2.

1 EJEMPLO 1 CON CALCULOS MANUALES

CONSTRUCCIÓN DE UN DISEÑO DE INVESTIGACIÓN
a) Entender y delimitar el problema u objeto de estudio, Plantear hipótesis.
Preparación de la investigación.
Se desea conocer el efecto del alcohol en el tiempo (seg) que tardan los estudiantes en
resolver sumas sin errores. Para ello se eligieron al azar 16 alumnos que se asignaron
aleatoriamente en cuatro grupos (tratamientos) de cinco alumnos (repeticiones). T1: Sin
alcohol, T2: Baja dosis de alcohol, T3: Media dosis de alcohol y T4: Alta dosis de alcohol
(Vicente, 2005).

Hipótesis de investigación:
Los alumnos que no consumen alcohol, realizaran las sumas sin errores en tiempos más
cortos que los que consumen alcohol.
Las dosis de alcohol hacen que exista diferencia en los tiempos de resolución de sumas
sin errores.
b) Elegir la(s) variable(s) de respuesta (variable dependiente). Tiempo en segundos que
tardan los estudiantes sometidos a cuatro niveles de alcohol en resolver sumas sin
errores, luego de aplicado el tratamiento.
c) Determinar los factores y niveles (tratamientos), de acuerdo a la supuesta influencia
que tienen sobre la variable respuesta. Determinar la unidad experimental.
Factor: Alcohol
Niveles del factor (o tratamientos): efectos fijos, 4 niveles.
T1: Minima dosis: Un litro de cerveza de 5 grados, hay un 5 por 100 de alcohol puro,
es decir, 5 centilitros (50 cm3)
T2: Baja dosis: dos litros de cerveza de 5 grados, hay un 10 por 100 de alcohol puro,
es decir, 10 centilitros (100 cm3)
T3: Media dosis: tres litros de cerveza de 5 grados, hay un 15 por 100 de alcohol puro,
es decir, 15 centilitros (150 cm3)
T4: Alta dosis; cuatro litros de cerveza de 5 grados, hay un 20 por 100 de alcohol
puro, es decir, 20 centilitros (200 cm3)
Unidad experimental: Individuos (alumnos)
Tamaño del experimento: 20 unidades experimentales, un factor con 4 niveles y cada
uno con 5 repeticiones.

d) Elección del diseño experimental.

Diseño Completamente Aleatorizado (DCA) de efectos fijos balanceado, basado en el
análisis estadístico de análisis de varianza de un factor o una vía.
𝑦𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝑒𝑖𝑗 i = 1, 2, 3, 4 y j = 1, 2, …, 5
donde:
𝑦𝑖𝑗 : Es el tiempo j-ésimo que tardan los alumnos en responder bajo el efecto de la i-
ésima dosis.
 𝜇: Es la concentración media común de todos los tiempos que tardan los alumnos en
resolver sumas sin errores.
𝜏𝑖 : Es el efecto que produce la i-ésima dosis.
𝑒𝑖𝑗 : Es el efecto verdadero de la j-esima unidad experimental (sujetos) sujeta al i-esimo
tratamiento (error experimental).
t: número de tratamientos (dosis)
r: número de repeticiones para la i-esima dosis

e) Realización del experimento, homogenización y asignación aleatoria.

Es vital vigilar y controlar el proceso cuidadosamente para asegurar que todo se haga
conforme a lo planeado. En esta fase, los errores en el procedimiento suelen anular la
validez experimental.
Homogenización de la muestra
A cada tratamiento se le asignaron al azar 5 alumnos (repeticiones) de la misma edad y
del mismo nivel académico.
Proceso de aleatorización y asignación.
La aleatorización completa puede ser apropiada cuando, a) El material experimental es
homogéneo; b) Donde es probable que una parte apreciable de las unidades se
destruyan; y c) En experimentos pequeños en donde la mayor precisión de otros diseños
no compensa la pérdida de grados de libertad del error.
En este diseño no existe ninguna restricción aleatoria por lo que la asignación de los
tratamientos a las unidades experimentales será completamente aleatoria (cualquier
distribución de los tratamientos en las unidades experimentales es igualmente
probable). La aleatorización se puede lograr por cualquier método de generación de
números aleatorios como una tabla de números aleatorios, una computadora o un
modelo de urnas.
Se quiere distribuir al azar 16 alumnos aleatoriamente en cuatro grupos de cinco: T1:
minima dosis de alcohol, T2: baja dosis de alcohol, T3: media dosis de alcohol y T4: alta
dosis de alcohol.

Método de asignación aleatorio 1.

Paso 1. Etiquetar a los estudiantes con números del 1 al 20.
Paso 2. Obtener una permutación aleatoria de los números 1 al 20 y anotarlos en el
orden de la permutación. Supongamos que la permutación aleatoria es:
14, 1, 6, 7, 16, 12, 5, 3, 13, 10, 9, 20, 2, 17, 18, 8, 4, 19, 11, 15.
Paso 3. Asignar las cinco primeras personas en la lista (14, 1, 6, 7, 16) al tratamiento T1.
Los siguientes cinco, al tratamiento T2 y así sucesivamente.
Alumnos: 14 1 6 7 16 12 … 19 11 15
Tratamientos: T1 T1 T1 T1 T1 T2 T4 T4 T4
 La permutación aleatoria de los números 1 al 20 asegura que cada una de las
asignaciones de tratamiento posible tiene la misma probabilidad de ocurrencia.

Método de asignación aleatorio 2.

Paso 1. En hojas de papel separadas escriba 5 (T1), 5(T2), 5(T3) y 5(T4) los tratamientos
y deposítelas en una urna. En otra urna coloque la enumeración asignada a cada
estudiante (1 al 20).
Paso 2. Elija aleatoriamente un papel de la urna de tratamientos y otra de la urna de
estudiantes, realice el proceso hasta terminar la asignación competa (sin
remplazamiento).
Un ejemplo de asignación completa es:

1 (T2) 5 (T4) 13 (T2) 20 (T4)

8 (T4) 3 (T3) 11 (T3) 7 (T1)
12 (T3) 19 (T1) 2 (T2) 4 (T4)
14 (T1) 18 (T2) 17 (T4) 15 (T2)
10 (T2) 16(T3) 9 (T1) 6 (T3)

Llevar a cabo cuidadosamente el proceso mismo del experimento, controlando los

factores seleccionados y los no controlables.
f) Análisis estadístico de los datos (ANVA)
Construcción del cuadro de análisis de varianza (ANVA)
Preparación del arreglo de datos
Resultados de la investigación.
Tabla 2.1 Tiempo que tardan en realizar sumas sin errores los alumnos sometidos a
cuatro niveles de alcohol.
Tratamientos
T1: Minima T2: Baja dosis T3: Media dosis de T4: Alta dosis
dosis de alcohol alcohol de alcohol
Tiempos en 42 45 64 56
segundos 39 46 61 55
48 45 50 62
43 39 55 59
44 43 58 60
Total ( yi . ) 216 218 288 292
Media ( yi . ) 43.2 43.6 57.6 58.4
(Gran total) =216+218+288+292=1014
Y..

Grados de Libertad
Tratamientos = 4
Repeticiones = 5
𝐺𝐿𝑡𝑟𝑎𝑡 = 𝑡 − 1 = 4 − 1 = 3
 𝐺𝐿𝑒𝑟𝑟𝑜𝑟 = 𝑡(𝑟 − 1) = 4(5 − 1) = 16
𝐺𝐿𝑡𝑜𝑡 = 𝑡𝑟 − 1 = (4 ∗ 5) − 1 = 19
Suma de Cuadrados
TC: termino de corrección
𝑌..2 (1014)2
𝑇𝐶 = = = 51409.8
𝑡𝑟 4∗5
𝑡 𝑟

𝑆𝐶𝑡𝑜𝑡 = ∑ ∑ 𝑌𝑖𝑗2 − 𝑇𝐶 = (422 + 452 + 642 + ⋯ 602 ) − 51409.8 = 52702 − 51409.8

𝑖=1 𝑗=1
= 1292.2
𝑡
𝑌𝑖.2 2162 + 2182 + 2882 + 2922
𝑆𝐶𝑡𝑟𝑎𝑡 = ∑ − 𝑇𝐶 = − 51409.8 = 52477.6 − 51409.8
𝑟 5
𝑖=1
= 1067.8
𝑆𝐶𝑒𝑟𝑟𝑜𝑟 = 𝑆𝐶𝑡𝑜𝑡 − 𝑆𝐶𝑡𝑟𝑎𝑡 = 1292.2 − 1067.8 = 224.4
Cuadrados Medios
𝑆𝐶𝑡𝑟𝑎𝑡 1067.8
𝐶𝑀𝑡𝑟𝑎𝑡 = = = 355.933
𝐺𝐿𝑡𝑟𝑎𝑡 3
𝑆𝐶𝑒𝑟𝑟𝑜𝑟 224.4
𝐶𝑀𝑒𝑟𝑟𝑜𝑟 = = = 14.025
𝐺𝐿𝑒𝑟𝑟𝑜𝑟 16
Estadístico F
𝐶𝑀𝑡𝑟𝑎𝑡 355.933
= = 25.378
𝐶𝑀𝑒𝑟𝑟𝑜𝑟 14.025

Los resultados se presentan de la siguiente manera.

Prueba de hipótesis estadística

1) Hipótesis estadística
𝐻𝑜: 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4
𝐻𝑎: 𝜇𝑖 ≠ 𝜇𝑗 Para al menos una 𝑖 ≠ 𝑗
Es decir, contrastamos la hipótesis de que no hay diferencia en los promedios entre los
tiempos de resolución de operaciones matemáticas con las diferentes dosis de alcohol
(tiramientos) frente a la alternativa de que al menos una media difiere de otra.
2) Nivel de significancia
 = 0.05
3) Estadístico de prueba
Cuadro 2.3: Tabla ANVA para el experimento del tiempo en la resolución de sumas
sencillas.
F.V. G.L. S.C. C.M. Fc
Tratamiento 3 1067.8 355.933 25.378*
Error 16 224.4 14.025
Total 19 1292.2
4) Regla de decisión.
Se rechaza la hipótesis nula (Ho ) si: 𝐹𝑐 > 𝐹𝑡
Obteniendo la 𝐹𝑡 de la tabla (cola derecha):
𝑡−1 3
𝐹𝑡 = 𝐹𝑡(𝑟−1),𝛼 = 𝐹16,0.05 = 3.239
𝐹𝑐 (25.378) > 𝐹𝑡 (3.239). Se rechaza Ho. La prueba es significativa.
Usando probabilidad asociada al estadístico: 𝑝(0.0000962) < 𝛼(0.05), también se
rechaza la Ho, en conclusión, existe diferencia estadística significativa entre los
promedios, es decir, las dosis de alcohol afectan de manera significativa en el tiempo de
resolución de operaciones matemática sencillas sin errores.
Como se rechaza Ho, es necesario realizar pruebas de comparaciones múltiples.

Coeficiente de variación:
√𝐶𝑀𝑒𝑟𝑟𝑜𝑟 √14.025
𝐶. 𝑉. = ∗ 100 = = 7.3866%
𝑌̅. . 50,7
Esta bajo los límites permitidos, además muestra que entre los diferentes tratamientos
y datos la dispersión es baja, o dicho de otra manera, un DCA es aplicable en estos datos.

Errores estándar e intervalos de confianza para medias de tratamientos

El error estándar de la media para cualquier tratamiento:

𝑆 2 √𝐶𝑀𝑒𝑟𝑟𝑜𝑟 14.025
𝑆𝑦̅𝑖 = √ = =√ = 1.675
𝑟 𝑟 5

Valor tabular de la tabla t de Student es: 𝑡𝑡 = 𝑡𝛼⁄2,𝐺𝐿𝑒𝑟𝑟𝑜𝑟 = 𝑡0.025,16 = 2.1199 (dos colas).
Las medias de los grupos en tratamiento se muestran en el cuadro 2.4 con una estimación
del Intervalo de Confianza (IC) de 95%.
𝐼𝐶 = [𝑦̅𝑖. 𝑡𝛼⁄2,𝐺𝐿𝑒𝑟𝑟𝑜𝑟 ∗ 𝑆𝑦̅𝑖 < 𝜇𝑖 <] = 0.95
𝐼𝐶 = [𝑦̅𝑖.  𝑡0.025,16 ∗ 1.675 < 𝜇𝑖 <] = 0.95
𝐼𝐶 = [𝑦̅𝑖.  (2.1199 ∗ 1.675) < 𝜇𝑖 <] = 0.95
𝐼𝐶 = [𝑦̅𝑖.  (3.55) < 𝜇𝑖 <] = 0.95

Cuadro 2.4: Medias, error estándar e IC del 95% para el experimento de sumas.
Tratamiento Media IC del 95% [LI LS]
𝑦̅𝑖.  (3.55)
Minima dosis 43.2 43.2  3.55 [39.65, 46.75]
Baja dosis 43.6 43.6  3.55 [40.05, 47.15]
Media dosis 57.6 57.6  3.55 [54.05, 61.15]
Alta dosis 58.4 58.4  3.55 [54.85, 61.95]

Interpretación: los promedios de 95 tiempos de respuesta de los que consumen mínima

dosis de alcohol están entre 39.65 - 46.75 y 5 promedios fuera de este intervalo. Con un
 95% de confianza el promedio de los que consumen mínima dosis alcohol está en el
intervalo 39.65 - 46.75.
g) Verificación de supuestos.
Este apartado se ejemplificará directamente usando R.
El modelo estadístico debe cumplir con los siguientes supuestos:
Aditividad. Los efectos del modelo son aditivos
Linealidad. Las relaciones entre los efectos del modelo son lineales.
Normalidad. Los errores del modelo deben tener una distribución normal con media 0
y varianza 𝜎 2
La verificación del supuesto de normalidad podría hacerse mediante métodos gráficos
o pruebas de normalidad:
Homogeneidad de varianzas. Las diferentes poblaciones generadas por la aplicación de
los diferentes tratamientos tienen varianzas iguales (𝜎 2 )

Prueba de Bartlett para homogeneidad de varianzas

Es una prueba que evalúa la homogeneidad de varianzas entre k (2 o más) poblaciones
(en diseño experimental tratamientos). Los supuestos para la aplicación de esta
prueba son: que las poblaciones tengan distribuciones normales e independientes, y
que las muestras sean elegidas al azar.
Existen otras pruebas estadísticas pero la más difundida es la de Bartlett. Estas pruebas
pueden considerarse como pruebas formales de la hipótesis:
1) Hipótesis estadística:
H0: 12 =  22 =  32 = =  k2 .

Ha:  i2   2j , al menos uno es diferente.

2) Nivel de significancia: 𝛼 = 0.05

3) Estadístico de prueba:
El procedimiento incluye cálculos de un estadístico cuya distribución de muestreo
está aproximada muy de cerca por la distribución Ji-cuadrada con k – 1 grados de
libertad
𝑞
𝑋𝑐2 =
𝑐
𝑘 𝑘

𝑞 = (∑(𝑟𝑖 − 1)) 𝑙𝑛𝑆𝑝2 − ∑((𝑟𝑖 − 1)𝐿𝑛𝑆𝑖2 )

𝑖=1 𝑖=1

𝑘
1 1 1
𝑐 =1+ [(∑ )− 𝑘 ]
3(𝑘 − 1) 𝑟𝑖 − 1 ∑𝑖=1(𝑟𝑖 − 1)
𝑖=1

∑𝑘𝑖=𝑖(𝑟𝑖 − 1) 𝑆𝑖2
𝑆𝑝2 =
∑𝑘𝑖=𝑖(𝑟𝑖 − 1)
𝑟𝑖
(𝑦𝑖𝑗 − 𝑦̅𝑖. )2
𝑆𝑖2 = ∑
𝑟𝑖 − 1
𝑗=𝑖
 Donde:
k es el número de poblaciones (tratamientos)
𝑟𝑖 es el tamaño de la muestra para cada población
𝑆𝑖2 es la varianza muestral para la población i
𝑆𝑝2 es la varianza muestral ponderada para las k muestras.
4) Decisión:
Se rechaza la Ho con un nivel de significación 𝛼 si 𝑄 > 𝜒𝑡2
2
𝜒𝑡2 = 𝜒(1−𝛼,𝑘−1)
Ejemplo:
1) Hipótesis estadística:
H0: 𝜎12 = 𝜎22 = 𝜎32 = 𝜎42
Ha:  i2   2j , al menos uno es diferente.

2) Nivel de significancia: 𝛼 = 0.05

3) Estadístico de prueba:
r = 5 (5 repeticiones): K=4 (tratamientos)
𝑆12 = 10.7 𝑆22 = 7.8 𝑆32 = 29.3 𝑆42 = 8.3
∑𝑘𝑖=𝑖(𝑟𝑖 − 1) 𝑆𝑖2
𝑆𝑝2 =
∑𝑘𝑖=𝑖(𝑟𝑖 − 1)
(5 − 1)(10.7) + (5 − 1)(7.8) + (5 − 1)(29.3) + (5 − 1)(8.3)
=
(5 − 1) + (5 − 1) + (5 − 1) + (5 − 1)
= 14.025
𝑘 𝑘

𝑞 = (∑(𝑟𝑖 − 1)) 𝑙𝑛𝑆𝑝2 − ∑((𝑟𝑖 − 1)𝑙𝑛𝑆𝑖2 )

𝑖=1 𝑖=1

= (((5 − 1) + (5 − 1) + (5 − 1) + (5 − 1)) ∗ 𝑙𝑛(14.025))

− [(5 − 1) ∗ 𝑙𝑛(10.7)) + (5 − 1) ∗ 𝑙𝑛(7.8)) + (5 − 1) ∗ 𝑙𝑛(29.3))
+ (5 − 1) ∗ ln( 8.3)] = 2.5806
𝑘
1 1 1
𝑐 =1+ [(∑ )− 𝑘 ]
3(𝑘 − 1) 𝑟𝑖 − 1 ∑𝑖=1(𝑟𝑖 − 1)
𝑖=1

1 1 1 1 1
=1+ [( + + + )
3(4 − 1) 5 − 1 5 − 1 5 − 1 5 − 1
1
− ] = 1.10417
(5 − 1) + (5 − 1) + (5 − 1) + (5 − 1)
𝑞 2.58
𝑋𝑐2 = = = 2.3372
𝑐 1.078
2
𝜒𝑡2 = 𝜒(0.95,3𝑔𝑙) = 7.815
𝑄(2.3372) < 𝜒𝑡2 (7.815)
Se acepta la Ho, se acepta el supuesto de homogeneidad de variancias.
 Independencia. Los resultados obtenidos en el experimento son independientes entre
sí.
h) Pruebas de comparaciones múltiples:
Si consideramos al tratamiento Minima dosis como testigo, la prueba más adecuada
seria la prueba de Dunnet.

Prueba de Dunnett (con grupo control)

1) Hipótesis estadística
Ho: 𝜇𝑇1 − 𝜇𝑇2 Ho: 𝜇𝑇1 − 𝜇𝑇3 Ho: 𝜇𝑇1 − 𝜇𝑇4
Ha: 𝜇𝑇1 ≠ 𝜇𝑇2 Ha: 𝜇𝑇1 ≠ 𝜇𝑇3 Ha: 𝜇𝑇1 ≠ 𝜇𝑇4
2) Nivel de significancia: 𝛼 = 0.05
3) Prueba estadística.

2𝐶𝑀𝑒𝑟𝑟𝑜𝑟 2(14.025)
𝑠𝑑̅ = √ =√ = 2.36854
𝑟 5

En la tabla de Dunnett buscar el valor de t con 𝛼=

0.05, 𝑐𝑜𝑛𝑑𝑖𝑐𝑖𝑜𝑛𝑒𝑠 𝑑𝑒 𝑙𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒, 𝑡 − 1 = 4 − 1 = 3, 𝐺𝐿𝑒𝑟𝑟𝑜𝑟 =
16. P comparaciones con el control o testigo. (Prueba de un solo lado)
𝐴𝐸𝑆(𝑑) = 𝑡𝛼 = 2.42
𝐴𝐿𝑆(𝑑) = 𝑠𝑑̅ (AES(d))= 2.36854*2.42=5.7319

T2 vs T1=43.6– 43.3= 0.3 < ALS(d)= 5.7319 ns

T3 vs T1=57.6– 43.3= 14.3 > ALS(d)= 5.7319 *
T4 vs T1= 58.4 – 43.3=15.1 > ALS(d)= 5.7319 *

Salida en R
## Estimate Std. Error tvalue Pr(>|t|)
## Baja dosis-Minima dosis == 0 0.400 2.369 0.169 0.996
## Media dosis-Minima dosis == 0 14.400 2.369 6.080 <0.001 ***
## Alta dosis - Minima dosis == 0 15.200 2.369 6.417 <0.001 ***

## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## (Adjusted p values reported -- single-step method)

Gráficamente:
Alta dosis media dosis baja dosis sin dosis
𝑦̅4. 𝑦̅3. 𝑦̅2. 𝑦̅1.
58.4 57.6 43.6 43.3
____________________

4) Conclusión:
No existe diferencia estadística significativa en el tiempo de resolución de
problemas matemáticos sencillos entre Minima dosis y baja dosis de alcohol, los
tiempos que los alumnos demoran en resolver son los mismos. Existe diferencia
estadística significativa en el tiempo de resolución de problemas matemáticos
 sencillos entre Alta dosis y media dosis de alcohol frente a Minima dosis de alcohol,
indicando que, a mayor dosis, demoran más tiempo en resolver problemas
matemáticos sencillo. No existe diferencia estadística significativa en el tiempo de
resolución de problemas matemáticos sencillos entre Alta dosis y dosis media de
alcohol alcohol, los tiempos que los alumnos demoran en resolver son los mismos.

Prueba t: (sin grupo control)

1) Hipótesis estadística.
Ho: 𝜇 𝑇1 − 𝜇 𝑇2 Ho: 𝜇 𝑇1 − 𝜇 𝑇3 Ho: 𝜇 𝑇1 − 𝜇 𝑇4 Ho: 𝜇 𝑇2 − 𝜇 𝑇3
Ha: 𝜇 𝑇1 ≠ 𝜇 𝑇2 Ha: 𝜇 𝑇1 ≠ 𝜇 𝑇3 Ha: 𝜇 𝑇1 ≠ 𝜇 𝑇4 Ha: 𝜇 𝑇2 ≠ 𝜇 𝑇3

Ho: 𝜇 𝑇2 − 𝜇 𝑇4 Ho: 𝜇 𝑇3 − 𝜇 𝑇4
Ha: 𝜇 𝑇2 ≠ 𝜇 𝑇4 Ha: 𝜇 𝑇3 ≠ 𝜇 𝑇4

2) Nivel de significancia: 𝛼 = 0.05

3) Prueba estadística:
Se deduce del cuadro ANVA que el 𝐶𝑀𝑒𝑟𝑟𝑜𝑟 = 14.025

Desviación estándar de las diferencias

𝐶𝑀𝑒𝑟𝑟𝑜𝑟 14.025
𝑠𝑑̅ = √2 = √2 = 2.3685
𝑟 5

T para cada uno de los tratamientos

(𝑥̅1 − 𝑥̅2 ) − (𝜇1 − 𝜇2 ) (𝑥̅1 − 𝑥̅2 )
|𝑡𝑐 | = =
𝑠𝑑̅ 𝑠𝑑̅

(𝑥̅1 −𝑥̅ 2 ) 43.3−43.6

Para T1 vs T2: |𝑡𝑐 | = 𝑠𝑑
= 2.3685
= 0.12666
̅
(𝑥̅1 −𝑥̅ 3 ) 43.3−57.6
Para T1 vs T3: |𝑡𝑐 | = 𝑠𝑑
= 2.3685
= 6.03758
̅
(𝑥̅1 −𝑥̅ 4 ) 43.3−58.4
Para T1 vs T4: |𝑡𝑐 | = 𝑠𝑑
= 2.3685
= 6.37534
̅
(𝑥̅2 −𝑥̅ 3 ) 43.6−57.6
Para T2 vs T3: |𝑡𝑐 | = 𝑠𝑑
= 2.3685
= 5.91091
̅
(𝑥̅2 −𝑥̅ 4 ) 43.6−58.4
Para T2 vs T4: |𝑡𝑐 | = 𝑠𝑑
= 2.3685
= 6.24868
̅
(𝑥̅3 −𝑥̅ 4 ) 57.6−58.4
Para T3 vs T4: |𝑡𝑐 | = 𝑠𝑑
= 2.3685
= 0.33777
̅

Valor tabular: para dos colas

𝑡𝑡 = 𝑡𝐺𝐿𝑒𝑟𝑟𝑜𝑟,𝛼 = 𝑡16,0.05/2 = 2.1199

En Excel: =DISTR.T.INV(0.05;16)

Para T1 vs T2: 𝑡𝑐 (0.12666) < 𝑡𝑡 (2.1199) 𝑛𝑠

Para T1 vs T3: 𝑡𝑐 (6.03758) > 𝑡𝑡 (2.1199) ∗
Para T1 vs T4: 𝑡𝑐 (6.37534) > 𝑡𝑡 (2.1199) ∗
 Para T2 vs T3: 𝑡𝑐 (5.91091) > 𝑡𝑡 (2.1199) ∗
Para T2 vs T4: 𝑡𝑐 (6.24868) > 𝑡𝑡 (2.1199) ∗
Para T3 vs T4: 𝑡𝑐 (0.33777) < 𝑡𝑡 (2.1199) 𝑛𝑠

Usando probabilidades, ejemplo en Excel:

=DISTR.T.2C(0.12666;16) …. Para cada uno

Para T1 vs T2: 𝑝(0.900000) > 𝛼(0.05) 𝑛𝑠

Para T1 vs T3: 𝑝(0.000017) < 𝛼(0.05) ∗
Para T1 vs T4: 𝑝(0.0000092) < 𝛼(0.05) ∗
Para T2 vs T3: 𝑝(0.000023) < 𝛼(0.05) ∗
Para T2 vs T4: 𝑝(0.000012) < 𝛼(0.05) ∗
Para T3 vs T4: 𝑝(0.740000) > 𝛼(0.05) 𝑛𝑠

4) Conclusión:
No hay diferencias significativas entre los promedios de T1 (Minima dosis de alcohol) y T2
(Baja dosis de alcohol), igualmente, no hay diferencias significativas entre los promedios
de Media dosis de alcohol (T3) y alta dosis de alcohol (T4)
Los promedios de T4 (Alta dosis de alcohol) y T3 (Media dosis de alcohol) son
significativamente mayores al promedio de T1 (Minima dosis)
Los promedios de T4 (Alta dosis de alcohol) y T3 (Media dosis de alcohol) también son
significativamente mayores al promedio T2(Baja dosis de alcohol)

Prueba DLS (sin grupo control)

1) Hipótesis estadística
Ho: 𝜇 𝑇1 − 𝜇 𝑇2 Ho: 𝜇 𝑇1 − 𝜇 𝑇3 Ho: 𝜇 𝑇1 − 𝜇 𝑇4 Ho: 𝜇 𝑇2 − 𝜇 𝑇3
Ha: 𝜇 𝑇1 ≠ 𝜇 𝑇2 Ha: 𝜇 𝑇1 ≠ 𝜇 𝑇3 Ha: 𝜇 𝑇1 ≠ 𝜇 𝑇4 Ha: 𝜇 𝑇2 ≠ 𝜇 𝑇3

Ho: 𝜇 𝑇2 − 𝜇 𝑇4 Ho: 𝜇 𝑇3 − 𝜇 𝑇4
Ha: 𝜇 𝑇2 ≠ 𝜇 𝑇4 Ha: 𝜇 𝑇3 ≠ 𝜇 𝑇4

2) Nivel de significancia: 𝛼 = 0.05

3) Prueba estadística:
Se rechaza la Ho cuando la diferencia de los promedios sea mayor a DLS.
̅i − T
(T ̅j) > 𝐷𝐿𝑆

𝐶𝑀𝑒𝑟𝑟𝑜𝑟 14.025
𝑠𝑑̅ = √2 = √2 = 2.3685
𝑟 5

𝑡𝑡 = 𝑡𝐺𝐿𝑒𝑟𝑟𝑜𝑟,𝛼 = 𝑡16,0.05/2 = 2.1199

𝐷𝐿𝑆 = 𝑡𝑐 (𝑠𝑑̅ ) = 2.1199 ∗ 2.3685 = 5.02098

̅4 − T
Para T1 vs T4: [(T ̅1) = (58.4 − 43.3) = 15.1] > 𝐷𝐿𝑆(5.02098) ∗
̅ ̅1) = (57.6 − 43.3) = 14.3] > 𝐷𝐿𝑆(5.02098) ∗
Para T1 vs T3: [(T3 − T
̅ ̅1) = (43.6 − 43.3) = 0.3] < 𝐷𝐿𝑆(5.02098) 𝑛𝑠
Para T1 vs T2: [(T2 − T
̅ ̅2) = (58.4 − 43.6) = 14.8] > 𝐷𝐿𝑆(5.02098) ∗
Para T2 vs T4: [(T4 − T
̅3 − T
Para T2 vs T3: [(T ̅2) = (57.6 − 43.6) = 14.0] > 𝐷𝐿𝑆(5.02098) ∗
̅4 − ̅̅̅̅
Para T3 vs T4: [(T T3) = (58.4 − 57.6) = 0.8] < 𝐷𝐿𝑆(5.02098) 𝑛𝑠
Comparando con una salida de R
## Alpha: 0.05 ; DF Error: 16
## Critical Value of t: 2.119905
## Least Significant Difference 5.021089
## Means with the same letter are not significantly different
## Groups, Treatments and means
## a Alta dosis 58.4
## a Media dosis 57.6
## b Baja dosis 43.6
## b Minima dosis 43.2

Gráficamente:
Alta dosis media dosis baja dosis sin dosis
𝑦̅4. 𝑦̅3. 𝑦̅2. 𝑦̅1.
58.4 57.6 43.6 43.2
_________________
_________________

4) Conclusión:
No hay diferencias significativas entre los promedios de (T1 y T2) y (T3 y T4)
Los promedios de T4 y T3 son significativamente mayores al promedio de T1 y T2

Prueba de Duncan (sin grupo control)

1) Hipótesis estadística
Ho: 𝜇 𝑇1 − 𝜇 𝑇2 Ho: 𝜇 𝑇1 − 𝜇 𝑇3 Ho: 𝜇 𝑇1 − 𝜇 𝑇4 Ho: 𝜇 𝑇2 − 𝜇 𝑇3
Ha: 𝜇 𝑇1 ≠ 𝜇 𝑇2 Ha: 𝜇 𝑇1 ≠ 𝜇 𝑇3 Ha: 𝜇 𝑇1 ≠ 𝜇 𝑇4 Ha: 𝜇 𝑇2 ≠ 𝜇 𝑇3

Ho: 𝜇 𝑇2 − 𝜇 𝑇4 Ho: 𝜇 𝑇3 − 𝜇 𝑇4
Ha: 𝜇 𝑇2 ≠ 𝜇 𝑇4 Ha: 𝜇 𝑇3 ≠ 𝜇 𝑇4

2) Nivel de significancia: 𝛼 = 0.05

3) Prueba estadística:
Determinación de 𝑠𝑥̅

𝐶𝑀𝑒𝑟𝑟𝑜𝑟 14.025
𝑠𝑥̅ = √ =√ = 1.6748
𝑟 5

Usar tabla de amplitudes estudiantizadas significativas de Duncan(AES(D)). En ella de

busca los valores de p con los grados de libertad del error para 2,3,4, etc. hasta t-1
tratamientos del experimento con un nivel de significancia 𝛼.
En nuestro ejemplo, tenemos 4 tratamientos.
GL error= 16 y 𝛼 = 0.05
𝐴𝐿𝑆(𝐷) = 𝑠𝑥̅ (𝐴𝐸𝑆(𝐷))

Valores de p 2 3 4
AES(D) 3.00 3.15 3.23
𝑠𝑥̅ = 1.6748
ALS(D) 5.0244 5.2756 5.4096

Ordenando en orden creciente los promedios

Tratamiento T1 T2 T3 T4
Promedio 43.3 43.6 57.6 58.4
Clave I II III IV

̅4 − T
Para T1 vs T4: [(T ̅1) = (58.4 − 43.3) = 15.1] > (𝐴𝐿𝑆(4) = 5.4096) ∗
̅4 − T
Para T2 vs T4: [(T ̅2) = (58.4 − 43.6) = 14.8] > (𝐴𝐿𝑆(3) = 5.2756) ∗
̅ ̅̅̅̅
Para T3 vs T4: [(T4 − T3) = (58.4 − 57.6) = 0.80] < (𝐴𝐿𝑆(2) = 5.0244) 𝑛𝑠
̅3 − T
Para T1 vs T3: [(T ̅1) = (57.6 − 43.3) = 14.3] > (𝐴𝐿𝑆(3) = 5.2756) ∗
̅3 − T
Para T2 vs T3: [(T ̅2) = (57.6 − 43.6) = 14.0] > (𝐴𝐿𝑆(2) = 5.0244) ∗
̅2 − T
Para T1 vs T2: [(T ̅1) = (43.6 − 43.3) = 0.30] < (𝐴𝐿𝑆(2) = 5.0244) 𝑛𝑠

Comparando con salida de R

## Mean Square Error: 14.025
## trat, means
## tiempo std r Min Max
## Alta dosis 58.4 2.880972 5 55 62
## Baja dosis 43.6 2.792848 5 39 46
## Media dosis 57.6 5.412947 5 50 64
## Sin alcohol 43.2 3.271085 5 39 48
##
## Alpha: 0.05 ; DF Error: 16
##
## Critical Range
## 2 3 4
## 5.021089 5.265283 5.417929
##
## Means with the same letter are not significantly different.
##
## Groups, Treatments and means
## a Alta dosis 58.4
## a Media dosis 57.6
## b Baja dosis 43.6
## b Sin alcohol 43.2

Gráficamente:
𝑦̅4. 𝑦̅3. 𝑦̅2. 𝑦̅1.
58.4 57.6 43.6 43.3
_________________
_________________

4) Conclusión:
El promedio de T4 es significativamente mayor al promedio de T1 y T2. Pero, el
promedio de T4 es igual al promedio de T3
El promedio de T3 es significativamente mayor al promedio de T1 y T2.
El promedio de T2 es igual al promedio de T1

Prueba de Tukey (sin grupo control)

1) Hipótesis estadística
Ho: 𝜇 𝑇1 − 𝜇𝑇2 Ho: 𝜇𝑇1 − 𝜇𝑇3 Ho: 𝜇𝑇1 − 𝜇𝑇4 Ho: 𝜇𝑇2 − 𝜇𝑇3
Ha: 𝜇 𝑇1 ≠ 𝜇𝑇2 Ha: 𝜇𝑇1 ≠ 𝜇𝑇3 Ha: 𝜇𝑇1 ≠ 𝜇𝑇4 Ha: 𝜇𝑇2 ≠ 𝜇𝑇3

Ho: 𝜇 𝑇2 − 𝜇𝑇4 Ho: 𝜇𝑇3 − 𝜇𝑇4

Ha: 𝜇 𝑇2 ≠ 𝜇𝑇4 Ha: 𝜇𝑇3 ≠ 𝜇𝑇4
2) Nivel de significancia: 𝛼 = 0.05
3) Prueba estadística. Determinación de 𝑠𝑥̅

𝐶𝑀𝑒𝑟𝑟𝑜𝑟 14.025
𝑠𝑥̅ = √ =√ = 1.6748
𝑟 5
Usar tabla de amplitudes estudiantizadas significativas de Tukey (AES(T)). En ella de
busca los valores de p con los grados de libertad del error con un nivel de significancia
𝛼.
Los GL error= 16, 𝛼 = 0.05 y p=4
𝐴𝐸𝑆(𝑇) =4.05, obtenido de la tabla

𝐴𝐿𝑆(𝑇) = 𝑠𝑥̅ (𝐴𝐸𝑆(𝑇))

𝐴𝐿𝑆(𝑇) = 1.6748(4.05) = 6.78294

T4 vs T1 = (58.4 - 43.3 = 15.1) > (ALS(T)= 6.78294) * *

T4 vs T2 = (58.4 - 43.6 = 14.8) > (ALS(T)= 6.78294) *
T4 vs T3 = (58.4 - 57.6 = 0.8) < (ALS(T)= 6.78294) ns
T3 vs T1 = (57.6 - 43.3 = 14.3) > (ALS(T)= 6.78294) *
T3 vs T2 = (57.6 - 43.6 = 14.0) > (ALS(T)= 6.78294) *
T2 vs T1 = (43.6 - 43.3 = 0.3) < (ALS(T)= 6.78294) ns

Salida en R.

## Study: andeva ~ "trat"

## HSD Test for tiempo
## Mean Square Error: 14.025
## trat, means
##
## tiempo std r Min Max
## Alta dosis 58.4 2.880972 5 55 62
## Baja dosis 43.6 2.792848 5 39 46
## Media dosis 57.6 5.412947 5 50 64
## Sin alcohol 43.2 3.271085 5 39 48
##
## Alpha: 0.05 ; DF Error: 16
## Critical Value of Studentized Range: 4.046093
##
## Honestly Significant Difference: 6.776451
##
## Means with the same letter are not significantly different.
##
## Groups, Treatments and means
## a Alta dosis 58.4
## a Media dosis 57.6
## b Baja dosis 43.6
## b Sin alcohol 43.2

Gráficamente:
𝑦̅4. 𝑦̅3. 𝑦̅2. 𝑦̅1.
58.4 57.6 43.6 43.3
_________________
_________________
 4) Conclusión:
La misma que con las otras pruebas

Prueba de Scheffe (sin grupo control)

1) Hipótesis estadística
Ho: 𝜇 𝑇1 − 𝜇𝑇2 Ho: 𝜇𝑇1 − 𝜇𝑇3 Ho: 𝜇𝑇1 − 𝜇𝑇4 Ho: 𝜇𝑇2 − 𝜇𝑇3
Ha: 𝜇 𝑇1 ≠ 𝜇𝑇2 Ha: 𝜇𝑇1 ≠ 𝜇𝑇3 Ha: 𝜇𝑇1 ≠ 𝜇𝑇4 Ha: 𝜇𝑇2 ≠ 𝜇𝑇3

Ho: 𝜇 𝑇2 − 𝜇𝑇4 Ho: 𝜇𝑇3 − 𝜇𝑇4

Ha: 𝜇 𝑇2 ≠ 𝜇𝑇4 Ha: 𝜇𝑇3 ≠ 𝜇𝑇4

2) Nivel de significancia: 𝛼 = 0.05

3) Prueba estadística.
Debe aplicarse cuando la prueba F ha resultado significativa (existe diferencia entre
los promedios de los tratamientos).
𝑡 = 4, 𝐺𝐿𝑒𝑟𝑟𝑜𝑟 = 16 𝑟 = 5 𝛼 = 0.05

𝑡−1 3
𝐹𝐺𝐿𝑒𝑟𝑟𝑜𝑟,𝛼 = 𝐹16,0.05 =3.24

La amplitud límite de significancia de Scheffe (ALS(S)) está dada por:

𝑡−1
𝑆 = √(𝑡 − 1)𝐹𝐺𝐿𝑒𝑟𝑟𝑜𝑟,𝛼 = √3(3.24) = 3.1177

2𝑆 2 2𝐶𝑀𝑒𝑟𝑟𝑜𝑟 2(14.025)
𝑠𝑑̅ = √ =√ =√ = 2.3685
𝑟 𝑟 5

𝐴𝐿𝑆(𝑆) = 𝑆(𝑠𝑑̅ ) = 7.3844

T4 vs T1= 58.4 – 43.3=15.1 > ALS(S)= 7.3844*

T4 vs T2= 58.4 – 43.6=14.8 > ALS(S)= 7.3844*
T4 vs T3= 58.4 – 57.6=0.8 < ALS(S)= 7.3844ns
T3 vs T1 = 57.6- 43.3=14.3 > ALS(S)= 7.3844*
T3 vs T2= 57.6 – 43.6=14 > ALS(S) = 7.3844 *
T2 vs T1= 43.6 – 43.3=0.3 < ALS(S)= 7.3844ns

Salida en R

## $statistics
## Mean CV MSerror CriticalDifference
## 50.7 7.386581 14.025 7.383103
## parameters
## Df ntr F Scheffe alpha test name.t
## 16 4 3.238872 3.117148 0.05 Scheffe trat
## $means
## tiempo std r Min Max
## Alta dosis 58.4 2.880972 5 55 62
## Baja dosis 43.6 2.792848 5 39 46
## Media dosis 57.6 5.412947 5 50 64
## Sin alcohol 43.2 3.271085 5 39 48
## $comparison
## NULL
## $groups
 ## trt means M
## 1 Alta dosis 58.4 a
## 2 Media dosis 57.6 a
## 3 Baja dosis 43.6 b
## 4 Sin alcohol 43.2 b

4) Conclusión:
La misma que con las otras pruebas