DISEÑO CUADRADO LATINO : DCL
|
|
- Teresa Vera Vega
- hace 7 años
- Vistas:
Transcripción
1 1 DISEÑO CUADRADO LATINO : DCL El agrupamiento de las unidades experimentales en dos direcciones (filas y columnas) y la asignación de los tratamientos al azar en las unidades, de tal forma que en cada fila y en cada columna se encuentren todos los tratamientos constituye un diseño cuadrado latino. Características: 1. Las u.e. se distribuyen en grupos, bajo dos criterios de homogeneidad dentro de la fila y dentro de la columna y heterogeneidad en otra forma.. En cada fila y en cada columna, el número de unidades es igual al número de tratamientos. 3. Los tratamientos son asignados al azar en las unidades experimentales dentro de cada fila y dentro de cada columna. 4. El número de filas = número de columnas = número de tratamientos. 5. Los análisis estadísticos T-student, Duncan, Tuckey y en pruebas de contraste se procede como el diseño completo al azar y el diseño de bloques. La desviación estandar de la diferencia de promedios y la desviación estandar del promedio, están en función del cuadrado medio del error experimental. El nombre de cuadrado Latino se debe a R.A. Fisher [The Arrangement of Field Experiments, J. Ministry Agric., 33: (196)]. Las primeras Aplicaciones fueron en el campo agronómico, especialmente en los casos de suelos con tendencias en fertilidad en dos direcciones. Formación de cuadrados latinos Suponga 4 tratamientos A,B,C y D, con estos tratamientos se pueden formar 4 cuadros diferentes llamadas típicas o estandar (en la primera fila y en la primera columna se tiene la misma distribución). A B C D A B C D A B C D A B C D B A D C B C D A B D A C B A D C C D B A C D A B C A D B C D A B D C A B D A B C D C B A D C B A De cada cuadro se obtienen 144 formas diferente, en total se tienen 576 cuadros diferentes. F.de Mendiburu / 3/4/007
2 La siguiente tabla permite relacionar el numero de cuadros en función del tamaño. Tamaño Nro de Núm total del formas Valor de de cuadrados cuadrado típica n!(n-1)! diferentes 3 x x x x n = tamaño del cuadro. Asignación de tratamientos. Los tratamientos deben asignarse empleando uno de los cuadros de los posibles, es decir si son cuatro tratamientos, escoger entre los 576 posibles. Modelo estadístico. Cada observación del experimento es expresado como una relación lineal de los efectos involucrados ( tratamiento, fila y columna ), así: Y = µ i,j,k=1,,...,n +Fi+Cj+ τ(k) +error µ = efecto medio (parámetro del modelo) Fi = efecto de la fila i Cj = efecto de la columna j τ(k) = efecto del tratamiento k error = error experimental de la u.e. i,j Y = Observación en la unidad experimental El subíndice (k) indica que tratamiento k fue aplicado en la u.e. El modelo esta compuesto por n ecuaciones, una para cada observación. Estimación de parámetros. El número de parámetros a estimar es igual a 3n+1 y la estimación puede resolverse por mínimos cuadrados del error, máxima verosimilitud u otro método, en nuestro caso se utilizara el método de mínimos cuadrados del error. La función a minimizar es: F.de Mendiburu / 3/4/007
3 3 error = (Y -µ-fi-cj-τ(k)) La solución constituye el conjunto de estimadores de los parámetros del modelo, dado por: ˆ µ,fˆ i,cˆ j, ˆ τ ) para i,j,k = 1,,...,n ( k El sistema de ecuaciones que darán solución constituyen las ecuaciones normales, para tener una única solución, se agregan al sistema las siguientes restricciones: =0 ; ˆ = 0 ; = 0 ˆ Fi Cj La solución son los estimadores mínimos cuadráticos: µˆ = Y.. ˆ i=yi. -Y ˆ =Y.j-Y F.. C.. τˆ (k) = (k)-overliney.. Y y el error en cada u.e. es: τˆi Error =Y -Yi.-Y.j-Y(k) +Y.. Yi. Y.j Y(k) : Promedio de la fila i : Promedio de la columna j : Promedio del tratamiento k Sumas de cuadrados A partir del modelo estimado, la suma de cuadrados del total es descompuesto en suma de cuadrados de tratamientos, filas, columnas y error experimental: (Y - ˆ µ ) = Fˆ + Cˆ + ˆ τ + error i j (k) + dobles productos (Y - ) : Suma de cuadrados del total Fˆ i : Suma de cuadrados de filas Ĉ j : Suma de cuadrados de columnas µ F.de Mendiburu / 3/4/007
4 4 τˆ : Suma de cuadrados de tratamientos (k) error : Suma de cuadrados del error Los dobles productos son iguales a cero. Ejercicio. Probar las siguientes identidades: Y Y i... SC Fila : nf ˆ = - i n n Y Y.j.. SC Columna: nc ˆ = - j n n Aplicación: "Evaluación del sistema de riego por exudación utilizando cuatro variedades de melón, bajo modalidad de siembra, SIMPLE HILERA.". Se desea probar el comportamiento de tres variedades híbridas de melón y uno estándar. (Tesis).- autor Alberto Ángeles L. Variedades: V1 : Híbrido Mission V : Híbrido Mark. V3 : Híbrido Topfligth. V4 : Híbrido Hales Best Jumbo. Hipótesis : Ho : Efecto de variedades de melon en estudio es nulo. H1 : Al menos dos variedades tienen efectos distintos. Datos: Rendimiento en Kgs. por parcela. C1 C C3 C4 C1 C C3 C4 F F1 V1 V V3 V4 F F V4 V3 V V1 F F3 V V4 V1 V3 F F4 V3 V1 V4 V Solucion: C1 C C3 C4 Y.j F F F F Yi V1 V V3 V F.de Mendiburu / 3/4/007
5 5 Estimacion de parametros : µ : 695/16 = τ1 : 189/ = 3.81 ; τ : ; τ3 : 7.57 ; τ4 : c1 : 149/ = ;c :.565 ; c3 : ; c4 : f1 : 173/ = ; f : ; f3 :.065 ; f4 : CALCULO DE SUMAS DE CUADRADOS Termino de corrección TC = 695 ² /16 = SC(Total) = 45 ² + 50 ² ² - TC = SC(Filas) = (173 ² ² ) / 4 - TC = SC(Columna) = ( 149 ² ² ) / 4 TC = SC(Melon) = ( 189 ² ²) / 4 TC = SC(error) = SC(total) SC(filas) SC(columnas) = Promedio = 695 /16 = CM (error) = SC(error) / [(t-1)(t-)] = CV = Raiz (CM error) *100 / Promedio = 16. % Analisis de Variancia: Fuente Gl S.C. C.M. Fc Pr > F FILA COLUMNA MELON Error Total Se acepta la Hp, a un riesgo de rechazar la Hp de 0.05 Por lo tanto, no existe diferencias en el rendimiento de las variedades de melon tratadas con el sistema de riego por exudación. El coeficiente de variacion es de 16% aceptable para evaluación en campo. El rendimiento promedio del melon en condiciones experimentales resulto 43.3 kilos por parcela experimental. El rendimiento por hibrido fue el siguiente : V1 : Híbrido Mission 47.3 kilos V : Híbrido Mark. = 4.3 kilos V3 : Híbrido Topfligth kilos V4 : Híbrido Hales Best Jumbo. = 35.0 kilos F.de Mendiburu / 3/4/007
6 6 Según los resultados experimentales no existen diferencias estadísticas entre las variedades ; las diferencias se dan a un riesgo mayor de 0.10, esto significa que muy posible existen diferencias pero en este experimento no fue posible detectar por los pocos grados de libertad para el error, lo recomendable cuando se prueba un testigo, se recomienda tener mas repeticiones, en un cuadrado latino pequeño, lo recomendable es doblar el numero de parcelas del testigo ; esto significa tener en forma ficticia 5 variedades en 5 filas y 5 columnas y los grados de libertad para el error serian 4x3 = 1. En el analisis de variancia se realiza en forma normal, y para las pruebas estadísticas utilizar contrastes o dunnett. Si son pocos los tratamientos y hay inseguridad en el resultados, realizar el ajuste de bonferroni u otro ajuste de probabilidades (ver ejmplos de agricolae) Ejemplo : Suponga en este caso que la variedad V4 se dobla en el experimento y se identifica como (V4 y V5), entonces un plan podria ser : C1 C C3 C4 C5 F1 V1 V V3 V4 V5 F V4 V3 V V5 V1 F3 V V4 V5 V1 V3 F4 V3 V5 V1 V V4 F5 V5 V1 V4 V3 V El Analisis de variancia tendra las siguientes fuentes y grados de libertad : Fila 4 Columna 4 Melon 4 Error 1 Total 4 Como los tratamiento V4 y V5 son los mismos, entonces la suma de cuadrados de Melon debe ser descompuesta en : Melon 4 V4, V5 vs V1, V, V3 1 V4 vs V5 1 Entre V1, V, V3 Supuestamente no debe haber diferencia estadistica entre V4 y V5. Para el ejercicio de este proceso, suponga los siguientes totales de Variedades para el ejemplo V1 V V3 V4 V5 Y(k) SC(Melón) = (189² ²) / ² / 5 = 519. SC(V4, V5 vs V1, V, V3) = ( )² / 15 + ( ) ² / ² / 5 = SC(V4 vs V5) = 140² / ² / 5 - ( ) ² / 10 =.5 SC(V1, V, V3) = (189² +169² +197² ) / 5 - ( )² / 15 = 83. Este ultimo resultado puede ser obtenido por diferencia del total de SC(Melón) 519. ( ) = 83. F.de Mendiburu / 3/4/007
7 7 Para estos calculos tambien puede utilizar los contrastes ortogonales. V1 V V3 V4 V5 Suma Numerador Denominador SC V4,V5 vs demas V4 vs V Procedimiento R para el experimento de hibridos de Melón (datos de la tesis). Crear el archivo melon.txt con NOTEPAD y almacenar en su folder de trabajo. fila columna melon rdto 1 1 V V V V V4 9 V V 41 4 V V 37 3 V V V V V V V 41 Ingresar al programa R y ubicarse en su folder de trabajo. Ejecutar las siguientes instrucciones en el ambiente R. rm(list=ls()) datos <- read.table("melon.txt",header=true) datos[,1] <- as.factor(datos[,1]) datos[,] <- as.factor(datos[,]) datos[,3] <- as.factor(datos[,3]) modelo <-aov(rdto ~ fila + columna + melon,data=datos) modelo Call: aov(formula = rdto ~ fila + columna + melon, data = datos) Terms: fila columna melon Residuals Sum of Squares Deg. of Freedom Residual standard error: Estimated effects may be unbalanced > anova(modelo) Analysis of Variance Table F.de Mendiburu / 3/4/007
8 8 Response: rdto Df Sum Sq Mean Sq F value Pr(>F) fila columna melon Residuals cv<-cv.model(modelo) cv [1] En el caso de encontrar diferencias siginifcativas, puede realizar las comparaciones muliples de tratamientos con las funciones de agricolae. library(agricolae) gl<- 6 cm< attach(datos) # Caso LSD con t-students en grupos. compara <- LSD.test(rdto, melon, gl,cm, alpha=0.05) Study: LSD t Test for rdto... Alpha Error Degrees of Freedom Error Mean Square Critical Value of t Treatment Means melon rdto std.err replication 1 V V V V Least Significant Difference Means with the same letter are not significantly different. Groups, Treatments and means a V a V ab V 4.5 b V4 35 Una apariencia de diferencia entre tratamientos. Para hallar las probabilidades de diferencia, se realiza la comparacion sin grupos. # Caso LSD con t-students sin grupos. compara <- LSD.test(rdto, melon, gl,cm, alpha=0.05, group=false) F.de Mendiburu / 3/4/007
9 9 LSD t Test for rdto... Alpha Error Degrees of Freedom Error Mean Square Critical Value of t Treatment Means melon rdto std.err replication 1 V V V V Comparison between treatments means tr.i tr.j diff pvalue Para un conclusión correcta, se realiza el ajuste de bonferroni. # Caso LSD con el ajuste de bonferroni sin grupos. compara <- LSD.test(rdto, melon, gl,cm, alpha=0.05, group=false, p.adj="bonferroni") LSD t Test for rdto P value adjustment method: bonferroni... Alpha Error Degrees of Freedom Error Mean Square Critical Value of t Treatment Means melon rdto std.err replication 1 V V V V Comparison between treatments means tr.i tr.j diff pvalue Conclusión: No hay diferencias entre las variedades de Merlon F.de Mendiburu / 3/4/007
10 10 Para una evaluacion simulada de esta tesis, suponiendo que se realiza otro experimento en igualdad de condiciones con los siguientes datos experimentales: Crear datos: fila columna melon rdto 1 1 V V V V V4 45 V V 30 4 V V 50 3 V V V V V V V 37 Grabar con el nombre melon.txt datos <- read.table("melon.txt",header=true) datos[,1] <- as.factor(datos[,1]) datos[,] <- as.factor(datos[,]) datos[,3] <- as.factor(datos[,3]) modelo <-aov(rdto ~ fila + columna + melon,data=datos) anova(modelo) Analysis of Variance Table Response: rdto Df Sum Sq Mean Sq F value Pr(>F) fila columna melon Residuals Como se puede observar un resultado similar al experimento real. Realizando un análisis combinado de los ANVAS. Error = error1 + error Columna = columna1 + columna Filas = filas1 + filas Dado que son efectos anidados por cuadro, podemos tener con R los siguientes resultados: set1 <- data.frame(cuadro= 1, datos) set <- data.frame(cuadro=, datos) setjunto <- rbind(set1,set) F.de Mendiburu / 3/4/007
11 11 # el modelo: general <- lm(rdto ~ cuadro + fila%in%cuadro + columna%in%cuadro + melon+melon:cuadro,setjunto) anova(general) Analysis of Variance Table Response: rdto Df Sum Sq Mean Sq F value Pr(>F) cuadro melon * cuadro:fila cuadro:columna cuadro:melon Residuals Signif. codes: 0 '***' '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1 Analisis comparativo de tratamientos. Utilizando agricolae. gl<- df.residual(general) cm<- deviance(general)/gl attach(setjunto) # Caso LSD con t-students en grupos. compara <- LSD.test(rdto, melon, gl,cm, alpha=0.05, p.adj= bonferroni ) LSD t Test for rdto P value adjustment method: bonferroni... Alpha Error Degrees of Freedom Error Mean Square Critical Value of t Treatment Means melon rdto std.err replication 1 V V V V Least Significant Difference Means with the same letter are not significantly different. Groups, Treatments and means a V ab V ab V b V F.de Mendiburu / 3/4/007
Para este ensayo se requiere 12 parcelas grandes y dividirla cada una en dos subparcelas.
1 Diseño en Parcela Dividida (Split plot) El diseño consiste en dividir las parcelas en subparcelas y aplicar un grupo de tratamientos en las parcelas y otro grupo de tratamientos en las subparcelas. La
Más detallesGreco latino. Diseño. Si son los tratamientos (A, B y C) y el segundo factor de estudio es (a, b y c) el arreglo podría ser: Construyendo un greco 4x4
1 Greco latino Descripción. En este arreglo los tratamientos son agrupados en replicas en 3 diferentes vías con la consecuencia que las tres diferentes fuentes de variación se igualan para todos los tratamientos.
Más detallesFactoriales 1 EXPERIMENTOS CON FACTORIALES
Factoriales 1 EXPERIMENTOS CON FACTORIALES Los factoriales son combinaciones de factores (nitrógeno, fósforo, variedades, sustancias, niveles de concentrado, etc.) para formar tratamientos, los cuales
Más detallesDISEÑO DE BLOQUES COMPLETOS AL AZAR : DBCA
DISEÑO DE BLOQUES COMPLETOS AL AZAR : DBCA Conocido como diseño de doble vía, se aplica cuando el material es heterogéneo. las unidades experimentales homogéneas se agrupan formando grupos homogéneos llamados
Más detallesANALISIS DE COVARIANCIA
1 ANALISIS DE COVARIANCIA Es una técnica que utiliza el análisis de regresión y el análisis de variancia para manejar casos particulares, en los cuales se tienen una o más variables externas al experimento
Más detallesDISEÑOS EXPERIMENTALES DE DOS GRUPOS Y MULTIGRUPO
TEMA II ESQUEMA GENERAL Definición y clasificación del diseño experimental de grupos Diseño experimental de dos grupos: definición y clasificación Diseño experimental de dos grupos: análisis estadístico
Más detallesEstadística II Tema 4. Regresión lineal simple. Curso 2010/11
Estadística II Tema 4. Regresión lineal simple Curso 010/11 Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores
Más detallesTeoría de la decisión Estadística
Conceptos básicos Unidad 7. Estimación de parámetros. Criterios para la estimación. Mínimos cuadrados. Regresión lineal simple. Ley de correlación. Intervalos de confianza. Distribuciones: t-student y
Más detallesCapítulo III Diseños de bloques completos al azar
Capítulo III Diseños de bloques completos al azar El diseño de bloques completos al azar surge por la necesidad que tiene el investigador de ejercer un control local de la variación dado la existencia
Más detallesEconometria. 4. Modelo de Regresión Lineal Simple: Inferencia. Prof. Ma. Isabel Santana
Econometria 4. Modelo de Regresión Lineal Simple: Inferencia Prof. Ma. Isabel Santana MRLS: Inferencia Hasta ahora nos hemos ocupado solamente de la estimación de los parámetros del modelo de regresión
Más detallesANEXOS ANEXO 1. Medios de cultivo usados para mantenimiento y micropropagación de plantas in vitro de "oca".
ANEXOS ANEXO 1 Medios de cultivo usados para mantenimiento y micropropagación de plantas in vitro de "oca". Componentes Mantenimiento y micropropagación (mg / litro) MS + MS + Stock-Vitaminas (Ver anexo
Más detallesAnálisis de datos estructurados. Santiago Ulloa Datos proporcionados por: Vinicio Uday (Infostat)
Análisis de datos estructurados Santiago Ulloa Datos proporcionados por: Vinicio Uday (Infostat) Los datos Bloque Tratamiento Rendimiento 1 0 2010 1 75 2915 1 150 3049 1 225 3199 1 300 3381 2 0 1832 2
Más detallesPRUEBA DE EFICACIA POR CONTACTO DIRECTO/INDIRECTO SOBRE ADULTOS DE Tetranychus urticae, PARA INSUMOS BIOLÓGICOS DE COLOMBIA.
PRUEBA DE EFICACIA POR CONTACTO DIRECTO/INDIRECTO SOBRE ADULTOS DE Tetranychus urticae, PARA INSUMOS BIOLÓGICOS DE COLOMBIA. 1. DESCRIPCIÓN DE LA PRUEBA Estado Adulto de T. urticae UBICACIÓN: Laboratorio
Más detallesFORMULARIO. Rango intercuartílico: Diferencia entre el tercer y primer cuartil
FORMULARIO Dato: x 1, x 2,..., x N } Media: x = N i=1 x i N Rango intercuartílico: Diferencia entre el tercer y primer cuartil Varianza: 2 = N i=1 (x i x) 2 = N i=1 x2 i N x2 Deviación típica: = N i=1
Más detallesDiseño de Cuadrado Latino (DCL) Preparó: Hernán Echavarría Sánchez
Echavarría, Hernán Diseño de Cuadrados Latinos 1 de 12 Diseño de Cuadrado Latino (DCL) Preparó: Hernán Echavarría Sánchez Ya vimos que el diseño de bloques al azar, era el diseño apropiado cuando se conocía
Más detallesEstas dos clases. ANOVA I - Conceptos generales - Supuestos - ANOVA de una vía - Transformación de datos - Test a Posteriori - ANOVA de dos vías
ANOVA I 19-8-2014 Estas dos clases ANOVA I - Conceptos generales - Supuestos - ANOVA de una vía - Transformación de datos - Test a Posteriori - ANOVA de dos vías ANOVA II - ANOVA factorial - ANCOVA (análisis
Más detallesY = ßo + ß1X + ε. La función de regresión lineal simple es expresado como:
1 Regresión Lineal Simple Cuando la relación funcional entre las variables dependiente (Y) e independiente (X) es una línea recta, se tiene una regresión lineal simple, dada por la ecuación donde: Y =
Más detallesPRUEBA DE EFICACIA POR CONTACTO DIRECTO E INDIRECTO SOBRE ADULTOS DE TRIPS PARA INSUMOS BIOLÓGICOS DE COLOMBIA.
PRUEBA DE EFICACIA POR CONTACTO DIRECTO E INDIRECTO SOBRE ADULTOS DE TRIPS PARA INSUMOS BIOLÓGICOS DE COLOMBIA. 1. DESCRIPCIÓN DE LA PRUEBA Adulto UBICACIÓN: Laboratorio de Entomología TEMPERATURA: 20
Más detallesDia del Estadístico 5 Diciembre. Diseño y Análisis de experimentos Aplicados en investigación Agrícola. Felipe de Mendiburu
Universidad Nacional de Ingeniería 7 Diciembre 2007 Dia del Estadístico 5 Diciembre Diseño y Análisis de experimentos Aplicados en investigación Agrícola Felipe de Mendiburu Contenido 1. La investigación
Más detallesEstadística Avanzada y Análisis de Datos
1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son
Más detallesEjemplo de análisis de la Varianza (ANOVA).
Ejemplo de análisis de la Varianza (ANOVA). temp TVBN 1 18,3 1 15,92 1 18,71 1 17,92 1 15,66 1 17,14 1 15,21 1 19,92 1 17,61 1 13,43 2 11,7 2 12,87 2 11,77 2 12,23 2 13,62 2 13,24 2 14,02 2 13,66 2 12,27
Más detallesDISEÑO PARCELAS DIVIDIDAS
DISEÑO PARCELAS DIVIDIDAS Este es un diseño experimental combinado que resulta útil cuando al estudiar simultáneamente varios factores, alguno o algunos de ellos deben ser aplicados sobre unidades experimentales
Más detallesEjemplo de análisis de la Varianza (ANOVA).
Ejemplo de análisis de la Varianza (ANOVA). temp TVBN temp TVBN temp TVBN 1 18,3 2 11,7 3 16,64 1 15,92 2 12,87 3 17,83 1 18,71 2 11,77 3 19,01 1 17,92 2 12,23 3 17,33 1 15,66 2 13,62 3 17,06 1 17,14 2
Más detallesDiseño de Experimentos
Diseño de Experimentos M. en E. Patricia I. Romero Mares Departamento de Probabilidad y Estadística IIMAS-UNAM Cursos PUMA Análisis estadísticos para proyectos de investigación ambiental 30 julio a 3 agosto
Más detallesTest de Kolmogorov-Smirnov
Test de Kolmogorov-Smirnov Georgina Flesia FaMAF 2 de junio, 2011 Test de Kolmogorov-Smirnov El test chi-cuadrado en el caso continuo H 0 : Las v.a. Y 1, Y 2,..., Y n tienen distribución continua F. Particionar
Más detallesANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE
ANÁLISIS ESTADÍSTICO REGRESIÓN LINEAL SIMPLE Jorge Fallas jfallas56@gmail.com 2010 1 Temario Introducción: correlación y regresión Supuestos del análisis Variación total de Y y variación explicada por
Más detallesCAPITULO III: METODOLOGIA. En el presente capítulo se describirá el conjunto de pasos a seguir para lograr el
CAPITULO III: METODOLOGIA En el presente capítulo se describirá el conjunto de pasos a seguir para lograr el objetivo propuesto en esta tesis. Primero se presenta la descripción general del programa y
Más detallesANÁLISIS DE LA VARIANZA CON UN SOLO FACTOR
Instituto Valenciano de Investigaciones Agrarias Seminario MÉTODOS ESTADÍSTICOS PARA LA INVESTIGACIÓN AGRONÓMICA Tema 6 ANÁLISIS DE LA VARIANZA CON UN SOLO FACTOR Análisis de la Varianza con un solo factor
Más detallesValidación de los métodos microbiológicos HERRAMIENTAS ESTADISTICAS. Bqca. QM Alicia I. Cuesta, Consultora Internacional de la FAO
Validación de los métodos microbiológicos HERRAMIENTAS ESTADISTICAS Bqca. QM Alicia I. Cuesta, Consultora Internacional de la FAO Objetivos de la clase Objetivos de la estadística. Concepto y parámetros
Más detallesDISTRIBUCIONES DE PROBABILIDAD (RESUMEN)
DISTRIBUCIONES DE PROBABILIDAD (RESUMEN) VARIABLE ALEATORIA: un experimento produce observaciones numéricas que varían de muestra a muestra. Una VARIABLE ALEATORIA se define como una función con valores
Más detalles6. ESTIMACIÓN DE PARÁMETROS
PROBABILIDAD Y ESTADÍSTICA Sesión 7 6. ESTIMACIÓN DE PARÁMETROS 6.1 Características el estimador 6. Estimación puntual 6..1 Métodos 6..1.1 Máxima verosimilitud 6..1. Momentos 6.3 Intervalo de confianza
Más detalles2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS)
2. EL DISEÑO UNIFACTORIAL (COMPARACION DE TRATAMIENTOS) La idea principal en este capitulo es el inicio a planear los diseño experimentales y su correspondiente análisis estadístico. En este caso iniciaremos
Más detallesAnálisis estadístico básico (I) Magdalena Cladera Munar mcladera@uib.es Departament d Economia Aplicada Universitat de les Illes Balears
Análisis estadístico básico (I) Magdalena Cladera Munar mcladera@uib.es Departament d Economia Aplicada Universitat de les Illes Balears CONTENIDOS Introducción a la inferencia estadística. Muestreo. Estimación
Más detallesTema II. Las muestras y la teoría paramétrica
2.1. Muestras y muestreos: - La muestra:. Subconjunto de elementos de la población. Necesidad práctica:. Motivos económicos. Imposibilidad (práctica/teórica) de estudiar TODA la población. Inconveniencia
Más detallesExamen Parcial 1. The GLM Procedure Class Level Information Class Levels Values trat
Examen Parcial 1 Nombre: AGRO 6600 2011 Instrucciones: Por favor lea los enunciados y las preguntas cuidadosamente. Se pueden usar el libro y la calculadora. Para obtener crédito parcial las respuestas
Más detallesPRUEBA DE EFICACIA POR CONTACTO DIRECTO E INDIRECTO SOBRE ADULTOS DE MOSCA BLANCA (Trialeurodes vaporariorum), PARA IBICOL LTDA.
PRUEBA DE EFICACIA POR CONTACTO DIRECTO E INDIRECTO SOBRE ADULTOS DE MOSCA BLANCA (Trialeurodes vaporariorum), PARA IBICOL LTDA. 1. DESCRIPCIÓN DE LA PRUEBA Adultos de T. vaporariorum UBICACIÓN: Laboratorio
Más detallesRegresión ponderada y falta de ajuste
Capítulo 4 Regresión ponderada y falta de ajuste 4.1. Introducción En este capítulo se presentan la regresión ponderada y la prueba de falta de ajuste como un conjunto adicional de herramientas usadas
Más detallesTRABAJO PRÁCTICO ESTADISTICA APLICADA (746)
UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADEMICO AREA DE MATEMATICA TRABAJO PRÁCTICO ESTADISTICA APLICADA (746) JOSE GREGORIO SANCHEZ CASANOVA C.I. V-9223081 CARRERA: 610 SECCION Nº 1 SAN CRISTOBAL,
Más detallesUNIDAD III DISEÑOS EXPERIMENTALES RELACIONADOS CON UN SOLO FACTOR DE ESTUDIO ANALISIS Y DISEÑO DE EXPERIMENTOS
UNIDAD III DISEÑOS EXPERIMENTALES RELACIONADOS CON UN SOLO FACTOR DE ESTUDIO UNIDAD DE APRENDIZAJE: ANALISIS Y DISEÑO DE EXPERIMENTOS LICENCIATURA DE INGENIERO AGRONOMO FITOTECNISTA FACULTAD DE CIENCIAS
Más detallesD.2 ANÁLISIS ESTADÍSTICO DE LAS TEMPERATURAS DE VERANO
Anejo Análisis estadístico de temperaturas Análisis estadístico de temperaturas - 411 - D.1 INTRODUCCIÓN Y OBJETIVO El presente anejo tiene por objeto hacer un análisis estadístico de los registros térmicos
Más detallesESTADISTICA AVANZADA. Análisis de la Variancia Anova One Way Kruskal-Wallis Bloques (Friedman)
ESTADISTICA AVANZADA Análisis de la Variancia Anova One Way Kruskal-Wallis Bloques (Friedman) Factor Análisis de la Variancia El análisis de varianza One Way es una generalización de la Prueba t para mas
Más detallesCalculo de la Eficiencia de los diseños.
Eficiencia en los diseños y estimacion de la unidad perdida. Calculo de la Eficiencia de los diseños. La eficiencia relativa de un diseño se mide respecto a otro diseño mas simple, por ejemplo la eficiencia
Más detalles11. PRUEBAS NO PARAMÉTRICAS
. PRUEBAS NO PARAMÉTRICAS Edgar Acuña http://math.uprm/edu/~edgar UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ PRUEBAS NO PARAMÉTRICAS Se estudiarán las pruebas noparamétricas, las cuales
Más detallesLADE/LADE-DER. 229, , , , , ,333 y. 3 i 1. y ij /3
LADE/LADE-DER CURSO 2005/2006 EXAMEN DE ESTADÍSTICA II 04 de septiembre de 2006 PROBLEMAS (tiempo: 1 hora 40 minutos) 1. PROBLEMA 1 Una empresa de máquinas tragaperras tiene que decidir entre 3 posibles
Más detallesCLAVE - Lab 5 - Contrastes
CLAVE - Lab 5 - Contrastes 1. Se realizó un experimento para comparar cuatro conservadore diferentes para fresas congeladas (C1, C2, C3, C4). Se cosecharon suficientes fresas para obtener 32 muestras de
Más detallesObtención de Datos. Obtención de Datos. Clasificaciones de estudios. Clasificaciones de estudios
Obtención de Datos Obtención de Datos Muestreo y Objetivo Representar la población n lo mejor posible con el mínimo m coste. Condiciones para conseguirlo Procedimientos adecuados Tamaño o muestral suficiente
Más detallesMATRICES FACTORIALES
MATRICES FACTORIALES Quimiometría Estudio cuantitativo de factores: efectos principales (b j ) interacciones (b ji ) si cada variable puede tener un valor mayor o uno menor: diseño factorial de dos niveles
Más detalles1.- DATOS DE LA ASIGNATURA. Nombre de la asignatura: Probabilidad y Estadística. Carrera: Ingeniería en Materiales. Clave de la asignatura: MAM 0524
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos: Probabilidad y Estadística Ingeniería en Materiales MAM 0524 3 2 8 2.- HISTORIA
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesPráctica de AJUSTE DE DISTRIBUCIONES II (ajuste de datos)
Práctica de AJUSTE DE DISTRIBUCIONES II (ajuste de datos) 1 1. Objetivos de la práctica En esta práctica vamos a ajustar modelos de distribución a datos reales. Un vez que hayamos hecho esto, podremos
Más detallesDISEÑO EN PARCELAS DIVIDIDAS
DISEÑO EN PARCELAS DIVIDIDAS Este es un diseño experimental combinado que resulta útil cuando al estudiar simultáneamente varios factores, alguno o algunos de ellos deben ser aplicados sobre unidades experimentales
Más detallesExamen Final. a. Identifique los factores en estudio, y si éstos son fijos o aleatorios.
AGRO 6600 Examen Final 2002 Nombre: Instrucciones: Por favor lea los enunciados y las preguntas cuidadosamente. Se pueden usar el libro y la calculadora. Para obtener crédito parcial las respuestas deben
Más detallesMultiple Linear Regression
Multiple Linear Regression Aniel Nieves-González Aniel Nieves-González () LSP 1 / 16 Considere el ejemplo en cual queremos modelar las ventas en una cadena de tiendas por departamento. La v.a. dependiente
Más detallesFACTORIALES FRACCIONADOS 2 f-p
1 FACTORIALES FRACCIONADOS 2 f-p Aun en los experimentos 2 f el número de condiciones experimentales crece exponencialmente con el número de factores f a estudiar. El n de interacciones de r factores combinados
Más detallesTema 1. Modelo de diseño de experimentos (un factor)
Tema 1. Modelo de diseño de experimentos (un factor) Estadística (CC. Ambientales). Profesora: Amparo Baíllo Tema 1: Diseño de experimentos (un factor) 1 Introducción El objetivo del Análisis de la Varianza
Más detallesLAB 13 - Análisis de Covarianza - CLAVE
LAB 13 - Análisis de Covarianza - CLAVE Se realizó un experimento para estudiar la eficacia de un promotor de crecimiento en terneros en lactación. Se usaron cuatro dosis de la droga (0, 2.5, 5 y 7.5 mg).
Más detallesTIPO DE EXPERIMENTO. Pruebas preliminares. Experimentos con un Factor. Experimentos con muchos factores
TIPO DE EXPERIMENTO Pruebas preliminares - Deteccion de metodos inadecuados - Tecnicas defectuosas - Base para experimentos formales - Reducir el error Experimentos con un Factor - Completo al azar - Bloques
Más detallesANÁLISIS CUANTITATIVO DE DATOS EN CIENCIAS SOCIALES CON EL SPSS (I) Tablas de contingencia y pruebas de asociación
ANÁLISIS CUANTITATIVO DE DATOS EN CIENCIAS SOCIALES CON EL SPSS (I) Tablas de contingencia y pruebas de asociación Francisca José Serrano Pastor Pedro A. Sánchez Rodríguez - Implica siempre a variables
Más detallesINFORMACIÓN SOBRE LA PRUEBA DE ACCESO (PAU) A LA UNIVERSIDAD DE OVIEDO. CURSO 2015/2016
INFORMACIÓN SOBRE LA PRUEBA DE ACCESO (PAU) A LA UNIVERSIDAD DE OVIEDO. CURSO 2015/2016 Materia: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II 1. COMENTARIOS Y/O ACOTACIONES RESPECTO AL TEMARIO EN RELACIÓN
Más detallesESTADÍSTICA APLICADA. PRÁCTICAS CON SPSS. TEMA 2
ESTADÍSTICA APLICADA. PRÁCTICAS CON SPSS. TEMA 2 1.- ANÁLISIS DE LA VARIANZA CON UN FACTOR El análisis de la varianza estudia el efecto de una o varias variables independientes denominadas factores sobre
Más detallesDCA: Es el más simple de todos los diseños, solamente se estudia el. en diferentes tratamientos o niveles.
completamente aleatorizado (DCA): 1 solo factor con diferentes tratamientos. DCA: Es el más simple de todos los diseños, solamente se estudia el efecto de un factor, el cual se varía en diferentes tratamientos
Más detallesUnidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones
Unidad Temática 5 Estimación de parámetros: medias, varianzas y proporciones Responda verdadero o falso. Coloque una letra V a la izquierda del número del ítem si acepta la afirmación enunciada, o una
Más detallesUNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA ESCUELA DE CIENCIAS AGRICOLA, PECUARIAS Y DEL MEDIO AMBIENTE ECAPMA
UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA ESCUELA DE CIENCIAS AGRICOLA, PECUARIAS Y DEL MEDIO AMBIENTE ECAPMA ESPECIALIZACIÓN EN NUTRICIÓN ANIMAL SOSTENIBLE Nombre del Curso: DISEÑO EXPERIMENTAL AVANZADO
Más detallesProblemas resueltos. Tema 12. 2º La hipótesis alternativa será que la distribución no es uniforme.
Tema 12. Contrastes No Paramétricos. 1 Problemas resueltos. Tema 12 1.- En una partida de Rol se lanza 200 veces un dado de cuatro caras obteniéndose 60 veces el número 1, 45 veces el número 2, 38 veces
Más detallesTema 18 Análisis de la varianza de un factor (ANOVA) Contraste paramétrico de hipótesis
Tema 18 Análisis de la varianza de un factor () Contraste paramétrico de hipótesis Compara la distribución de una variable continua normal en mas de dos poblaciones (niveles o categorías) Pruebas de contraste
Más detallesEstimación por intervalos
Método de construcción de intervalos de confianza Intervalos de confianza para una población normal Estadística II Universidad de Salamanca Curso 2011/2012 Método de construcción de intervalos de confianza
Más detallesCENTRO UNIVERSITARIO UAEM ZUMPANGO LIC. DE INGENIERO AGRONOMO EN PRODUCCIÓN DISEÑO DE BLOQUES AL AZAR PRESENTA. DR en EDU. JOSÉ LUIS GUTIÉRREZ LIÑÁN
CENTRO UNIVERSITARIO UAEM ZUMPANGO LIC. DE INGENIERO AGRONOMO EN PRODUCCIÓN DISEÑO DE BLOQUES AL AZAR PRESENTA DR en EDU. JOSÉ LUIS GUTIÉRREZ LIÑÁN SEPTIEMBRE, 2015 INTRODUCCIÓN Los diseños experimentales
Más detallesRegresión Lineal. El modelo de regresión caracteriza la relación entre una variable respuesta que depende de k variables independientes o regresoras.
Regresión Lineal Los factores envueltos en la experimentación pueden ser de tipo cuantitativos o cualitativos Un factor cuantitativo es aquel que sus niveles pueden ser asociados con puntos dentro de una
Más detallesEXPERIMENTOS FACTORIALES
EXPERIMENTOS FCTORILES Generalidades Simbología Diseños Experimentales Ventajas Desventajas nálisis Estadístico Ventajas - Desventajas Ventajas 1. Economía en el material experimental, al obtener información
Más detallesCLAVE Lab 11 - Regresión Lineal Simple y Polinomial
Escala común CLAVE Lab 11 - Regresión Lineal Simple y Polinomial 1. A mano, construya los siguientes gráficos: a. Grafique la línea recta correspondiente a la ecuación y 2x 1 b. Grafique la línea recta
Más detallesEstadística I Solución Examen Final- 19 de junio de Nombre y Apellido:... Grupo:...
Estadística I Examen Final- 19 de junio de 2009 Nombre y Apellido:... Grupo:... (1) La siguiente tabla muestra las distribuciones de frecuencias absolutas de la variable altura (en metros) de n = 500 estudiantes
Más detallesPráctica 4 EJERCICIOS 1.- REGRESIÓN LINEAL SIMPLE 5.1 Regresión de Peso sobre Altura Datos en Encuesta.sgd a) Estudio descriptivo de ambas variables
EJERCICIOS 1.- REGRESIÓN LINEAL SIMPLE 5.1 Regresión de Peso sobre Altura Datos en Encuesta.sgd a) Estudio descriptivo de ambas variables Marco elementos atípicos: b) Obtener la recta de regresión y comprobar
Más detallesDiseño de Experimentos
Diseño de Experimentos Tema 6. Validación de Supuestos JAIME MOSQUERA RESTREPO VERIFICACIÓN DE LA ADECUACIÓN DEL MODELO Los procedimientos estudiados son validos únicamente bajo el cumplimiento de 4 supuestos
Más detallesMatrices, determinantes, sistemas de ecuaciones lineales.
UNIVERSIDAD DE MURCIA Departamento de Matemáticas Óptica y Optometría Resúmenes Curso 2007-2008 Matrices, determinantes, sistemas de ecuaciones lineales. Una matriz A de orden m n es una colección de m
Más detallesPrincipios de Estadística. Intro. En R. Ejercicios
Leonardo Collado Torres y María Gutiérrez Arcelus Licenciatura en Ciencias Genómicas, UNAM www.lcg.unam.mx/~lcollado/index.php www.lcg.unam.mx/~mgutierr/index.php Cuernavaca, México Febrero - Junio, 2009
Más detallesTema 3. 3. Correlación. Correlación. Introducción
3-1 Introducción Tema 3 Correlación Coeficiente de correlación lineal de Pearson Coeficiente de correlación poblacional Contraste paramétrico clásico Transformación de Fisher Correlación bayesiana Test
Más detallesEXAMEN DE ESTADÍSTICA II Junio de 2002 SOLUCIÓN (tiempo:100 minutos)
EXAMEN DE ESTADÍSTICA II Junio de 2002 SOLUCIÓN (tiempo:100 minutos) PROBLEMA 1 Se quiere comparar la cantidad de energía necesaria para realizar 3 ejercicios o actividades: andar, correr y montar en bici.
Más detallesDiseño de Experimentos
Diseño de Experimentos Tema 8. Diseño de Bloques al Azar JAIME MOSQUERA RESTREPO DISEÑO DE BLOQUES El principio básico del diseño de experimentos consiste en garantizar la homogeneidad de las Unidades
Más detallesEjemplo de Análisis de la Covarianza
Ejemplo de Análisis de la Covarianza Utilizando los datos del archivo sargos.csv representamos la itud desde el morro hasta la aleta dorsal frente a la itud total del pez: > sargos = read.table(file =
Más detallesEl método de mínimos cuadrados. Curso de Estadística TAE, 2005 J.J. Gómez-Cadenas
El método de mínimos cuadrados Curso de Estadística TAE, 005 J.J. Gómez-Cadenas Mínimos cuadrados y máxima verosimilitud Teorema del límite central Una medida y, puede considerarse como un variable aleatoria,
Más detallesDISEÑOS EXPERIMENTALES EN LAS CIENCIAS AGRÍCOLAS
DISEÑOS EXPERIMENTALES EN LAS CIENCIAS AGRÍCOLAS EXPERIMENTOS FACTORIALES PRINCIPIOS FUNDAMENTALES CONCEPTOS IMPORTANTES 1 } Experimentos factoriales se refiere al arreglo de los tratamientos, no es un
Más detalles315 M/R Versión 1 Integral 1/13 2009/1 UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA
35 M/R Versión Integral /3 29/ UNIVERSIDAD NACIONAL ABIERTA VICERRECTORADO ACADÉMICO ÁREA INGENIERÍA MODELO DE RESPUESTA (VERSION.2) ASIGNATURA: Investigación de Operaciones I CÓDIGO: 35 MOMENTO: Prueba
Más detallesESTADISTICA INFERENCIAL
ESTADISTICA INFERENCIAL PROFESOR: DR. JORGE ACUÑA A. 1 LA ESTADISTICA Estadística descriptiva Método científico Muestreo Información de entrada y de salida Estadística inferencial Inferencias Intervalos
Más detallesModelado y Optimización de Proyectos
1. Red de actividades Modelado y Optimización de Proyectos 2. Camino crítico (CPM Critical Path Method) 3. CPM con costes 4. Probabilidad de acabar un proyecto a tiempo (PERT Program Evaluation and Review
Más detallesAGRO Examen Final. Nombre:
Examen Final Nombre: AGRO 6600 2008 Instrucciones: Apague celulares. Se descontarán puntos si su celular suena durante el examen. Por favor lea los enunciados y las preguntas cuidadosamente. Se pueden
Más detallesJulia García Salinero. Departamento de Investigación FUDEN. Introducción
1 Análisis de datos en los estudios epidemiológicos V Prueba de Chi cuadrado y Análisis de la varianza. Departamento de Investigación FUDEN. Introducción Continuamos el análisis de los estudios epidemiológicos,
Más detallesANOVA Análisis de la Varianza en diseño de experimentos
ANOVA Análisis de la Varianza en diseño de experimentos NATURALEZA DEL DISEÑO EXPERIMENTAL El diseño experimental tiene sus orígenes en los trabajos de Ronald Aylmer Fisher (1890 1962) desarrollados en
Más detallesCÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS DE LAS PRUEBAS SIMCE
CÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS DE LAS PRUEBAS SIMCE Unidad de Análisis Estadístico División de Evaluación de Logros de Aprendizaje Agencia de Calidad de la Educación 013 Índice 1.
Más detallesPruebas de acceso a enseñanzas universitarias oficiales de grado Castilla y León
Pruebas de acceso a enseñanzas universitarias oficiales de grado Castilla y León MATEMÁTICAS APLICAAS A LAS CIENCIAS SOCIALES EJERCICIO Nº Páginas 2 OPTATIVIA: EL ALUMNO EBERÁ ESCOGER UNA E LAS OS OPCIONES
Más detallesA. PRUEBAS DE BONDAD DE AJUSTE: B.TABLAS DE CONTINGENCIA
A. PRUEBAS DE BONDAD DE AJUSTE: Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov para una muestra Lilliefords Kolmogorov-Smirnov para dos muestras B.TABLAS DE CONTINGENCIA Marta Alperin Prosora Adjunta
Más detallesCÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS SIMCE
CÁLCULO DE SIGNIFICANCIA ESTADÍSTICA PARA RESULTADOS SIMCE SIMCE Unidad de Currículum y Evaluación Ministerio de Educación 011 Índice 1. Antecedentes Generales 1. Comparación de puntajes promedios.1. Errores
Más detallesMuestreo y Distribuciones muestrales. 51 SOLUCIONES
Muestreo y Distribuciones muestrales. 51 Universidad Politécnica de Cartagena Dpto. Matemática Aplicada y Estadística Métodos estadísticos de la ingeniería Soluciones de la hoja de problemas 5. Muestreo
Más detallesManual de bolsillo del MegaStat * * MegaStat es un complemento estadístico para el Excel elaborado por el profesor J. B. Orris de Butler University.
Manual de bolsillo del MegaStat * * MegaStat es un complemento estadístico para el Excel elaborado por el profesor J. B. Orris de Butler University. Estadísticas con MegaStat AgeCat Gender Seconds 1 2
Más detallesBASES DEL DISEÑO EXPERIMENTAL EN CIENCIA ANIMAL
BASES DEL DISEÑO EXPERIMENTAL EN CIENCIA ANIMAL ETAPAS DE UNA INVESTIGACION a. Planteamiento y formulación del PROBLEMA b. Justificación c. Objetivos d. Hipótesis e. Procedimiento / diseño experimental
Más detalles5. DISEÑO FACTORIALES 2 k
5. DISEÑO FACTORIALES 2 k Los diseños factoriales son ampliamente utilizados en experimentos en los que intervienen varios factores para estudiar el efecto conjunto de éstos sobre una respuesta. Un caso
Más detallesDiseño de Experimentos Diseños factoriales 2 k. Diseños 2 k
Diseño de Experimentos Diseños factoriales 2 k Licenciatura en Estadística 2015 Dr. José Alberto Pagura Lic. Lucía N. Hernández Dra. Daniela F. Dianda Diseños 2 k Una clase especial de diseños factoriales
Más detallesESTADISTICA APLICADA: PROGRAMA
Pág. 1 de 5 ESTADISTICA APLICADA: PROGRAMA a) OBJETIVOS Y BLOQUE 1: Teoría de Probabilidades 1.1 Comprender la naturaleza de los experimentos aleatorios y la estructura de los espacios de probabilidades,
Más detallesEvaluación de Regnum 25 EC en el cultivo de maíz para la producción de grano. Rodolfo Alberto Rubio Chávez. Maíz (Zea mays)
Evaluación de Regnum 25 EC en el cultivo de maíz para la producción de grano. Rodolfo Alberto Rubio Chávez Cadelga Maíz (Zea mays) Científica Objetivos Medir el Efecto Fisiológico AgCelence del Fungicida
Más detallesIdeas básicas del diseño experimental
Ideas básicas del diseño experimental Capítulo 4 de Analysis of Messy Data. Milliken y Johnson (1992) Diseño de experimentos p. 1/23 Ideas básicas del diseño experimental Antes de llevar a cabo un experimento,
Más detalles