030 0.0029 0.0028 0.0027 0.0026
-2.6 0.0047 0.0045 0.0044 0.0043 0.0041 0.0040 0.0039 0.0038 0.0037 0.0036
-2.5 0.0062 0.0060 0.0059 0.0057 0.0055 0.0054 0.0052 0.0051 0.0049 0.0048
-2.4 0.0082 0.0080 0.0078 0.0075 0.0073 0.0071 0.0069 0.0068 0.0066 0.0064
-2.3 0.0107 0.0104 0.0102 0.0099 0.0096 0.0094 0.0091 0.0089 0.0087 0.0084
-2.2 0.0139 0.0136 0.0132 0.0129 0.0125 0.0122 0.0119 0.0116 0.0113 0.0110
-2.1 0.0179 0.0174 0.0170 0.0166 0.0162 0.0158 0.0154 0.0150 0.0146 0.0143
-2.0 0.0228 0.0222 0.0217 0.0212 0.0207 0.0202 0.0197 0.0192 0.0188 0.0183
-1.9 0.0287 0.0281 0.0274 0.0268 0.0262 0.0256 0.0250 0.0244 0.0239 0.0233
-1.8 0.0359 0.0351 0.0344 0.0336 0.0329 0.0322 0.0314 0.0307 0.0301 0.0294
-1.7 0.0446 0.0436 0.0427 0.0418 0.0409 0.0401 0.0392 0.0384 0.0375 0.0367
-1.6 0.0548 0.0537 0.0526 0.0516 0.0505 0.0495 0.0485 0.0475 0.0465 0.0455
-1.5 0.0668 0.0655 0.0643 0.0630 0.0618 0.0606 0.0594 0.0582 0.0571 0.0559
-1.4 0.0808 0.0793 0.0778 0.0764 0.0749 0.0735 0.0721 0.0708 0.0694 0.0681
-1.3 0.0968 0.0951 0.0934 0.0918 0.0901 0.0885 0.0869 0.0853 0.0838 0.0823
-1.2 0.1151 0.1131 0.1112 0.1093 0.1075 0.1056 0.1038 0.1020 0.1003 0.0985
-1.1 0.1357 0.1335 0.1314 0.1292 0.1271 0.1251 0.1230 0.1210 0.1190 0.1170
-1.0 0.1587 0.1562 0.1539 0.1515 0.1492 0.1469 0.1446 0.1423 0.1401 0.1379
-0.9 0.1841 0.1814 0.1788 0.1762 0.1736 0.1711 0.1685 0.1660 0.1635 0.1611
-0.8 0.2119 0.2090 0.2061 0.2033 0.2005 0.1977 0.1949 0.1922 0.1894 0.1867
-0.7 0.2420 0.2389 0.2358 0.2327 0.2296 0.2266 0.2236 0.2206 0.2177 0.2148
-0.6 0.2743 0.2709 0.2676 0.2643 0.2611 0.2578 0.2546 0.2514 0.2483 0.2451
-0.5 0.3085 0.3050 0.3015 0.2981 0.2946 0.2912 0.2877 0.2843 0.2810 0.2776
-0.4 0.3446 0.3409 0.3372 0.3336 0.3300 0.3264 0.3228 0.3192 0.3156 0.3121
-0.3 0.3821 0.3783 0.3745 0.3707 0.3669 0.3632 0.3594 0.3557 0.3520 0.3483
-0.2 0.4207 0.4168 0.4129 0.4090 0.4052 0.4013 0.3974 0.3936 0.3897 0.3859
-0.1 0.4602 0.4562 0.4522 0.4483 0.4443 0.4404 0.4364 0.4325 0.4286 0.4247
-0.0 0.5000 0.4960 0.4920 0.4880 0.4840 0.4801 0.4761 0.4721 0.4681 0.4641

47
𝓩 0.00 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
0.0 0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359
0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753
0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141
0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517
0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879
0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224
0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549
0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852
0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133
0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389
1.0 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621
1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830
1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015
1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177
1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319
1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441
1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545
1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633
1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706
1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767
2.0 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817
2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857
2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890
2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916
2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936
2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952
2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964
2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974
2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981
2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986
3.0 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990
3.1 0.9990 0.9991 0.9991 0.9991 0.9992 0.9992 0.9992 0.9992 0.9993 0.9993
3.2 0.9993 0.9993 0.9994 0.9994 0.9994 0.9994 0.9994 0.9995 0.9995 0.9995
3.3 0.9995 0.9995 0.9995 0.9996 0.9996 0.9996 0.9996 0.9996 0.9996 0.9997
3.4 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9997 0.9998
3.5 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998 0.9998

48
Tabla II.- Cuantiles de la distribución 𝒕 de student

𝛼 0.005 0.01 0.025 0.05 0.1

𝑣
1 63.66 31.82 12.71 6.31 3.08
2 9.92 6.96 4.30 2.92 1.89
3 5.84 4.54 3.18 2.35 1.64
4 4.60 3.75 2.78 2.13 1.53
5 4.03 3.36 2.57 2.02 1.48
6 3.71 3.14 2.45 1.94 1.44
7 3.50 3.00 2.36 1.89 1.41
8 3.36 2.90 2.31 1.86 1.40
9 3.25 2.82 2.26 1.83 1.38
10 3.17 2.76 2.23 1.81 1.37
11 3.11 2.72 2.20 1.80 1.36
12 3.05 2.68 2.18 1.78 1.36
13 3.01 2.65 2.16 1.77 1.35
14 2.98 2.62 2.14 1.76 1.35
15 2.95 2.60 2.13 1.75 1.34
16 2.92 2.58 2.12 1.75 1.34
17 2.90 2.57 2.11 1.74 1.33
18 2.88 2.55 2.10 1.73 1.33
19 2.86 2.54 2.09 1.73 1.33
20 2.85 2.53 2.09 1.72 1.33
21 2.83 2.52 2.08 1.72 1.32
22 2.82 2.51 2.07 1.72 1.32
23 2.81 2.50 2.07 1.71 1.32
24 2.80 2.49 2.06 1.71 1.32
25 2.79 2.49 2.06 1.71 1.32
26 2.78 2.48 2.06 1.71 1.31
27 2.77 2.47 2.05 1.70 1.31
28 2.76 2.47 2.05 1.70 1.31
29 2.76 2.46 2.05 1.70 1.31
30 2.75 2.46 2.04 1.70 1.31
40 2.70 2.42 2.02 1.68 1.30
60 2.66 2.39 2.00 1.67 1.30
120 2.62 2.36 1.98 1.66 1.29
∞ 2.58 2.33 1.96 1.64 1.28

49
Tabla III.- Cuantiles de la distribución 𝒋𝒊 − 𝒄𝒖𝒂𝒅𝒓𝒂𝒅𝒐

𝛼 0.005 0.01 0.025 0.05 0.1 0.9 0.95 0.975 0.99 0.995

𝑣
1 7.88 6.63 5.02 3.84 2.71 0.016 0.004 0.001 0.0002 0.000
2 10.6 9.21 7.38 5.99 4.61 0.211 0.103 0.051 0.0201 0.010
3 12.8 11.3 9.35 7.81 6.25 0.584 0.352 0.216 0.115 0.070
4 14.9 13.3 11.1 9.49 7.78 1.06 0.711 0.484 0.297 0.210
5 16.8 15.1 12.8 11.1 9.24 1.61 1.15 0.831 0.554 0.410
6 18.6 16.8 14.5 12.6 10.6 2.20 1.64 1.24 0.872 0.680
7 20.3 18.5 16.0 14.1 12.0 2.83 2.17 1.69 1.24 0.990
8 22.0 20.1 17.5 15.5 13.4 3.49 2.73 2.18 1.65 1.34
9 23.6 21.7 19.0 16.9 14.7 4.17 3.33 2.70 2.09 1.73
10 25.2 23.2 20.5 18.3 16.0 4.87 3.94 3.25 2.56 2.16
11 26.8 24.7 21.9 19.7 17.3 5.58 4.57 3.82 3.05 2.60
12 28.3 26.2 23.3 21.0 18.6 6.30 5.23 4.40 3.57 3.07
13 29.8 27.7 24.7 22.4 19.8 7.04 5.89 5.01 4.11 3.57
14 31.3 29.1 26.1 23.7 21.1 7.79 6.57 5.63 4.66 4.07
15 32.8 30.6 27.5 25.0 22.3 8.55 7.26 6.26 5.23 4.60
16 34.3 32.0 28.9 26.3 23.5 9.31 7.96 6.91 5.81 5.14
17 35.7 33.4 30.2 27.6 24.8 10.1 8.67 7.56 6.41 5.70
18 37.2 34.8 31.5 28.9 26.0 10.9 9.39 8.23 7.01 6.26
19 38.6 36.2 32.9 30.1 27.2 11.7 10.1 8.91 7.63 6.84
20 40.0 37.6 34.2 31.4 28.4 12.4 10.9 9.59 8.26 7.43
21 41.4 38.9 35.5 32.7 29.6 13.2 11.6 10.3 8.90 8.03
22 42.8 40.3 36.8 33.9 30.8 14.0 12.3 11.0 9.54 8.64
23 44.2 41.6 38.1 35.2 32.0 14.8 13.1 11.7 10.2 9.26
24 45.6 43.0 39.4 36.4 33.2 15.7 13.8 12.4 10.9 9.89
25 46.9 44.3 40.7 37.7 34.4 16.5 14.6 13.1 11.5 10.5
26 48.3 45.6 41.9 38.9 35.6 17.3 15.4 13.8 12.2 11.2
27 49.6 47.0 43.2 40.1 36.7 18.1 16.2 14.6 12.9 11.8
28 51.0 48.3 44.5 41.3 37.9 18.9 16.9 15.3 13.6 12.5
29 52.3 49.6 45.7 42.6 39.1 19.8 17.7 16.0 14.3 13.1
30 53.7 50.9 47.0 43.8 40.3 20.6 18.5 16.8 15.0 13.8
40 66.8 63.7 59.3 55.8 51.8 29.1 26.5 24.4 22.1 20.7
50 79.5 76.2 71.4 67.5 63.2 37.7 34.8 32.4 29.7 28.0
60 92.0 88.4 83.3 79.1 74.4 46.5 43.2 40.5 37.5 35.5
70 104.2 100.4 95.0 90.5 85.5 55.3 51.7 48.8 45.4 43.3
80 116.3 112.3 106.6 101.9 96.6 64.3 60.4 57.2 53.5 51.1
90 128.3 124.1 118.1 113.2 107.6 73.3 69.1 65.6 61.8 59.2
100 140.2 135.8 129.6 124.3 118.5 82.4 77.9 74.2 70.1 67.3

50
Tabla IV.- Cuantiles de la distribución 𝑭

𝒗𝟏 𝜶 𝒗𝟐
1 2 3 4 5 6 7 8 9
0.100 39.86 8.53 5.54 4.54 4.06 3.78 3.59 3.46 3.36
0.050 161.45 18.51 10.13 7.71 6.61 5.99 5.59 5.32 5.12
1
0.025 647.79 38.51 17.44 12.22 10.01 8.81 8.07 7.57 7.21
0.010 4052 98.50 34.12 21.20 16.26 13.75 12.25 11.26 10.56
0.100 49.50 9.00 5.46 4.32 3.78 3.46 3.26 3.11 3.01
0.050 199.50 19.00 9.55 6.94 5.79 5.14 4.74 4.46 4.26
2
0.025 799.50 39.00 16.04 10.65 8.43 7.26 6.54 6.06 5.71
0.010 4999.5 99.00 30.82 18.00 13.27 10.92 9.55 8.65 8.02
0.100 53.59 9.16 5.39 4.19 3.62 3.29 3.07 2.92 2.81
0.050 215.71 19.16 9.28 6.59 5.41 4.76 4.35 4.07 3.86
3
0.025 864.16 39.17 15.44 9.98 7.76 6.60 5.89 5.42 5.08
0.010 5403 99.17 29.46 16.69 12.06 9.78 8.45 7.59 6.99
0.100 55.83 9.24 5.34 4.11 3.52 3.18 2.96 2.81 2.69
0.050 224.58 19.25 9.12 6.39 5.19 4.53 4.12 3.84 3.63
4
0.025 899.58 39.25 15.10 9.60 7.39 6.23 5.52 5.05 4.72
0.010 5625 99.25 28.71 15.98 11.39 9.15 7.85 7.01 6.42
0.100 57.24 9.29 5.31 4.05 3.45 3.11 2.88 2.73 2.61
0.050 230.16 19.30 9.01 6.26 5.05 4.39 3.97 3.69 3.48
5
0.025 921.85 39.30 14.88 9.36 7.15 5.99 5.29 4.82 4.48
0.010 5764 99.30 28.24 15.52 10.97 8.75 7.46 6.63 6.06
0.100 58.20 9.33 5.28 4.01 3.40 3.05 2.83 2.67 2.55
0.050 233.99 19.33 8.94 6.16 4.95 4.28 3.87 3.58 3.37
6
0.025 937.11 39.33 14.73 9.20 6.98 5.82 5.12 4.65 4.32
0.010 5859 99.33 27.91 15.21 10.67 8.47 7.19 6.37 5.80
0.100 58.91 9.35 5.27 3.98 3.37 3.01 2.78 2.62 2.51
0.050 236.77 19.35 8.89 6.09 4.88 4.21 3.79 3.50 3.29
7
0.025 948.22 39.36 14.62 9.07 6.85 5.70 4.99 4.53 4.20
0.010 5928 99.36 27.67 14.98 10.46 8.26 6.99 6.18 5.61
0.100 59.44 9.37 5.25 3.95 3.34 2.98 2.75 2.59 2.47
0.050 238.88 19.37 8.85 6.04 4.82 4.15 3.73 3.44 3.23
8
0.025 956.66 39.37 14.54 8.98 6.76 5.60 4.90 4.43 4.10
0.010 5981 99.37 27.49 14.80 10.29 8.10 6.84 6.03 5.47
0.100 59.86 9.38 5.24 3.94 3.32 2.96 2.72 2.56 2.44
0.050 240.54 19.38 8.81 6.00 4.77 4.10 3.68 3.39 3.18
9
0.025 963.28 39.39 14.47 8.90 6.68 5.52 4.82 4.36 4.03
0.010 6022 99.39 27.35 14.66 10.16 7.98 6.72 5.91 5.35

51
𝒗𝟏 𝜶 𝒗𝟐
1 2 3 4 5 6 7 8 9
0.100 60.19 9.39 5.23 3.92 3.30 2.94 2.70 2.54 2.42
0.050 241.88 19.40 8.79 5.96 4.74 4.06 3.64 3.35 3.14
10
0.025 968.63 39.40 14.42 8.84 6.62 5.46 4.76 4.30 3.96
0.010 6056 99.40 27.23 14.55 10.05 7.87 6.62 5.81 5.26
0.100 60.47 9.40 5.22 3.91 3.28 2.92 2.68 2.52 2.40
0.050 242.98 19.40 8.76 5.94 4.70 4.03 3.60 3.31 3.10
11
0.025 973.03 39.41 14.37 8.79 6.57 5.41 4.71 4.24 3.91
0.010 6083 99.41 27.13 14.45 9.96 7.79 6.54 5.73 5.18
0.100 60.71 9.41 5.22 3.90 3.27 2.90 2.67 2.50 2.38
0.050 243.91 19.41 8.74 5.91 4.68 4.00 3.57 3.28 3.07
12
0.025 976.71 39.41 14.34 8.75 6.52 5.37 4.67 4.20 3.87
0.010 6106 99.42 27.05 14.37 9.89 7.72 6.47 5.67 5.11
0.100 61.22 9.42 5.20 3.87 3.24 2.87 2.63 2.46 2.34
0.050 245.95 19.43 8.70 5.86 4.62 3.94 3.51 3.22 3.01
15
0.025 984.87 39.43 14.25 8.66 6.43 5.27 4.57 4.10 3.77
0.010 6157 99.43 26.87 14.20 9.72 7.56 6.31 5.52 4.96
0.100 61.74 9.44 5.18 3.84 3.21 2.84 2.59 2.42 2.30
0.050 248.01 19.45 8.66 5.80 4.56 3.87 3.44 3.15 2.94
20
0.025 993.10 39.45 14.17 8.56 6.33 5.17 4.47 4.00 3.67
0.010 6209 99.45 26.69 14.02 9.55 7.40 6.16 5.36 4.81
0.100 62.00 9.45 5.18 3.83 3.19 2.82 2.58 2.40 2.28
0.050 249.05 19.45 8.64 5.77 4.53 3.84 3.41 3.12 2.90
24
0.025 997.25 39.46 14.12 8.51 6.28 5.12 4.41 3.95 3.61
0.010 6235 99.46 26.60 13.93 9.47 7.31 6.07 5.28 4.73
0.100 62.26 9.46 5.17 3.82 3.17 2.80 2.56 2.38 2.25
0.050 250.10 19.46 8.62 5.75 4.50 3.81 3.38 3.08 2.86
30
0.025 1001 39.46 14.08 8.46 6.23 5.07 4.36 3.89 3.56
0.010 6261 99.47 26.50 13.84 9.38 7.23 5.99 5.20 4.65
0.100 62.53 9.47 5.16 3.80 3.16 2.78 2.54 2.36 2.23
0.050 251.14 19.47 8.59 5.72 4.46 3.77 3.34 3.04 2.83
40
0.025 1006 39.47 14.04 8.41 6.18 5.01 4.31 3.84 3.51
0.010 6287 99.47 26.41 13.75 9.29 7.14 5.91 5.12 4.57
0.100 62.79 9.47 5.15 3.79 3.14 2.76 2.51 2.34 2.21
0.050 252.20 19.48 8.57 5.69 4.43 3.74 3.30 3.01 2.79
60
0.025 1010 39.48 13.99 8.36 6.12 4.96 4.25 3.78 3.45
0.010 6313 99.48 26.32 13.65 9.20 7.06 5.82 5.03 4.48

52
𝒗𝟏 𝜶 𝒗𝟐
10 11 12 13 14 15 16 17 18
0.100 3.29 3.23 3.18 3.14 3.10 3.07 3.05 3.03 3.01
0.050 4.96 4.84 4.75 4.67 4.60 4.54 4.49 4.45 4.41
1
0.025 6.94 6.72 6.55 6.41 6.30 6.20 6.12 6.04 5.98
0.010 10.04 9.65 9.33 9.07 8.86 8.68 8.53 8.40 8.29
0.100 2.92 2.86 2.81 2.76 2.73 2.70 2.67 2.64 2.62
0.050 4.10 3.98 3.89 3.81 3.74 3.68 3.63 3.59 3.55
2
0.025 5.46 5.26 5.10 4.97 4.86 4.77 4.69 4.62 4.56
0.010 7.56 7.21 6.93 6.70 6.51 6.36 6.23 6.11 6.01
0.100 2.73 2.66 2.61 2.56 2.52 2.49 2.46 2.44 2.42
0.050 3.71 3.59 3.49 3.41 3.34 3.29 3.24 3.20 3.16
3
0.025 4.83 4.63 4.47 4.35 4.24 4.15 4.08 4.01 3.95
0.010 6.55 6.22 5.95 5.74 5.56 5.42 5.29 5.18 5.09
0.100 2.61 2.54 2.48 2.43 2.39 2.36 2.33 2.31 2.29
0.050 3.48 3.36 3.26 3.18 3.11 3.06 3.01 2.96 2.93
4
0.025 4.47 4.28 4.12 4.00 3.89 3.80 3.73 3.66 3.61
0.010 5.99 5.67 5.41 5.21 5.04 4.89 4.77 4.67 4.58
0.100 2.52 2.45 2.39 2.35 2.31 2.27 2.24 2.22 2.20
0.050 3.33 3.20 3.11 3.03 2.96 2.90 2.85 2.81 2.77
5
0.025 4.24 4.04 3.89 3.77 3.66 3.58 3.50 3.44 3.38
0.010 5.64 5.32 5.06 4.86 4.69 4.56 4.44 4.34 4.25
0.100 2.46 2.39 2.33 2.28 2.24 2.21 2.18 2.15 2.13
0.050 3.22 3.09 3.00 2.92 2.85 2.79 2.74 2.70 2.66
6
0.025 4.07 3.88 3.73 3.60 3.50 3.41 3.34 3.28 3.22
0.010 5.39 5.07 4.82 4.62 4.46 4.32 4.20 4.10 4.01
0.100 2.41 2.34 2.28 2.23 2.19 2.16 2.13 2.10 2.08
0.050 3.14 3.01 2.91 2.83 2.76 2.71 2.66 2.61 2.58
7
0.025 3.95 3.76 3.61 3.48 3.38 3.29 3.22 3.16 3.10
0.010 5.20 4.89 4.64 4.44 4.28 4.14 4.03 3.93 3.84
0.100 2.38 2.30 2.24 2.20 2.15 2.12 2.09 2.06 2.04
0.050 3.07 2.95 2.85 2.77 2.70 2.64 2.59 2.55 2.51
8
0.025 3.85 3.66 3.51 3.39 3.29 3.20 3.12 3.06 3.01
0.010 5.06 4.74 4.50 4.30 4.14 4.00 3.89 3.79 3.71
0.100 2.35 2.27 2.21 2.16 2.12 2.09 2.06 2.03 2.00
0.050 3.02 2.90 2.80 2.71 2.65 2.59 2.54 2.49 2.46
9
0.025 3.78 3.59 3.44 3.31 3.21 3.12 3.05 2.98 2.93
0.010 4.94 4.63 4.39 4.19 4.03 3.89 3.78 3.68 3.60

53
𝒗𝟏 𝜶 𝒗𝟐
10 11 12 13 14 15 16 17 18
0.100 2.32 2.25 2.19 2.14 2.10 2.06 2.03 2.00 1.98
0.050 2.98 2.85 2.75 2.67 2.60 2.54 2.49 2.45 2.41
10
0.025 3.72 3.53 3.37 3.25 3.15 3.06 2.99 2.92 2.87
0.010 4.85 4.54 4.30 4.10 3.94 3.80 3.69 3.59 3.51
0.100 2.30 2.23 2.17 2.12 2.07 2.04 2.01 1.98 1.95
0.050 2.94 2.82 2.72 2.63 2.57 2.51 2.46 2.41 2.37
11
0.025 3.66 3.47 3.32 3.20 3.09 3.01 2.93 2.87 2.81
0.010 4.77 4.46 4.22 4.02 3.86 3.73 3.62 3.52 3.43
0.100 2.28 2.21 2.15 2.10 2.05 2.02 1.99 1.96 1.93
0.050 2.91 2.79 2.69 2.60 2.53 2.48 2.42 2.38 2.34
12
0.025 3.62 3.43 3.28 3.15 3.05 2.96 2.89 2.82 2.77
0.010 4.71 4.40 4.16 3.96 3.80 3.67 3.55 3.46 3.37
0.100 2.24 2.17 2.10 2.05 2.01 1.97 1.94 1.91 1.89
0.050 2.85 2.72 2.62 2.53 2.46 2.40 2.35 2.31 2.27
15
0.025 3.52 3.33 3.18 3.05 2.95 2.86 2.79 2.72 2.67
0.010 4.56 4.25 4.01 3.82 3.66 3.52 3.41 3.31 3.23
0.100 2.20 2.12 2.06 2.01 1.96 1.92 1.89 1.86 1.84
0.050 2.77 2.65 2.54 2.46 2.39 2.33 2.28 2.23 2.19
20
0.025 3.42 3.23 3.07 2.95 2.84 2.76 2.68 2.62 2.56
0.010 4.41 4.10 3.86 3.66 3.51 3.37 3.26 3.16 3.08
0.100 2.18 2.10 2.04 1.98 1.94 1.90 1.87 1.84 1.81
0.050 2.74 2.61 2.51 2.42 2.35 2.29 2.24 2.19 2.15
24
0.025 3.37 3.17 3.02 2.89 2.79 2.70 2.63 2.56 2.50
0.010 4.33 4.02 3.78 3.59 3.43 3.29 3.18 3.08 3.00
0.100 2.16 2.08 2.01 1.96 1.91 1.87 1.84 1.81 1.78
0.050 2.70 2.57 2.47 2.38 2.31 2.25 2.19 2.15 2.11
30
0.025 3.31 3.12 2.96 2.84 2.73 2.64 2.57 2.50 2.44
0.010 4.25 3.94 3.70 3.51 3.35 3.21 3.10 3.00 2.92
0.100 2.13 2.05 1.99 1.93 1.89 1.85 1.81 1.78 1.75
0.050 2.66 2.53 2.43 2.34 2.27 2.20 2.15 2.10 2.06
40
0.025 3.26 3.06 2.91 2.78 2.67 2.59 2.51 2.44 2.38
0.010 4.17 3.86 3.62 3.43 3.27 3.13 3.02 2.92 2.84
0.100 2.11 2.03 1.96 1.90 1.86 1.82 1.78 1.75 1.72
0.050 2.62 2.49 2.38 2.30 2.22 2.16 2.11 2.06 2.02
60
0.025 3.20 3.00 2.85 2.72 2.61 2.52 2.45 2.38 2.32
0.010 4.08 3.78 3.54 3.34 3.18 3.05 2.93 2.83 2.75

54
𝒗𝟏 𝜶 𝒗𝟐
19 20 21 22 23 24 25 26 27
0.100 2.99 2.97 2.96 2.95 2.94 2.93 2.92 2.91 2.90
0.050 4.38 4.35 4.32 4.30 4.28 4.26 4.24 4.23 4.21
1
0.025 5.92 5.87 5.83 5.79 5.75 5.72 5.69 5.66 5.63
0.010 8.18 8.10 8.02 7.95 7.88 7.82 7.77 7.72 7.68
0.100 2.61 2.59 2.57 2.56 2.55 2.54 2.53 2.52 2.51
0.050 3.52 3.49 3.47 3.44 3.42 3.40 3.39 3.37 3.35
2
0.025 4.51 4.46 4.42 4.38 4.35 4.32 4.29 4.27 4.24
0.010 5.93 5.85 5.78 5.72 5.66 5.61 5.57 5.53 5.49
0.100 2.40 2.38 2.36 2.35 2.34 2.33 2.32 2.31 2.30
0.050 3.13 3.10 3.07 3.05 3.03 3.01 2.99 2.98 2.96
3
0.025 3.90 3.86 3.82 3.78 3.75 3.72 3.69 3.67 3.65
0.010 5.01 4.94 4.87 4.82 4.76 4.72 4.68 4.64 4.60
0.100 2.27 2.25 2.23 2.22 2.21 2.19 2.18 2.17 2.17
0.050 2.90 2.87 2.84 2.82 2.80 2.78 2.76 2.74 2.73
4
0.025 3.56 3.51 3.48 3.44 3.41 3.38 3.35 3.33 3.31
0.010 4.50 4.43 4.37 4.31 4.26 4.22 4.18 4.14 4.11
0.100 2.18 2.16 2.14 2.13 2.11 2.10 2.09 2.08 2.07
0.050 2.74 2.71 2.68 2.66 2.64 2.62 2.60 2.59 2.57
5
0.025 3.33 3.29 3.25 3.22 3.18 3.15 3.13 3.10 3.08
0.010 4.17 4.10 4.04 3.99 3.94 3.90 3.85 3.82 3.78
0.100 2.11 2.09 2.08 2.06 2.05 2.04 2.02 2.01 2.00
0.050 2.63 2.60 2.57 2.55 2.53 2.51 2.49 2.47 2.46
6
0.025 3.17 3.13 3.09 3.05 3.02 2.99 2.97 2.94 2.92
0.010 3.94 3.87 3.81 3.76 3.71 3.67 3.63 3.59 3.56
0.100 2.06 2.04 2.02 2.01 1.99 1.98 1.97 1.96 1.95
0.050 2.54 2.51 2.49 2.46 2.44 2.42 2.40 2.39 2.37
7
0.025 3.05 3.01 2.97 2.93 2.90 2.87 2.85 2.82 2.80
0.010 3.77 3.70 3.64 3.59 3.54 3.50 3.46 3.42 3.39
0.100 2.02 2.00 1.98 1.97 1.95 1.94 1.93 1.92 1.91
0.050 2.48 2.45 2.42 2.40 2.37 2.36 2.34 2.32 2.31
8
0.025 2.96 2.91 2.87 2.84 2.81 2.78 2.75 2.73 2.71
0.010 3.63 3.56 3.51 3.45 3.41 3.36 3.32 3.29 3.26
0.100 1.98 1.96 1.95 1.93 1.92 1.91 1.89 1.88 1.87
0.050 2.42 2.39 2.37 2.34 2.32 2.30 2.28 2.27 2.25
9
0.025 2.88 2.84 2.80 2.76 2.73 2.70 2.68 2.65 2.63
0.010 3.52 3.46 3.40 3.35 3.30 3.26 3.22 3.18 3.15

55
𝒗𝟏 𝜶 𝒗𝟐
19 20 21 22 23 24 25 26 27
0.100 1.96 1.94 1.92 1.90 1.89 1.88 1.87 1.86 1.85
0.050 2.38 2.35 2.32 2.30 2.27 2.25 2.24 2.22 2.20
10
0.025 2.82 2.77 2.73 2.70 2.67 2.64 2.61 2.59 2.57
0.010 3.43 3.37 3.31 3.26 3.21 3.17 3.13 3.09 3.06
0.100 1.93 1.91 1.90 1.88 1.87 1.85 1.84 1.83 1.82
0.050 2.34 2.31 2.28 2.26 2.24 2.22 2.20 2.18 2.17
11
0.025 2.76 2.72 2.68 2.65 2.62 2.59 2.56 2.54 2.51
0.010 3.36 3.29 3.24 3.18 3.14 3.09 3.06 3.02 2.99
0.100 1.91 1.89 1.87 1.86 1.84 1.83 1.82 1.81 1.80
0.050 2.31 2.28 2.25 2.23 2.20 2.18 2.16 2.15 2.13
12
0.025 2.72 2.68 2.64 2.60 2.57 2.54 2.51 2.49 2.47
0.010 3.30 3.23 3.17 3.12 3.07 3.03 2.99 2.96 2.93
0.100 1.86 1.84 1.83 1.81 1.80 1.78 1.77 1.76 1.75
0.050 2.23 2.20 2.18 2.15 2.13 2.11 2.09 2.07 2.06
15
0.025 2.62 2.57 2.53 2.50 2.47 2.44 2.41 2.39 2.36
0.010 3.15 3.09 3.03 2.98 2.93 2.89 2.85 2.81 2.78
0.100 1.81 1.79 1.78 1.76 1.74 1.73 1.72 1.71 1.70
0.050 2.16 2.12 2.10 2.07 2.05 2.03 2.01 1.99 1.97
20
0.025 2.51 2.46 2.42 2.39 2.36 2.33 2.30 2.28 2.25
0.010 3.00 2.94 2.88 2.83 2.78 2.74 2.70 2.66 2.63
0.100 1.79 1.77 1.75 1.73 1.72 1.70 1.69 1.68 1.67
0.050 2.11 2.08 2.05 2.03 2.01 1.98 1.96 1.95 1.93
24
0.025 2.45 2.41 2.37 2.33 2.30 2.27 2.24 2.22 2.19
0.010 2.92 2.86 2.80 2.75 2.70 2.66 2.62 2.58 2.55
0.100 1.76 1.74 1.72 1.70 1.69 1.67 1.66 1.65 1.64
0.050 2.07 2.04 2.01 1.98 1.96 1.94 1.92 1.90 1.88
30
0.025 2.39 2.35 2.31 2.27 2.24 2.21 2.18 2.16 2.13
0.010 2.84 2.78 2.72 2.67 2.62 2.58 2.54 2.50 2.47
0.100 1.73 1.71 1.69 1.67 1.66 1.64 1.63 1.61 1.60
0.050 2.03 1.99 1.96 1.94 1.91 1.89 1.87 1.85 1.84
40
0.025 2.33 2.29 2.25 2.21 2.18 2.15 2.12 2.09 2.07
0.010 2.76 2.69 2.64 2.58 2.54 2.49 2.45 2.42 2.38
0.100 1.70 1.68 1.66 1.64 1.62 1.61 1.59 1.58 1.57
0.050 1.98 1.95 1.92 1.89 1.86 1.84 1.82 1.80 1.79
60
0.025 2.27 2.22 2.18 2.14 2.11 2.08 2.05 2.03 2.00
0.010 2.67 2.61 2.55 2.50 2.45 2.40 2.36 2.33 2.29

56
𝒗𝟏 𝜶 𝒗𝟐
28 29 30 40 60 120 ∞
0.100 2.89 2.89 2.88 2.84 2.79 2.75 2.71
0.050 4.20 4.18 4.17 4.08 4.00 3.92 3.84
1
0.025 5.61 5.59 5.57 5.42 5.29 5.15 5.02
0.010 7.64 7.60 7.56 7.31 7.08 6.85 6.64
0.100 2.50 2.50 2.49 2.44 2.39 2.35 2.30
0.050 3.34 3.33 3.32 3.23 3.15 3.07 3.00
2
0.025 4.22 4.20 4.18 4.05 3.93 3.80 3.69
0.010 5.45 5.42 5.39 5.18 4.98 4.79 4.61
0.100 2.29 2.28 2.28 2.23 2.18 2.13 2.08
0.050 2.95 2.93 2.92 2.84 2.76 2.68 2.60
3
0.025 3.63 3.61 3.59 3.46 3.34 3.23 3.12
0.010 4.57 4.54 4.51 4.31 4.13 3.95 3.78
0.100 2.16 2.15 2.14 2.09 2.04 1.99 1.94
0.050 2.71 2.70 2.69 2.61 2.53 2.45 2.37
4
0.025 3.29 3.27 3.25 3.13 3.01 2.89 2.79
0.010 4.07 4.04 4.02 3.83 3.65 3.48 3.32
0.100 2.06 2.06 2.05 2.00 1.95 1.90 1.85
0.050 2.56 2.55 2.53 2.45 2.37 2.29 2.21
5
0.025 3.06 3.04 3.03 2.90 2.79 2.67 2.57
0.010 3.75 3.73 3.70 3.51 3.34 3.17 3.02
0.100 2.00 1.99 1.98 1.93 1.87 1.82 1.77
0.050 2.45 2.43 2.42 2.34 2.25 2.18 2.10
6
0.025 2.90 2.88 2.87 2.74 2.63 2.52 2.41
0.010 3.53 3.50 3.47 3.29 3.12 2.96 2.80
0.100 1.94 1.93 1.93 1.87 1.82 1.77 1.72
0.050 2.36 2.35 2.33 2.25 2.17 2.09 2.01
7
0.025 2.78 2.76 2.75 2.62 2.51 2.39 2.29
0.010 3.36 3.33 3.30 3.12 2.95 2.79 2.64
0.100 1.90 1.89 1.88 1.83 1.77 1.72 1.67
0.050 2.29 2.28 2.27 2.18 2.10 2.02 1.94
8
0.025 2.69 2.67 2.65 2.53 2.41 2.30 2.19
0.010 3.23 3.20 3.17 2.99 2.82 2.66 2.51
0.100 1.87 1.86 1.85 1.79 1.74 1.68 1.63
0.050 2.24 2.22 2.21 2.12 2.04 1.96 1.88
9
0.025 2.61 2.59 2.57 2.45 2.33 2.22 2.11
0.010 3.12 3.09 3.07 2.89 2.72 2.56 2.41

57
𝒗𝟏 𝜶 𝒗𝟐
28 29 30 40 60 120 ∞
0.100 1.84 1.83 1.82 1.76 1.71 1.65 1.60
0.050 2.19 2.18 2.16 2.08 1.99 1.91 1.83
10
0.025 2.55 2.53 2.51 2.39 2.27 2.16 2.05
0.010 3.03 3.00 2.98 2.80 2.63 2.47 2.32
0.100 1.81 1.80 1.79 1.74 1.68 1.63 1.57
0.050 2.15 2.14 2.13 2.04 1.95 1.87 1.79
11
0.025 2.49 2.48 2.46 2.33 2.22 2.10 1.99
0.010 2.96 2.93 2.91 2.73 2.56 2.40 2.25
0.100 1.79 1.78 1.77 1.71 1.66 1.60 1.55
0.050 2.12 2.10 2.09 2.00 1.92 1.83 1.75
12
0.025 2.45 2.43 2.41 2.29 2.17 2.05 1.94
0.010 2.90 2.87 2.84 2.66 2.50 2.34 2.18
0.100 1.74 1.73 1.72 1.66 1.60 1.55 1.49
0.050 2.04 2.03 2.01 1.92 1.84 1.75 1.67
15
0.025 2.34 2.32 2.31 2.18 2.06 1.94 1.83
0.010 2.75 2.73 2.70 2.52 2.35 2.19 2.04
0.100 1.69 1.68 1.67 1.61 1.54 1.48 1.42
0.050 1.96 1.94 1.93 1.84 1.75 1.66 1.57
20
0.025 2.23 2.21 2.20 2.07 1.94 1.82 1.71
0.010 2.60 2.57 2.55 2.37 2.20 2.03 1.88
0.100 1.66 1.65 1.64 1.57 1.51 1.45 1.38
0.050 1.91 1.90 1.89 1.79 1.70 1.61 1.52
24
0.025 2.17 2.15 2.14 2.01 1.88 1.76 1.64
0.010 2.52 2.49 2.47 2.29 2.12 1.95 1.79
0.100 1.63 1.62 1.61 1.54 1.48 1.41 1.34
0.050 1.87 1.85 1.84 1.74 1.65 1.55 1.46
30
0.025 2.11 2.09 2.07 1.94 1.82 1.69 1.57
0.010 2.44 2.41 2.39 2.20 2.03 1.86 1.70
0.100 1.59 1.58 1.57 1.51 1.44 1.37 1.30
0.050 1.82 1.81 1.79 1.69 1.59 1.50 1.39
40
0.025 2.05 2.03 2.01 1.88 1.74 1.61 1.48
0.010 2.35 2.33 2.30 2.11 1.94 1.76 1.59
0.100 1.56 1.55 1.54 1.47 1.40 1.32 1.24
0.050 1.77 1.75 1.74 1.64 1.53 1.43 1.32
60
0.025 1.98 1.96 1.94 1.80 1.67 1.53 1.39
0.010 2.26 2.23 2.21 2.02 1.84 1.66 1.47

58
Tabla V.- Cuantiles para la estadística de prueba 𝒓𝑬

𝜶 0.01 0.05 0.10

10 0.880 0.918 0.935

15 0.911 0.938 0.951
20 0.929 0.950 0.960
25 0.941 0.958 0.966
30 0.949 0.964 0.971
40 0.960 0.972 0.977
50 0.966 0.976 0.981
60 0.971 0.980 0.984
70 0.976 0.984 0.987
100 0.981 0.986 0.989
150 0.987 0.991 0.992
200 0.990 0.993 0.994

59
Tabla VI.- Valores críticos para la prueba de Tukey 𝐪𝛂 (𝒗𝟏 , 𝒗𝟐 )

60