Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
CARACTERÍSTICAS:
Los tratamientos se distribuyen en forma aleatoria en todas las unidades
experimentales, y el número de repeticiones o unidades por tratamiento puede ser
igual o diferente.
Este diseño es útil cuando las unidades experimentales presentan una variabilidad
uniformemente repartida.
El diseño completamente al azar proporciona el máximo número de grados de
libertad para la estimación del error experimental; además no requiere estimar datos
faltantes, es decir, el diseño puede analizarse con diferente número de repeticiones
por tratamiento.
ARREGLO DE CAMPO:
Supongamos que se desea evaluar cuatro variedades de una proteína en un lote
homogéneo, con cuatro repeticiones. Al sortear aleatoriamente las cuatro variedades (A,
B, C y D), cada una tiene la misma posibilidad de ocupar cualquiera de las unidades
experimentales en que se divide el lote, por ejemplo:
C B D A
A B C D
D A B C
D C A B
Ejemplo
Suponga que tenemos 4 dietas diferentes que queremos comparar. Las dietas están
etiquetadas A, B, C y D.
Estamos interesados en estudiar si las dietas afectan la tasa de coagulación en conejos. La
tasa de coagulación es el tiempo en segundos que tarda una cortada en dejar de sangrar.
Tenemos 16 conejos para el experimento, por lo que usaremos 4 en cada dieta.
Los conejos están en una jaula grande hasta que se inicie el experimento, momento en
que se transferirán a otras jaulas.
MÉTODO 1:
Supongamos que los conejos se atrapan "al azar". Atrapamos cuatro conejos y los
asignamos a la dieta A. Atrapamos otros cuatro y los asignamos a la dieta B y así
sucesivamente.
Dado que los conejos fueron "atrapados al azar", esto producirá un diseño
completamente al azar.
MÉTODO 2:
Atrape a todos los conejos y etiquételos del 1 al 16. Seleccione cuatro números aleatorios
(sin reemplazo) del 1 al 16 y ponga los conejos con esa etiqueta en una jaula que recibirá
la dieta A.
Entonces, seleccione otros cuatro números aleatorios y ponga los conejos
correspondientes en otra jaula que recibirá la dieta B.
Así sucesivamente hasta tener cuatro jaulas con cuatro conejos en cada una.
MÉTODO 3:
En una urna ponga las letras A, B, C y D en pedazos de papel separados. Atrape un conejo,
saque un pedazo de papel al azar de la urna y asigne el conejo a la dieta que indique el
papel. No reemplace el papel. Atrape el segundo conejo y seleccione al azar otro pedazo
de papel de la urna de los tres que quedan.
Asigne el conejo a la dieta correspondiente. Continúe hasta que los primeros cuatro
conejos sean asignados a una de las cuatro dietas. De esta manera, todos los conejos
lentos tienen diferentes dietas.
Coloque otra vez los cuatro pedazos de papel en la urna y repita el procedimiento hasta
que los 16 conejos estén asignados a una dieta.
VENTAJAS
a) Es simple de planificar.
b) El número de repeticiones puede variar de tratamiento a tratamiento.
c) Existe más grados de libertad para estimar el error experimental.
d) Es flexible en cuanto al número de repeticiones y tratamientos.
e) Es útil cuando la unidad experimental tiene una variabilidad uniforme repartida
f) Cuando se pierde alguna parcela experimental se puede considerar que se tiene
diferente número de repeticiones por tratamiento.
g) El error experimental puede obtenerse separadamente para cada tratamiento para
comprobar la suposición de Homogeneidad del error.
DESVENTAJAS
a) Es más apropiado para pequeño número de tratamientos y para un material
experimental homogéneo y uniformemente distribuido.
b) No se puede controlar el Error Experimental por lo tanto, no es un Diseño muy
preciso.
c) Cuando se tiene diferente número de repeticiones por tratamiento, es necesario
calcular un Error estándar para cada pareja de medias si se quiere comparar sus
diferencias.
ANÁLISIS DE VARIANZA
Es una técnica matemática que nos permite descomponer una Fuente de Variación Total
en sus componentes atribuibles a fuentes de variación conocida.
El cuadro de análisis de varianza (ANVA) es un arreglo dado por las fuentes de variación,
seguido de los grados de libertad, de las sumas de cuadrados, de los cuadrados medios de
cada componente, así como del valor F y su probabilidad de significación ( valor P).
Como se observa el efecto del tratamiento puede ser fijo, aleatorio o mixto.
2) Nivel de Significancia
α=0.05 (5%) ó α=0.01 (1%)
𝐶𝑀
3) Estadístico de Prueba 𝐹𝑐 = 𝐶𝑀 𝑡𝑟𝑎𝑡.
𝑒𝑟𝑟𝑜𝑟
4) Regla de Decisión
𝑛
Si 𝐹𝑐 ≤ 𝐹𝑛21,𝛼 se acepta la hipótesis nula (H0)
𝑛
Si 𝐹𝑐 > 𝐹𝑛21,0.05 se rechaza la hipótesis nula (H0), representándose por un asterisco
(*), lo cual significa que la prueba es significativa.
𝑛
Si 𝐹𝑐 > 𝐹𝑛21,0.01 se rechaza la hipótesis nula (H0), representándose por dos
asteriscos (**), lo cual significa que la prueba es altamente significativa.
5) Conclusión
De acuerdo al enunciado
Solución:
El esquema de la matriz de datos a ser procesada es:
TURNO
OBSERVACIONES MATUTINO VESPERTINO NOCTURNO TOTAL
(1) (2) (3)
1 16 11 15 41
2 17 12 08 36
3 18 13 09 39
4 19 14 13 45
5 20 15 14 48
TOTAL 90 65 59 209
Promedio 18 13 11.8 45.8
Es decir:
H0: no existe diferencia significativa entre los tratamientos
H1: existe diferencia significativa entre los tratamientos
2) Nivel de Significancia.
α=0.05
3) Estadístico de Prueba
Los cálculos necesarios son:
Grados de libertad de tratamientos (turnos) : t-1 = 3-1 = 2
Grados de libertad del error experimental : t(r-1) = 3(5-1) = 12
Grados de libertad del total : tr-1 = (3) (5)-1 = 14
Factor de corrección:
𝑌..2 (214)2 45796
𝑇𝐶 = = = = 3053.07
𝑡𝑟 (3)(5) 15
𝑡
𝑌𝑖.2 𝑌..2 902 + 652 + 592
𝑆𝐶𝑡𝑟𝑎𝑡 =∑ − = − 3053.07 = 108.13
𝑟 𝑡𝑟 5
𝑖=1
𝐶𝑀𝑡𝑟𝑎𝑡. 54.06
𝐹𝑐 = = = 11.03
𝐶𝑀𝑒𝑟𝑟𝑜𝑟 4.90
4) Regla de Decisión
Como 𝐹𝑐 = 11.03 > 𝐹12,0.95
2
= 3.89 se rechaza la hipótesis nula (H0) y se acepta la
hipótesis alterna (H1), es decir la prueba es significativa.
5) Conclusión
Existe diferencia significativa entre los rendimientos por turno, es decir las notas de
estadística en pruebas objetivas cortas dependen de la hora de realización de la
prueba.
EJEMPLO 2: Se desea probar la hipótesis de que los tiempos de activado de veinte baterías
térmicas, dependen de 4 tratamientos. Para ello se han escogido, cinco baterías asignadas
al azar a cada tratamiento. Los resultados son:
1 2 3 4
73 74 68 71
73 74 69 71
75 74 69 72
75 74 69 72
75 75 70 73
Realizar el procedimiento para la prueba de hipótesis.
Diseño de tratamientos:
1. Aire ambiental con envoltura plástica
2. Empacado al vacío
3. Mezcla de gases:
1% CO (monóxido de carbono)
40% O2 (oxígeno)
59% N (nitrógeno)
4. 100% CO2 (bióxido de carbono)
Pregunta estadística: ¿Cuál modelo describe mejor los resultados del experimento?
Total ∑ 𝑟𝑖 − 1 ∑ ∑ 𝑌𝑖𝑗2 − 𝑇𝐶
𝑖=1 𝑖=1 𝑗=1
𝑡 𝑟
𝑆𝐶𝑡𝑜𝑡𝑎𝑙 = ∑ ∑ 𝑌𝑖𝑗2 − 𝑇𝐶
𝑖=1 𝑗=1
PADRES
Observaciones
1 2 3 4 5 6 7 8 9
1 3.6 3.5 3.0 3.0 3.3 4.3 4.1 3.0 3.6
2 3.0 4.2 3.6 3.2 2.8 1.9 3.2 3.2 3.6
3 3.1 3.4 4.2 2.2 4.0 3.1 3.4 3.9 3.8
4 4.0 3.0 2.2 4.1 3.0 3.4 3.2 4.0
5 4.0 4.4 3.4 3.8 3.2 3.9 3.7
6 3.8 3.8 3.5 3.0 4.0 2.4
7 3.8 2.2 3.0 4.0 4.1 2.8
8 4.3 4.2 3.7 3.6 3.6
9 3.8 3.5 3.8
10 3.4 4.2
11 3.8 4.2
12 3.9 3.9
13 3.3
14 3.6
15 3.2
Es decir:
H0: no existe diferencia significativa entre los tratamientos
H1: existe diferencia significativa entre los tratamientos
2) Nivel de Significancia
α=0.05
3) Estadístico de Prueba
𝐶𝑀
Será 𝐹𝑐 = 𝐶𝑀 𝑡𝑟𝑎𝑡 ∼ a una distribución F con n1 y n2 grados de libertad
𝑒𝑟𝑟𝑜𝑟
4) Regla de Decisión
5) Cálculos
El esquema de la matriz de datos a ser procesada, para los cálculos es:
PADRES
Observaciones
1 2 3 4 5 6 7 8 9
1 3.6 3.5 3.0 3.0 3.3 4.3 4.1 3.0 3.6
2 3.0 4.2 3.6 3.2 2.8 1.9 3.2 3.2 3.6
3 3.1 3.4 4.2 2.2 4.0 3.1 3.4 3.9 3.8
4 4.0 3.0 2.2 4.1 3.0 3.4 3.2 4.0
5 4.0 4.4 3.4 3.8 3.2 3.9 3.7
6 3.8 3.8 3.5 3.0 4.0 2.4
7 3.8 2.2 3.0 4.0 4.1 2.8
8 4.3 4.2 3.7 3.6 3.6
9 3.8 3.5 3.8
10 3.4 4.2
11 3.8 4.2
12 3.9 3.9
13 3.3
14 3.6
15 3.2
TOTAL 33.4 24.5 16.4 8.4 28.7 12.3 28 43.5 53.7
ri 9 7 5 3 8 4 8 12 15
∑(𝑟𝑖 − 1) = 62
𝑖=1
Grados de libertad del total:
𝑡
∑ 𝑟𝑖 − 1 = 70
𝑖=1
Factor de corrección:
(248.90)2
𝑇𝐶 = = 872.55
71
𝐶𝑀𝑡𝑟𝑎𝑡. 0.397
𝐹𝑐 = = = 1.35
𝐶𝑀𝑒𝑟𝑟𝑜𝑟 0.295
6) Conclusión
Como 𝐹𝑐 = 1.35 ≤ 𝐹62,0.95
8
= 2.09 se acepta la hipótesis nula (H0) y se rechaza la
hipótesis alterna (H1), es decir no existen evidencias estadísticas significativas
entre los diferentes tratamientos o padres que se sometieron al estudio. La
prueba no es significativa.
7) Interpretación
No existe diferencia significativa entre los tratamientos (padres) que se sometieron
al estudio, es decir los pesos vivos al nacimiento no dependen del padre por lo tanto
se puede tomar cualquiera de los padres para las siguientes generaciones.
CARACTERÍSTICAS
Se debe tener claro que en este tipo de diseños existen dos tipos de análisis uno referente
a las unidades y otro referente a las subunidades, generando las fuentes de variabilidad
que contribuyen a formar la varianza para las comparaciones entre los promedios de los
tratamientos, estas son:
ANÁLISIS ESTADÍSTICO
Teniendo en cuanta t niveles de un factor (tratamientos), r repeticiones y m submuestras
por repetición Yijk (i=1, 2, 3, …, t; j=1, 2, 3, …, r: k=1, 2, 3, …, s) se considera como la
Donde:
Yijk = Es la variable respuesta de la k-ésima muestra (subunidad) de la j-ésima unidad
experimental, sujeto al i-ésimo tratamiento.
µ = Es la media general poblacional o constante común.
i = Es el verdadero efecto del i-ésimo tratamiento.
ij = Es el efecto verdadero de la j-ésima unidad experimental sujeta al i-ésimo
tratamiento.
ij = Es el verdadero efecto aleatorio del error muestral en la k-ésima subunidad, de la j-
ésima unidad experimental, sujeta al i-ésimo tratamiento.
TABLA DE ANVA
F. de V. G.L. S.C. C.M. Fc
𝑡
Tratamientos 𝑌𝑖..2 𝑌...2 𝑆𝐶𝑡𝑟𝑎𝑡. 𝐶𝑀𝑡𝑟𝑎𝑡.
t-1 ∑ −
(entre grupos) 𝑟𝑠 𝑡𝑟𝑠 𝑡−1 𝐶𝑀𝑒𝑒
𝑖=1
Error experimental 𝑡 2𝑟 𝑡
𝑌𝑖𝑗. 𝑌𝑖..2 𝑆𝐶𝑒𝑒 𝐶𝑀𝑒𝑒
(unidades dentro t(r-1) ∑∑ −∑
𝑠 𝑟𝑠 𝑡(𝑟 − 1) 𝐶𝑀𝑒𝑚
de grupos) 𝑖=1 𝑗=1 𝑖=1
𝑡 𝑟 𝑠 𝑡 𝑟 2
2
𝑌𝑖𝑗. 𝑆𝐶𝑒𝑚
Error de muestreo tr(s-1) ∑ ∑ ∑ 𝑌𝑖𝑗𝑘 − ∑∑
𝑠 𝑡𝑟(𝑠 − 1)
𝑖=1 𝑗=1 𝑘 𝑖=1 𝑗=1
𝑡 𝑟 𝑠
2
𝑌...2
Total trs-1 ∑ ∑ ∑ 𝑌𝑖𝑗𝑘 −
𝑡𝑟𝑠
𝑖=1 𝑗=1 𝑘=1
Dosis I II III IV
24 19 18 23
0 23 21 19 22
21 24 22 20
24 21 23 19
2 TM/ha 19 22 18 21
23 24 22 23
25 31 28 34
4 TM/ha 28 24 32 33
30 32 36 29
56 62 61 62
6 TM/ha 65 60 60 60
58 59 64 61
Solución:
El esquema de la matriz de datos a ser procesada es:
Dosis I II III IV Yi..
24 19 18 23
0 23 21 19 22
21 24 22 20
Y1j. Y11.=68 Y12.=64 Y13.=59 Y14.=65 Y1..=256
24 21 23 19
2 TM/ha 19 22 18 21
23 24 22 23
Y2j. Y21.=66 Y22.=67 Y23.=63 Y24.=63 Y2..=259
25 31 28 34
4 TM/ha 28 24 32 33
30 32 36 29
Y3j. Y31.=83 Y32.=87 Y33.=96 Y34.=96 Y3..=362
56 62 61 62
6 TM/ha 65 60 60 60
58 59 64 61
Y4j. Y41.=179 Y42.=181 Y43.=185 Y44.=183 Y4..=728
Y…=1605
2) Nivel de Significancia.
α=0.01
3) Estadístico de Prueba
𝐶𝑀𝑡𝑟𝑎𝑡
Será 𝐹𝑐 = ∼ a una distribución F con (t-1) y t(r-1) grados de libertad
𝐶𝑀𝑒𝑒
4) Regla de Decisión
5) Cálculos
Los cálculos necesarios son:
Grados de libertad Entre grupos (tratamientos) : t-1 = 4 - 1 = 3
Grados de libertad de las unid. Dentro de grupos : t(r-1) = 4(4 - 1) = 12
Grados de libertad del error de muestreo : tr(s-1) = (4)(4)(3 - 1) = 32
Grados de libertad del total : trs – 1= (4)(4)(3) – 1 = 47
Factor de corrección:
𝑌...2 (1605)2 2576025
𝑇𝐶 = = = = 53667.188
𝑡𝑟𝑠 (4)(4)(3) 48
6) Conclusión
Para tratamientos
Como 𝐹𝑐 = 734.4 > 𝐹3,12,0.95 = 3.49 se rechaza la hipótesis nula (H0) es decir se
rechaza la hipótesis de igualdad de tratamientos y se acepta la hipótesis alterna
(H1), es decir la prueba es significativa.
7) Interpretación
Existe diferencia significativa entre los tratamientos, es decir entre las diferentes
cantidades de estiércol aplicadas al suelo.
El Modelo Estadístico Lineal es similar al caso anterior solo cambia en la Tabla ANVA.
F. de V. G.L. S.C. C.M. Fc
2
ri rij
t ijk
Y
j 1 k 1 TC 𝑆𝐶𝑡𝑟𝑎𝑡 𝐶𝑀𝑡𝑟𝑎𝑡.
Tratamientos t-1 ri
𝐺𝐿𝑡𝑟𝑎𝑡 𝐶𝑀𝑒𝑒
i 1
rij
j 1`
2 2
rij ri rij
𝑡 Yijk Yijk
ri t 𝑆𝐶𝑒𝑒 𝐶𝑀𝑒𝑒
k 1 j 1 k 1
t
Error experimental ∑(𝑟𝑖 − 1)
rij ri
𝐺𝐿𝑒𝑒 𝐶𝑀𝑒𝑚
𝑖=1
i 1 j 1 i 1
rij j 1
2
𝑡 𝑟𝑖 rij
ri ijk
Y 𝑆𝐶𝑒𝑚
Error de muestreo ∑ ∑( 𝑟𝑖𝑗 − 1) ri rij
Yijk2
t t
k 1`
𝐺𝐿𝑒𝑚
𝑖=1 𝑗=1 rij
i 1 j 1 k 1 i 1 j 1
𝑡 𝑟𝑖
t ri rij
2
t ri rij
Yijk
i 1 j 1 k 1 Y 2
TC
t ri
n..
rij
i 1 j 1
2) Nivel de Significancia.
α=0.05
3) Estadístico de Prueba
𝐶𝑀𝑡𝑟𝑎𝑡
Será 𝐹𝑐 = ∼ a una distribución F con n1 y n2 grados de libertad
𝐶𝑀𝑒𝑒
4) Regla de Decisión
5) Cálculos
Los cálculos necesarios son:
G. L. de los tratamientos : t-1 = 3 - 1 = 2
3
G. L. del error experimental: r 1 3 1 2 1 3 1 5
i 1
i
(r
i 1 j 1
ij 1) (5 1) (3 1) (4 1) (5 1) (4 1) (6 1) (4 1) (6 1) 29
3 ri
G. L. del total: r
i 1 j 1
ij 1 (5 3 4 5 4 6 4 6) 1 37 1 36
Factor de corrección:
2
3 ri rij
Yijk
i 1 j 1 k 1 Y 2 (653) 2
TC 11524.56757
3 ri
n.. 37
rij i 1 j 1
ri
12 9 16
i 1
r
j 1`
ij
2
ri rij
Yijk
j 1 k 1
TC 11556 .36111 11524 .56757 31 .793544
3
SC trat ri
i 1
r
j 1`
ij
2 2
rij ri rij
Yijk Yijk
3 ri 3
SCee j 1 k 1 11617.41667 11556.36111 61.05556
k 1
ri
rij
i 1 j 1 i 1
rij j 1
Y
i 1 j 1 k 1
2
ijk 15 2 17 2 14 2 15 2 18 2 11823
2
rij
Yijk
3 ri rij 3 ri
Yijk2 11823 11617.41667 205.58333
k 1`
SCem
i 1 j 1 k 1 i 1 j 1 rij
6) Conclusión
Para tratamientos (entre padres)
Como 𝐹𝑐 = 1.30 > 𝐹2,5,0.95 = 5.79 se acepta la hipótesis nula (H0) es decir acepta la
hipótesis de igualdad de tratamientos al 95% de nivel de confianza.
7) Interpretación
No existen evidencias estadísticas significativas, es decir aceptamos la hipótesis de
que los tratamientos (padres) son similares o no demuestran ser diferentes.
Microorganismo Nº 1 Microorganismo Nº 2
Determinaciones Muestra Nº Muestra Nº
1 2 3 4 1 2 3
1 5.6 5.0 5.4 5.3 7.6 7.4 7.5
2 5.7 5.0 5.4 5.5 7.6 7.0 7.6
3 5.1 5.4 7.8 7.2 7.5
4 5.5 7.4
5 5.4
En la figura siguiente, se observa que las unidades no son completamente iguales, son
heterogéneas, tal como se simboliza mediante formas diferentes.
VENTAJAS:
1) Precisión: Este diseño ha resultado más preciso que el diseño completamente al azar,
para la mayoría de los tratamientos experimentales. La eliminación de la suma de
cuadrados de bloques desde la suma de cuadrados del error usualmente resulta en un
decrecimiento en el cuadro medio del error a pesar de la pérdida de grados libres para
estimar este error. Permite ganar mayor precisión en el experimento, principalmente
cuando existe diferencias significativas entre bloques.
DESVENTAJAS:
1) La desventaja de este diseño es que no es adecuado a gran número de tratamientos y
para los casos en que el bloque contenga considerable variabilidad.
2) Cuando existe pérdida de muchas unidades experimentales, el análisis estadístico se
complica seriamente y muchas veces no es posible analizarlo.
3) No es recomendable utilizar este diseño cuando se verifica que existe interacción
entre bloques y tratamientos.
Donde:
Yij = Variable de respuesta observada en la unidad experimental ubicada en el j-ésimo
bloque que recibe el tratamiento "i"
µ = Constante común para toda la observación o media de la población.
i = Es el efecto del i-ésimo tratamiento.
ij = Término que representa el error de su respectiva Yij que se considera como la
variable aleatoria distribuida en forma normal e independiente con media cero y varianza
constante, es: 𝜀𝑖𝑗 ~ 𝐷𝑁𝐼(0, 𝜎𝑒2 ).
ANÁLISIS DE VARIANZA
De acuerdo al modelo estadístico lineal el análisis de varianza tiene 3 fuentes de
variación: Tratamientos, bloques y error experimental que juntos constituyen la
variabilidad total.
TABLA DE ANVA
S.C.
F. de V. G.L. C.M. Fc
Definición Operacional
𝑟 𝑟 𝐶𝑀𝐵𝑙𝑜𝑞𝑢𝑒
2 𝑌.𝑗2 𝑆𝐶𝐵𝑙𝑜𝑞𝑢𝑒
Bloques r-1 𝑡 ∑(𝑌̅.𝑗 − 𝑌̅.. ) 𝑆𝐶𝐵𝑙𝑜𝑞𝑢𝑒 = ∑ − 𝑇𝐶 𝐶𝑀𝐵𝑙𝑜𝑞𝑢𝑒 = 𝐶𝑀𝐸𝑟𝑟𝑜𝑟
𝑡 𝑡−1
𝑗=1 𝑗=1
𝑡 𝑡 𝐶𝑀𝑇𝑟𝑎𝑡
𝑌𝑖.2 𝑆𝐶𝑇𝑟𝑎𝑡.
Tratamientos t-1 𝑟 ∑(𝑌̅𝑖. − 𝑌̅.. )2 𝑆𝐶𝑇𝑟𝑎𝑡 = ∑ − 𝑇𝐶 𝐶𝑀𝑇𝑟𝑎𝑡 = 𝐶𝑀𝐸𝑟𝑟𝑜𝑟
𝑟 𝑡−1
𝑖=1 𝑖=1
𝑡 𝑟 𝑡 𝑟 𝑡 𝑟
Error 2 𝑌𝑖.2 𝑌.𝑗2 𝑆𝐶𝐸𝑟𝑟𝑜𝑟
(t-1)(r-1) ∑ ∑(𝑌𝑖𝑗 − 𝑌̅𝑖. − 𝑌̅.𝑗 + 𝑌̅.. ) 𝑆𝐶𝐸𝑟𝑟𝑜𝑟 2
= ∑ ∑ 𝑌𝑖𝑗 − ∑ − ∑ + 𝑇𝐶 𝐶𝑀𝐸𝑟𝑟𝑜𝑟 =
Experimental 𝑟 𝑡 (𝑡 − 1)(𝑟 − 1)
𝑖=1 𝑗=1 𝑖=1 𝑗=1 𝑖=1 𝑗=1
𝑡 𝑟 𝑡 𝑟
2
Total tr-1 ∑ ∑(𝑌𝑖𝑗 − 𝑌̅.. ) 𝑆𝐶𝑇𝑜𝑡𝑎𝑙 = ∑ ∑ 𝑌𝑖𝑗2 − 𝑇𝐶
𝑖=1 𝑗=1 𝑖=1 𝑗=1
𝑌..2 √𝐶𝑀𝑒𝑟𝑟𝑜𝑟
𝑇𝐶 = 𝑆𝐶𝐸𝑟𝑟𝑜𝑟 = 𝑆𝐶𝑇𝑜𝑡𝑎𝑙 − (𝑆𝐶𝑇𝑟𝑎𝑡. − 𝑆𝐶𝐵𝑙𝑜𝑞𝑢𝑒 ) 𝐶𝑉 = . 100
𝑡𝑟 𝑌̅..