3da-Tarea Encargada - Meii - Jorge Andrés Valdivia Calixto

ESCUELA DE POST GRADO
Mtodos Estadsticos para la
ESPECIALIDAD EN TECNOLOGIA DE ALIMENTOS
Investigacin I
Valdivia Calixto, Jorge Andrs
20140734@lamolina.edu.pe
TRABAJOS ENCARGADOS M.E.I.I.
CASO 1:
TECNOLOGA DE ALIMENTOS 3
independientes - Correlacin Cannica
var.
dependientes
vs
En una Planta que produce Licor de Mora se desea estudiar la asociacin

entre dos grupos de variables, para este anlisis se estableci como primer
bloque de variables al pH, azcares reductores (g/L), % alcohol y acidez y
como segundo bloque al contenido de fenoles, antocianinas monomricas,
color polimrico, densidad de color y capacidad antioxidante.
Con el empleo de este anlisis multivariado, se obtuvieron tres races
principales con significancia de p<0.05, el signo que aparece de lado izquierdo
de cada parmetro indica la forma en que se relaciona con los otros
parmetros, es as que el signo negativo (-) indica decremento en el valor y el
signo positivo (+) un incremento en el valor; a continuacin se muestra la raz
1, y las variables fisicoqumicas que influyen sobre el contenido
de
antocianinas monomricas, % color polimrico y capacidad antioxidante.
Variables
Variables
pH (X1)
Azcares Reductores
Contenido de Fenoles
R2 = 0.995
Antocianinas Monomricas
% Alcohol (X3)
Capacidad Antioxidante
Acidez (X4)
Figura 1: Raz 1 obtenida de la correlacin cannica
En la primera raz se observa que existe una alta correlacin (R 2=0,99) entre
algunos parmetros fisicoqumicos, colormetricos y el contenido antocianinas
monomricas y el % color polimrico. As, la correlacin cannica tambin
Investigacin I
indic que al disminuir el valor del pH existe un mayor contenido de

antocianinas monomricas. En cuanto al contenido de azcares, el % color
polimrico disminuye al incrementar el contenido de stos, lo anterior
concuerda con un estudio en fresas congeladas donde se encontr que el
oscurecimiento y el desarrollo de color polimrico se reduce significativamente
por la adicin de azcar, evitando
la degradacin de las antocianinas
monomricas a intermediarios inestables de cidos fenlicos y compuestos
aldehdicos.
La Tarea pide realizar la Regresin Mltiple de slo una de las variables
dependientes con las variables independientes, para el efecto se ha tomado
una muestra aleatoria de 15 licores de mora cuyos datos medidos reportan en
las 6 primeras columnas de la tabla.
Observaci
n
(mg/L)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
20,55
20,20
20,90
20,30
20,40
20,50
20,60
20,70
20,80
20,35
20,45
20,55
20,65
20,75
20,85
X1
3,55
3,60
3,45
3,50
3,48
3,54
3,52
3,49
3,61
3,54
3,45
3,50
3,55
3,54
3,62
X4
X2
X3
(g/L)
(%)
(gr ac.
Ctrico/100mL)
83,80
84,20
83,40
83,50
83,75
84,15
84,05
83,95
83,90
83,78
84,09
84,13
84,01
83,50
83,80
18,00
18,00
17,98
18,00
18,05
17,98
18,00
18,05
17,98
18,00
17,95
18,05
17,98
18,00
18,05
15,09
15,07
15,08
15,07
15,09
15,08
15,11
15,10
15,08
15,11
15,10
15,08
15,07
15,09
15,08
*Debido a que la tarea solicita desarrollar solo 1 de los casos se

prefiri desarrollar la Regresin Mltiple en el Caso 2 a continuacin
explicado.
Investigacin I
CASO 2:
OTRA ESPECIALIDAD 3 variables dependientes vs 4 independientes
Como parte de un estudio para investigar la relacin entre la tensin
nerviosa (estrs), cambio de carcter (facilidad para molestarse) y
envejecimiento acelerado con otras variables (tamao de la empresa,
nmero de aos en la posicin actual, salario anual en miles de
dlares, edad en aos), para poder realizar el correspondiente anlisis de
regresin multiple se selecciono a la Tensin Nerviosa (Estrs) como la Variable
Y versus las dems variables independientes y se reunieron los siguientes
datos a partir de una muestra aleatoria simple de quince ejecutivos de una
empresa.
La salida de anlisis con Minitab es:
ESTADISTICOS DESCRIPTIVOS
ESTRS
TAMAO
EMPRESA
AOS EN
POSICIN
SALARIO ANUAL
EDAD
N VLIDO
MNIMO
MXIMO
MEDIA
15
15
10
127
184
812
67,20
415,73
DESV.
TPICO
51,164
187,513
15
16
8,27
4,148
15
15
15
20
27
84
63
38,60
44,53
16,745
10,947
MODELOS:
Modelo
R cuadrado
R cuadrado
corregido
Error Tpico
de la
Estimacin
Investigacin I
0,918
0,842
0,779
24,031
a: Variables predictorias: (constante), edad, tamao de la empresa,

salario anual, aos en posicin.
ANOVA
MODELO
Regresin
Residual
Total
Suma de
Cuadrado
s
30,873.46
8
5,774.932
36,648.40
0
gl
Media
Cuadrtic
a
Sig.
7,718.367
13,365
0,001a
10
577.493
14
a: Variables predictorias: (constante), edad, tamao de la empresa,

salario anual, aos en posicin.
b: Variable dependiente: Estrs
COEFICIENTES
MODELO
Coeficient
es
Estandariz
ados
Coeficientes No
Estandarizados
B
Constante -126,505
Tamao
0,176
Empresa
Aos
en
-1,563
posicin
Salario
1,575
Anual
Edad
1,629
a. Variable dependiente:
Error
Tpico
32,281
Sig.
-3,919
0,003
Beta
0,40
0,646
4,397
0,001
2,012
-0,127
-0,777
0,455
0,446
0,515
3,533
0,005
0,629
Estrs
0,349
2,591
0,027
Luego se desarrollo los siguientes puntos:
Investigacin I
1.- La recta de regresin mltiple estimada a partir de estos datos.

Interpretando los coeficientes de regresin.
Solucin 1 (a):
La recta de regresin es:
Estrs= 126,505 + 0,176*Tamao 1,563*Aos + 1,575*Salario +
1,629*Edad
Interpretacin de los coeficientes de regresin:
Intercepto=-126,505 Si el tamao de la empresa, el nmero de aos, el
salario y la edad fueran cero, es decir, si todas las variables explicativas
fueran cero, el puntaje de estrs del ejecutivo sera menos 126,505
Pendiente de Tamao: Por cada unidad que aumenta el tamao de la
empresa, el estrs del ejecutivo aumenta en 0,176 unidades.
Pendiente de Aos: Por cada ao en posicin actual, el estrs del
ejecutivo disminuye en 1,563 puntos.
Pendiente de Salario: Por cada mil dlares que aumenta el salario, el
estrs del ejecutivo aumenta en 1,575 puntos.
Pendiente de la edad: por cada ao de edad, el estrs del ejecutivo
aumenta en 1,629 puntos.
2.- El valor del coeficiente de determinacin que se us para describir la
bondad de ajuste del modelo. Se interpret en trminos del problema de
regresin.
El coeficiente de determinacin que se usa en regresin lineal mltiple
es el R2 ajustado, que en este caso es de 0,779.
Este coeficiente nos indica que las variables usadas en el modelo
explican en un 77,9% la variabilidad total del estrs.
3.- Se examino los tests t de los coeficientes de regresin.
Los test t de los coeficientes de regresin sirven para docimar la hiptesis:
Ho: j = 0
H1: j = 0 En este problema tenemos 4 tests de esta forma
(j=1,2,3,4).
Investigacin I
Al examinar los valores p correspondientes a cada uno de los tests nos damos
cuenta que casi todas las pendientes son significativas (distintas de cero),
salvo la de la variable Aos en posicin actual, cuyo valor p es 0,455, por lo
tanto aceptamos la hiptesis nula, y concluimos que la pendiente es igual a
cero.
Por lo tanto este no sera un modelo adecuado para describir el estrs de los
ejecutivos, deberamos ajustar otro modelo sin la variable "Aos en posicin
actual".
4.- Los supuestos que cumplen para la utilizacin de este modelo.
Los supuestos que debe cumplir el modelo son:
1) Linealidad: La relacin entre la variable respuesta y las explicativas
debe ser lineal
2) Nocolinealidad: las variables explicativas no deben estar
correlacionadas entre s
3) Normalidad de los residuos
4) Homocedasticidad de los residuos (varianza constante).
5.- Se estim la desviacin estndar poblacional.
El estimador de la desviacin estndar poblacional es 24,031 o la raz de
la media cuadrtica residual: raz de 577,493= 24,03
Este es un estimador de la variabilidad del estrs considerando las
variables explicativas del modelo, y lo podemos contrastar con el
estimador de la variabilidad del estrs de 51,164 que es la desviacin
estndar del estrs sin tomar en cuenta estas variables.
CASO 3
- ANCOVA (1)
Se considero un estudio realizado para determinar si existe diferencia en la

cantidad de mg de cido ascrbico obtenido luego del pulpeado de la naranja
producido por tres maquinas pulpeadoras industriales de diferentes marcas.
Se sospecha que el contenido de cido ascrbico final deseable se ve afectada
por la cantidad de merma generada por la pulpeadora; por consiguiente. Los
datos de este experimento se muestran en la tabla. Es evidente que para
resolver el problema debemos realizar un anlisis de covarianza con el objeto
de eliminar el del procentaje de merma (x) sobre la cantidad final de cido
ascrbico presente en la pulpa (y).
6
Investigacin I
Tabla de Datos:
Pulpeadora 1
Y (mg
X (% de
cido)
merma)
36
20
41
25
39
24
42
25
49
32
Sumator
ia
207
126
Pulpeadora 2
Y (mg
X (% de
cido)
merma)
40
22
48
28
39
22
45
30
44
28
216
130
Pulpeadora 3
Y (mg
X (% de
cido)
merma)
35
21
37
23
42
26
34
21
32
15
180
106
SOLUCIN:
Objetivo: Evaluar si hay efecto en la cantidad de merma retirada en el
proceso de pulpeado en la cantidad de cido ascrbico final.
Factor: Peso en (mgr.) del cido ascrbico obtenido despus del proceso
de pulpeado.
Tratamientos: Pulpeado de naranjas con tres diferentes pulpeadoras de
diferentes marcas.
Unidad Experimental: 15 muestras de sus respectivos lotes
produccin
Variable Respuesta: mg de cido ascrbico presente en la pulpa
Variable Concominante: % de merma (kilogramos)
Modelo Aditivo Lineal:
yij = + j + (xij x..) + ij

i = 1, ..., a ;
j = 1, ..., n
de
Investigacin I
Donde:
yij = es la j -sima cantidad de cido ascrbico bajo el i-simo tipo de
pulpeadora.
xij = es la medida de la covariable que se hace para yij
x = es la media de los valores de xij
= es el valor medio global.
i = es el efecto del nivel i-simo de pulpeadora
= coeficiente de regresin que relaciona yij con la covariable xij
ij = error aleatorio con la j -sima cantidad de cido ascrbico bajo el isimo tipo de pulpeadora
Anlisis de Varianza
Utilizando las ecuaciones del anlisis de covarianza, pueden calcularse:
Syy = 362 + 412 + ... + 322 (603)2 / (3)(5) = 346,40

Sxx = 202 + 252 + ... + 152 (362)2 / (3)(5) = 261,73
Sxy = (20)(36) + (25)(41) + ... + (15)(32) (362)(603)/(3)(5) =
282,60
Tyy = 1/5 (2072 + 2162 + 1802) (603)2 / (3)(5) = 140,40
Txx = 1/5 (1262 + 1302 + 1062) (362)+2 / (3)(5) = 66,13
Txy = 1/5 [(126)(207) + (130)(216) + (106)(184)] (362)(603)/(3)(5) =
96,00
Eyy = Syy Tyy = 346,40 140,40 = 206,00
Exx = Sxx Txx = 261,73 66,13 = 195,60
Exy = Sxy Txy = 282,60 96,00 = 186,60
SCE = Syy (Sxy)2 / Sxx = 346,40 186,602 / 261,73 = 41,27
con an
2 = (3)(5) 2 = 13 grados de libertad; y por la ecuacin:
SCE = Eyy (Exy)2/ Exx = 206,00 186,602 / 195,60 = 41,27 = 27,99
Investigacin I
con a(n
1) 1 = 3(5 1) 1 = 11 grados de libertad.
La suma de cuadrados para probar H0 : 1 = 2 = 3 = 0 es:
SCE SCE = 41,27 27,99 = 13,28

con a 1 = 3 1 = 2 grados de libertad. Estos datos se resumen en la
tabla siguiente:
Fuente
de
Variaci
n
Tratamie
nto
Suma de Cuadrados
GL
Error
12
Total
14
xy
66.13
96.00
195.6
0
261.7
3
186.6
0
282.6
0
Ajustados por la
regresin
GL
CM
140.4
0
206.0
0
346.4
0
27.99
11
2,54
41.27
13
13.28
Tratamie
nto
6.64
2.61
Para probar la hiptesis de que las maquinas difieren en la cantidad de cido

ascrbico deseable producido, es decir, H0 : i = 0, por la ecuacin el
estadstico de prueba se calcula como:
F0 = [ (SC_ E SCE)/ (a1) ] / [SCE / a(n1)1] = (13,28/2) / (27,99/11)

= 2,91
Al comparar este valor con F(0,10,2,11) = 2,86, se encuentra que no puede
rechazarse la hiptesis nula. Por lo tanto, no hay evidencia slida de que el
cido ascrbico generado en la pulpa producida por las tres maquinas difieran
en contenido. La estimacin del coeficiente de regresin se calcula con:
= Exy / Exx = 186,60 / 195,60 = 0,9540
Investigacin I
La hiptesis Ho
de prueba es:
: = 0 puede probarse usando la ecuacin. El estadstico
F1 = [(Exy)2/Exx] / CME = [(186,60)2 / 195,60] 2,54 = 70,08

y puesto que F0,01,1,11 = 9,65, se rechaza la hiptesis de que = 0. Por lo
tanto, existe una relacin lineal entre el cido ascrbico y el tipo de
pulpeadora, y el ajuste proporcionado por el anlisis de covarianza fue
necesario.
Las medias de los tratamientos ajustadas pueden calcularse con la ecuacin.
Estas medias ajustadas son:
y1.ajustada = 41,40 (0,9540)(25,20 24,13) = 40,38
y2.ajustada = 43,20 (0,9540)(26,00 24,13) = 41,42
y3.ajustada = 36,00 (0,9540)(21,20 24,13) = 38,80
Al comparar las medias ajustadas con las medias no ajustadas de los
tratamientos (las yi.), se observa que las medias ajustadas se encuentran
mucho ms prximas entre s, una indicacin ms de que el anlisis de
covarianza fue necesario.
10
Investigacin I
CASO 4
- ANCOVA (2)
Un Agrnomo realiz un experimento para estudiar los efectos del nivel de

irrigacin por goteo en el crecimiento, cosecha y calidad del camote. Se
usaron tres niveles de irrigacin A,B y C y se condujo el experimento con un
diseo de bloques completo aleatorizado para controlar la variabilidad del
campo. Una de las variables respuesta medida fue el peso del desperdicio por
parcela o la cantidad de camote en la parcela. Como se optimizo la humedad
del suelo para establecer la mejor cosecha, los niveles de irrigacin impuestas,
despus de establecer la cosecha, no afectaron el nmero de plantas por
parcela. La cosecha de camotes (Y = Toneladas mtricas por parcela de
camote y X = nmero de plantas por parcela) se muestra a continuacin:
Nivel de Irrigacin
Bloque
1
2
3
4
Totales
Promed
ios
X
44
55
60
62
221
Y
1.4
3.0
3.5
3.4
11.3
X
54
58
53
58
223
Y
1.9
1.4
2.5
2.6
8.4
X
45
59
72
50
226
Y
1.2
1.9
3.5
1.9
8.5
55.25
2.825
55.75
2.1
56.5
2.125
Y2 =
74.26
Totales de
Bloques
X
Y
143
4.5
172
6.3
185
9.5
170
7.9
670
28.2
Se tiene adems:
X2 = 38048
XY = 1627.6
28.2
X=
670
Y=
SOLUCIN:
Objetivo: Evaluar si el nivel de irrigacin tiene efecto en la cantidad de
toneladas mtricas obtenidas por parcela en los diferentes bloques
Factor: Toneladas mtricas por parcela de camote.
Tratamientos: Nivel de irrigacin tratado a la parcela
11
Investigacin I
Unidad Experimental: 12 parcelas para la siembra de camote

Variable Respuesta: Cantidad de Camote proveniente de la parcela
tratada con el nivel de irrigacin (A, B C)
Variable Concominante: Nmero de de plantas por parcela
Modelo Aditivo Lineal:

Yij = Toneladas mtricas por parcela de camote tratado con el i-esimo
nivel de irrigacin (tratamiento) en el j-simo bloque.
= es el valor medio global.
i = Efecto del -esimo nivel de irrigacin.
yj = Efecto del j-simo bloque
= coeficiente de regresin lineal de Y (toneladas mtricas por parcela
de camote) sobre X (nmero de plantas por parcela)
Xij = Nmero de plantas por parcela tratada con el -esimo nivel de
irrigacin en el j-simo bloque.
Promedio X = Nmero promedio de plantas
ij = Efecto del error experimental obtenido al utilizar el -simo nivel de
irrigacin en el j-simo bloque.
ANCOVA
Hallando sumas de cuadrados:
Para bloques
BXX = (1432 + 1722 + 1852 + 1702) / 3 - 6702/(4)(3) = 311
BXY = [(143)(4,5) + (172)(6,3) + (185)(9,5) + (170)(7,9)]/3 - (670)(28,2)/(4)(3)
= 34,7
BYY = (4,52 + 6,32 + 9,52 + 7,92)/3 - 28,22/(4)(3) = 4,59
Para Tratamientos
TXX = (2212 + 2232 + 2262)/4 - 6702/(4)(3) = 3.16
TXY = [(221)(11.3) + (223)(8.4) + (226)(8.5)]/4 - (670)(28,2)/(4)(3) = -1.625
12
Investigacin I
TYY = (11.32 + 8.42 + 8.52)/4 - 28,22/(4)(3) = 1.355
Para Totales
SC X = 38048 - 6702/(4)(3) = 639.67
SC XY = 1627.6 - (670)(28,2)/(4)(3) = 53.1
SC Y = 74.26 - 28,22/(4)(3) = 8.93
Cuadro del ANCOVA

Fuentes
de
Variacin
Bloques
Tratamien
to
Error
Total
Trat+erro
r
SC
ajustad
o
G.L.
ajustad
o
CM
ajustad
o
0.3506
0.7784
5
G.L.
SCXX
SCXY
SCYY
311
34,7
4,59
3,16
-1,625
1,355
6
11
325.51
639,67
20.025
53,1
2.985
8,93
1.7530
328.67
18.4
4.34
3.3099
Tratamientos ajustados
1.5569
SC Error Ajustado = 2.985 (20.0252)/325.51 = 1.7530

SC (trat + error) ajustado = 7.575 (51.4752)/325.67 = - 0.5610
Desarrollando las hiptesis correspondientes al ANCOVA. Usando =0.05
Prueba de hiptesis para el coeficiente de regresin:
Ho : = 0 (las toneladas mtricas por parcela de camote no depende
linealmente del nmero de plantas por parcela)
Ha : 0 (las toneladas mtricas por parcela de camote si depende
linealmente del nmero de plantas por parcela)
= 0.05
13
Investigacin I
Fc = (E2XY/EXX ) / CME ajustado = F (1, gl error ajustado) Fc = (20.025/325.51 ) /

0.3506 = 3.5137
F. calculado < F tabla = F (1,5) = 3,61 .. Se acepta Ho
Prueba de hiptesis para los efectos de los tratamientos:
Ho : 1 = 2 = 3
Ha : al menos un i es a los dems.
= 0.05
Fc = CM (trat ajustado) / CME ajustado = 2.220 < F tabla = F(2,5) 5.79
Se acepta Ho y se rechaza H1
Pruebas de comparacin de medias de tratamientos:

Trabajando con las medias de los tratamiento ajustados por la regresin. Para
efectuar el ajuste, se calcula primero el coeficiente de regresin estimado, el
cual es:
= EXY/EXX = 20.025 / 325.51 = 0.0615
Las medias de los tratamientos ajustadas por la regresin estn dadas por:
Promedio YI ajustado = Promedio YI - (Promedio Xi - Promedio X)
Hallamos los promedios de los tratamientos ajustados.
Promedio YA ajustado = 2.825 0.0615 (55.25 55.583) = 2.8454
Promedio YB ajustado = 2.1 - 0.0615 (55.75 55.583) = 2.0897
Promedio YC ajustado = 2.125 - 0.0615 (56.5 55.583) = 2.0686
Se podra afirmar que la cantidad promedio de toneladas por parcela de el lote
de camote al utilizar el nivel de irrigacin A es igual a la cantidad promedio de
toneladas por parcela de camote al utilizar el nivel de irrigacin B. Utilizando la
prueba de Tukey.
Ho : A = B
Ha : A B
14
Investigacin I
ALS (tuckey) = 4.60 *
p=3
GL ajustado = 5
= 0.05
1 1 (55.2555.75)
+ +
4 4
325.51
0.3506
[]
2
= 1.3629
4.60
Se compara con los promedios de Yi ajustado

El valor absoluto de la diferencia entre 2.8454-2.0897 =0.7557 < 1.3629 se
acepta la Ho, las cantidades promedio de toneladas por parcela de camote al
utilizar estos niveles de irrigacin son iguales.
15

3da-Tarea Encargada - Meii - Jorge Andrés Valdivia Calixto

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

3da-Tarea Encargada - Meii - Jorge Andrés Valdivia Calixto

Загружено:

Авторское право:

Доступные форматы

ESCUELA DE POST GRADO

Mtodos Estadsticos para la

ESPECIALIDAD EN TECNOLOGIA DE ALIMENTOS

Valdivia Calixto, Jorge Andrs

TRABAJOS ENCARGADOS M.E.I.I.

En una Planta que produce Licor de Mora se desea estudiar la asociacin

ESCUELA DE POST GRADO

Mtodos Estadsticos para la

ESPECIALIDAD EN TECNOLOGIA DE ALIMENTOS

Valdivia Calixto, Jorge Andrs

indic que al disminuir el valor del pH existe un mayor contenido de

*Debido a que la tarea solicita desarrollar solo 1 de los casos se

ESCUELA DE POST GRADO

Mtodos Estadsticos para la

ESPECIALIDAD EN TECNOLOGIA DE ALIMENTOS

Valdivia Calixto, Jorge Andrs

ESCUELA DE POST GRADO

Mtodos Estadsticos para la

ESPECIALIDAD EN TECNOLOGIA DE ALIMENTOS

Valdivia Calixto, Jorge Andrs

a: Variables predictorias: (constante), edad, tamao de la empresa,

a: Variables predictorias: (constante), edad, tamao de la empresa,

Luego se desarrollo los siguientes puntos:

ESCUELA DE POST GRADO

Mtodos Estadsticos para la

ESPECIALIDAD EN TECNOLOGIA DE ALIMENTOS

Valdivia Calixto, Jorge Andrs

1.- La recta de regresin mltiple estimada a partir de estos datos.

ESCUELA DE POST GRADO

Mtodos Estadsticos para la

ESPECIALIDAD EN TECNOLOGIA DE ALIMENTOS

Valdivia Calixto, Jorge Andrs

Se considero un estudio realizado para determinar si existe diferencia en la

ESCUELA DE POST GRADO

Mtodos Estadsticos para la

ESPECIALIDAD EN TECNOLOGIA DE ALIMENTOS

Valdivia Calixto, Jorge Andrs

Modelo Aditivo Lineal:

yij = + j + (xij x..) + ij

ESCUELA DE POST GRADO

Mtodos Estadsticos para la

ESPECIALIDAD EN TECNOLOGIA DE ALIMENTOS

Valdivia Calixto, Jorge Andrs

Syy = 362 + 412 + ... + 322 (603)2 / (3)(5) = 346,40

2 = (3)(5) 2 = 13 grados de libertad; y por la ecuacin:

SCE = Eyy (Exy)2/ Exx = 206,00 186,602 / 195,60 = 41,27 = 27,99

ESCUELA DE POST GRADO

Mtodos Estadsticos para la

ESPECIALIDAD EN TECNOLOGIA DE ALIMENTOS

Valdivia Calixto, Jorge Andrs

1) 1 = 3(5 1) 1 = 11 grados de libertad.

La suma de cuadrados para probar H0 : 1 = 2 = 3 = 0 es:

SCE SCE = 41,27 27,99 = 13,28

Para probar la hiptesis de que las maquinas difieren en la cantidad de cido

F0 = [ (SC_ E SCE)/ (a1) ] / [SCE / a(n1)1] = (13,28/2) / (27,99/11)

= Exy / Exx = 186,60 / 195,60 = 0,9540

ESCUELA DE POST GRADO

Mtodos Estadsticos para la

ESPECIALIDAD EN TECNOLOGIA DE ALIMENTOS

Valdivia Calixto, Jorge Andrs

: = 0 puede probarse usando la ecuacin. El estadstico

F1 = [(Exy)2/Exx] / CME = [(186,60)2 / 195,60] 2,54 = 70,08

ESCUELA DE POST GRADO

Mtodos Estadsticos para la