3FAC

“Año del Buen
Servicio al
Ciudadano”
“UNIVERSIDAD
SAN LUIS
GONZAGA DE
ICA”
FACULTAD DE
CIENCIAS:
ESCUELA
ACADÉMICA
PROFESIONAL
ESTADÍSTICA
ASIGNATURA:
DISEÑO
EXPERIMENTAL
AVANZADO
TEMA: ANALISIS
DE VARIANZA DE
E.AP. ESTADISTICA
ANALISIS DE VARIANZA DE TRES FACTORES
UNIVERSIDAD SAN LUIS GONZAGA DE ICA-PERÚ

2
E.AP. ESTADISTICA
INTRODUCCION
A continuación vamos a comenzar a estudiar un Tema de marcada importancia en las

técnicas estadísticas que se estudian en esta asignatura.
Dentro del Tema de Prueba de hipótesis que acabamos de ver, se estudió la prueba de
hipótesis de comparación de 2 medias, a partir de las muestras de dos poblaciones
para conocer si existían diferencias reales entre ellas o se debía al azar.
Pues bien, hoy vamos a considerar problemas en que debemos decidir si las
diferencias observadas entre más de dos medias se pueden atribuir al azar o si existen
diferencias reales entre las medias de las poblaciones de las que se obtuvieron las
muestras.
Y esto se estudia cuando por ejemplo lo que queremos conocer sobre la base de los
datos muéstrales, si en realidad existe alguna diferencia. Por ejemplo:
 En la efectividad de 3 métodos de enseñanza de una lengua extranjera

 Si queremos comparar la producción promedio por empresas de distintas
variedades de arroz.
 Un investigador agrícola pudiera estar interesado en saber ¿qué tipo de
fertilizante da mejores rendimientos?
 En algún laboratorio médico se desea evaluar el efecto de diferentes
medicamentos en la presión sanguínea.
El método que utilizamos para este propósito es un instrumento estadístico poderoso
conocido como ANALISIS DE VARIANZA O DISEÑO DE EXPERIMENTOS.
Es así que cuando queremos hacer comparaciones entre dos, tres o más medias
muéstrales para determinar si provienen de poblaciones iguales utilizamos la técnica
de análisis de varianza. Esta técnica se realiza utilizando la distribución de
probabilidad F (Fischer) vista ya anteriormente.

3
E.AP. ESTADISTICA
Para el uso de esta técnica es necesario seguir los siguientes supuestos:
1) Normalidad: los datos obtenidos en cada nivel de los factores se ajustan

razonablemente a una distribución Normal
2) Homocedasticidad: la variabilidad de los datos en cada nivel de los factores
es similar (contraste de igualdad de varianzas)
3) Independencia: las observaciones se realizan de forma independiente unas
de otras (diseño de la obtención de datos)
La técnica del análisis de varianza descompone la variación total en dos componentes
de variación llamados variación debida a los tratamientos y variación aleatoria.
Cuando estamos frente a un problema de análisis de varianza lo primero que debemos

hacer es identificar en términos del problema lo siguiente:
Variable dependiente o variable respuesta (Variable de estudio): Es la variable que

nos interesa medir o respuesta que se va a estudiar para determinar el efecto que
tiene sobre ella la variable independiente.
Variable independiente o factor: Es la variable o factor que puede influenciar en la

variabilidad de la respuesta o variable dependiente.
Nivel o tratamiento del factor: Es un valor o condición del factor bajo el cual se
observa la respuesta medible.
Unidad experimental: Es el objeto (persona, animal o cosa) donde se aplica un

determinado tratamiento, para obtener una medición de la variable respuesta.
Error experimental: Es la variación que no se puede atribuir a un cambio de

tratamiento; es decir, la que se produce por los factores extraños que pueden influir en
la respuesta y que deben ser eliminados o controlados por el investigador.
Aleatorización: Consiste en asignar en forma aleatoria los tratamientos a las

unidades experimentales con el propósito de remover los posibles sesgos sistemáticos
y neutralizar los efectos de todos aquellos factores externos que no se encuentran
bajo el control del investigador, pero pueden estar presentes en el experimento.

4
E.AP. ESTADISTICA
Dedicado a la Investigación de
Estadistas.

5
E.AP. ESTADISTICA
ANALISIS DE TRES FACTORES

Supongamos que hay “a” niveles para el factor A, “b” niveles del factor B y “c” niveles
para el factor C y que cada réplica del experimento contiene todas las posibles
combinaciones de tratamientos, es decir contiene los abc tratamientos posibles, en un
diseño experimental completamente aleatorizado. Se procederá a esbozar las pruebas
de significancia para los tres efectos principales y las interacciones involucradas. Se
espera entonces que el lector pueda utilizar la descripción dada aquí para generalizar
el análisis a k>3 factores.
αβ
¿
¿
αγ
Donde αi , βj , γk son los efectos principales; ¿ son los efectos de
¿
βγ
¿
¿
¿
interacción de dos factores que tienen la misma interpretación que en el experimento
αβγ
de dos factores. El término ¿ recibe el nombre de efecto de interacción de tres
¿
¿
αβ
factores, un término que representa la no aditividad de las ¿ sobre los diferentes
¿
¿
niveles del factor C. Igual que antes, la suma de todos los efectos principales es cero y
la suma de cualquier subíndice de los efectos de interacción de dos y tres factores es
cero. En muchas situaciones experimentales estas interacciones de orden más alto
son significantes y sus cuadrados medios reflejan únicamente variación aleatoria, pero
el análisis se hará en forma general.
De nuevo, con objeto de que se puedan realizar pruebas validas de significancia, se

debe asumir que los errores son valores de variables aleatorias independientes y con
distribución normal, cada una con medida cero y variancia común σ 2 .
La filosofía general del análisis es la misma que la utiliza para los experimento de uno
y dos factores. La suma de cuadrados se particiona en ocho términos, cada uno
representa una fuente de variación de las cuales se obtienen estimaciones
independientes de σ 2 cuando todos los efectos principales y los efectos de
interacción son cero. Si los efectos de cualquier factor o interacción dados no son
todos cero, entonces el cuadrado medio estimará la variancia del error más una
componente debida al efecto sistemático en cuestión.
Factor A
A 1 A 2 A3 A4 A 5 A6
B1
B 2 LUIS GONZAGA DE ICA-PERÚ

UNIVERSIDAD SAN
6
B3
B4
E.AP. ESTADISTICA
Factor B
C1
Factor C
C2
C3
1.1 El modelo sin replicación

El modelo estadístico para este diseño es:
y ijk=μ+ τ i + β j + γ k + ( τβ )ij + ( τγ )ik + ( βγ ) jk + ( τβγ )ijk +uijk
Con i = 1, 2, · · · , a ; j = 1, 2, · · · , b ; k = 1, 2, · · · , c donde
 y ijk representa la respuesta de la variable en el i-ésimo nivel del

factor 1 ( τ ) , en el j-ésimo nivel del factor 2 ( β ) y en el k-ésimo
nivel del factor 3 ( γ )
 τ i β j γ k : Son los efectos producidos por el nivel i-ésimo del factor A,
∑ τ i=0 , por el nivel j-ésimo del factor B, ∑ β j=0 y por el nivel
( ) ( )
i j
k-ésimo del factor C, (∑ γ =0 )

k
k
 ( τβ )ij , ( τγ )ik , ( βγ ) jk , ( τβγ )ijk , : Son los efectos producidos por las
interacciones entre A × B, A × C, B × C y A × B × C, respectivamente
2
 uijk N ( 0, σ ) independientes

7
E.AP. ESTADISTICA
( τβγ )ijk =¿ ∑ ( τβγ )ijk=¿ 0

k
( τβγ )ijk =¿ ∑ ¿
j
( βγ ) jk =¿ ∑ ¿
i
( βγ ) jk =¿ ∑ ¿
k
( τγ )ik =¿ ∑ ¿
j
( τγ )ik =¿ ∑ ¿
k
( τβ )ij =¿ ∑ ¿
i
( τβ )ij =∑ ¿
j
∑¿
i
Supondremos que se toma una observación por cada combinación de

factores, por tanto, hay un total de n = abc observaciones.
Parámetros a estimar:
PARAMETRO NUMERO A pesar de las restricciones

μ 1 impuestas al modelo, el número de
τi a-1 parámetros (abc + 1) supera al
βj número de observaciones (abc).
b-1
Por lo tanto, algún parámetro no
γk c-1 será estimable.
( τβ )ij (a-1)(b-1)
( τγ )ik (a-1)(c-1)
( βγ ) jk (b-1)(c-1)
( τβγ )ijk (a-1)(b-1)(c-1)
TOTAL Abc-1
1.1.1 Estimación de los parámetros del modelo

Los estimadores máximo verosímiles de los parámetros del modelo son:
 El E.M.V de μ es ^μ =ý …
 Los E.M.V de los efectos principales
τ^ i= ý i..− ý … , ^β j= ý . j . − ý … , ^γ k = ý ..k − ý …
 El E.M.V de las interacciones de segundo orden son:
( τ^γ )ik = ý i . k − ý i … − ý .. k + ý … , ( ^
τβ )ij = ý ij . − ý i.. − ý . j. + ý …
^
( βγ ) jk = ý . jk − ý . j .− ý ..k + ý …
8
E.AP. ESTADISTICA
 El E.M.V de la interacciones de tercer orden es :
^ )ijk= y ijk − ^μ− τ^ i− β^ j−γ^ k −( τβ
( τβγ ^ ) ij −( τ^γ )ik −( βγ ^ ) jk
^ )ijk= y ijk − ý ij .− ýi . k − ý . jk − ý i ..− ý . j . − ý .. k − ý …
( τβγ
1.1.2 Descomposición de la variabilidad

En este modelo la variabilidad total se descompone en:
 y… = suma de todas las abcn observaciones.
 y i .. = suma de las observaciones para el nivel i-ésimo del factor A
 y . j. =suma de las observaciones para el nivel j-ésimo del factor B
 y .. k = suma de las observaciones para el nivel k-ésimo para el factor
C
 y ij. = suma de las observaciones para el nivel i-ésimo de A y el nivel
j-ésimo de B
 y i .k =suma de las observaciones para el nivel i-ésimo de A y el nivel
k-ésimo de C
 y . jk =suma de las observaciones para el nivel j-ésimo de B y el nivel
k-ésimo de C
 y ijk =suma de las observaciones para el nivel ijk-ésimo combinación
de tratamiento ijk.
En la práctica, es ventajoso elaborar las siguientes tablas en dos direcciones de

totales y subtotales:
B
A Total
1 2 … b
k=1, 2,…, c
1 y 11k y 12 k … y 1 bk y 1.k
2 y 21 k y 22 k …
y 2 bk . y 2.k .
. . .
. .
. . .
. .
. . .
a …
y abk y a .k
ya 1 k ya 2 k
Total y .1k y .2k … y .b . y .. k
B
A Total
1 2 … b
1 y 12. …
y 11. y1 b . y 1. .
2 y 22. …
y 21. . y2 b . . y 2.. .
. .
. . .
. .
. . .
UNIVERSIDAD SAN.LUIS GONZAGA .
y a 1. DE ICA-PERÚ y ab . y a ..
a y a 2. … 9
Total y .1. y .2. … y .b . y ...

E.AP. ESTADISTICA
C
A Total
1 2 … c
1 y 1.2 . …
y 1.1 y 1.c . y 1...
2 y 2.2. …
y 2.1 . y 2.c . . y 2... .
. .
. . .
. .
. . .
. .
a
y a .1 …
y a .c . y a ...
y a .2.
Total y ..1. y ..2. … y .. c. y ...
C
B Total
1 2 … c
1 y .11. y .12 … y .1c y .1.

2 y .21 . y .22 …
y .2c . y .2. .
. . .
. .
. . .
. .
. . .
a …
y .bc y .b .
y .b 1. y .b 2
Total y ..1 y ..2 … y .. c y ...

10
E.AP. ESTADISTICA
SCT = SCA + SCB + SCC + SC(AB) + SC(AC) + SC(BC) + SC(ABC) + SCR

Estas sumas de cuadrados se pueden expresar como:
2
y…
 SCT = ∑ y 2ijk −
i , j ,k abc
∑ y 2i .. y 2…
 SCA= i
−
bc abc
∑ y. j . y2
2
 SCB= j − …
ac abc
∑ .. k y 2
y 2
 SCC = k − …
ab abc
∑ y ij . y 2
2
 SC ( AB ) = i , j − … −SCA−SCB
c abc
2
∑ y i ,k y 2
 SC ( AC )= i , k − … −SCA −SCC
b abc
∑ y .ik y 2
2
 SC ( BC )= j , k − … −SCB−SCC
a abc

2
y…
SC ( AB C )= ∑ y 2ijk − −SCA−SCB−SCC −SC ( AB )−SC ( AC ) −SC (BC )
i , j ,k abc
Los grados de libertad se calculan sustituyendo los totales apropiados en las

siguientes fórmulas de cálculos:
 G . L A =a−1
 G . LB =b−1
 G . LC =c−1
 G . L AB=(a−1)( b−1)
 G . L AC =(a−1)(c−1)
 G . LBC =(b−1)(c−1)
 G . L ABC =(a−1)(b−1)(c−1)
 G . LTOTAL=abc−1
Los cuadrados medios se calculan sustituyendo los totales apropiados en las

SCA
 CM A =
G. L A
SCB
 CM B=
G. LB
11
E.AP. ESTADISTICA
SCC
 CM C =
G . LC
SC( AB)
 CM AB =
G . L AB
SC( AC )
 CM AC =
G . L AC
SC (BC)
 CM BC =
G. LBC
SC ( ABC )
 CM ABC =
G . L ABC
Al tratarse de un modelo sin replicación, los contrastes sólo se pueden realizar si

se supone que la interacción de tercer orden es cero. En esta hipótesis,
CM(ABC) = CMR y los contrastes de cada uno de los factores e interacciones
comparan su cuadrado medio correspondiente con la varianza residual para
construir el estadístico de contraste.
El objetivo del análisis es realizar los contrastes de hipótesis nula que se

muestran a continuación junto con el estadístico de contraste correspondiente:
CMA
 H 0 A ≅ τ 1=…=τ a=0 : F A = H 0 A F (a−1 );(a−1)(b−1)(c−1)
CMR
CMB
 H 0 B ≅ β 1=…=β b=0: F B = H 0 B F( b−1) ;(a−1 )(b−1)(c−1)
CMR
CMC
 H 0 C ≅ γ 1=…=γ c =0 : FC = H 0 C F ( c−1 );(a−1)(b −1 )(c−1 )
CMR
CM ( AB)
 H 0( AB) ≅ ( τβ )ij =0 ; ∀i , j :F (AB )= H 0( AB) F( a−1)(b−1);(a−1)(b−1)(c−1 )
CMR
CM ( AC )
 H 0( AC) ≅ ( τγ )ik =0 ; ∀ i ,k : F( AC)= H 0 (AC) F (a−1) (c−1);(a−1)(b−1)(c−1)
CMR
CM (BC )
 H 0(BC ) ≅ ( βγ ) jk =0; ∀ j ,k : F(BC) = H 0(BC) F (b−1) (c−1);(a−1)(b−1)(c−1)
CMR
Fijado un nivel de significación α, se rechaza la H0 correspondiente, si FC > F T
Análisis de variancia para el experimento de tres factores sin replicación
Fuente de Suma de Cuadrados

variación cuadrados Grados de Libertad medios ƒ calculada

12
E.AP. ESTADISTICA
Efecto principal
A SSA a-1 2 S 21
S 1 ƒ1= 2
S
B SSB b-1
S 22 S
2
ƒ2= 22
C SSC c-1 S
interacción de dos S 23 2
factores S3
2
ƒ3 = 2
S4 S
AB SS(AB) (a-1)(b-1)
S 25 S 24
AC SS(AC) (a-1)(c-1) ƒ4 = 2
S
BC SS(BC) (b-1)(c-1) S 26
S 25
interacción de tres ƒ5 =
S
2 S2
factores
S26
ABC o SS(ABC) (a-1)(b-1)(c-1) ƒ6= 2
S
Error
Total SST abc-1
Para el experimento de tres factores con una sola réplica se puede utilizar el análisis
de la tabla haciendo n=1 y utilizando la suma de cuadrados de la interacción ABC para
αβγ
SSE. En este caso se está asumiendo que los efectos de interacción ¿ son todos
¿
¿
iguales a cero de tal forma que
a b c
2
n ∑ ∑ ∑ ( αβγ )ijk
E
[ SS ( ABC )
]
( a−1 )( b−1 ) ( c−1 )
=σ 2+ i=1 j=1 k=1
( a−1 ) ( b−1 )( c−1 )
=σ 2 .
Esto es, SS(ABC) representa la variación debida únicamente al error experimental. Su

cuadrado medio por lo tanto proporciona una estimación insesgada de la variancia del
error. Con n=1 y SSE=SS(ABC), la suma de cuadrados del error se encuentra
restando las sumas de cuadrados de los efectos principales y las interacciones de dos
factores de la suma total de cuadrados.

13
E.AP. ESTADISTICA
1.2 El modelo con replicación
En esta sección se considera un experimento con tres factores A,B,y C en niveles

a,byc respectivamente, en un diseño experimental completamente aleatorizado.
Supóngase de nuevo que se tiene “n” observaciones para cada una de las abc
combinaciones de tratamiento. Se procederá a esbozar las pruebas de significancia
para los tres efectos principales y las interacciones involucradas. Se espera entonces
que el lector pueda utilizar la descripción dada aquí para generalizar el análisis a k>3
factores.
El modelo estadístico para este diseño es:

14
E.AP. ESTADISTICA
αβ
¿
¿
αγ
¿
¿
βγ
¿
¿
αβγ
¿
¿
y ijkl =μ+α i+ β j+ γ k +¿
i=1,2,…, a; j=1,2,…, b; k= 1,2,…, c y l= 1,2,…, n,
 uijkl N ( 0, σ 2 ) independientes
 y ijk representa la respuesta de la variable en el i-ésimo nivel del factor
1 ( τ ) , en el j-ésimo nivel del factor 2 ( β ) y en el k-ésimo nivel del
factor 3 ( γ )
 τ i β j γ k : Son los efectos producidos por el nivel i-ésimo del factor A,
(∑ τ =0)
i
i , por el nivel j-ésimo del factor B, (∑ β =0 )
j
j y por el nivel k-
ésimo del factor C, (∑ γ =0 )

k
k
 ( τβ )ij , ( τγ )ik , ( βγ ) jk , ( τβγ )ijk , : Son los efectos producidos por las
interacciones entre A × B, A × C, B × C y A × B × C, respectivamente
PARAMETRO NUMERO A pesar de las restricciones

μ 1 impuestas al modelo, el número de
τi a-1 parámetros (abc + 1) supera al
βj número de observaciones (abc).
b-1
Por lo tanto, algún parámetro no
γk c-1 será estimable.
( τβ )ij (a-1)(b-1)
( τγ )ik (a-1)(c-1)
( βγ ) jk (b-1)(c-1)
( τβγ )ijk (a-1)(b-1)(c-1)
error Abc(n-1)
TOTAL Abcn-1

15
E.AP. ESTADISTICA
Ahora se procede directamente a la parte de cálculo de obtener las sumas de
cuadrados en el análisis de variancia de tres factores. Se requiere la siguiente
notación:
1.2.1 Descomposición de la variabilidad
y… = suma de todas las abcn observaciones.
yi … = suma de las observaciones para el nivel i-ésimo del factor A
y. j … =suma de las observaciones para el nivel j-ésimo del factor B
y .. k . = suma de las observaciones para el nivel k-ésimo para el factor C
y ij.. = suma de las observaciones para el nivel i-ésimo de A y el nivel j-ésimo

de B
y i .k . =suma de las observaciones para el nivel i-ésimo de A y el nivel k-ésimo

de C
y . jk . =suma de las observaciones para el nivel j-ésimo de B y el nivel k-ésimo

de C
y ijk . =suma de las observaciones para el nivel ijk-ésimo combinación de tratamiento

ijk.
En la práctica, es ventajoso elaborar las siguientes tablas en dos direcciones de

totales y subtotales:
B
A Total
1 2 … b
1 y 11k . y 12 k. … y 1 bk. y 1.k .

k=1, 2,…, c
2 y 21 k. y 22 k. …
y 2 bk . . y 2.k . .
. . .
. .
. . .
. .
. . .
a …
y abk . y a .k .
ya 1 k . ya 2 k .
Total y .1k . y .2k . … y .b . y .. k .

16
E.AP. ESTADISTICA
B
A Total
1 2 … b
1 y 11.. y 12. . … y 1 b .. y 1...

2 y 21.. y 22.. …
y 2 b .. . y 2... .
. . .
. .
. . .
. .
. . .
a …
y ab .. y a ...
y a 1.. y a 2..
Total y .1.. y .2.. … y .b . y ...
C
A Total
1 2 … c
1 y 1.1 . y 1.2 . … y 1.c . y 1...

2 y 2.1. y 2.2. …
y 2.c . . y 2... .
. . .
. .
. . .
. .
. . .
a …
y a .c . y a ...
y a .1. y a .2.
Total y ..1. y ..2. … y .. c. y ...
C
B Total
1 2 … c
1 y .11. y .12 . … y .1c . y .1..

2 y .21 . y .22 . …
y .2c . . y .2.. .
. . .
. .
. . .
UNIVERSIDAD SAN.LUIS GONZAGA DE ICA-PERÚ . .
. .
a …
y .bc . y .b .. 17
y .b 1. y .b 2.
Total y ..1. y ..2. … y .. c. y ...

E.AP. ESTADISTICA
Las sumas de los cuadrados se calculan sustituyendo los totales apropiados en las
2
2 y ….
 SST = ∑ y − ijkl
i , j , k ,l abcn
∑ yi … y2 2
 SCA= i − ….
bcn abcn
2
∑ y . j .. y 2
 SCB= j − ….
acn abcn
∑ y .. k . y 2
2
 SSC= k − ….
abn abcn
∑ y ij .. ∑ y2i … ∑ y 2. j .. y 2
2
 SC ( AB ) = i , j − i − j + ….
cn bcn acn abcn
∑ y i .k . ∑ y i … ∑ y .. k . y2
2 2 2
 SC ( AC )= i , k − i − k + ….
bn bcn abn abcn
2 2 2
∑ y . jk . ∑ y . j .. ∑ y.. k . y 2
 SC ( BC )= j , k − j − k + ….
an acn abn abcn

∑ y 2ijk . ∑ y 2ij .. ∑ y 2i . k. ∑ y 2. jk . ∑ y 2i … ∑ y 2. j .. ∑ y 2.. k .

y2
SC ( ABC ) = i , j , k − i, j − i ,k − j ,k + i + j + k − ….
n cn bn an bcn acn abn abcn
 SCE =SCT −SCA−SCB−SCC−SC ( AB )−SC ( AC )−SC ( BC )−SC (ABC )
Los grados de libertad se calculan sustituyendo los totales apropiados en las

 G . L A =a−1
 G . LB =b−1
 G . LC =c−1
 G . L AB=(a−1)( b−1)
 G . L AC =(a−1)(c−1)
 G . LBC =(b−1)(c−1)
 G . L ABC =(a−1)(b−1)(c−1)
18
E.AP. ESTADISTICA
 G . L ERROR =abc (n−1)

 G . LTOTAL=abcn−1
Los cuadrados medios se calculan sustituyendo los totales apropiados en las

SCA
 CM A =
G. L A
SCB
 CM B=
G. LB
S CC
 CM C =
G . LC
SC( AB)
 CM AB =
G . L AB
SC( AC )
 CM AC =
G . L AC
SC (BC)
 CM BC =
G. LBC
SC ( ABC )
 CM ABC =
G . L ABC
SCE
 CM ERROS =
G . LEROR
El objetivo del análisis es realizar los contrastes de hipótesis nula que se

muestran a continuación junto con el estadístico de contraste correspondiente:
CMA
 H 0 A ≅ τ 1=…=τ a=0 : F A = H 0 A F (a−1 ); abc(n−1)
CMR
CMB
 H 0 B ≅ β 1=…=β b=0: F B = H 0 B F( b−1) ;abc (n−1)
CMR
CMC
 H 0 C ≅ γ 1=…=γ c =0 : FC = H 0 C F ( c−1 ); abc (n−1)
CMR
CM ( AB)
 H 0( AB) ≅ ( τβ )ij =0 ; ∀i , j :F (AB )= H 0( AB) F( a−1)(b−1); abc(n−1)
CMR
CM ( AC )
 H 0( AC) ≅ ( τγ )ik =0 ; ∀ i ,k : F( AC)= H 0 (AC) F (a−1) (c−1);abc (n−1)
CMR
CM (BC )
 H 0(BC ) ≅ ( βγ ) jk =0; ∀ j ,k : F(BC) = H 0(BC) F (b−1) (c−1);abc (n−1)
CMR
CM ( ABC )
 H 0( ABC) ≅ ( τβγ )ijk=0 ; ∀i , j ,k : F( ABC )= H 0( ABC) F( a−1) (b−1 )( c−1 ) ;abc (n −1)
CMR
Fijado un nivel de significación α, se rechaza la H0 correspondiente, si FC > F T
Análisis de variancia para el experimento de tres factores de n réplicas
Fuente de Suma de Cuadrados

Grados de Libertad ƒ calculada
variación cuadrados medios

19
E.AP. ESTADISTICA
Efecto principal
S 21
ƒ1= 2
A SSA a-1 S
S 21 2
B SSB b-1 S
2
ƒ1= 22
S2 S
C SSC c-1
2
interacción de dos S3
S
2
3
ƒ1= 2
factores S
AB SS(AB) (a-1)(b-1) S 24 S 24
ƒ1= 2
AC SS(AC) (a-1)(c-1) S5
2 S
S 25
BC SS(BC) (b-1)(c-1) 2 ƒ1=
interacción de tres
S 6 S2
factores 2 S 26
S7 ƒ1 = 2
ABC SS(ABC) (a-1)(b-1)(c-1) S
2
S S 27
Error SSE abc(n-1) ƒ1= 2
S
Total SST abcn-1
y SSE, Como es usual, se obtiene por sustracción. Los cálculos en un problema de

análisis de variancia, para un experimento de tres factores con “n” réplicas, su
resumen en la tabla.
Ejemplo: SE ENGORDARON POLLOS POR 6 SEMANAS CON BALANCEADOS

DE DIFERENTES SABORIZANTES (FACTOR A), PRESENTACIONES (FACTOR B) Y
PROTEÍNAS (FACTOR C). SE PRESENTA EL CONSUMO DE BALANCEO (KG).EL
EXPERIMENTO FUE HOMOGÉNEO.
PRESENTACION
(FACTOR B)
MOLIDO PELET
PROTEINA PROTEINA
SABORIZANTE
(FACTOR C) (FACTOR C)
(FACTOR A)
SOYA PESCADO SOYA PESCADO
6.42 6.6 6.84 7.16
6.35 6.68 6.93 7.21
ZANAHORIA
6.4 6.7 7.02 7.19
6.38 6.65 6.95 7.22
MITAZA 5.94 6.01 6.2 6.4
5.63 6.14 6.24 6.38
5.85 6 6.16 6.41

20
E.AP. ESTADISTICA
5.74 6.04 6.29 6.39
1) FORMA ANALITICA
PARAMETRO G.L
τi a-1 =2-1=1
βj b-1 =2-1=1
γk c-1 =2-1=1
( τβ )ij (a-1)(b-1) =(2-1)(2-1)=1
( τγ )ik (a-1)(c-1) =(2-1)(2-1)=1
( βγ ) jk (b-1)(c-1) =(2-1)(2-1)=1
( τβγ )ijk (a-1)(b-1)(c-1) =(2-1)(2-1)(2-1)=1
error Abc(n-1) =2x2x2(4-1)=24
TOTAL Abcn-1 =(2x2x2x4)-1=31

HALLANDO LAS COMBINACIONES:
B
A TOTAL
1 2
1 52.18 56.52 108.7
2 47.35 50.47 97.82 C B
TOTAL 99.53 106.99 206.52 1 2
1 48.71 52.63 101.34
2 50.82 54.36 105.18
C total 99.53 106.99 206.52
A TOTAL
1 2
1 53.29 55.41 108.7
2 48.05 49.77 97.82
TOTAL 101.34 105.18 206.52
 CONTRASTES DE HIPÓTESIS:
HIPOTESIS “A”
 HO: NO HAY DIFERENCIA SIGNIFICATIVA ENTRE LOS PORCENTAJES

DE ENGORDAMIENTO POR EFECTO DE LA
SABORIZANTES(ZANAHORIAY MELEZA),
 HI: SI HAY DIFERENCIA SIGNIFICATIVA ENTRE LOS PORCENTAJES DE
ENGORDAMIENTO POR EFECTO DE LA SABORIZANTES(ZANAHORIAY
MELEZA),
HIPOTESIS “B”

DE ENGORDAMIENTO POR EFECTO DE LA PRESENTACIONES
(MOLIDO Y PELET).
ENGORDAMIENTO POR EFECTO DE LA PRESENTACIONES
21
E.AP. ESTADISTICA
(MOLIDO Y PELET)
HIPOTESIS “C”

DE ENGORDAMIENTO POR EFECTO DE LA PROTEÍNAS (SOYA Y
PESACADO).
ENGORDAMIENTO POR EFECTO DE LA PROTEÍNAS (SOYA Y
PESACADO).
HIPOTESIS “AB”

DE ENGORDAMIENTO POR EFECTO DE LA INTERACCION
(SABORIZANTES* PRESENTACIONES).
ENGORDAMIENTO POR EFECTO DE LA INTERACCION
HIPOTESIS “AC”

(SABORIZANTES*PROTEINA).
HIPOTESIS “BC”

(PRESENTACIONES*PROTEINA).
HIPOTESIS “ABC”

(SABORIZANTES*PRESENTACIONES*PROTEINA).

22
E.AP. ESTADISTICA
 RESOLCUION :
2 2
y 206.52
 SST = ∑ y − …. =6.422 +6.352 +6.402 +…+ 6.392−
2
ijkl =6.061
i , j , k ,l abcn 32
∑ y 2i … y 2 108.72 +97.822 206.522
 SCA= i − …. = − =3.699 2
bcn abcn 16 32
∑ y 2.. k. y 2 99.532 +106.992 206.522
 SSB= k − …. = − =1.7391125
abn abcn 16 32
∑ y 2. j.. y 2 101.342 +105.182 206.522
 SCC = j − …. = − =0.4608
acn abcn 16 32

∑ y 2ij .. ∑ y2i … ∑ y 2. j ..
y2 52.18 2+56.522 +47.35 2+50.47 2 108.72 +97.822 99.53
SC ( AB ) = i , j − i − j + …. = − −
cn bcn acn abcn 8 16

∑ y 2i .k . ∑ y 2i … ∑ y 2.. k . y2…. 53.292 +55.412+ 48.052 +49.77 2 108.72 +97.822 101

SC ( AC )= i , k − i
− k
+ = − −
bn bcn abn abcn 8 16
0.005

∑ y 2. jk . ∑ y 2. j .. ∑ y..2k .
y 2…. 48.712 +52.632 +50.822 +54.362 99.532+106.99 2 10
j,k j k
SC ( BC )= − − + = − −
an acn abn abcn 8 16

∑ y 2ijk . ∑ y 2ij .. ∑ y 2i . k. ∑ y 2. jk . ∑ y 2i … ∑ y 2. j .. ∑ y 2.. k . y 2…. 25.552 +26.632

SC ( ABC ) = i , j , k − i, j
− i ,k
− j ,k
+ i
+ j
+ k
− =
n cn bn an bcn acn abn abcn

SCE=SCT −SCA−SCB−SCC−SC ( AB )−SC ( AC )−SC ( BC )−SC ( ABC )=6.061−3.699−1.739−0
 TABLA DE ANOVA
Suma de
Media
Origen cuadrados g.l FCAL FTABLA
cuadrática
tipo III
saborizante 3,699 1 3,699 860,279 F( 2−1) ;2∗2∗2(4 −1 )=4.26
presentación 1,739 1 1,739 404,445 F( 2−1) ;2∗2∗2(4 −1 )=4.26
proteína ,461 1 ,461 107,163 F( 2−1) ;2∗2∗2(4 −1 )=4.26
saborizante *
,047 1 ,047 10,817 F( 2−1) (2−1) ;2∗2∗2 (4−1)=4.26
presentación
saborizante * proteína ,005 1 ,005 1,163 F( 2−1) (2−1) ;2∗2∗2 (4−1)=4.26
23
E.AP. ESTADISTICA
presentación *
,005 1 ,005 1,049 F( 2−1) (2−1) ;2∗2∗2 (4−1)=4.26
proteína
saborizante *
presentación * ,003 1 ,003 ,654 F( 2−1) (2−1) (2−1 );2∗2∗2(4−1)=4.26
proteína
Error ,103 24 ,004
Total corregida 6,061 31
 DISCUSIÓN:
 FACTOR A COMO SU FCAL (860.279 ) > FTABLA (4.26) ENTONCES DECIMOS

ACEPTAMOS H1
 FACTOR B COMO SU FCAL (404.445) > FTABLA (4.26) ENTONCES DECIMOS

ACEPTAMOS H1
 FACTOR C COMO SU FCAL (107.163)> FTABLA (4.26) ENTONCES DECIMOS

ACEPTAMOS H1
 FACTOR AB COMO SU FCAL (10.817) > F TABLA(4.26) ENTONCES DECIMOS

ACEPTAMOS H1
 FACTOR AC COMO SU FCAL (1.163) < F TABLA(4.26) ENTONCES DECIMOS

ACEPTAMOS H0
 FACTOR BC COMO SU FCAL (1.049) <F TABLA(4.26) ENTONCES DECIMOS

ACEPTAMOS H0
 FACTOR ABC COMO SU FCAL (0.654) < F TABLA (4.26) ENTONCES DECIMOS
ACEPTAMOS H0
 CONCLUSIÓN:
 CON UN NIVEL DE SIGNIFICACION DEL 5% PUEDES AFIRMAR QUE
SOLO EXISTE DIFERENCIA SIGNIFICATIVA ENTRE LOS
PORCENTAJES DE LOS FACTORES A,B y C, Y TAMBIEN EN LA
INTERACCION DEL FACTOR AB
2) USANDO PROGRAMA “SPSS”
Factores inter-sujetos
Etiqueta del
N
valor

24
E.AP. ESTADISTICA
1 zanahoria 16
saborizante
2 melaza 16
1 molido 16
presentacion
2 pelet 16
1 soya 16
proteina
2 pescado 16
CONCLUSIÓN: EL CUADRO NOS INDICA QUE LOS DATOS ESTAN BIEN

ESTABLECIDOS PARA LAS PRUEBAS CORRESPONDIENTES
a) PRUEBA DE HOMOGENIDAD
HIPOTESIS:
 HO: LAS VARIANZAS DE LOS PORCENTAJES DE ENGORDAMIENTO
DE LOS POLLOSEN LAS 6 SEMANAS CON BALANCEADOS DE
DIFERENTES SABORIZANTES (ZANAHORIAY MELEZA),
PRESENTACIONES (MOLIDO Y PELET) Y PROTEÍNAS (SOYA Y
PESACADO) SON IGUALES
 HI: : LAS VARIANZAS DE LOS PORCENTAJES DE ENGORDAMIENTO
DE LOS POLLOSEN LAS 6 SEMANAS CON BALANCEADOS DE
DIFERENTES SABORIZANTES (ZANAHORIAY MELEZA),
PRESENTACIONES (MOLIDO Y PELET) Y PROTEÍNAS (SOYA Y
PESACADO) SON DIFERENTES
Contraste de Levene sobre la igualdad de las

varianzas errora
Variable dependiente: consumo
F gl1 gl2 Sig.
3,295 7 24 ,013
Contrasta la hipótesis nula de que la varianza

error de la variable dependiente es igual a lo
largo de todos los grupos.
a. Diseño: Intersección + saborizante +
presentacion + proteina + saborizante *
presentacion + saborizante * proteina +
presentacion * proteina + saborizante *
presentacion * proteina
SIG.: (0.013) < 0.05 SE CUMPLE H0 LAS VARIANZAS SON IGUALES
DISCUSIÓN:

25
E.AP. ESTADISTICA
 LA VARIANZAS DE ENGORDAROMIENTO DE LOS POLLOS POR 6 SEMANAS
CON BALANCEADOS DE DIFERENTES SABORIZANTES, PRESENTACIONES Y
PROTEÍNAS (SI CUMPLE LA NORMALIDAD U HOMOCEDASTICIDAD)
 DEBE APLICARSE PRUEBAS PARAMETRICAS
CONCLUSIÓN:
 SE DEBE APLICAR PRUEBAS PARAMETRICAS YA QUE UNAS DE LAS

CONDICIONES SI CUMPLE POR LO TANTO SE DEBE BUSCAR UNA PRUEBA
PARAMETRICA ,
b) PRUEBA PARAMETRICA
 ANALISIS DE VARIANZA DE TRES FACTORES
26
E.AP. ESTADISTICA
HIPOTESIS “A”

DE ENGORDAMIENTO POR EFECTO DE LA
SABORIZANTES(ZANAHORIAY MELEZA),
MELEZA),
Pruebas de los efectos inter-sujetos

Suma de Eta al
Media
Origen cuadrados gl F Sig. cuadrado
cuadrática
tipo III parcial
a
Modelo corregido 5,958 7 ,851 197,939 ,000 ,983
309960,10
Intersección 1332,828 1 1332,828 ,000 1,000
5
saborizante 3,699 1 3,699 860,279 ,000 ,973
presentación 1,739 1 1,739 404,445 ,000 ,944
proteína ,461 1 ,461 107,163 ,000 ,817
saborizante *
,047 1 ,047 10,817 ,003 ,311
presentación
saborizante * proteína ,005 1 ,005 1,163 ,292 ,046
presentación *
,005 1 ,005 1,049 ,316 ,042
proteína
saborizante *
presentación * ,003 1 ,003 ,654 ,427 ,027
proteína
Error ,103 24 ,004
Total 1338,890 32
a. R cuadrado = ,983 (R cuadrado corregida = ,978)
DISCUSIÓN:
 COMO SU SIG (0,000) < 0,05 POR LO TANTO ACEPTAMOS H1
CONCLUSIÓN:
 CON UN NIVEL DE SIGNIFICACION DEL 5% PODEMOS AFIRMAR QUE

SI EXISTE DIFERENCIA SIGNIFICATIVA ENTRE LOS PORCENTAJES DE
MELEZA),
HIPOTESIS “B”

27
E.AP. ESTADISTICA
DE ENGORDAMIENTO POR EFECTO DE LA PRESENTACIONES
(MOLIDO Y PELET).
ENGORDAMIENTO POR EFECTO DE LA PRESENTACIONES
(MOLIDO Y PELET)

Suma de Eta al
Media
cuadrática
tipo III parcial
Modelo corregido 5,958a 7 ,851 197,939 ,000 ,983
309960,10
Intersección 1332,828 1 1332,828 ,000 1,000
5
saborizante 3,699 1 3,699 860,279 ,000 ,973
presentación 1,739 1 1,739 404,445 ,000 ,944
proteína ,461 1 ,461 107,163 ,000 ,817
saborizante *
,047 1 ,047 10,817 ,003 ,311
presentación
presentación *
,005 1 ,005 1,049 ,316 ,042
proteína
saborizante *
presentación * ,003 1 ,003 ,654 ,427 ,027
proteína
Error ,103 24 ,004
Total 1338,890 32
DISCUSIÓN:
CONCLUSIÓN:

ENGORDAMIENTO POR EFECTO DE LA PRESENTACIONES (MOLIDO
Y PELET).
HIPOTESIS “C”

28
E.AP. ESTADISTICA
DE ENGORDAMIENTO POR EFECTO DE LA PROTEÍNAS (SOYA Y
PESACADO).
ENGORDAMIENTO POR EFECTO DE LA PROTEÍNAS (SOYA Y
PESACADO).

Suma de Eta al
Media
cuadrática
tipo III parcial
a
309960,10
Intersección 1332,828 1 1332,828 ,000 1,000
5
saborizante 3,699 1 3,699 860,279 ,000 ,973
presentación 1,739 1 1,739 404,445 ,000 ,944
proteína ,461 1 ,461 107,163 ,000 ,817
saborizante *
,047 1 ,047 10,817 ,003 ,311
presentación
presentación *
,005 1 ,005 1,049 ,316 ,042
proteína
saborizante *
presentación * ,003 1 ,003 ,654 ,427 ,027
proteína
Error ,103 24 ,004
Total 1338,890 32
DISCUSIÓN:
CONCLUSIÓN:
 CON UN NIVEL DE SIGNIFICACION DEL 5% PUODEMOS AFIRMAR

QUE SI EXISTE DIFERENCIA SIGNIFIICATIVA ENTRE LOS
PORCENTAJES DE ENGORDAMIENTO POR EFECTO DE LA
PROTEÍNAS (SOYA Y PESACADO).
HIPOTESIS “AB”
29
E.AP. ESTADISTICA

Suma de Eta al
Media
cuadrática
tipo III parcial
309960,10
Intersección 1332,828 1 1332,828 ,000 1,000
5
saborizante 3,699 1 3,699 860,279 ,000 ,973
presentación 1,739 1 1,739 404,445 ,000 ,944
proteína ,461 1 ,461 107,163 ,000 ,817
saborizante *
,047 1 ,047 10,817 ,003 ,311
presentación
presentación *
,005 1 ,005 1,049 ,316 ,042
proteína
saborizante *
presentación * ,003 1 ,003 ,654 ,427 ,027
proteína
Error ,103 24 ,004
Total 1338,890 32
DISCUSIÓN:

CONCLUSIÓN:

(SABORIZANTES* PRESENTACIONES)
HIPOTESIS “AC”
30
E.AP. ESTADISTICA

Suma de Eta al
Media
cuadrática
tipo III parcial
a
309960,10
Intersección 1332,828 1 1332,828 ,000 1,000
5
saborizante 3,699 1 3,699 860,279 ,000 ,973
presentación 1,739 1 1,739 404,445 ,000 ,944
proteína ,461 1 ,461 107,163 ,000 ,817
saborizante *
,047 1 ,047 10,817 ,003 ,311
presentación
saborizante *
,005 1 ,005 1,163 ,292 ,046
proteína
presentación *
,005 1 ,005 1,049 ,316 ,042
proteína
saborizante *
presentación * ,003 1 ,003 ,654 ,427 ,027
proteína
Error ,103 24 ,004
Total 1338,890 32
DISCUSIÓN:
 COMO SU SIG (0,292) > 0,05 POR LO TANTO ACEPTAMOS H0
CONCLUSIÓN:

NO EXISTE DIFERENCIA SIGNIFICATIVA ENTRE LOS PORCENTAJES
HIPOTESIS “BC”
31
E.AP. ESTADISTICA

Suma de Eta al
Media
cuadrática
tipo III parcial
309960,10
Intersección 1332,828 1 1332,828 ,000 1,000
5
saborizante 3,699 1 3,699 860,279 ,000 ,973
presentación 1,739 1 1,739 404,445 ,000 ,944
proteína ,461 1 ,461 107,163 ,000 ,817
saborizante *
,047 1 ,047 10,817 ,003 ,311
presentación
presentación *
,005 1 ,005 1,049 ,316 ,042
proteína
saborizante *
presentación * ,003 1 ,003 ,654 ,427 ,027
proteína
Error ,103 24 ,004
Total 1338,890 32
DISCUSIÓN:

CONCLUSIÓN:


32
E.AP. ESTADISTICA
HIPOTESIS “ABC”


Suma de Eta al
Media
cuadrática
tipo III parcial
309960,10
Intersección 1332,828 1 1332,828 ,000 1,000
5
saborizante 3,699 1 3,699 860,279 ,000 ,973
presentación 1,739 1 1,739 404,445 ,000 ,944
proteína ,461 1 ,461 107,163 ,000 ,817
saborizante *
,047 1 ,047 10,817 ,003 ,311
presentación
presentación *
,005 1 ,005 1,049 ,316 ,042
proteína
saborizante *
presentación * ,003 1 ,003 ,654 ,427 ,027
proteína
Error ,103 24 ,004
Total 1338,890 32
DISCUSIÓN:

CONCLUSIÓN:


33
E.AP. ESTADISTICA
La estadística no paramétrica es una rama de
ESTADISTIC la estadística que estudia las pruebas y modelos
estadísticos cuya distribución subyacente no se ajusta
A NO a los llamados criterios paramétricos. Su distribución no
puede ser definida a priori, pues son los datos
PARAMETRI observados los que la determinan. La utilización de
estos métodos se hace recomendable cuando no se
CA puede asumir que los datos se ajusten a una
distribución conocida, cuando el nivel
de medida empleado no sea, como mínimo, de intervalo.
Prueba de
kruskal- En estadística, la prueba de Kruskal-
wallis Wallis (de William Kruskal y W. Allen Wallis) es

un método no paramétrico para probar si un grupo de
datos proviene de la misma población. Intuitivamente,
es idéntico al ANOVA con los datos reemplazados por categorías. Es una extensión de
la prueba de la U de Mann-Whitney para 3 o más grupos
Ya que es una prueba no paramétrica, la prueba de Kruskal-Wallis no

asume normalidad en los datos, en oposición al tradicional ANOVA. Sí asume, bajo la
hipótesis nula, que los datos vienen de la misma distribución.
Características:
 Extensión de la prueba de la U de Mann-Whitney
 Cuando se quiere comparar tres o mas poblaciones
 Comparar los rangos promedios observados para las K muestras
 Solo se necesita compararse el supuesto de normalidad
 Permite decidir si se puede aceptarse las hipótesis de que k muestras
independientes proceden de la misma población o de poblaciones idénticas
con la misma mediana
VENTAJAS E INCONVENIENTES
Ventajas inconvenientes
Puede usarse para sustituir el anova si: Menos potencia menor sensibilidad para
 Los datos son ordinales detectar diferencias entre los grupos
 No hay normalidad
 El tamaño de la muestra es No es fácil construir I.C
pequeña

34
E.AP. ESTADISTICA
Pasos para calcular la prueba de kruskal-wallis
1. planteamiento de hipótesis:
 H 0=las k poblaciones tienen todas la mismadistribucion
 H 0=las k poblaciones no tienen todasla mismadistribucion
2. Se ordenan las n observaciones me menor a mayor, y se les asignan rangos
desde 1 hasta n
3. Se obtienen las sumas de los rangos correspondientes a los elementos de
cada muestra Ri y el rango promedio
4. Calcular el estadístico de prueba:
k 2
12 ri
h= ∑
n ( n+1 ) i=1 ni
−3 ( n+1 )
 ni=numero de observaciones en el grupo i
 r i=rango de las observaciones por gr upo
 ni=numero total de observaciones entre todoslos grupos
5. regla de decisión.
Si h es superior al valor crítico de ji-cuadrado; la hipótesis nula se rechaza
Ejercicio:
EN UN EXPERIMENTO PARA DETERMINAR CUAL DE LOS TRES DIFERENTES
SISTEMAS DE MISIL ES MAS RECOMENDABLE, SE MIDIÓ EL PROMEDIO DE
CONSUMO DEL PROPULSOR. UTILICE LA PRUEBA DE KRUSKAL-WALLIS Y EL
NIVEL DE SIGNIFICANCIA DE α =0.05 PARA PROBAR LA HIPÓTESIS DE QUE
LOS PROMEDIOS DE CONSUMO DEL PROPULSOR SON LOS MISMOS PARA LOS
TRES SISTEMAS DE MISIL:
Sistema de misil
1 2 3
18.4
23.2 19.1
24.0
19.8 17.3
16.7
18.1 17.3
22.8
17.6 19.7
19.8
20.2 18.9
18.9
17.8 18.8
19.3

35
E.AP. ESTADISTICA
FORMA ANALITICA
 H 0 : μ 1=μ2=μ3
 H 1 : μ1 ≠ μ 2 ≠ μ3
 NIVEL DE SIGNIFICACION: α =0.05
2
 REGION CRITICA: h> x 0.05=5.991 para v=3-1=2 G.L
 RESOLCUION :
De menor a mayor Rango

16.7 1
17.3 2.5
17.3 2.5
17.6 4
17.8 5
18.1 6
18.4 7
18.8 8
18.9 9.5
18.9 9.5
19.1 11
19.3 12
19.7 13
19.8 14.5
19.8 14.5
20.2 16
22.8 17
23.2 18
24.0 19
Sistema de misil
1 2 3
19 18 7
1 14.5 11
17 6 2.5
14.5 4 2.5
9.5 16 13
5 9.5
8
12
r 1=61.0 r 2=63.5 r 3=65.5
612 63.52 65.52

h=
12
(
(19)( 20) 5
+
6
+
8 )
−( 3 ) ( 20 )=1.66
 CONCLUSIÓN:
CON UN NIVEL DE SIGNIFICACIÓN DEL α =0.05 AFIRMAMOS QUE
DADO QUE H=1.66 NO CAE EN LA REGIÓN CRITICA H>5.991. SE TIENE

36
E.AP. ESTADISTICA
EVIDENCIA INSUFICIENTE PARA RECHAZAR LA HIPÓTESIS DE QUE LOS
RITMOS DE CONSUMO DE LOS PROPULSORES SON LOS MISMOS PARA
LOS TRES SISTEMAS DE MISIL
USANDO PROGRAMA “SPSS”
 H 0 : μ 1=μ2=μ3
 H 1 : μ1 ≠ μ 2 ≠ μ3
 NIVEL DE SIGNIFICACION: α =0.05
Rangos
sistema de misil N Rango promedio
sistema a 5 12,20
sistema b 6 10,58
consumo
sistema c 8 8,19
Total 19
Estadísticos de contrastea,b
consumo
Chi-cuadrado 1,663
gl 2
Sig. asintót. ,435
a. Prueba de Kruskal-Wallis
b. Variable de agrupación:
sistema de misil
 DISCUSIÓN:
 SIG.: (0.435) > 0.05 SE CUMPLE H0 LOS RITMOS DE CONSUMO DE LOS
PROPULSORES SON IGUALES
 CONCLUSIÓN:
 CON UN NIVEL DE SIGNIFICACIÓN DEL α =0.05 PODEMOS AFIRMAR
QUE LOS RITMOS DE CONSUMO DE LOS PROPULSORES SON IGUALES

37
E.AP. ESTADISTICA
COMENTARIO DEL TEMA:

 ESTE TEMA ES UNO DE LOS TANTO INTERESANTES EN
ESTADÍSTICA PUESTO QUE NOS LLEVA A DARNOS CUENTA COMO
VARÍAN LOS DATOS E INCLUSO COMO VARIOS DATOS DEPENDE
DE UNO EN GENERAL TAMBIÉN PODEMOS VER COMO
INTERACCIONAN UNO CON OTRO.
 EN OTRAS PALABRAS ESTE TEMA DE ANÁLISIS DE VARIANZA DE
TRES FACTORES, ES MUY ESENCIAL Y BÁSICO PARA AQUELLOS
ESTUDIANTES QUE INDUCEN A ESTA CARRERA.

38
E.AP. ESTADISTICA
Bibliografía:
 ANALISIS DE VARIANZA DE TRES FACTORES
WALPOLE MYERS/ PAG. 603 /9na edición/ año 2012
 Lara Porras, A.M. (2000). “Diseño Estadístico de Experimentos,
Análisis de la Varianza y Temas Relacionados: Tratamiento
Informático mediante SPSS.” Proyecto Sur de Ediciones.
 Diseño de Experimentos/curso 2011-2012_estadística.pdf

39

3FAC

Загружено:

Сведения о документе

Оригинальное название

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

3FAC

Загружено:

Авторское право:

Доступные форматы

“Año del Buen

UNIVERSIDAD SAN LUIS GONZAGA DE ICA-PERÚ

A continuación vamos a comenzar a estudiar un Tema de marcada importancia en las

 En la efectividad de 3 métodos de enseñanza de una lengua extranjera

probabilidad F (Fischer) vista ya anteriormente.

UNIVERSIDAD SAN LUIS GONZAGA DE ICA-PERÚ

1) Normalidad: los datos obtenidos en cada nivel de los factores se ajustan

Cuando estamos frente a un problema de análisis de varianza lo primero que debemos

Variable dependiente o variable respuesta (Variable de estudio): Es la variable que

Variable independiente o factor: Es la variable o factor que puede influenciar en la

Unidad experimental: Es el objeto (persona, animal o cosa) donde se aplica un

Error experimental: Es la variación que no se puede atribuir a un cambio de

Aleatorización: Consiste en asignar en forma aleatoria los tratamientos a las

UNIVERSIDAD SAN LUIS GONZAGA DE ICA-PERÚ

UNIVERSIDAD SAN LUIS GONZAGA DE ICA-PERÚ

ANALISIS DE TRES FACTORES

De nuevo, con objeto de que se puedan realizar pruebas validas de significancia, se

B 2 LUIS GONZAGA DE ICA-PERÚ

1.1 El modelo sin replicación

y ijk=μ+ τ i + β j + γ k + ( τβ )ij + ( τγ )ik + ( βγ ) jk + ( τβγ )ijk +uijk

 y ijk representa la respuesta de la variable en el i-ésimo nivel del

k-ésimo del factor C, (∑ γ =0 )

UNIVERSIDAD SAN LUIS GONZAGA DE ICA-PERÚ

( τβγ )ijk =¿ ∑ ( τβγ )ijk=¿ 0

Supondremos que se toma una observación por cada combinación de

PARAMETRO NUMERO A pesar de las restricciones

1.1.1 Estimación de los parámetros del modelo

1.1.2 Descomposición de la variabilidad

En la práctica, es ventajoso elaborar las siguientes tablas en dos direcciones de

Total y .1k y .2k … y .b . y .. k

Total y .1. y .2. … y .b . y ...

Total y ..1. y ..2. … y .. c. y ...

1 y .11. y .12 … y .1c y .1.

Total y ..1 y ..2 … y .. c y ...

UNIVERSIDAD SAN LUIS GONZAGA DE ICA-PERÚ

SCT = SCA + SCB + SCC + SC(AB) + SC(AC) + SC(BC) + SC(ABC) + SCR

Los grados de libertad se calculan sustituyendo los totales apropiados en las

Los cuadrados medios se calculan sustituyendo los totales apropiados en las

Al tratarse de un modelo sin replicación, los contrastes sólo se pueden realizar si

El objetivo del análisis es realizar los contrastes de hipótesis nula que se

Fijado un nivel de significación α, se rechaza la H0 correspondiente, si FC > F T

Análisis de variancia para el experimento de tres factores sin replicación

Fuente de Suma de Cuadrados

UNIVERSIDAD SAN LUIS GONZAGA DE ICA-PERÚ

Total SST abc-1

Esto es, SS(ABC) representa la variación debida únicamente al error experimental. Su

UNIVERSIDAD SAN LUIS GONZAGA DE ICA-PERÚ

1.2 El modelo con replicación

En esta sección se considera un experimento con tres factores A,B,y C en niveles

El modelo estadístico para este diseño es:

UNIVERSIDAD SAN LUIS GONZAGA DE ICA-PERÚ

i=1,2,…, a; j=1,2,…, b; k= 1,2,…, c y l= 1,2,…, n,

ésimo del factor C, (∑ γ =0 )

PARAMETRO NUMERO A pesar de las restricciones

UNIVERSIDAD SAN LUIS GONZAGA DE ICA-PERÚ

1.2.1 Descomposición de la variabilidad

y… = suma de todas las abcn observaciones.

yi … = suma de las observaciones para el nivel i-ésimo del factor A

y. j … =suma de las observaciones para el nivel j-ésimo del factor B

y .. k . = suma de las observaciones para el nivel k-ésimo para el factor C

y ij.. = suma de las observaciones para el nivel i-ésimo de A y el nivel j-ésimo

y i .k . =suma de las observaciones para el nivel i-ésimo de A y el nivel k-ésimo

y . jk . =suma de las observaciones para el nivel j-ésimo de B y el nivel k-ésimo