UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

FACULTAD DE QUIMICA E INGENIERIA QUIMICA

DISEÑO EXPERIMENTAL
TEMA: Diseño con mediciones repetidas
EVALUACIÓN N°10

PROFESOR:

Núñez Vega, Oscar Julio

ESTUDIANTES:                                                         CÓDIGO

 Miñope Ramos, Gianpierre 18070028

 Velasquez Valencia, Roger Jack 18070037
 Leon Bravo, Jean Pierre 18070105
 Saavedra Carrasco, Paul Martin 18070132
 Gonzales Catay, Cristhian Ener 18070098

Fecha de realización de la clase: 18/12/20

Fecha límite de entrega de la evaluación: 07/01/21

Lima Perú

2020
 ÍNDICE
Capítulo 15.........................................................................................................................................3
Problema 2.....................................................................................................................................3
Problema 4:..................................................................................................................................14
Capítulo 16.......................................................................................................................................26
PROBLEMA 2................................................................................................................................26
Pregunta 4....................................................................................................................................37
Capítulo 17.......................................................................................................................................47
Problema 2:..................................................................................................................................47
Problema 4...................................................................................................................................48
Capítulo 15

Problema 2
Un científico de suelos realizó un experimento para evaluar los efectos de compactación y
humedad del suelo sobre la actividad microbiana. Se presentarán niveles reducidos de actividad
microbiana en los suelos mal ventilados. Los niveles de ventilación pueden estar restringidos en
suelos muy saturados o compactos. Las muestras de suelo tratadas se colocaron en contenedores
sellados y se incubaron en condiciones propicias para la actividad microbiana. Ésta se midió en
cada muestra de suelo como el porcentaje de incremento en el CO2, producido por encima de los
niveles atmosféricos. El diseño fue una factorial de 3 X 3 con tres niveles de compactación del
suelo (densidad del volumen = mg suelo/m3) y tres niveles de humedad del suelo (kg agua/kg
suelo). Se prepararon dos réplicas de las unidades de contenedores de suelo para cada
tratamiento. Se registró la evolución co2/kg suelo/día, tres días sucesivos. Los datos para cada
unidad son:
 a. Describa el estudio en términos de diseños entre sujetos y dentro sujetos.

 Entre sujetos: es un diseño factorial 3 ×3 con tres niveles para la densidad y tres
niveles para la humedad. cada tratamiento se realizó con dos unidades.
 Dentro sujetos: se tomaron mediciones en tres días diferentes.

b. Calcule la media de las observaciones para cada nivel de densidad de volumen y

humedad del suelo en cada tiempo de medición y elabore una gráfica de perfiles de los
resultados de cada tratamiento.

TABLA 1 promedios de los datos según los factores humedad, densidad en cada día

Día 1 Día 2 Día 3

Humeda
0.1 0.2 0.24 0.1 0.2 0.24 0.1 0.2 0.24
d
 2.8 4.4 4.05 0.955 4.48 3.47 0.68 3.195 2.965
1.1
3.75 2.97 2.28
Densidad

2.4 4.1 2.45 0.95 3.135 3.415 0.62 2.685 2.635

1.4
2.98 2.5 1.98
2.5 3.2 0.9 0.725 2.97 1.515 0.22 2.24 1.23
1.6
2.20 1.74 1.23

Luego graficamos:

c. Escriba un modelo lineal para un análisis de varianza de parcelas divididas e indique las
suposiciones necesarias para el análisis con este modelo.

Siendo:
 Ai :efecto de factor densidad donde i=1, … , 3

Bj :efecto de factor Humedad donde j=1 , … , 3

Tk :efecto de factor Dia donde k=1 , … , 3

Entonces:

Yi , j , k =media+ Ai+ Bj+Tk + ( AT ) ik + ( AB ) ij+ ( BT ) jk + ( ABT ) ijk +eijk

Dónde: eijk = error experimental aleatorio con distribución normal de mediciones

repetidas. Además, se supone que este error satisface la condición de Huynh-Feldt de
varianzas iguales.

d. Realice un análisis de parcelas divididas para los datos, pruebe las hipótesis necesarias y
calcule las medias de tratamiento y sus errores estándar. ¿Cuáles son sus conclusiones?

Análisis ANOVA halladas usando el software SPSS. Primero introducimos los datos
Luego Analizar > Modelo lineal general > Medidas repetidas. Seleccionamos el día como
factor intra-sujeto y el nivel de CO2 como nombre de la respuesta.

Luego seleccionamos las variables que contengan al factor DIA como intra-sujetos y la
variable DENSIDAD y HUMEDAD como inter-sujetos.

En contrastes seleccionamos el tipo polinomial.

En el apartado gráficos seleccionamos los tres factores.

En medias marginales estimadas seleccionamos todas las variables y comparamos los

efectos con Bonferroni.

En el apartado opciones seleccionamos los siguientes puntos:

 El ANOVA calculado se divide en variables intra-sujetos e inter-sujetos:

Pruebas de efectos intra-sujetos

Medias
para el factor

densidad:
 Medias para el factor humedad:

Medias para el factor día:

Conclusiones:
 El ANOVA calculado por el software para el factor intra-sujetos usó diferentes modelos y
se concluye que el DIA y DIA*HUMEDAD influyen con certeza sobre la variable respuesta
 El ANOVA calculado por el software para los factores inter-sujetos muestra que la
HUMEDAD y DENSIDAD influyen en la variable respuesta, mas no su interacción
HUMEDAD*DENSIDAD.
 De los resultados de las medias se concluye que se obtuvo una mayor actividad
microbiana el día 1 con una densidad de 1.10 y una humedad de 0.20.

e. Obtenga las gráficas residuales a partir del análisis de parcelas divididas e interprételas.
 Conclusión: los residuos para los tres días siguen una distribución lineal

f. Calcule las particiones de suma de cuadrados para los contrastes lineal y cuadrático en
el tiempo y sus interacciones con los tratamientos de densidad y humedad; pruebe las
hipótesis nulas e interprete los resultados.

Conclusiones:

 De los resultados, el día muestra una tendencia lineal con respecto a la actividad
microbiana.
  La interacción DIA*DENSIDAD*HUMEDAD muestra una tendencia cuadrática con
respecto a la actividad microbiana.
g. Si se dispone de un programa de computadora para análisis de mediciones repetidas,
pruebe las hipótesis de que se puede suponer la condición Huynh-Feldt para la matriz 1
de los errores experimentales para las varianzas y covarianzas dentro sujetos. ¿Cuál es
su conclusión?

De los resultados de la prueba de esfericidad de Mauchly, podemos decir que las varianzas
muestran una diferencia significativa, por lo que se debe usar la épsilon de métodos como
Huynh-Feldt y Greenhouse-Geisser para corregir los resultados. Esto afecta principalmente
al factor intra-sujetos.

h. Aplique el ajuste de Greenhouse-Geisser a las pruebas F del inciso d), ¿Difieren las
conclusiones? Explique.
ANOVA luego de la modificación de F con el parámetro Épsilon. En el siguiente cuadro se
muestran la corrección con diferentes métodos.
 Conclusiones:

 Según los resultados con el ajuste de Greenhouse-Geisser, podemos decir que las
decisiones sobre las hipótesis planteadas son las misma en general.
 La interacción triple DIA*DENSIDAD*HUMEDAD tiene una mayor significancia que
el análisis anterior (> 0.05) por lo que se deduce que no influye en la variable
respuesta.

Problema 4:
Un agrónomo realizó una prueba de rendimiento con cinco cultivos de alfalfa
en un diseño de bloques completo aleatorizado con tres réplicas. Cada
parcela se cosechó cuatro veces en cada uno de dos años. En la tabla se
muestra el rendimiento (lb/parcela) de las dos cosechas de cada año en
ambas parcelas:
a. Describa el estudio en términos de diseño entre sujetos y dentro sujetos.

Los diseños de mediciones repetidas se pueden describir en términos del

diseño entre sujetos y el diseño dentro sujetos. Los diseños entre sujetos se
refieren a los diseños en que una unidad experimental se asigna a un
tratamiento. Los diseños dentro sujetos se refieren a las diferentes
mediciones en cada unidad experimental. En este ejemplo, tenemos 2
tratamientos en un diseño totalmente aleatorizado para el diseño entre
sujetos. Mientras que el diseño dentro sujetos consiste en las mediciones
repetidas en cada cultivo.
b. Calcule la media de las observaciones para cada cultivo en cada cosecha
de los dos años, y haga una gráfica de perfiles de los resultados de cada
cultivo.

1) reconstruimos la tabla en algún programa, como Excel:

Sacamos el promedio de cada cultivo y graficamos

Con la herramienta de grafico de dispersión

c. Escriba un modelo lineal para un análisis de varianza de parcelas
divididas, identifique los términos e indique las suposiciones necesarias
para el análisis de los datos.

El modelo lineal para el experimento de parcelas divididas es:

donde u es la media general, alfai es el efecto del. i-ésimo tratamiento d ik es
el error experimental aleatorio para los conejos dentro de tratamientos con
varianza sigma es el efecto del j-ésimo tiempo (alfa beta)ij es la interacción
entre:tratamientos y tiempo, y e ijk es el error. experimental aleatorio con
distribución normal en las mediciones repetidas con varianza sigma.

Hacemos nuesto análisis de varianza de parcelas divididas para mediciones

repetidas en el estudio con cultivos en un diseño totalmente aleatorizado:

Usaremos el programa infostat:

d. Si dispone de un programa de computadora para análisis de mediciones
repetidas; obtenga la matriz ∑ de los errores experimentales para las
varianzas y covarianzas dentro sujetos a partir de las cuatro mediciones en
los meses y años. Pruebe la hipótesis de que se puede suponer la condición
Huynh-Feldt para la matriz ∑. ¿Cuál es su conclusión?

Huynh y Feldt (1979) mostraron que las condiciones necesarias para el

análisis de varianza usual en los diseños de mediciones repetidas eran menos
estrictas que la condición de simetría completa. Demostraron que la
condición necesaria es tener la misma varianza de la diferencia para todos los
pares posibles de observaciones tomadas en diferentes periodos, digamos, Yi
y Yj :

La matriz de varianzas y covarianzas que satisface esta condición se conoce

como matriz tipo H. Los cuadrados medios del análisis de varianza se pueden
usar para probar las hipótesis sobre los tratamientos dentro sujetos si se
cumple la condición de Huynh-Feldt.
e. El agrónomo desea comparar las cosechas de los cultivos. La significancia
de la interacción entre cultivos, años y meses de cosecha deben
determinarse antes de que el agrónomo pueda comparar los cultivos
promedio a través de los meses y años. Debe probarse la suposición de
Huynh-Feldt para la matriz ∑, de los errores experimentales para el análisis
de mes X cultivo y para el análisis de año X mes X cultivo si su programa
tiene la capacidad. Realice las pruebas, calcule el análisis de parcelas
divididas para los datos y pruebe las hipótesis para las interacciones de los
cultivos con los meses y los años. Use los ajustes épsilon de G-G y H-F para
las pruebas F si es necesario. ¿Cuáles son sus conclusiones de este análisis?

Se puede usar el análisis de varianza univariado con cualquiera de los tres

conjuntos de suposiciones sobre las mediciones repetidas, éstos eran
independencia, simetría compuesta o condición Huynh-Feldt. La condi- ción
de Huynh-Feldt con la matriz tipo H para varianzas y covarianzas de las me-
diciones repetidas es la menos restrictiva de las tres suposiciones. Se pueden
usar sencillos métodos univaridos para el análisis si se puede suponer que la
condición Huynh-Feldt se cumple para las mediciones repetidas. La
suposición de una ma- triz tipo H se puede evaluar con la prueba atribuida a
Mauchly.
Copiamos los datos en minitab:
Capítulo 16
PROBLEMA 2
 a) ¿Esta balanceado el diseño para los efectos acarreados?

Las consideraciones prácticas determinan si un estudio cruzado es adecuado para el problema de

investigación. Para el caso los diseños están correctamente balanceados, esto se verá en las

gráficas posteriores. Los diseños son más eficaces cuando los tratamientos manifiestan un efecto

en el sujeto dentro de un periodo razonablemente corto para proporcionar un lapso de estudio de

duración manejable.

b) Escriba un modelo lineal para el estudio

1) reconstruimos la tabla en Excel:

Modelo reducido
Y ijk =μ+α i+ bij + γ k + τ d + ei , j ,k

Modelo lineal

Y i , j ,k =μ +α i+ bi , j+ γ k + τ d + δ e +e i , j , k

c) ANOVA para los datos y pruebe su significancia

SOFWARE INFOSTAT/L
 d) ¿Existe una
diferencia
significativa en la precisión sistólica para la combinación de las dos
drogas y de las dos drogas solas?¿Hay una diferencia significativa en
la presión con las drogas A y B?

Grafica
ABC 1
300

250

200
I
Periodo

150 II
III
100

50

0
0.5 1 1.5 2 2.5 3 3.5 4 4.5
Sujeto
 Grafica
ACB
2
250

200

150 I
Periodo

II
100 III

50

0
4.5 5 5.5 6 6.5 7 7.5 8 8.5
Sujeto

Grafica 3

BAC
250

200

150 I
Periodo

II
100 III

50

0
8.5 9 9.5 10 10.5 11 11.5 12 12.5
Sujeto
 Grafica
BCA 4
250

200

150 I
Periodo

II
100 III

50

0
12.5 13 13.5 14 14.5 15 15.5 16 16.5
Sujeto

Grafica 5
 CAB
250

200

150 I
Periodo

II
100 III

50

0
8.5 9 9.5 10 10.5 11 11.5 12 12.5
Sujeto

Grafica 6

CBA
250

200

150 I
Periodo

II
100 III

50

0
20.5 21 21.5 22 22.5 23 23.5 24 24.5
Sujeto
 Comentario: De las gráficas mostradas en el software Excel se puede
notar que hay muy poca diferencia significativa en la gráfica 3,4 y 5
esto nos muestra que las combinaciones de las drogas no generan
mucha diferencia en la presión.

e) Obtenga la gráficas residuales

Hacemos nuestro análisis de varianza de parcelas divididas para mediciones
repetidas en el estudio con cultivos en un diseño totalmente aleatorizado:
Con ayuda del software INFOSTAT/L:
Paso 1:
Introducimos los datos
Paso 2:

Comentario: Obtenemos los puntos residuales sin ajustar

Pregunta 4
Se usó un diseño cruzado de periodo extra para comparar dos medicamentos para el control

de la hipertensión. Los sujetos se asignaron al azar a una de las secuencias de tratamiento

de drogas. Cada tratamiento duró seis semanas con una semana de descanso o limpieza

entre tratamientos. Las presiones diastólicas de los sujetos, medidas al final de cada

periodo, fueron:

a. ¿Está balanceado el diseño para los efectos acarreados? Explique.

No, La adición de un periodo extra desbalancea al diseño con respecto a las secuencias y

los efectos directos debido a que los tratamientos aparecen un número desigual de veces

dentro de cada secuencia.

b. ¿Tiene alguna ventaja este diseño con respecto al de dos periodos simple, sin usar el

tercer periodo, como se muestra en los datos de la tabla? Explique.

Si, La extensión de un periodo extra puede eliminar la no ortogonalidad y proporcionar

diseños con estimaciones independientes de los efectos acarreados y directos que tienen

una precisión más parecida en las estimaciones.

c. Escriba un modelo lineal para el estudio, explique los términos y establezca las

suposiciones necesarias para el análisis.

Donde el primer término representa la media general de los datos. El segundo término es

el efecto de la secuencia de tratamiento i. El tercer término es el efecto aleatorio con

varianza 0; para el j-ésimo sujeto en la i-ésima secuencia de tratamiento. El cuarto término

es el efecto del periodo. El quinto término es el efecto directo del tratamiento

administrado en el periodo k del grupo de secuencias i. El sexto término es efecto

transferido fijo del tratamiento administrado en periodo (k – 1) de la secuencia i. El último

termino es el error aleatorio con varianza para el sujeto en el periodo k. Se supone que los

errores experimentales tienen distribución normal y al menos satisfacen la condición de

Huynh-Feldt de varianzas, iguales para las diferencias entre todos los periodos. Además, se

supone que no hay efectos de transferencia más altos que de primer orden (lineal).
d. Calcule el análisis de varianza para los datos y pruebe la significancia de los efectos de

tratamiento directos y acarreados.

Para este análisis procedemos con el software SPSS. Primero introducimos los datos.

Luego Analizar > Modelo lineal general > Medidas repetidas. Seleccionamos el periodo

como factor intra-sujeto y las presiones como nombre de la respuesta.

Luego seleccionamos a las columnas del periodo como nuestra variable intra-sujetos y la

secuencia como nuestra variable entre-sujetos.

En el apartado opciones seleccionamos los siguientes puntos:

De los resultados, en la prueba de esfericidad de Mauchly, comprobamos que, según lo

supuesto, se cumple la condición de Huynh-Feldt, ya que la épsilon calculada fue 1.

Además, en el siguiente cuadro se obtuvo una significancia > 0.05. Por lo tanto, podemos

emplear una esfericidad asumida en el siguiente cuadro para el análisis de varianzas intra-

sujetos.
Para la variable inter-sujetos, se muestra el siguiente cuadro:

Conclusiones
 De los resultados del ANOVA intra-sujetos, se concluye que no existe diferencia
significativa entre las medias de los efectos producidos en cada periodo (sig. >
0.05)
  De los resultados del ANOVA inter-sujetos, se concluye que no existe diferencia
significativa entre el tipo de secuencia (sig. > 0.05), por lo tanto, no influye si el
sujeto se somete a ABB o BAA.

e. Calcule el contraste entre las drogas A y B junto con el error estándar. ¿Difieren A y B de
manera significativa respecto de la diastólica?
Se realizó una prueba de contraste entre las drogas A y B entre los diferentes periodos.
Para esto se modificó la entrada de datos para especificar el tipo de droga usado en cada
periodo:
Luego, nos dirigimos a Analizar > Modelo lineal general > Univariado

En el apartado contrastes seleccionamos simple:

 Luego, se obtienen los siguientes resultados.

Del cuadro de contrastes se obtiene que no existe diferencia significativa entre el efecto
de las drogas A y B, puesto que el valor de la significancia es > 0.05. Esto ratifica las
conclusiones obtenidas en el ANOVA de las variables intra e inter sujetos.

f. Obtenga las gráficas residuales para el análisis e interprételas.

 Conclusiones:

 De los gráficos residuales para cada periodo, se concluye que siguen una
distribución lineal.
 Según el modelo empleado las respuestas predichas son bastante semejantes a las
respuestas observadas.

Capítulo 17

Problema 2:

Un nutriólogo realizó un experimento para evaluar los efectos de cuatro

complementos vitamínicos en el aumento de peso de animales de

laboratorio. El experimento se realizó con un diseño totalmente aleatorizado,

con cinco animales, en jaulas separadas, para cada tratamiento. Como el

consumo de calorías difiere entre los animales e influye en el aumento de

peso, el investigador lo midió en cada animal. Los datos del aumento de peso

(y=gramos) y el consumo de calorías (x=calorías/10) son:

Construimos nuestra tabla en Excel:

Dieta y x
1 48 35
1 67 44
1 78 44
1 69 51
1 53 47
2 65 40
2 49 45
2 37 37
2 73 53
2 63 42
3 79 51
3 52 41
3 63 47
3 65 47
3 67 48
4 59 53
4 50 52
4 59 52
4 42 51
4 34 43

a) Para la covarianza:
n Dieta x
1 1 35
2 1 44
3 1 44
4 1 51
5 1 47
6 2 40
7 2 45
8 2 37
9 2 53
10 2 42
11 3 51
12 3 41
13 3 47
14 3 47
15 3 48
16 4 53
17 4 52
18 4 52
19 4 51
20 4 43

Hacemos el promedio de ambos:

n Dieta x
1 1 35
2 1 44
3 1 44
4 1 51
5 1 47
6 2 40
7 2 45
8 2 37
9 2 53
10 2 42
11 3 51
12 3 41
13 3 47
14 3 47
15 3 48
16 4 53
17 4 52
18 4 52
19 4 51
20 4 43
Promedio 2.5 46.15
n Dieta x (dieta - dieta(x-xprom)
prom)
1 1 35 -1.5 -11.15
2 1 44 -1.5 -2.15
3 1 44 -1.5 -2.15
4 1 51 -1.5 4.85
5 1 47 -1.5 0.85
6 2 40 -0.5 -6.15
7 2 45 -0.5 -1.15
8 2 37 -0.5 -9.15
9 2 53 -0.5 6.85
10 2 42 -0.5 -4.15
11 3 51 0.5 4.85
12 3 41 0.5 -5.15
13 3 47 0.5 0.85
14 3 47 0.5 0.85
15 3 48 0.5 1.85
16 4 53 1.5 6.85
17 4 52 1.5 5.85
18 4 52 1.5 5.85
19 4 51 1.5 4.85
20 4 43 1.5 -3.15
Procedemos a multiplicar las diferencias:

n Dieta x (dieta - dieta(x-xprom)

prom) Producto
1 1 35 -1.5 -11.15 16.725
2 1 44 -1.5 -2.15 3.225
3 1 44 -1.5 -2.15 3.225
4 1 51 -1.5 4.85 -7.275
5 1 47 -1.5 0.85 -1.275
6 2 40 -0.5 -6.15 3.075
7 2 45 -0.5 -1.15 0.575
8 2 37 -0.5 -9.15 4.575
9 2 53 -0.5 6.85 -3.425
10 2 42 -0.5 -4.15 2.075
11 3 51 0.5 4.85 2.425
12 3 41 0.5 -5.15 -2.575
13 3 47 0.5 0.85 0.425
14 3 47 0.5 0.85 0.425
15 3 48 0.5 1.85 0.925
16 4 53 1.5 6.85 10.275
17 4 52 1.5 5.85 8.775
18 4 52 1.5 5.85 8.775
19 4 51 1.5 4.85 7.275
20 4 43 1.5 -3.15 -4.725
Promedio 2.5 46.15 Suma: 53.5

Sxy=Sumatoria Producto/n

Sxy: 2.675
Sx= =DESVEST.M(G2:G21)

Sy= =DESVEST.M(H2:H21)
Sx: 1.14707867
Sy: 5.37317901

Coeficiente de correlación (r)=Sxy/SxSy

( r)= =N1/(N2*N3)

r= 0.43400954
CONCLUSIONES:

Existe una correlación de 43% en la dieta directamente proporcional con el

consumo de calorías

b)
Procedemos a ordenar nuestros datos de menor a mayor como esta en la
figura
C) para realizar el análisis, nos vamos a minitab
Análisis de regresión: y vs. x
Análisis de Varianza
G SC Valor
Fuente L Ajust. MC Ajust. F Valor p
Regresión 1 391.1 391.1 2.63 0.122
 x 1 391.1 391.1 2.63 0.122
Error 18 2679.7 148.9    
  Falta de 11 1665.3 151.4 1.04 0.496
ajuste
  Error puro 7 1014.3 144.9    
Total 19 3070.8      
Resumen del modelo
S R-cuad. R-cuad. R-cuad.
 (ajustado) (pred)
12.201 12.74% 7.89% 0.00%
3
Coeficientes
EE del
Término Coef coef. Valor T Valor p FIV
Constant 19.6 24.2 0.81 0.428  
e
x 0.844 0.521 1.62 0.122 1.00
Ecuación de regresión
y = 19.6 + 0.844 x

d)
e)

en minitab:
Seleccionamos nuestras variables para la regresión:
g)
h)

ANOVA de un solo factor: y vs. Dieta

Método
Hipótesis nula Todas las medias son iguales
Hipótesis alterna No todas las medias son iguales
Nivel de α = 0.05
significancia
Se presupuso igualdad de varianzas para el análisis.

Información del factor

Facto
r Niveles Valores

Dieta 4 1; 2; 3; 4
Análisis de Varianza
Fuent G Valor
e L SC Ajust. MC Ajust. F Valor p

Dieta 3 802.0 267.3 1.89 0.173

 Error 16 2268.8 141.8    
Total 19 3070.8      
Resumen del modelo
R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)

11.908 26.12% 12.26% 0.00%

0
Medias
Diet
a N Media Desv.Est. IC de 95%

1 5 63.00 12.27 (51.71; 74.29)

2 5 57.40 14.31 (46.11; 68.69)
3 5 65.20 9.65 (53.91; 76.49)
4 5 48.80 10.89 (37.51; 60.09)
Desv.Est. agrupada = 11.9080

ANOVA de un solo factor: x vs. Dieta

Método
Hipótesis nula Todas las medias son iguales
Hipótesis alterna No todas las medias son iguales
Nivel de α = 0.05
significancia
Se presupuso igualdad de varianzas para el análisis.

Información del factor

Facto
r Niveles Valores

Dieta 4 1; 2; 3; 4
Análisis de Varianza
Fuent G Valor
e L SC Ajust. MC Ajust. F Valor p

Dieta 3 141.0 46.98 1.84 0.180

Error 16 407.6 25.47    
Total 19 548.5      
Resumen del modelo
 R-cuad. R-cuad.
S R-cuad. (ajustado) (pred)

5.0472 25.70% 11.76% 0.00%

8
Medias
Diet
a N Media Desv.Est. IC de 95%

1 5 44.20 5.89 (39.41; 48.99)

2 5 43.40 6.11 (38.61; 48.19)
3 5 46.80 3.63 (42.01; 51.59)
4 5 50.20 4.09 (45.41; 54.99)
Desv.Est. agrupada = 5.04728

Problema 4
 a)

Analizamos los datos en el software EXCEL

Modelo Lineal

Modelo completo Y i , j=μi + β ( xi , j −x ) + ei , j

Modelo reducido sin covarianza Y i , j=μi +e i , j

Modelo reducido sin efectos de tratamiento Y i , j=μ+ β ( x i , j −x )+ ei , j

b) Para el análisis hacemos uso del software InfoStat/L

Paso 1: Prueba de covarianza

Comentario: Análisis de covarianza del aumento en calificaciones con covariada con calificación

previa a la prueba del estudio de efectos del bacillus un insecticida químico estándar.

c) Regresión

Paso 1

Paso 2
Paso 3
 Paso 4

Gráfico de covarianza (software InfoSatat/L)

d) Analizamos los resultados con ajustes variados

e) Eficiencia de ajuste covariado

f) Distribución de la variable de respuesta

Teniendo en cuenta la distribución de cada variable correctiva

Paso 1 Paso 2
 Paso 3

Comentario: Observamos que la variable no presenta una distribución normal, lo cual hace

necesario la toma de acciones correctivas en las suposiciones de varianza homogénea y

distribución normal de errores.