ESTADISTICA APLICADA

ANOVA DISEÑOS BALANCEADOS Y

NO BALANCEADOS

SEMESTRE 2022-I
 1 ANOVA Pruebas para Diseños Balanceados

2 ANOVA Pruebas para Diseños No Balanceados

Temas a
3 Test de TUKEY – Diferencias Mínimas Significativas:
Desarrollar DMS

4 Diferencias Mínimas Significativas Alternativas:

DMSA

5 Aplicación de Diseños – Balanceados

– No Balanceados
 Logro de la Sesión
La prueba de Tukey, nombrado después Juan Tukey, es una prueba estadística utilizada
general y conjuntamente con ANOVA, La prueba Tukey se usa en experimentos que implican
un número elevado de comparaciones. La prueba de Scheffé es una prueba que se aplica para
hacer comparaciones múltiples de las medias de grupos.

ANOVA Prueba de Tukey

1.Sirve para probar todas las diferencias entre medias de tratamientos de una experiencia.
2.Este método sirve para comparar las medias de los tratamientos, dos a dos, o sea para
evaluar las hipótesis:
3.Se calcula el valor crítico de todas las comparaciones por pares.

En estadística, la prueba de Bartlett se utiliza para probar si k muestras provienen de

poblaciones con la misma varianza. A las varianzas iguales a través de las muestras se llama
Homocedasticidad u Homogeneidad de varianzas.
 AN O VA
Test de TUKEY - DMS
Pruebas para la Diferencia entre Pares de Medias
Diseños ANOVA: En un diseño de análisis de varianza balanceado, cada
muestra tiene el mismo numero de observaciones. Si una o mas muestras tienen
un numero diferente de observaciones, se dice que el diseño no esta
balanceado.

Pruebas para diseños balanceados.

 Método de Tukey
 Método de la Diferencia Mínima Significativa (DMS).

Pruebas para diseños no balanceados.

 Método de la Diferencia Mínima Significativa Alternativa (DMSA)
Situación básica
 El análisis de varianza expresa si todas las medias son iguales.
 Sin embargo cuando se rechaza la hipótesis nula, el análisis de
varianza no revela cual (es) media (s) es (son) diferentes del resto.
 Se deben utilizar otras pruebas estadísticas para realizar este análisis,
mediante una comparación por pares de todos los pares de medias
posibles.
 Si el valor absoluto (ignorando los signos) de la diferencia entre dos
medias muestrales cualquiera es mayor que algún estándar, se observa
como una diferencia significativa.
 Se concluye que las medias poblacionales respectivas son diferentes.
DISEÑOS BALANCEDADOS
 Tratamientos o Columnas
Numero de
Tomas M1 M2 M3 M4 M5
(replicas)
1 19.2 18.7 12.5 20.3 19.9
Bloques o Filas

2 18.7 14.3 14.3 22.5 24.3

3 21.3 20.3 8.7 17.6 17.6
4 16.5 17.6 11.4 18.4 20.2
5 17.3 19.3 9.5 15.9 18.4
6 22.4 16.1 16.5 19.0 19.1
El TEST DE TUKEY
 Método de Tukey

El método de Tukey se utiliza en ANOVA para crear intervalos de confianza

para todas las diferencias en pares entre las medias de los niveles de los
factores mientras controla la tasa de error por tratamientos en un nivel
especificado.

Es importante considerar la tasa de error por tratamientos cuando se hacen

comparaciones múltiples, porque la probabilidad de cometer un error de tipo I
para una serie de comparaciones es mayor que la tasa de error para cualquier
comparación individual.

Para contrarrestar esta tasa de error más elevada, el método de Tukey ajusta
el nivel de confianza de cada intervalo individual para que el nivel de
confianza simultáneo resultante sea igual al valor que usted especifique.
Criterio de TUKEY para comparaciones por pares:
Donde:

𝑻=𝒒 𝜶− 𝒄−(𝒏−𝒄)
√ 𝑪𝑴𝑬
𝒓
T = Test de Tukey
α = Nivel de significación
q = Distribución de rangos estudentizada
c = Numero de Muestras o Tratamientos
n = Numero total de observaciones
r = Numero de observaciones en cada Tratamiento

Cuando realizamos un análisis de varianza, un valor de F significativo nos

indica que no todas las condiciones producen el mismo efecto sobre la variable
independiente. Con el fin de tener mayores elementos para la toma de
decisiones es importante saber donde se encuentran dichas diferencias
significativas y si éstas siguen unas tendencias que nos permitan una mejor
toma de decisiones.
q = Distribución de rangos estudentizada
T = Test de Tukey
CME = 5.88
α = 0.05
k = 5
n = 30
r = 6

𝑻=𝒒 𝜶− 𝒌−(𝒏− 𝒌)
√
𝑪𝑴𝑬
𝒓
𝑻=𝒒 𝟎. 𝟎𝟓− 𝟓−(𝟑𝟎− 𝟓)
4.15 *
√
5.88
𝟔

4.11
Es decir que se desea verificar si la concentración de tiempo en minutos en obtener un
producto es similar entre las muestras (todas las muestras pertenecen a una misma
población) o si al menos una difiere.
H o : µ 1 = µ2 = µ3 = µ4 = µ 5
H1 : Al menos un µi es diferente

La Gran Media () de todas las observaciones del experimento: =

La Media de cada tratamiento () de todas las observaciones del experimento: =

Numero de Tomas
(replicas) M1 M2 M3 M4 M5
1 19.2 18.7 12.5 20.3 19.9
2 18.7 14.3 14.3 22.5 24.3
3 21.3 20.3 8.7 17.6 17.6
4 16.5 17.6 11.4 18.4 20.2
5 17.3 19.3 9.5 15.9 18.4
6 22.4 16.1 16.5 19.0 19.1 = 17.59
= 19.23 17.72 12.15 18.95 19.92
Una prueba que nos permite evaluar dicha diferenciación es la prueba de
Tukey, que mide la diferencia de los valores de la medias de dos grupos en
términos de la varianza intragrupal.

ANOVA – Identificar las medias diferentes por Prueba de Tukey T.

|= 19.23 17.72 1.52
Test de Tukey 4.12
|= 19.23 12.15 7.08 *
Par de medias diferentes: |= 19.23 18.95 0.28
𝑛! |= 19.23 19.92 0.68
𝑛
𝐶 𝑥= |= 4.12
𝑥 ! ( 𝑛− 𝑥 ) ! 17.72 12.15 5.57 *
|= 17.72 18.95 1.23
5 5! |=
𝐶2 = 17.72 19.92 2.20
2 ! (5 − 2)! |= 12.15 18.95 6.80 *
10 |= 12.15 19.92 7.77 *
|=
18.95 19.92 0.97

X3=12.15 X2=17.72 X4=18.95 X1=19.23 X5=19.92

 = 17.59 X4=18.95 X5=19.92
X3=12.15 X2=17.72 X1=19.23

12 13 14 15 16 17 18 19 0.68 20
0.28
0.97

Una prueba que nos permite evaluar dicha diferenciación es la prueba de

Tukey, que mide la diferencia de los valores de la medias de dos grupos en
términos de la varianza intragrupal.

ANOVA – Identificar las medias diferentes por Prueba de Tukey T.

DIFERENCIAS MINIMAS SIGNIFICATIVAS
DMS
Diferencia Mínima Significativa:

El método de Diferencia Mínima Significativa (DMS) es muy similar al

método Tukey, compara el criterio de la diferencia menos significativa con la
diferencia absoluta en las medias muestrales.

Si el diseño esta balanceado, el criterio DMS es:

Donde:

𝑫𝑴𝑺=
√
𝟐 ( 𝑪𝑴𝑬 ) 𝑭 𝜶 ;𝟏; 𝒏−𝒌
𝒓
DMS = Diferencia Mínima Significativa
= Prueba F de tabla
α = Nivel de significación
n = Numero total de observaciones
k = Numero de Muestras o Tratamientos
r = Numero de observaciones en cada Tratamiento
 DMS = Diferencia Mínima Significativa
= Prueba F de tabla

SME = 5.88
α = 0.05

√
k = 5
n = 30 𝟐∗ ( 𝑪𝑴𝑬 ) ∗ 𝑭 𝜶; 𝟏; 𝒏−𝒌
𝑫𝑴𝑺=
r = 6 𝒓

√
𝟐∗ ( 𝟓.𝟖𝟖 ) ∗ 𝑭 𝟎 .𝟎𝟓 ;𝟏 ;𝟑𝟎− 𝟓
=
= 4,24
𝑫𝑴𝑺=
𝟔

𝑫𝑴𝑺=
√
𝟐∗ ( 𝟓.𝟖𝟖 ) ∗𝟒 ,𝟐𝟒

𝑫𝑴𝑺= √𝟖, 𝟑𝟏𝟎𝟒

𝟔

2.882776439
Al comparar la DMS de 2.88 con cada una de las diferencias absolutas que se han
obtenido. Este método es mas conservador en que, dado un conjunto de condiciones
cualquiera, el criterio DMS será menor que el valor Tukey. Se encuentra que todos los
valores, incluyendo el ultimo, sugiere medias poblacionales diferentes.
|= | = 1.51 <
|= | = 7.08 * >
|= | = 0.28 <
|= | = 0.68 <
|= | = 5.57 * > 2,88
|= | = 1.23 <
|= | = 2.20 <
|= | = 6.80 * >
|= | = 7.77 * >
|= | = 0.97 <

Puede encontrarse que una media poblacional difiere significativamente o no de otra

media poblacional, las comparaciones por pares no involucran igualdades.
 X3=12.15 X2=17.72 X4=18.95 X1=19.23 X5=19.92

X4=18.95 X5=19.92
X3=12.15 X2=17.72 X1=19.23

12 13 14 15 16 17 18 19 20

= 17,59

Al comparar las medias de las poblaciones, se analiza simplemente la evidencia

estadística para determinar si es lo suficientemente fuerte como para rechazar la
hipótesis nula. Se concluye que la media poblacional 1 no difiere significativamente
de la medias poblacional 4; simplemente significa que se tiene suficiente evidencia
para concluir que son diferentes. Se concluye, como se observa que la media 1 difiere
de la media 4, puede que la evidencia que compara estas dos muestras no es tan
fuerte.
DISEÑOS NO BALANCEDADOS
Prueba para Diseños No Balanceados
Diferencia Mínima Significativa (DMS) Prueba para Diseños No Balanceados
Se determina que existen diferencias en los ingresos promedio que recibe el parque provenientes de
estas tres de las principales actividades que se brindan.

Visitante Acampar Pesca Pasear en Bote

1 38 30 19
2 32 25 35
3 35 31 20
4 36 35 22
5 38 ---- 25
6 32 ---- -----
35.17 30.25 24.20
Suma de Cuadrados Total
Suma de Cuadrados Total (SCT) es simplemente la variación de las observaciones alrededor de la
gran media.
Visitante
(replicas) Acampar Pesca Pasear en Bote

1 38 30 19
𝑥𝑖𝑗
2 32 25 35
3 35 31 20
4 36 35 22
5 38 --- 25
6 32 --- ---
= 30.20

Suma de Cuadrados Total

𝑟 𝑠 60.84 0.04 125.44
´
𝑆𝐶𝑇 =∑ ∑ ( 𝑥 𝑖𝑗 − 𝑋 )
2
3.24 27.04 23.04
𝑖=1 𝑗=1
23.04 0.64 104.04
33.64 23.04 67.24
60.84 27.04
3.24 582.4
Suma de Cuadrados de los Tratamientos
Suma de Cuadrados de los Tratamientos (SCTR) refleja la variación en las medias de la columna
alrededor de la gran media.
Numero de Tomas
(replicas) M1 M2 M3
1 38 30 19
2 32 25 35
𝑥𝑗
3 35 31 20
4 36 35 22
5 38 --- 25
6 32 --- ---
=
35.17 30.25 24.20 = 30.20

Suma de Cuadrados de los Tratamientos

6 4 5
𝑆𝐶𝑇 =∑ 𝑟 𝑗 ( 𝑥 𝑗 − 𝑋´ )
2
148.21 0.01 180.00 328.22
Suma de Cuadrados de Error
Suma de Cuadrados de Error (SCE) mide la variación aleatoria de los valores dentro de un tratamiento
alrededor de su propia media.
Numero de Tomas
(replicas) M1 M2 M3
1 38 30 19
2 32 25 35
3 35 31 20
4 36 35 22
5 38 --- 25
6 32 --- ---
=
35.17 30.25 24.20

Suma de Cuadrados del Error

𝑟 𝑠 8.01 0.06 27.04
𝑆𝐶𝐸 =∑ ∑ ( 𝑥 𝑖𝑗 − 𝑥 𝑗 ) 2 10.05 27.56 116.64
𝑖=1 𝑗=1
0.03 0.56 17.64
0.69 22.56 4.84
8.01 0.64
10.05 254.38
Como: SCT = 582.4 Siendo: SCT = SCTR + SCE
SCTR = 328.22
SCE = 254.38 Se tiene que: 582.4 = 326.22 + 254.38

De los Grados de Libertad

(gl):
• Grados de libertad de la Suma de Cuadrados Totales (gl SCT ): glSCT = n-1
• Grados de libertad de la Suma de Cuadrados de los Tratamientos (gl SCTR ): glSCTR = c - 1
• Grados de libertad de la Suma de Cuadrados del Error (gl SCE ): glSCE = n-c
n : es el conjunto de datos u observaciones
c : es el numero de medias o numero de tratamientos

Como: n = 15 glSCT = n – 1 = 15 – 1 = 14 glSCT = 14

c = 3 glSCTR = c – 1 = 3 – 1 = 2 glSCTR = 2
glSCE = n – c = 15 – 3 = 12 glSCE = 12

Siendo: glSCT = glSCTR + glSCE

Se tiene que: 14 = 2 + 12
Cuadrados Medios (CM):
2
𝑠 =
∑ ( 𝑥𝑖𝑗 − 𝑥 ) 2

Se parte de la formula de la Varianza Muestral:

𝑛 −1
Después de obtener la suma de cuadrados cada una se divide entre sus correspondientes
grados de libertad, produciendo un cuadrado medio. Es decir si se divide una Suma de
Cuadrados entre sus correspondientes Grados de Libertad, se obtiene el Cuadrado Medio:

Como: SCT = 582.4 n = 15 glSCT = 14

SCTR = 328.22 c = 3 glSCTR = 2
SCE = 254.38 glSCE = 12

𝑆𝐶𝑇 𝟓𝟖𝟐 .𝟒
Cuadrado Medio Total: 𝐶𝑀𝑇 = 𝑪𝑴𝑻 = =𝟒𝟏 . 𝟔
𝑔𝑙 𝑆𝐶𝑇 𝟏𝟓 −𝟏

𝑆𝐶𝑇𝑅 𝟑𝟐𝟖 . 𝟐𝟐
Cuadrado Medio del Tratamiento: 𝐶𝑀𝑇𝑅= 𝑪𝑴𝑻𝑹= =𝟏𝟔𝟒 .𝟏𝟏
𝑔𝑙 𝑆𝐶𝑇𝑅 𝟑 −𝟏

𝑆𝐶𝐸 𝟐𝟓𝟒 . 𝟑𝟖
Cuadrado Medio del Error: 𝐶𝑀𝐸 =
𝑔𝑙 𝑆𝐶𝐸
𝑪𝑴𝑬=
𝟏𝟓 −𝟑
=𝟐𝟏 .𝟐

Estos tres cuadrados medios están fundamentalmente basados en la formula de la varianza

muestral. Esto significa que se trata de sumas de cuadrados divididos entre sus
correspondientes grados de libertad y como tales vienen a ser varianzas.
 TABLA DE ANALISIS DE VARIANZA GENERALIZADA
Suma de Grados de
FUENTE DE VARIACION Cuadrados Medios Valor F
Cuadrados Libertad
Entre Muestras (Tratamientos) SCTR c-1 CMTR = SCTR / n - 1
Dentro de Muestras (Error) SCE n-c CME = SCE / n - c F=
Variación Total SCT n-1

TABLA DE ANALISIS DE VARIANZA GENERALIZADA

Suma de Grados de
FUENTE DE VARIACION Cuadrados Medios Valor F
Cuadrados Libertad
Entre Muestras (Tratamientos) 328.00 3-1 CMTR = 164.11
Dentro de Muestras (Error) 254.40 15 - 3 CME = 21.2 F = 7.74
Variación Total 582.40 15 - 1

H o : µ1 = µ 2 = µ 3
H1 : No todas las medias son iguales
Es la razón de los dos últimos cuadrados medios CMTR y CME, que se utilizan como base del análisis
de varianza para probar la hipótesis respecto a la igualdad de las medias. Esta razón se ajusta a la
distribución F y se expresa como:

𝑪𝑴 𝑻𝑹
Razón F para una prueba de medias: 𝑭=
𝑪𝑴𝑬

Siendo: 𝑪𝑴𝑻𝑹=𝟏𝟔𝟒 .𝟎𝟎

𝑪𝑴𝑬 =𝟐𝟏 . 𝟐
𝟏𝟔𝟒 . 𝟎𝟎
𝑭=
𝟐𝟏 . 𝟐
𝑭 =𝟕 . 𝟕𝟒

Los Cuadrados Medios de Tratamientos (CMTR) mide la variación entre tratamientos. Si los
tratamientos tienen efectos diferentes los CMTR lo reflejara a través de su incremento. Entonces la
razón F en si misma se incrementara. Por tanto, si la razón F se vuelve “significativamente” grande
porque CMTR excede a CME por una cantidad grande, se reconoce que los efectos del tratamiento
probablemente existen. Es probable que tratamientos diferentes tengan efectos diferentes en las medias
de sus poblaciones respectivas, y podría rechazarse la hipótesis nula, la cual indica que las medias de
los tratamientos son iguales.
 F de tabla :
𝛼=0.05 𝑭 𝟎 . 𝟎𝟓−𝟐 −𝟏𝟐=𝟑. 𝟖𝟗
𝛼=0.01 𝑭 𝟎 . 𝟎𝟏−𝟐 −𝟏𝟐=𝟔. 𝟗𝟑
F de formula 𝑭 =𝟕 . 𝟕𝟒

H o : µ 1 = µ2 = µ3
𝑭 =𝟑. 𝟖𝟗 𝑭 =𝟔.𝟗𝟑
H1 : No todas las medias son iguales
𝑭 𝟎.𝟎𝟓−𝟐−𝟏𝟐<𝑭 𝟑.𝟖𝟗<𝟕.𝟕𝟒 𝑆𝑒 𝑒𝑐h𝑎𝑧𝑎 𝐻 0
𝑭 𝟎.𝟎𝟏−𝟐−𝟏𝟐<𝑭 𝟔.𝟗𝟑<𝟕.𝟕𝟒 𝑆𝑒 𝑒𝑐h𝑎𝑧𝑎 𝐻 0
Debido a que se calculo el F de formula cuyo valor es de 7,74 es mayor que el F de tabla (teórico)
cuyo valor es 3,89 el cual se ubica con un nivel de “significación” a = 0.05 con 2 grados de libertad
en el numerador correspondiendo a los Cuadrados Medios de los Tratamientos y con 12 grados de
libertad en el denominador correspondiente a los Cuadrados Medios de Error, este test estadístico nos
indica que se rechaza la hipótesis nula para las tres muestras, indicando que se trata de muestras con
medias diferentes en la toma información del periodo en minutos de obtener un producto.
Diferencia Mínima Significativa Alternativa:
El método de Diferencia Mínima Significativa (DMS) para el diseño no
balanceado para compara las muestras j-ésima y k-ésima:

Si el diseño no esta balanceado, el criterio DMS es:

𝐷𝑀𝑆 𝑗, 𝑘=
√[ ]
1 1
+
𝑟 𝑗 𝑟𝑘
∗ [ 𝐶𝑀𝐸 ] ∗ 𝐹 𝛼 ,𝑘 −1 ,𝑛 −𝑘

Donde: DMS j-k = Diferencia Mínima Significativa Alternativa

= Prueba F de tabla
α = Nivel de significación
n = Numero total de observaciones
c = Numero de Muestras o Tratamientos
rj = Numero de observaciones en la muestra j-ésima
rk = Numero de observaciones en la muestra k-ésima
 DMS = Diferencia Mínima Significativa Acampar y Pescar

√[ ]
= Prueba F de tabla rj = 6
𝟏 𝟏
SME = 21.2
rk = 4 𝑫𝑴𝑺 𝑨 − 𝑷= + ( 𝟐𝟏.𝟐 ) ∗ 𝟑.𝟖𝟗
𝟔 𝟒
α = 0.05
c = 3 𝑫𝑴𝑺=𝟒 .𝟓𝟔
n = 15
= Acampar y Pasear en Bote

√[ ]
= 4.75 rj = 6 𝟏 𝟏
rk = 5
𝑫𝑴𝑺 𝑨 − 𝑷𝑩= + ( 𝟐𝟏.𝟐 ) ∗ 𝟑.𝟖𝟗
𝟔 𝟓

√[ ] [ ]
𝑫𝑴𝑺=𝟓 . 𝟓𝟎
𝟏 𝟏
𝑫𝑴𝑺 𝒋 − 𝒌= + ( 𝑪𝑴𝑬 ) 𝑭 𝜶 ;(𝒄 − 𝟏);(𝒏− 𝒄 )
𝒓 𝒋 𝒓𝒌 Pescar y Pasear en Bote

√[ ] [ ] √[ ]
rj = 4 𝟏 𝟏
𝟏 𝟏 𝑫𝑴𝑺 𝑷 − 𝑷𝑩= + ( 𝟐𝟏.𝟐 ) ∗𝟑.𝟖𝟗
𝑫𝑴𝑺 𝒋 − 𝒌= + ( 𝟐𝟏. 𝟐 ) ∗ 𝟑.𝟖𝟗 rk = 5
𝒓 𝒋 𝒓𝒌 𝟒 𝟓
6.90
Las diferencias entre medias y si exceden o no el valor del criterio DMSA
respectivo son:
| = | = 4.92 < 5.03
|= | = 10.97 > 6.08
|= | = 6.05 < 6.73

Solo acampar y pasear en bote difieren significativamente. Los resultados pueden

resumirse con un subrayado común después que las medias se hayan colocado en un
arreglo ordenado, de la siguiente manera.
Se puede concluir a un nivel de significancia del 5% que solo pasear en bote y acampar
difieren significativamente. El parque puede utilizar esta información para tomar
decisiones y aliviar la presión financiera sobre los recursos y proporcionar una
experiencia al aire libre para los usuarios.
𝑥𝑃 𝐵 𝑥𝑃 𝑥𝐴
24.20 30.25 35.17
6.05
4.92
Conclusiones
La prueba de Tukey es un método que tiene como fin comparar las medias individuales
provenientes de un análisis de varianza de varias muestras sometidas a tratamientos distintos. El
test, presentado en el año 1949 por John. W. Tukey, permite discernir si los resultados
obtenidos son significativamente diferentes o no.

El análisis de la varianza (o Anova: Analysis of variance) es un método para comparar dos o

más medias, que es necesario porque cuando se quiere comparar más de dos medias es
incorrecto utilizar repetidamente el contraste basado en la t de Student.

Las suposiciones del análisis de varianza, es que cada uno de los grupos de unidades
experimentales a los que se les aplicó los tratamientos, tienen una varianza homogénea, es
decir, la varianza de los resultados del tratamiento 1 (σ1) es igual a la varianza de los
resultados del tratamiento 2 ( σ2 ) , y así .
Tareas en el aula virtual
Una organización encargada de proveer desayunos escolares, ha solicitado la siguiente investigación de su mercado
interno. Esta interesada en compara los gastos resultantes de elaborar desayuno muy usual, según el tipo de batería
de cocina utilizado. Los gastos son de dos tipos: Tecnologia y energía “X 1” asi como de insumos y condimentos
“X2”. Se realizaron cinco pruebas con cada tipo de batería obteniéndose los siguientes resultados:
BATERIAS
Pruebas A B C
X1 X2 X1 X2 X1 X2
1 32 48 28 46 31 43
2 30 45 26 39 30 42
3 31 45 30 45 32 44
4 33 47 28 47 30 44
5 29 44 29 48 27 41

Algunas baterías aconsejan la utilización de cantidades mas pequeñas de insumos y condimentos, ya que los
materiales utilizados y el diseño de la batería pueden hacer variar el tiempo necesario de cocción. Los datos esta en
unidades monetarias (u.m.).
TECNOLOGIA Y ENERGÍA “X1”
Utilizando un análisis ANOVA ¿Qué puede inferirse a partir de los datos recabados?

TECNOLOGIA Y ENERGÍA “X1”

Pruebas A B C
1 32 28 31
2 30 26 30
3 31 30 32
4 33 28 30
5 29 29 27
1.- Calculo de las medias aritméticas de los TRATAMIENTOS (baterías): Tecnologia y energía “X 1”
32+30 +31+33 +29 155
𝑥 𝐴= = =31
Media Aritmética 5 5
∑
𝒏
28+26 +30+ 28+29 141
𝑿𝒊 𝑥𝐵= = =28 ,2
𝒙𝑻= 𝒊 =𝟏
𝒏
5 5
31+30+ 32+ 30+27 150
𝑥 𝐶= = =30
5 5
2.- Calculo de las Varianza Muestral de los TRATAMIENTOS (baterías): Tecnologia y energía “X 1”
𝑛

∑ ( 𝑋 ¿ ¿ 𝑖 − 𝑥 )2
Varianza Muestral 𝑆 2𝑇 = 𝑖 =1 ¿
𝑛−1

2 2 2 2 2
2 (32 −31) +(3 0 −31) +( 3 1− 31) +(3 3 − 31) +(29 −31) 10
𝑆 𝐴= = =2 , 5
5 −1 4
2 2 2 2 2
2 (28 − 28 , 2 ) +( 26 −28 ,2 ) +(3 0− 28 , 2 ) +(28 −28 ,2 ) +(29 −28 ,2 ) 8 , 8
𝑆 𝐵= = =2 , 2
5 −1 4
2 2 2 2 2
(31 − 30) +(3 0 −3 0) +(3 2 −3 0) +(3 0 −3 0) +(27 − 3 0) 10
2
𝑆 𝐶= = =3 , 5
5 −1 4

Tomando en cuenta los cálculos de las varianzas se evidencia que la Batería B es la que presenta
menos varianza, por lo que para el uso de tecnología y gasto de energía “X1”, es la mas
conveniente.
Estimación Interna de Varianza
𝟐 𝟐
𝑺𝟏 + 𝑺𝟐 + 𝑺𝟑+ … .+ 𝑺𝒌
𝟐 𝟐
𝟐 𝟐 ,𝟓+ 𝟐 ,𝟐+ 𝟑 ,𝟓 𝟖 , 𝟐
𝟐
𝑺 𝑾= 𝑺 𝑾 = = =𝟐 , 𝟕𝟑𝟑
𝒌 𝟑 𝟑
 2 2
Estimación Intermediante de Varianzas 𝑆 𝑥 =𝑛 ∗ 𝑆 𝑥

Varianza de las Medias Aritméticas ∑ ( 𝑥𝑖− 𝑥

´ )2
𝑖 =1
𝑆2
𝑥=
𝑘− 1
𝒌

Media de las Medias Aritméticas (Gran Media) ∑ 𝒙𝒊

𝒊=𝟏
´ =
𝒙
𝒌

𝟑𝟏+𝟐𝟖 ,𝟐+ 𝟑𝟎 𝟖𝟗 , 𝟐
´
𝒙= = =𝟐𝟗 , 𝟕𝟑𝟑
𝟑 𝟑
𝟐 ( 𝟑𝟏 −𝟐𝟗 ,𝟕𝟑𝟑 )𝟐+ ( 𝟐𝟖 ,𝟐 − 𝟐𝟗 ,𝟕𝟑𝟑 )𝟐 + ( 𝟑𝟎 −𝟐𝟗 ,𝟕𝟑𝟑 )𝟐 𝟒 ,𝟎𝟐𝟔
𝑺 =
𝒙 = =𝟐 , 𝟎𝟏𝟑
𝟑 −𝟏 𝟐

𝟐
𝑺 𝒙 =𝟐 , 𝟎𝟏𝟑
𝒏=𝟓 𝑺
𝟐
𝒙
𝟐
=𝒏 ∗ 𝑺 𝒙 = 10,065
Planteamiento de Hipótesis HO: Todas las proporciones de la poblacion son iguales.
HA: No todas las proporciones de la poblacion son iguales.

Prueba F de Fischer (formula)

Estimación Interna de Varianza 𝑆 2𝑊 =2,733

2
Estimación Intermediante de Varianzas 𝑆 𝑥 =10,065
𝟏𝟎, 𝟎𝟔𝟓
𝑭 𝒑𝒓𝒖𝒆𝒃𝒂= =𝟑 ,𝟔𝟖
𝟐 ,𝟕𝟑𝟑
Prueba F de Fischer (tabla) Grados de Libertad Numerador: k - 1 = 3 – 1 = 2
Denominador: k(n – 1) = 3(5 – 1) = 12
Nivel de Significación = 1%
𝑭 𝜶− (𝒌 −𝟏 ) −𝒌(𝒏 −𝟏 )=¿
𝑭 𝟎, 𝟎𝟏− 𝟐− 𝟏𝟐 =𝟔,𝟗𝟑
Como es menor que ; HO se acepta, por lo tanto no existen diferencias reales entre el valor de la
tecnología de las baterías.
INSUMOS Y CONDIMENTOS “X2”
Utilizando un análisis ANOVA ¿Qué puede inferirse a partir de los datos recabados?
INSUMOS Y CONDIMENTOS “X2”
Pruebas A B C
1 48 46 43
2 45 39 42
3 45 45 44
4 47 47 44
5 44 48 41

1.- Calculo de las medias aritméticas de los TRATAMIENTOS (baterías): Insumos y condimentos “X 2”
Media Aritmética 48+ 45+ 45+ 47+ 44 229
𝒏 𝑥 𝐴= = =45.80
∑
𝒊 =𝟏
𝑿𝒊 5 5
𝒙𝑻=
𝒏 46 +39+ 45+ 47+ 48 225
𝑥𝐵= = =45.00
5 5
43+ 42+ 44 +44 + 41 214
𝑥 𝐶= = = 42.80
5 5
2.- Calculo de las Varianza Muestral de los TRATAMIENTOS (baterías): Insumos y condimentos “X 2”
𝑛

∑ ( 𝑋 ¿ ¿ 𝑖 − 𝑥 )2
Varianza Muestral 𝑆 2𝑇 = 𝑖 =1 ¿
𝑛−1

2 2 2 2 2
2 (48 − 45.8) +( 45 − 45.8) +( 45 − 45.8) +( 47 − 45.8) +(44 − 45.8) 10 .8
𝑆 𝐴= = =2 , 7
5 −1 4
2 2 2 2 2
2 ( 46 − 45 ) +(39 − 45 ) +( 45 − 45 ) +(47 − 45 ) +( 48 − 45 ) 50
𝑆 𝐵= = =12 , 5
5 −1 4
2 2 2 2 2
( 43 − 42.8) +( 42 − 42.8) +( 44 − 42.8) +( 44 − 42.8) +( 41 − 42.8) 6.8
2
𝑆 𝐶= = =1 ,7
5 −1 4

Tomando en cuenta los cálculos de las varianzas se evidencia que la Batería C es la que presenta
menos varianza, por lo que para el uso de Insumos y condimentos “X2”, es la mas conveniente.

Estimación Interna de Varianza

𝟐 𝟐
𝑺𝟏 + 𝑺𝟐 + 𝑺𝟑+ … .+ 𝑺𝒌
𝟐 𝟐
𝟐 𝟐 ,𝟕+ 𝟏𝟐 , 𝟓+𝟏 . 𝟕 𝟏𝟔 . 𝟗
𝟐
𝑺 𝑾= 𝑺 𝑾 = = =𝟓 .𝟔𝟑𝟑
𝒌 𝟑 𝟑
 2 2
Estimación Intermediante de Varianzas 𝑆 𝑥 =𝑛 ∗ 𝑆 𝑥

Varianza de las Medias Aritméticas ∑ ( 𝑥𝑖− 𝑥

´ )2
𝑖 =1
𝑆2
𝑥=
𝑘− 1
𝒌

Media de las Medias Aritméticas (Gran Media) ∑ 𝒙𝒊

𝒊=𝟏
´ =
𝒙
𝒌

𝟒𝟓 . 𝟖𝟎+𝟒𝟓 .𝟎𝟎 +𝟒𝟐 . 𝟖𝟎 𝟏𝟑𝟑. 𝟔

´
𝒙= = =𝟒𝟒 .𝟓𝟑
𝟑 𝟑
𝟐 ( 𝟒𝟓 . 𝟖 −𝟒𝟒 . 𝟓𝟑 )𝟐 + ( 𝟒𝟓 ,𝟎 − 𝟒𝟒 . 𝟓𝟑 )𝟐 + ( 𝟒𝟐 . 𝟖 −𝟒𝟒 ,𝟓𝟑 )𝟐 𝟒 ,𝟖𝟐𝟔𝟕
𝑺 =
𝒙 = =𝟐 , 𝟒𝟏 𝟑 𝟑𝟓
𝟑− 𝟏 𝟐

𝟐
𝑺𝒙 =𝟐 , 𝟒𝟏𝟑𝟑𝟓
𝒏=𝟓 𝑺
𝟐
𝒙
𝟐
=𝒏 ∗ 𝑺 𝒙 = 12,06675
Planteamiento de Hipótesis
Prueba F de Fischer (formula)
Prueba F de Fischer (tabla)
Como es menor que ; HO se acepta, por lo tanto no existen diferencias reales entre los costos de
los insumos de las baterías.
HO: Todas las proporciones de la poblacion son iguales.
HA: No todas las proporciones de la poblacion son iguales.
Estimación Interna de Varianza 𝑆 2𝑊 =5 ,6 33
2
Estimación Intermediante de Varianzas 𝑆 𝑥 =1 2 , 06 67 5
𝟏 𝟐 ,𝟎𝟔𝟔𝟕𝟓
𝑭 𝒑𝒓𝒖𝒆𝒃𝒂= =𝟐. 𝟏𝟒𝟐𝟐
𝟓 ,𝟔𝟑𝟑
Grados de Libertad Numerador: k - 1 = 3 – 1 = 2
Denominador: k(n – 1) = 3(5 – 1) = 12
Nivel de Significación = 1%
𝑭 𝜶− (𝒌 −𝟏 ) −𝒌(𝒏 −𝟏 )=¿
𝑭 𝟎, 𝟎𝟏− 𝟐− 𝟏𝟐 =𝟔,𝟗𝟑
COSTOS TOTALES “X1 + X2”
Utilizando un análisis ANOVA ¿Qué puede inferirse a partir de los datos recabados?

COSTOS TOTALES “X2”

Pruebas A B C
1 80 74 74
2 75 65 72
3 76 75 76
4 80 75 74
5 73 77 68
1.- Calculo de las medias aritméticas de los TRATAMIENTOS (baterías): Costo Total “X”
Media Aritmética 80 +75+76 +80+ 73 384
𝒏 𝑥 𝐴= = =76.80
∑
𝒊 =𝟏
𝑿𝒊 5 5
𝒙𝑻=
𝒏 74 +65 +75+75 +77 366
𝑥𝐵= = =73.20
5 5
74 +72+76 +74 +68 364
𝑥 𝐶= = =72.80
5 5
2.- Calculo de las Varianza Muestral de los TRATAMIENTOS (baterías): Costo total “X”
𝑛

∑ ( 𝑋 ¿ ¿ 𝑖 − 𝑥 )2
Varianza Muestral 𝑆 2𝑇 = 𝑖 =1 ¿
𝑛−1

2 2 2 2 2
2 (80 −76.8) +(75 −76.8) +(76 −76.8) +(80 − 76.8) +(73 − 76.8) 38.80
𝑆 𝐴= = =9 , 7
5 −1 4
2 2 2 2 2
2 (74 −73.2) +(65 − 73.2) +(75 −73.2) +(75 −73.2) +(77 − 73.2) 88.80
𝑆 𝐵= = =2 2 , 2
5−1 4
2 2 2 2 2
(74 −72.8) +( 72−72.8) +(76 − 72.8) +(74 −72.8) +( 68 −72.8) 36.8
2
𝑆 𝐶= = =9.2
5 −1 4

Tomando en cuenta los cálculos de las varianzas se evidencia que la Batería C es la que presenta
menos varianza, por lo que para el el costo total “X”, es la mas conveniente.

Estimación Interna de Varianza

𝟐 𝟐
𝑺𝟏 + 𝑺𝟐 + 𝑺𝟑+ … .+ 𝑺𝒌
𝟐 𝟐
𝟐 𝟗 ,𝟕+ 𝟐𝟐 , 𝟐+𝟗 . 𝟐 𝟒𝟏 . 𝟏
𝟐
𝑺 𝑾= 𝑺 𝑾 = = =𝟏𝟑 . 𝟕
𝒌 𝟑 𝟑
 2 2
Estimación Intermediante de Varianzas 𝑆 𝑥 =𝑛 ∗ 𝑆 𝑥

Varianza de las Medias Aritméticas ∑ ( 𝑥𝑖− 𝑥

´ )2
𝑖 =1
𝑆2
𝑥=
𝑘− 1
𝒌

Media de las Medias Aritméticas (Gran Media) ∑ 𝒙𝒊

𝒊=𝟏
´ =
𝒙
𝒌

𝟕𝟔 . 𝟖𝟎+𝟕𝟑 . 𝟐𝟎+𝟕𝟐 .𝟖𝟎 𝟐𝟐𝟐 .𝟖

´
𝒙= = =𝟕𝟒 . 𝟐𝟕
𝟑 𝟑
𝟐 ( 𝟕𝟔 . 𝟖− 𝟕𝟒 . 𝟐𝟕 )𝟐 + ( 𝟕𝟑 . 𝟐 −𝟕𝟒 . 𝟐𝟕 )𝟐 + ( 𝟕𝟐 . 𝟖 −𝟕𝟒 . 𝟐𝟕 )𝟐 𝟗 ,𝟕𝟎𝟔𝟕
𝑺 =
𝒙 = =𝟒 ,𝟖𝟓𝟑𝟑𝟓
𝟑 −𝟏 𝟐

𝟐
𝑺𝒙 =𝟒 .𝟖𝟓𝟑𝟑𝟓
𝒏=𝟓 𝑺
𝟐
𝒙
𝟐
=𝒏 ∗ 𝑺 𝒙 = 24,26675
Planteamiento de Hipótesis HO: Todas las proporciones de la poblacion son iguales.
HA: No todas las proporciones de la poblacion son iguales.

Prueba F de Fischer (formula)

Estimación Interna de Varianza 𝑆 2𝑊 =13.7

2
Estimación Intermediante de Varianzas 𝑆 𝑥 = 24.26675
𝟐𝟒. 𝟐𝟔𝟔𝟕𝟓
𝑭 𝒑𝒓𝒖𝒆𝒃𝒂= =𝟏 .𝟕𝟕𝟏𝟐
𝟏𝟑 ,𝟕
Prueba F de Fischer (tabla) Grados de Libertad Numerador: k - 1 = 3 – 1 = 2
Denominador: k(n – 1) = 3(5 – 1) = 12
Nivel de Significación = 1%
𝑭 𝜶− (𝒌 −𝟏 ) −𝒌(𝒏 −𝟏 )=¿
𝑭 𝟎, 𝟎𝟏− 𝟐− 𝟏𝟐 =𝟔,𝟗𝟑
Como es menor que ; HO se acepta, por lo tanto no existen diferencias reales entre los costos de
las baterías.
 Fuentes Bibliográficas
Ronald E. Walpole y Raymond H. Myers Probabilidad y Estadística para ingeniería y
ciencias,
Anderson D., Sweeney D., Williams T. Estadística para la administración y economía.
Décima edición. Cengage Learning. 2008
Berenson M., Levine D., Krehbiel T. Estadística para administración. Segunda edición.
Prentice Hall. 2000
Devore J. Probabilidad y Estadística para ingeniería y ciencias. Séptima edición. Cengage
Learning. 2008
Johnson R. Probabilidad y Estadística para ingenieros. Octava edición. Pearson. 2012
MUCHAS GRACIAS