1.

Distribuciones más comunes

1.2 Distribución normal

La distribución normal es una distribución con forma de campana donde las

desviaciones estándar sucesivas con respecto a la media establecen valores de referencia
para estimar el porcentaje de observaciones de los datos. Estos valores de referencia son
la base de muchas pruebas de hipótesis, como las pruebas Z y t (Minitab, 2019).

Fig 1. Histograma de una distribución normal hipotética

Ejemplo:
La estatura de todos los adultos masculinos que residen en el estado de
Pennsylvania siguen aproximadamente una distribución normal. Por lo tanto, la
estatura de la mayoría de los hombres estará cerca de la estatura media de 69
pulgadas. Un número similar de hombres serán un poco más altos y un poco más
bajos que 69 pulgadas. Solo unos pocos serán mucho más altos o mucho más bajos.
La desviación estándar es de 2.5 pulgadas.
 Fig 2. Histograma de una distribución normal en base a la estatura

2. Pruebas estadísticas

2.1 Paramétricas
2.1.1 Diseños experimentales
2.1.1.1 Diseño completamente al azar
2.1.1.2 Diseño de bloques completamente al azar

Es el diseño experimental de mayor uso ya que tiene grandes ventajas si él número

de tratamiento no excede de 15, se pueden agrupar las unidades experimentales en
estratos o bloques uniformes logrando que la variabilidad de las unidades
experimentales sea mínima a un que la variabilidad entre los estratos y bloques sea
alta, en este diseño el número de unidades experimentales dentro de un bloque tiene
que ser igual al número de tratamientos por investigar (León, 2002).

El diseño en bloques completamente al azar se usa en los casos siguientes:

 Cuando el número de tratamientos es de 3 a 15.
 Cuando el número de tratamientos es de 3 a 5, en cuyo caso deben tenerse como
mínimas seis repeticiones para contar con suficientes grados de libertad del error
experimental.
 Cuando se conoce el gradiente de la variabilidad, en cuyo caso los bloques deben
orientarse perpendicularmente al gradiente y las unidades experimentales deben
tener su mayor dimensión en la misma dirección y sentido que dicho gradiente.

EJEMPLO:

En un trabajo realizado el 2012 se comparó el efecto de varios herbicidas sobre el

peso de las flores de gladiolos. El peso promedio por inflorescencia en onzas se da a
continuación:

Para cuatro tratamientos:

Tratamiento Bloques tratamiento

 1 2 3 4 Total𝑦𝑖 .
Control 1,25 1,73 1,82 1,31 6,11
2.4-DTCA 2,05 1,56 1,68 1,69 6,98
DN/Cr 1,95 2 1,83 1,81 7,59
Sesin 1,75 1,93 1,7 1,59 6,97
total de Bloque𝒚.𝒋 7 7,22 7,03 6,4 𝟐𝟕, 𝟔𝟓

a) Modelo aditivo lineal y explique sus componentes

𝜸𝒊𝒋 = 𝝁 + 𝝉𝒊 + 𝜷𝒋 + 𝜺𝒊𝒋

𝜸𝒊𝒋 = efecto del peso en las flores gladiolo

𝝁 = Efecto de la media en el peso de los gladiolos

𝝉𝒊 = Efecto del tipo de hervicida en el peso de los gladiolos

𝜷𝒋 = Efecto de los Bloques en el peso de los gladiolos𝑗

𝜺𝒊𝒋 = Efecto del error experimental

b) Cuál es la hipótesis nula y alterna en términos estadísticos agronómicos

c) 𝑯𝟎 : 𝝁𝒊 = 𝝁𝒋 i ≠ 𝒋 𝒍os herbicidas no tienen efecto sobre el peso de las flores

gladiolo
d) 𝑯𝒂 : 𝝁𝒊 ≠ 𝝁𝒋 Al menos uno de los herbicidas tiene efecto sobre el peso de las flores
de gladiolo

e) Realice el análisis de varianza y diga si es conveniente ejecutar prueba de

comparaciones múltiples de tratamientos y porque.

Análisis de varianza
𝑌..2 27.652
 SC total= ∑𝑏𝑖=1 ∑𝑡𝑖=1 𝑌𝑖𝑗 − = 1.252 + 2.052 + 1.952 + ⋯ + 1.592 - = 0.7488
𝑏𝑡 16

∑ 𝑦2𝑗 𝑦 2 ..
 SC bloque = − = (6.112+6.982+7.592+6.972 )/4 – 27.652/16 =0.0925
𝑡 𝑏𝑡

∑ 𝑦2𝑗 𝑦 2 ..
 SC trata = 𝑏
− 𝑏𝑡
= (72+7.222+7.032+6.42 )/4 – 27.652/16 =0.277

 SC error =SC total – SC bloq – SC trat= 0.75-0.28-0.095= 0.3764

 fuente de Suma de cuadrados grados de libertad Cuadrados medios CM
variación (f y) (SC) (gl) SC/gl 𝑭𝒄 = CM/CME
0.09467
= 0.031557 𝐶𝑀𝐵𝑙 0.031557
Bloques 0.09256 𝐛−𝟏 = 4−1= 𝟑 3 = =
𝐶𝑀𝐸 0.4182
0.075
Tratamientos
0.277 𝐭−𝟏 =4−1=3 0.2777 𝐶𝑀𝑇 0.092567
= 0.092567 =
3 𝐶𝑀𝐸 0.4182
= 𝟎. 𝟐𝟐

Total 0.7488 B*t-1 = 4x4-1 = 15 0.7488

= 0.04992
15

Error 0.3764 (b-1)*(t-1)=3x3 =9 0.3764

= 0.4182
9

𝑡𝑎𝑏𝑙𝑎
Rechazar 𝑯𝟎 si 𝐹𝑐 > 𝐹(𝑔𝑙𝑇𝑟𝑎𝑡;𝑔𝑙𝐸)∝ = 𝟎. 𝟐𝟐 > 𝟑. 𝟖𝟔

Conclusión: existe evidencia estadística para afirmar que no existe diferencia significativa
entre tratamientos con un nivel de 5% de significación; por lo tanto no es conveniente
utilizar pruebas de comparaciones múltiples de tratamiento

2.1.1.3 Diseño cuadrado latino

Este diseño tiene grandes aplicaciones en la industria y en la agricultura, es muy

eficiente cuando el número de tratamientos está entre 4 y 10. Nos permite delimitar
con seguridad los efectos relativos de varios tratamientos, esto cuando se impone a
las unidades experimentales una restricción de tipo doble bloqueo. Desde este punto
de vista el diseño cuadrado latino es una extensión lógica del diseño en bloques al
azar (León, 2002).
 EJEMPLO:

Se realizó un experimento para observar el rendimiento en kilogramos por parcela

de 5 variedades de garbanzo (A, B, C, D) en el cual se tuvo que utilizar el diseño
cuadrado latino. Las filas fueron definidas como niveles de riego y las columnas
como fertilidad del suelo.

NIVELES FERTILIDAD DEL SUELO

DE RIEGO 1 2 3 4 5 TOTAL
1 B=65 C=80 A=55 E=83 D=80 363
2 C=95 A=60 E=94 D=95 B=62 406
3 A=63 E=98 D=79 B=69 C=100 409
4 E=97 D=94 B=46 C=71 A=42 350
5 D=76 B=54 C=106 A=36 E=96 368
TOTAL 396 386 380 354 380 1896
Realizar el respectivo cuadro ANVA y su respectiva hipótesis.

 EVALUACIÓN DE SUPUESTO MODELO

𝜸𝒊𝒋 = 𝝁 + 𝜶𝒊 + 𝜷𝒋 +𝝉𝒌 + 𝜺𝒊𝒋𝒌

Si cumple con los requisitos de linealidad, aditivita, aleatoriedad, repetición, control local,
independencia.

𝜸𝒊𝒋 = variable respuesta aumento del rendimiento en kilogramos por parcela.

𝝁 = efecto de la media en el rendimiento.

𝝉𝒌 = efecto del tratamiento

𝜷𝒋 = efecto de la columna (fertilidad del suelo)

𝜶𝒊 = efecto de la fila (niveles de riego)

𝜺𝒊𝒋𝒌 = error experimental

Supuestos: linealidad, aditividad, independencia, igualdad de varianzas, normalidad.

 ANALISIS DE VARIANZA.
 Columnas.  Filas
𝑯𝟎 : 𝜷 𝒋 = 𝟎 𝑯𝟎 : 𝜶𝒊 = 𝟎
𝑯𝒂 : 𝜷 𝒋 ≠ 𝟎 𝑯𝒂 : 𝜶𝒊 ≠ 𝟎
  Tratamientos. Estadística de prueba “F”
𝑯𝟎 : 𝝁 𝒊 = 𝝁 𝒋 i ≠ 𝒋 Nivel de significación α=5%
𝑯𝒂 : 𝝁𝒊 ≠ 𝝁𝒋 (Al menos una es Columnas r=5
Tratamientos = 5 n=5
diferente)

Cuadro ANVA
fuente de Suma de grados de libertad Cuadrados medios
variación (f) cuadrados (SC) (gl) CM SC/ gl 𝑭𝒄 = CM/CME
Bloques (filas) 569.35 n-1=4 142.25 0.344
Bloque (columna) 192.96 n-1= 4 48.24 0.116

Tratamiento 3934.36 n-1= 4 983.59 0.238

Error 4960.68 (n-1)(n-2)=12 413.39
Total 9657.36 N2 -1=24 402.39

𝑌..2 18962
 SC total= ∑𝑏𝑖=1 ∑𝑡𝑖=1 𝑌𝑖𝑗 − = 652 + 952 + ⋯ + 962 - = 9657.36
𝑛∗𝑛 25

∑ 𝑦2𝑗 𝑦 2 ..
 SC filas = 𝑛
− 𝑛∗𝑛= (3632+4062+4092+…..+3682)/5 – 18962/25= 569.36

∑ 𝑦2𝑗 𝑦 2 ..
 SC columna = 𝑛
− 𝑛∗𝑛= (3962+3862+3802+…+3802 )/5 – 18962/25 =192.96

∑ 𝑦2𝑘 𝑦 2 ..
 SC trata = 𝑛
− 𝑛∗𝑛= (2562+2962+4522+…+4242 )/5 – 18962/25 =3934.36

SC error =SC total – SC bloq – SC trat = 9657.36 – 569.36 – 192.96 – 3934.36 = 4960.68
A B C D
63 65 95 76
60 54 80 94
55 46 106 79
36 69 71 95
42 62 100 80
256 296 452 424

 Decisión: Rechazar si Fc > F(n-1),(n-1)(n-2)α tabla

FILAS COLUMNAS TRATAMIENTOS

Aceptamos H0 Aceptamos H0 Aceptamos H0
niveles de riego Fertilidad del suelo. Tratamiento
No Existe diferencia No existe diferencia No existe diferencia
significativamente los significativa en la fertilidad significativa en los
niveles de riego del suelo tratamientos
2.1.2 Prueba de comparación de promedios

2.1.2.1 Prueba de Duncan

El Test de Duncan es un test de comparaciones múltiples. Permite comparar las

medias de los t niveles de un factor después de haber rechazado la Hipótesis nula
de igualdad de medias mediante la técnica ANOVA. Todos los tests de
comparaciones múltiples son tests que tratan de perfilar, tratan de especificar,
tratan de concretar, una Hipótesis alternativa genérica como la de cualquiera de los
Test ANOVA. Para saber el número de medias implicadas en la comparación se
ordenan las medias muestrales de menor a mayor y así al hacer una comparación
entre dos medias sabremos además de las dos medias comparadas cuantas medias
quedan dentro. Este número de medias implicadas en cualquier comparación de
medias es el parámetro p de este umbral (León, 2002).

EJEMPLO:

Con la finalidad de estudiar el efecto de 5 raciones para ganado ovino, se llevó a

cabo un experimento conducido en D. C. A. Los resultados del incremento en
peso (en Kg.) al final del experimento se presentan a continuación.

Observaciones RACIONES (i)

(j) R1 R2 R3 R4 R5
1 4.228 4.529 4.994 5.626 4.891
2 4.330 4.956 4.373 5.373 5.142
3 3.791 4.160 5.642 4.932 5.002
4 4.008 4.650 5.124 4.843 3.992
5 3.910 3.891 4.562 5.217 4.810
TOTAL 20.267 22.186 24.695 25.991 23.837
116.976
MEDIA 4.0534 4.4372 4.939 5.1982 4.7674
a) Utilice la Prueba de Duncan para comprobar la ración 2 con la ración 3. Use
α=0.05

GRADOS
FUENTE DE SUMA DE CUADRADO
DE Fc
VARIACIÓN CUADRADOS MEDIO
LIBERTAD
Tratamiento 3,9741 4 0,9935 6,3788
Error 3,1151 20 0,1558
Total 7,0892 24
PRUEBA DE DUNCAN

H0: µR2 = µR3

Ha: µR2 ≠ µR3  𝑨𝑬𝑺𝑫 (glE; P)α: De tabla
Duncan
 α=0.05  glE = 20
 α = 0.05
𝑨𝑳𝑺𝑫 = 𝑨𝑬𝑺𝑫 (𝓼𝒙̅𝑹𝟐 −𝒙̅𝑹𝟑 )  P=t–1=5–
1=4
𝟐𝑪𝑴𝑬
 𝓼𝒙̅𝑹𝟐 −𝒙̅𝑹𝟑 = √ =
𝒓

𝟐𝒙𝟎.𝟏𝟓𝟓𝟖
√ = 𝟎. 𝟐𝟒𝟗𝟔
𝟓

P 2 3 4 5
𝑨𝑬𝑺𝑫 2.95 3.10 3.18 3.25
𝑨𝑳𝑺𝑫 0.73632 0.77376 0.79372 0.8112

𝒕(𝒕−𝟏) 5(4)
Comparaciones = = 𝟏𝟎
𝟐 2

Ordenando promedios (ascendente)

R1 R2 R5 R3 R4
4.0534 4.4372 4.7674 4.939 5.1982

Comparación con tratamientos ordenados

H0 |𝒙 ̅𝟑 |
̅̅̅𝟐 − 𝒙 P ALSD Decisión Significación
µ2 = µ3 0.5018 3 0.77376 Acepta H0 0
Conclusión: La evidencia estadística no permite afirmar que exista diferencia significativa
entre el efecto de la ración 2 y la ración 3 sobre el aumento en peso del ganado ovino.

3. Bibliografía

 León, 2002. Manual de aplicación de los diseños experimentales básicos en el

paquete ncss. Trabajo recepcional (practico educativo) que como requisito parcial
para obtener el diploma de esta especialización. Universidad veracruzana. Facultad
de estadistica e informatica especialización en métodos
estadísticos.Xalapa.Veracruz.pp 28,39.

 Minitab, 2019. ¿Qué es la distribución normal? Consultado el 13 de abril del 2019.

En línea:

https://support.minitab.com/es-mx/minitab/18/help-and-how-to/statistics/basic-
statistics/supporting-topics/normality/what-is-the-normal-distribution/