Las tres razones principales para realizar Experimento Factorial son:
|
|
- José Francisco Caballero del Río
- hace 7 años
- Vistas:
Transcripción
1 54 V.- EXPERIMENTOS FACTORIALES. Los experimentos factoriales son aquellos en los que se prueban varios niveles de dos o más factores. El número de tratamientos es el resultado de combinar los diferentes niveles de los factores. Un factor es un ingrediente que interviene en un tratamiento, mientras que el nivel es cada una de las dosis o categorías de cada factor. Por ejemplo, el factor A podría ser RAZA con cuatro categorías (las razas de ganado Holstein, Suizo, Charolais y Cebú) y el factor B, DIETA con tres categorías (dieta testigo, una dieta con Canavalia y otra con pollinaza), en este experimento el número de tratamientos es de 1. Todo experimento con dos o más factores tiene un arreglo de tratamientos y un diseño experimental; así, p.e.; hablamos de un experimento con un arreglo factorial en un diseño completamente al azar o en un diseño de bloques al azar. La aleatorización de los tratamientos se lleva a cabo de acuerdo con el diseño experimental de que se trate. Recuerde que aquí el número de tratamientos es la combinación de los niveles de cada uno de los factores. Las tres razones principales para realizar Experimento Factorial son: 1.- Para obtener información de los efectos medios de todos los factores de un experimento simple de tamaño moderado..- Para ampliar la base de las inferencias de un factor para probarlo bajo condiciones variadas de otros. 3.- Para evaluar la manera en la cual los efectos de los factores interactúan con cada uno. Obviamente las razones no son independientes y el énfasis varía con el tipo de experimento. En general un experimento factorial es más completo porque se puede obtener más información y un grado de precisión mayor del mismo número de observaciones. Suponga que desea realizar dos experimentos. En el primero se compararan tres niveles de proteína usando 36 cerdos en total, en un DCA. En el segundo experimento se desea comparar tres niveles de energía también en un DCA con 36 cerdos. El total de cerdos sería de 7 y en cada experimento la varianza de las medias de las dietas (tratamientos) sería igual al cuadrado medio entre 1 (hay 1 cerdos por dieta). Si se hiciera un experimento factorial (de dos vías) con los 7 cerdos, en cada una de las combinaciones habrían 8 cerdos, y por eso en cada nivel de energía y de proteína un total de 4 observaciones. La varianza de las medias de las dietas sería el cuadro medio
2 entre 4, es decir, se reduce la varianza de las medias de interés de CM/1 a CM/4 simplemente por combinar los dos experimentos, y al mismo tiempo, se generaliza el experimento debido a la estimación de algunas interacciones entre niveles de proteína y niveles de energía. 5.1 Modelo estadístico. a)el modelo estadístico para un experimento factorial, con dos factores A y B, en un diseño completamente al azar sería, 55 Y ijk = µ + + α i + τ j + ατ ij + e ijk donde: Y ijk = es la ijk-esima observación en el i-esimo nivel del factor A y j-esimo nivel del factor B; µ= es la media general; α i = es el efecto del j-esimo nivel del factor A; τ j = es el efecto del k-esimo nivel del factor B; ατ ij = es la interacción del i-esimo nivel del factor A con el j-esimo nivel del factor B; y e ijk = es el error aleatorio NID (0, σ ). b) El modelo estadístico para un experimento factorial, con dos factores A y B, en un diseño en bloques al azar sería, Yijk= µ + ß i + α j + τ k + ατ jk + e ijk donde: Y ijk = es la ijk-esima observación en el i-esimo bloque que contiene el j-ésimo nivel del factor A y el k-esimo nivel del factor B; µ= es la media general; ß i = es el efecto del i-ésimo bloque; α j = es el efecto del j-ésimo nivel del factor A; τ k = es el efecto del k-esimo nivel del factor B; ατ jk = es la interacción del j-esimo nivel del factor A con el k-esimo nivel del factor B; y e ijk = es el error aleatorio NID (0, σ ). 5. Ejemplo de un Diseño de Bloques al Azar con un arreglo factorial x 3. Se desea determinar el efecto de dos niveles de proteína (alto y bajo) y tres fuentes de proteína (res, cerdo y vegetal) sobre el aumento de peso (g) de ratas. Los resultados se presentan a continuación,
3 56 CUADRO 3 Resultados de un experimento factorial. Alta Proteína Baja Proteína Res Cerdo Vegetal Res Cerdo Vegetal Total Cálculo de las sumas de cuadrados. FC= 57²/60 = ; SCtotal = (73² + 10² + 118² ²) - FC = = ; 1000² + 995² + 859² + 79² + 787² + 839² SCtrat = - FC 10 = = ; SCerror= SCtotal - SCtrat = = ; CUADRO 4 Análisis de varianza para un diseño factorial x3. FV GL SC CM Fc
4 57 Tratamiento: Proteína ** Grasa ns Interacción ns Error Total ** P<0.01 El ANOVA indica que existe diferencia entre los niveles de proteína pero no en las fuentes de la misma, ni en la interacción. 5.3 Comparaciones entre tratamientos. La naturaleza del experimento indica que era mejor haber realizado un análisis de contrastes ortogonales de los datos. En este caso algunas comparaciones lógicas o hipótesis a probar son, Ho: No existe diferencia entre los niveles de proteína; Ho: No existe diferencia entre la fuente de proteína animal (res y cerdo) comparado con la fuente vegetal. Ho: No existe interacción entre nivel de proteína y fuente de proteína (animal o vegetal). Ho: No existe diferencia entre las proteínas del cerdo y res. Ho: No existe interacción entre el nivel de proteína y la fuente de proteína animal. CUADRO 5 Cálculo de los contrates ortogonales. Alta Proteína Baja Proteína Res Cerdo Veg. Res Cerdo Veg L rc² SCtrat 1) Niveles (6) ) Animal vs Vegetal (1) ) Int. 1 y (1) ) Res vs Cerdo (4).5 5) Int. 1 y (4) 0.0
5 r= Número de réplicas= 10; 1) L =1000(1) + 995(1)+ 859(1) + 79(-1) + 787(-1)+ 839(-1)= 436 c² = 1² + 1² + 1² + (-1)² + (-1)² + (-1)² =6; SC = L²/rc² = 436²/10(6)= ; ) L= 1000(1) + 995(1) + 859(-)+ 79(1) + 787(1) + 839(-)= 188 c² = 1² + 1² + (-)² + 1² + 1² + (-)² = 1; SC= 188²/10(1) = 64.0; 3) L =1000(1) + 995(1)+ 859(-) + 79(-1) + 787(-1)+ 839()= 376 c² = 1² + 1² + (-)² + (-1)² + (-1)² + ()² = 1; SC = L²/rc² = 3766²/10(1)= ; 4) L= 1000(1) + 995(-1) + 859(0)+ 79(1) + 787(-1) + 839(0)= 10 c² = 1² + (-1)² + (0)² + 1² + (-1)² + (0)² = 4; SC= 10 /10(4) =.5; 5) L= 1000(1) + 995(-1) + 859(0)+ 79(-1) + 787(1) + 839(0)= 0 c = 1 + (-1) + (0) (-1) + (0) = 4; SC= 0.0; 58 CUADRO 6 Subdivisión y significancia de la suma de cuadrados de tratamientos para los efectos principales e interacciones. GL SC CM Tratamiento: )Niveles de Prot ** )Animal vs Veg ns
6 3)Interacción 1 y * 4)Res vsd Cerdo 1.5.5ns 5)Interacción 1 y ns Error La subdivisión de la SCtrat muestra efecto significativo de niveles de proteína como el ANOVA del Cuadro. Sin embargo, este análisis muestra además efecto de la interacción nivel de proteína y fuente animal o vegetal de proteína. Esta interacción se puede entender mejor con el siguiente diagrama, Nivel de Fuente de proteína proteína Animal Vegetal Diferencia E.E. Alto * ±5.67 Bajo ±5.67 Diferencia +0.8** +.0 E.E. ± 4.6 ± 6.5 donde: 99.8= ( )/0; 85.8= 859/10; 79.0= ( )/0; 83.9= 839/10; Los errores estandar (EE) de las diferencias se obtienen como, EE CMerror CM = + r r 1 error Dif. entre fuentes, nivel alto= = ± Dif. entre fuentes, nivel bajo= = ± Dif. entre niveles, fuente animal= = ± Dif. entre fuentes, fuente vegetal= = ± Nota: La interacción se debió al hecho de que la media para fuente animal fue mejor en el nivel alto de proteína; sin embargo, la proteína vegetal lo fue en el nivel bajo. Esta interacción no podría haberse descubierto utilizando el ANOVA convencional del Cuadro 0.
7 Programa SAS para comparaciones pre-planeadas. Data uno; Input Nivel 1 Fuente a1 4-6 a 8-10 a a a5 0- a6 4-6 a a a a trat 1-; drop a1-a10; Pesog= a1; a=1; output; Pesog= a; a=; output; Pesog= a3; a=3; output; Pesog= a4; a=4; output; Pesog= a5; a=5; output; Pesog= a6; a=6; output; Pesog= a7; a=7; output; Pesog= a8; a=8; output; Pesog= a9; a=9; output; Pesog= a10; a=10; output; *** NIVEL 1=alto = bajo FUENTE 1=res =cerdo 3=vegetal; Cards; Title " ANVA para un diseño factorial"; Proc GLM; classes Nivel Fuente; Model Pesog= Nivel Fuente Nivel*Fuente; run; Title "Comparaciones ortogonales para un experimento factorial; Proc GLM; classes trat; Model Pesog= trat; *** T R A T A M I E N T O S; CONTRAST 'ALTA vs BAJA PROTEINA' TRAT ; CONTRAST 'PROT. ANIMAL vs VEGETAL' TRAT ; CONTRAST 'INT. NIVEL-PROT. ANIMAL y VEG.' TRAT ; CONTRAST 'RES vs CERDO' TRAT ; CONTRAST 'INT. NIVEL-PROT. RES y CERDO' TRAT ; RUN;
8 Ejercicio. Realizar el ANOVA y probar las siguientes hipótesis para los resultados dados abajo. Ho: No existe diferencia entre el control y las semillas tratadas con productos químicos. Ho: No existe diferencia entre productos químicos. 61 Nota ver ANVA en Apéndice. El modelo estadístico para un experimento factorial, con dos factores A y B, en un diseño en bloques al azar sería, Yijk= µ + τ i + α j + ß k + αß jk + e ijk donde: Y ijk = es la ijk-esima observacion en el i-esimo bloque, j-esimo nivel del factor A y k-esimo nivel del factor B; µ= es la media general; τ i = es el efecto del i-esimo bloque; α j = es el efecto del j-esimo nivel del factor A; ß k = es el efecto del k- esimo nivel del factor B; αß jk = es la interacción del j-esimo nivel del factor A con el k-esimo nivel del factor B; y e ijk = es el error aleatorio NID (0, σ ). CUADRO 7 ANALISIS DE VARIANZA PARA UN EXPERIMENTO FACTORIAL EN UN DISEÑO DE BLOQUES AL AZAR. FV GL SC CM Fc Bloque r-1 Factor A a-1 Factor B b-1 Yi.. SM FC ab r 1 bloque Y. j. SC A FC rb a 1 Y..k SC B FC ra b 1 CM CM CM CM CM CM bloque error A error B error
9 6 Interacción (a-1)(b-1) CM CM AxB error Y. jk SCA SCB FC r SCAxB ( a 1)( b 1) Error ab(r-1) DIFERENCIA SCerror ab( r 1) Total abr-1 ΣΣΣY ijk - FC FC= (ΣΣΣY ijk ) /abr; r= número de bloques; a= niveles del factor A; b= niveles del factor B; Ejemplo. VI.- EXPERIMENTOS DE PARCELAS DIVIDIDAS. Los experimentos de parcelas divididas se utilizan cuando se quiere dar mayor precisión o importancia a un factor en comparación con otro. Este diseño se divide en parcelas denominadas grande y chicas correspondiendo a estas últimas la mayor precisión. En algunas ocasiones este es el diseño óptimo a elegir ya sea porque un factor requiere de áreas grandes para su evaluación o por razones económicas; p.e. Láminas de riego y variedades de arroz, sistemas de cultivo y fertilización, etc. Cabe mencionar que la diferencia entre un experimento factorial y uno de parcelas divididas está en el proceso de aleatorización de los tratamientos. Así mientras que en un diseño factorial se hacen todas las combinaciones de tratamientos y se distribuyen aleatoriamente a las unidades experimentales, en el experimento de parcelas divididas primero se distribuyen aleatoriamente los tratamientos de las parcelas grandes y luego los tratamientos de las parcelas chicas dentro de las parcelas grandes. Analice este experimento con un ejemplo. Se desea estudiar el efecto de la frecuencia de corte (parcela grande) y tres alturas de corte (parcela chica ) en la producción de materia seca del pasto Estrella de Africa. El primer paso es localizar el área donde se realizará el experimento. Si el terreno es homogéneo entonces es factible utilizar un diseño completamente al azar; si el terreno muestra un gradiente de variación la solución pudiera ser un diseño de bloques al azar.
10 Suponga que el terreno es homogéneo, entonces se trazan las parcelas grandes y se asignan cada una de las frecuencias de corte a estudiar (Figura 6). Luego se asignan al azar cada una de las alturas de corte dentro de cada una de las parcelas grandes (Figura 6). 63
11 Figura 6. Ejemplo hipotético de distribución de tratamientos en un experimento de Parcelas Divididas. 64
12 65 CUADRO 8 Resultados del experimento en parcelas divididas. Frecuencia Altura de corte de corte R E P L I C A S (días) (cm) I II III IV Total PG
13 Total PG Total PG Tabla de doble entrada para totales de tratamiento. Frecuencia de corte Altura de corte Total Total a) Factor de corrección: (187.90)² 35, F.C. = = = b) Suma de cuadrados debida a las réplicas: (48.0)² + (43.51)² + (47.88)² + (48.31)² SC Rep = - FC 9 8,84.71 = = = c) Suma de cuadrados debida a las parcelas grandes (Frecuencia de corte): (51.61)² + (65.58)² + (70.71)² SC PG = - FC
14 = - FC 1 11,964.3 = = d) Suma de cuadrados debida a las parcelas chicas (Altura de corte): (79.97)² + (55.33)² + (5.60)² SC PCH = - FC 1 6, , , = - FC 1 1,3.36 = = = e) Suma de cuadrados debida a la interacción de los tratamientos (frecuencia de corte y altura de corte): 3.34² ² ² SC Int = - FC - SC PG - SC PCH 4 4, = - FC - SC PG - SC PCH 4 = 1, = ² ² ² ² SC PG x Replica = - FC = - FC = =
15 68 SC error PG = SC Rep - SC PG = = 9.44 SC Total = FC = = SC error PCH = SC Total - SC PG x Replica - SC PCH - SC Int = = 54.9 CUADRO 9 Análisis de varianza para un diseño de Parcelas Divididas con cuatro bloques (réplicas). FV GL SC CM F c Réplica Frec. corte error PG Atura corte ** Interacción (Frec. x Alt) error PCH Total ** P<0.01 Nota: Los efectos de bloque (réplica) y frecuencia de corte se prueban utilizando la SCE PG ; mientras que los efectos de Altura de corte (parcela chica) y de la interacción de Frecuencia de corte por Altura de corte se prueban utilizando la SCE PCH, i.e. CM Frec. corte 8.15 Fc = = = 1.65 CM error PG 4.90 CM Alt. corte Fc = = = 6.1 CM error PCH 3.05
16 69 CM Int..19 Fc = = = 0.7 CM error PCH programa SAS para un experimento completamente al azar con arreglo de parcelas divididas. Data parcela; Input Frec 1- Altura 4-5 r r r r4 5-9; Drop r1 r r3 r4; ms= r1; r=1; output; ms= r; r=; output; ms= r3; r=3; output; ms= r4; r=4; output; cards; Title " Diseño completamente al azar con arreglo de parcelas"; proc anova; classes frec altura; model ms= frec r(frec) altura frec*altura; test H=frec E=r(frec); means frec /duncan tukey alpha=0.01 E= r(frec); means altura /duncan tukey; run; Programa SAS para un Diseño de bloques al Azar con arreglo de Parcelas Divididas. Title " Diseño de bloques con arreglo de parcelas; Proc anova; classes pg bloque pch; model Y= pg bloque pg*bloque pch pg*pch; Test H=pg bloque E=pg*bloque; means pg bloque/ duncan E=pg*bloque; means pch pg*pch/duncan; run;
17 70 VII. ANÁLISIS DE COVARIANZA (ANCOVA). Este análisis es un procedimiento de gran importancia en experimentación y combina el análisis de varianza y de regresión para remover la variabilidad que existe debida a una o más variables cuantitativas, denominadas variables concomitantes o covariables; ajusta las medias de los tratamientos y así estima mucho mejor el efecto de los factores (tratamiento) sobre la variable dependiente o variable de respuesta. En otras palabras, el ANCOVA permite ajustar las respuestas de las unidades experimentales al promedio de un factor medible, que se llama covariable y de esa manera se controlan los factores medibles que no puedan controlarse experimentalmente. Por ejemplo, se quiere probar el efecto de cinco dietas en el aumento de peso en cerdos pero se tiene diferente peso inicial de las unidades experimentales. Aquí el factor peso inicial es medible y no puede utilizarse como un criterio de clase (nivel de un factor) por lo que es mejor utilizar un diseño completamente al azar con peso inicial de las unidades experimentales como covariable. De esta manera se ajusta respecto a peso inicial, se tienen más grados de libertad para el cuadrado medio del error y se maneja un diseño más sencillo. Si además del peso inicial, la edad de los animales fuese otro factor de importancia podría incluirse teniendo así un diseño completamente al azar con dos covariables. Usos del ANCOVA. Los más importantes usos del ANCOVA son: 1.- Para controlar el error y aumentar la precisión, al reducir la variación entre tratamientos debido al efecto de variables concomitantes..- Para ajustar las medias de tratamientos de la variable dependiente por diferencias en conjuntos de valores de la correspondientes variables independientes, es decir como sí el efecto de la variable concomitante no hubiera existido. 3.-Para ayudar en la interpretación de datos, especialmente con respecto a la naturaleza de los efectos de los tratamientos. 4.- Para dividir una covarianza total o suma de productos cruzados en sus componentes. 5.- Para estimar datos perdidos. Suposiciones del ANCOVA: 1.- Tanto la variable independiente X (covariable) como la variable de respuesta (Y) deben tener varianzas homogéneas..- Las variables X e Y deben tener distribución normal.
18 3.- La regresión de Y sobre X debe de ser lineal. 4.- El error debe estar normal e independientemente distribuido con media cero y varianza común Modelos estadísticos. El modelo estadístico para un diseño completamente al azar está dado por la ecuación, Y ij = µ + α i + b(x ij - X..) + e ij Para el diseño de bloques al azar, Y ij = µ + α i + ß j + b(x ij - X..) + e ij Para el diseño cuadro latino, Y ij(k) = µ + α i + H j + C k + b(x ij(k) - X..) + e ij(k) Como se podrá apreciar a cada modelo del diseño correspondiente se le agregó el término de ajuste, b(x ij - X..) y donde: Y = variable dependiente o de respuesta; µ = media general de Y; X ij o X ij(k) = variable independiente o covariable; X.. = media general de X; α = efecto de tratamientos; ß = efecto de bloques; H = efecto de hilera; C = efecto de columna; e ij o e ij(k) = error experimental Ejemplo de un análisis de covarianza. Se presentan los resultados de un diseño de bloques al azar con cinco cerdos (repeticiones) y cuatro dietas (tratamientos), donde: X= peso inicial de los cerdos (variable independiente); Y= peso final de los cerdos (variable dependiente).
19 7
20 73 - TRATAMIENTOS A B C D Total # cerdo X Y X Y X Y X Y X Y CUADRO 7 Análisis de covarianza para un diseño de bloques al azar F.V. G.L. SC(X) SP(XY) SC(Y) Bloques r-1 Tratamiento t-1 Error (t-1)(r-1) X. j FCX X. Y. FC t j j XY Xi. FCX X. Y. FC r i i XY D I F E R E N C I A Y. j FC t Y Yi. FC r Y Total tr-1 X ij - FC X X ij Y ij -FC XY Y ij -FC Y ( FC X X ) ij = N FC XY X Y ( ij ij = FC Y ) = Y ij N N CUADRO 8 ANOVA para las variables X e Y. ANOVA Y ANOVA X F.V. G.L. SC CM G.L. S.C. C.M.
21 74 Bloque Trat Error Total Estos ANOVAs se analizaron como un diseño de bloques al azar normal; uno para X y otro para Y. No se encontró efecto significativo de los tratamientos sobre el peso inicial y final de los cerdos. Cálculo del ANCOVA. Calculamos sólo los términos que faltan en la tabla del análisis de covarianza ya que las SC(X) y SC(Y) ya las conocemos. SP(XY): Total= 4(10) + (5) (9) + 1(3) - FC = 85.5 donde: 6(150) 9,300 FC= = = 465; 4(5) 0 10(5) + 1(33) (8) Bloque= - FC 4 = 6.89; 1(50) + 10(5) (30) Trat = - FC 5 = 38.5 Error = Total - Bloque - Trat. = = 40.3; CUADRO 9 Análisis de covarianza Y ajustado por X FV GL SC(X) SP(XY) SC(Y) GL SC CM F
22 Total Bloque Trat Error Trat+Error La reducción en la SCerror de Y debido a la regresión es 75 [SP(XY)] 40.5 SCerror(corregido)= SC(Y) = = 67.7; SC(X) 9.60 [SP(XY)] SC(trat+error)= SC(Y) = = 77.1 SC(X) SC(trat. ajustados) = = 9.85; Fc= 3.8/6.1 = 0.54 No significativo ya que Fc < Ft. El ANCOVA confirma el ANOVA que no hay diferencia significativa entre tratamientos, pero no dice si debemos ajustar las medias de tratamientos. Antes de analizar si existe la necesidad de ajustar las medias de tratamientos se calcula el coeficiente de regresión b, b= SP(XY)/SC(X) = 40.5/9.60 = 1.36 es decir, que por cada aumento de una unidad en el peso inicial X hay un aumento de 1.36 unidades en el peso final Y. Luego se prueba la homogeneidad de la regresión, Ho: b=0; si el valor de F es significativo, o sea si se acepta la hipótesis alterna Ha: b Ï 0 entonces se ajustan las medias. [SP(XY)] 40.5 SC(Reg) = = = 54.73; SC(X) 9.60
23 76 CM(Reg) = 54.73/1 =54.73; Fc= CM(Reg)/CMerror= 54.73/6.1 = 8.94; Ft (1,11; 0.05)= Por lo tanto, se acepta Ha: b 0. Las líneas no son paralelas, no son homogéneas y se deben de hacer los ajustes de medias. Ajuste de medias. Y ai= i. Y - b( Xi. - X..) donde: Y = media ajustada para cada tratamiento; ai. Y i.. = media de cada grupo de tratamiento sin ajustar; i.e.; 10, 5, 9 y 6. b= coeficiente de regresión = 1.36; _ X i. = media de la covariable para cada tratamiento; i.e.; 4,,4 y.; _ X.. = media general = 6/0= Tratamiento Y i. - b (X i. - X..) = Ya i. A ( ) = 8.71 B ( ) = 6.43 C ( ) = 7.71 D (.-3.10) = 7.16 Si se encuentra que las medias de los tratamientos no ajustadas resultan significativas, pero no las ajustadas, ésto quiere decir que las diferencias encontradas entre las no ajustadas sólo reflejaría diferencias entre la covariable, más no entre los tratamientos. La desviación estándar de la diferencia entre dos medias ajustadas es: + S S r d = YX SC( X ) ( Xi X.. )
24 Por ejemplo la desviación estándar de la diferencia entre las medias de los tratamientos A y B es, 77 S d = ( ) = 38. =1.81 Esta ecuación indica que cada S d es diferente para cada par de medias de tratamientos que se estén comparando. Ganancia en precisión por covarianza. CM E(Y) antes del ajuste = 1/1 =10.16 con 1 GL; CM E(Y) después del ajuste = 6.1 con 11 GL; Ajustamos este valor (6.1) con la ecuación: CM E después del ajuste * ( 1 + CM(X)/SCE)= 6.1 * ( /9.60) = 7.37; 10.16/7.37 * 100 = 138% Cien repeticiones con ANCOVA, son tan eficientes como 138 sin covarianza.
25 Programa SAS para Análisis de Covarianza. Data ancova; Input Cerdo 1- Trat$ 4 X 6 Y 8-9; cards; 1 A 4 10 B C 5 4 D A 5 6 B C D A B 5 11 C D A B C D 9 17 A B C 8 0 D 1 3 PROC GLM; CLASSES TRAT; MODEL Y= X TRAT ; LSMEANS TRAT/PDIFF STDERR; MEANS TRAT; RUN; Nota: La covariable debe ir primero en el modelo.
26 79 BLOQUES INCOMPLETOS, CUADROS DE YOUDEN Y LATICES. Lo impráctico e inconveniente del diseño cuadro latino es que el número de parcelas por tratamiento debe ser igual al número de hileras y columnas. Esta limitante condujo al desarrollo del diseño de bloques incompletos. Aquí el número de bloques es menor que el número de tratamientos. Sin embargo, cada bloque contiene el mismo número de tratamientos y cada tratamiento aparece con igual frecuencia en el mismo bloque. Cuadro x. Ejemplo de la distribución de tratamientos en un diseño de bloques incompletos aleatorios. Bloque Tratamiento A C A B D B C C B A D D En este diseño el número de observaciones es igual al número de bloques (b) por el número de observaciones por bloque (k) o al número de tratamientos por el número de repeticiones (r). h es el número de veces que pares de tratamientos aparecen juntos en el mismo bloque, es decir, r (k-1)= h (t-1) En el ejemplo de arriba, t=4, r=3, b=4, k=3 y h=; por lo tanto, tr=bk= 1 y r(k-1)=6. Como el número de tratamientos y el tamaño del bloque normalmente se especifican por las circunstancias experimentales, los valores de los otros parámetros están escogidos para satisfacer los puntos 1 a 3 mencionados anteriormente. Como los bloques son incompletos en estos diseños, las medias observadas por los tratamientos deben ajustarse por las diferencias entre bloques. La media ajustada del i-ésimo tratamiento sería Xt i = X + (kσt j - Σb i )/ht donde: Σt j es el total del j-esimo tratamiento, bi es el total del i-esimo bloque.
27 80 La media del i-esimo bloque ajustado esta dado por: Xb i = X + El ANVA es diferente al normal porque las SC de tratamientos, bloque y residual no suman la SC del total. En el cuadro los términos ajustados y no ajustados se refieren a las SC calculadas usando las medias ajustadas y no ajustadas, respectivamente. FC se refiere al factor de corrección. La suma de cada una de las observaciones al cuadrado divido entre el número total de observaciones. FC= (ΣΣY ij ) /kr Cuadro. Análisis de varianza de un diseño de bloques incompletos.
28 VIII.- ALTERNATIVAS PARA MEJORAR LA PRECISIÓN DE LOS EXPERIMENTOS. Por precisión se entiende que tan lejos o cerca se encuentra un estimador del parámetro; por ejemplo., si se toma una muestra y se encuentra que su media es de 7.8 kg, cuando el valor del parámetro (media de la población) es de 8.3, entonces hay un error de =0.5 kg. Recuerde que para poblaciones grandes la precisión se define como d= Z*EE. En el análisis de experimentos, uno de los objetivos es estimar la diferencia entre dos medias y por lo tanto la precisión se entendería como que tan cerca o lejos se encuentra la diferencia entre dos medias de la diferencia real (diferencia entre las dos poblaciones de las cuales se tomaron las muestras). Hay varias alternativas para mejorar la precisión de los experimentos, de las cuales las principales son las siguientes: 1.- La agrupación de las unidades experimentales..- El uso de mayor número de repeticiones. 3.- La selección de tratamientos. 4.- Selección de unidades experimentales. 5.- Tomar mediciones adicionales Agrupación de las unidades experimentales. La agrupación de las unidades en grupos o bloques de tal manera que la variación entre grupos sea mayor que dentro de ellos, reduce la variación. Esta es la base de la comparación de los diseños: por ejemplo: los diseños completamente al azar y bloques al azar con sus varianzas del error: V CA y V BA, respectivamente. En el Diseño de Bloques al Azar, la varianza de la media de un tratamiento o raíz cuadrada del error estándar (EE) es: = V BA /b; donde b= al número de bloques. Mientras que para obtener la misma varianza en el Diseño Completamente al Azar, el número de repeticiones, r, debe ser: 81 V CA /r = V BA /b o r/b=v CA /V BA Entonces si se usa V CA /V BA para medir la eficiencia relativa de los bloques en los diseños. Se tiene que: V CA (b-1)cmbloque + b(t-1)cmerror = V BA (bt-1)cmerror
29 8 Por ejemplo: V CA (5-1) (5-1)5.41 = = 1. V BA (5-1)5.41 donde: CMbloque=1.46 CMerror=5.41 G.L. bloques= 5-1 G.L. del error= (5(5-1). Es decir, en el Diseño Completamente al Azar se necesitan 1. más repeticiones (1.*5= 6) para obtener el mismo EE. También se debe considerar los GL del error, p.e. se necesitan 0 G.L. con el DCA y 16 para el DBA, para obtener la misma precisión. Una modificación de este método es la aplicación de la fórmula de Fisher que se aplica en los experimentos con pocas observaciones. V CA (GL DBA +1)(GL DCA +3) V DCA = V BA (GL DBA +3)(GL DCA +1) V DBA En el ejemplo: V CA (16+1)(0+3) = * 1.= 1.87 V BA (16+3)(0+1) 8..- El uso de más repeticiones. En general un experimento es más preciso con más repeticiones, pero el grado de mejoramiento disminuye a medida que aumentan el número de repeticiones. Por ejemplo, para duplicar la precisión de la estimación de las medias de un experimento con cuatro repeticiones, se necesitan 16 repeticiones. El número de repeticiones requerido para estimar descubrir una diferencia verdadera entre medias se estima a partir de la fórmula:
30 83 r = CV d donde: (t 1 + t )² DE CV = 100= Coeficiente de variación X t 1 = el valor de "t" de tablas al 5 o 1 % y los GL del error del ANVA del diseño a utilizar. t = El valor de "t" para los GL del error y una probabilidad de (1-P), donde P es la probabilidad de descubrir un resultado significativo en un experimento. Si P=0.80, entonces (1-P)=0.0 en la distribución de "t" de una cola. d=/µ-x/= es la precisión requerida. En las ciencias biológicas se utiliza normalmente el 10% de precisión. Para usar la ecuación, se especifica el número de repeticiones que se cree son necesarios (r). Luego se resuelve la ecuación utilizando el valor de r encontrado en cada ocasión esta que este permanezca estable. Ejemplo: Estime el número de réplicas para un diseño completamente al azar con 5 tratamientos, y con los niveles de error tipo I y II de 5 y 10 % respectivamente. Elija según su criterio el coeficiente de variación y la diferencia mínima a detectar (d). Solución: r = (CV/d)² (t 1 + t )² gl DCA= t(r-1) t= número de tratamientos a comparar= 5 α=5% ß=10% 1-ß= 90% CV=15% d=10% Tome arbitrariamente r=7 réplicas, lo que da 30 gl para el error, es decir t(r-1)= 5(7-19)=30. t 1 (30 gl, α=0.05)=.04 (Nota: valor de t de dos colas) t = (30 gl, ß=0.10)= (Nota: valor de t de una cola)
31 84 r= (15/10)² ( )=(.5)(11.)= 50.5 A continuación se utiliza el valor de r= 50.5 = 51 estimado y se realiza la operación de nuevo: gl= t(r-1)= 5(51-1)= 50 b) r= (15/10)² ( )² r= (.5) (10.51)= 47.9 c) si se utilizara r= 48 y se realizara la operación de nuevo se encontraría que r= 48; es decir, se estabiliza; por lo tanto, d) De acuerdo a los valores proporcionados se requieren 48 repeticiones. Otro ejemplo. a) Estime el número de réplicas para un diseño de bloques al azar con cuatro tratamientos, y con los niveles de error tipo I y II de 5 y 0 % respectivamente. El coeficiente de variación es del 10% y la diferencia mínima a detectar (d) es también del 10%. b) Estime el número de réplicas para el caso a) pero con una diferencia a detectar del 50% menor que la elegida en a). Que sucedió? Cómo lo explica?. Solución: Primer cálculo; r = (CV/d)² (t 1 + t )² gl DBA= (t-1)(r-1) t=4 α=5% ß=0% 1-ß= 80% CV=10% d=10% Considerando arbitrariamente 10 réplicas, daría 30 GL para el error t 1 (30 gl, α=0.05)=.04 (Nota: valor de t de dos colas)
32 85 t = (30 gl, ß=0.0)= (Nota: valor de t de una cola) r= (10/10)² ( )²=(1)(.896)²= = 17 gl= (t-1)(r-1)= 3(17-1)= 48 Segundo cálculo: r= (10/10)² ( )² r= (1) (8.185)= = 17 Por lo tanto, de acuerdo a los valores proporcionados se requieren 17 repeticiones. b) en este caso el valor de d=5%, todos los demás valores permanecen iguales. Considerando arbitrariamente 10 réplicas, daría 30 GL para el error t 1 (30 gl, α=0.05)=.04 (Nota: valor de t de dos colas) t = (30 gl, ß=0.0)= (Nota: valor de t de una cola) r>= (10/5)² ( )²=()(.896)²= = 34 gl= (t-1)(r-1)= 3(34-1)= 99 Segundo cálculo: r= (10/5)² ( )² r= () (7.997)= 3 Por lo tanto, de acuerdo a los valores proporcionados se requieren 3 repeticiones. Aproximadamente el doble que se requiere para una precisión del 10% Selección de tratamientos. La selección cuidadosa de los tratamientos puede aumentar la precisión del experimento. Por ejemplo, al estudiar la curva de respuesta a niveles diferentes de proteína en una dieta, la curva es más importante que la significancia de la diferencia entre dos niveles adyacentes. Así mismo se sabe,
33 que niveles con intervalos iguales son más eficientes para estimar una curva de respuesta. El arreglo de los tratamientos aumenta la precisión en la estimación de los factores principales en los experimentos factoriales. Por ejemplo, la precisión es mayor, si en vez de realizar un experimento en donde se comparan tres niveles de proteína en la dieta, por ejemplo, 16, 17 y 18% se comparan niveles de 16,0 y 4% de proteína. Es decir mientras mayor sea la distancia entre niveles o tratamientos, mayor será la precisión y el coeficiente de determinación (R ) del análisis de varianza. Así mismo, el incluir otros factores puede mejorar el R y la precisión, por ejemplo, en experimentos con pollos, el R es mayor cuando se utilizan aves machos y hembras (por separado), que si se utilizaran aves mixtas o sólo animales machos o hembras Selección de las unidades experimentales. La uniformidad de las unidades experimentales es deseable para aumentar la precisión ya que se reduce la variación. Por ejemplo, al utilizar animales con pesos aproximados o distribuirlos de tal manera que la media de los pesos de los tratamientos al inicio del experimento sean lo más aproximados. También se puede mejorar el experimento aumentando el número de unidades experimentales. Es mejor realizar un experimento en donde haya 10 corrales con animales cada uno que un experimento con 5 corrales y 4 animales en cada uno. Aun cuando es el mismo número de animales, el número de repeticiones es menor en el segundo caso. En experimentos agrícolas, la forma y tamaño de la parcela, así como la eliminación de los efectos de borde son importantes para mejorar la precisión El uso de mediciones adicionales. Se pueden tomar mediciones adicionales de covariables para aumentar la precisión de la estimación de los efectos de tratamientos. Es el uso principal del Análisis de covarianza. Normalmente se mide la covariable antes de aplicar los tratamientos. Se ajustan las observaciones de la variable de respuesta (dependiente) por las diferencias iniciales de la covariable. El ajuste reduce el error experimental y da comparaciones más precisas entre tratamientos.
34 87 Ejemplo REFERENCIAS Cochran, W.G. y G.M. Cox Diseños Experimentales. Ed. Trillas, México. Little, T.M. y F.J. Jackson Hills Métodos Estadísticos para la Investigación en Agricultura. Trillas. México. Montgomery, D.C Diseño y Análisis de Experimentos. Grupo Editorial Iberoamérica. México. Snedecor, G.W. y G.W. Cochran Métodos Estadísticos. Ed. CECSA. México. Steel R.D.G. y J.H Torrie Bioestadística. Principios y Procedimientos. a. Ed. McGraw-Hill. México. SAS Institute Inc SAS Guide User's: Statistics. Cary, North Carolina, USA.
Ideas 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 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 detallesCapítulo 6. Análisis de la covarianza ANÁLISIS DE LA COVARIANZA UNIFACTORIAL INTRODUCCIÓN
Capítulo 6 Análisis de la covarianza INTRODUCCIÓN Es una combinación de dos técnicas: Análisis de la Varianza y Análisis de Regresión. En el Análisis de la Covarianza: F La variable respuesta es cuantitativa
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 detallesUNIVERSIDAD AUTÓNOMA DE YUCATÁN FACULTAD DE MEDICINA VETERINARIA Y ZOOTECNIA. NOTAS DE DISEÑOS EXPERIMENTALES
UNIVERSIDAD AUTÓNOMA DE YUCATÁN FACULTAD DE MEDICINA VETERINARIA Y ZOOTECNIA. NOTAS DE DISEÑOS EXPERIMENTALES José C. Segura Correa. Profesor investigador Titular Mérida Yucatán, enero de 2000. PROLOGO.
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesDiseño de Experimentos Experimentos factoriales
Diseño de Experimentos Experimentos factoriales Dr. Héctor Escalona Definición El termino genérico de diseño factorial se aplica a aquellos experimentos donde se desea evaluar el efecto de 2 o mas factores
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 detallesTEMA 2 Diseño de experimentos: modelos con varios factores
TEMA 2 Diseño de experimentos: modelos con varios factores José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Modelo bifactorial
Más detallesDiseños Factoriales. Diseño de experimentos p. 1/18
Diseños Factoriales Diseño de experimentos p. 1/18 Introducción El término experimento factorial o arreglo factorial se refiere a la constitución de los tratamientos que se quieren comparar. Diseño de
Más detallesDiseños Factoriales. Diseño de experimentos p. 1/25
Diseños Factoriales Diseño de experimentos p. 1/25 Introducción El término experimento factorial o arreglo factorial se refiere a la constitución de los tratamientos que se quieren comparar. Diseño de
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 detallesEscuela Nacional de Estadística e Informática ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA
ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA Lima Perú 2013 DISEÑO COMPLETAMENTE ALEATORIZADO Es el diseño más simple y sencillo de realizar, en el cual los tratamientos
Más detallesMANUAL DE SAS PARA PRINCIPIANTES
MANUAL DE SAS PARA PRINCIPIANTES José C. Segura Correa Prologo. Desde sus orígenes a la fecha el paquete estadístico Statistical Analysys System (SAS) ha evolucionado convirtiéndose en un paquete versátil
Más detallesDiseño de Bloques al azar. Diseño de experimentos p. 1/25
Diseño de Bloques al azar Diseño de experimentos p. 1/25 Introducción En cualquier experimento, la variabilidad proveniente de un factor de ruido puede afectar los resultados. Un factor de ruido es un
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 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 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 detallesESQUEMA GENERAL DISEÑO FACTORIAL
TEMA III ESQUEMA GENERAL Definición Clasificación Efectos estimables en un diseño factorial Diseño factorial A x B completamente al azar Representación de la interacción DISEÑO FACTORIAL Definición El
Más detallesDiseño de Experimentos. Diseños Factoriales
Diseño de Experimentos Diseños Factoriales Luis A. Salomón Departamento de Ciencias Matemáticas Escuela de Ciencias, EAFIT Luis A. Salomón (EAFIT) Inspira Crea Transforma Curso 2016 Índice 1 Introducción
Más detallesBloque II (Columnas) B= Y212 C= Y322 D= Y432 C= Y313 D= Y423 E= Y533. A= Y1k2. B= Y2k3
DISEÑO EN CUADRO LATINO En el diseño en cuadro latino (DCL) se controlan dos factores de bloque y se estudia un solo factor de interés. En este sentido, se tienen cuatro fuentes de variación: Los tratamientos
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesDiseño de experimentos. Introducción
Diseño de experimentos Introducción Objetivo: Introducción Es estudiar la influencia de FACTORES en la RESPUESTA RESPUESTA Variable de interés FACTOR(ES) Pueden ser controlados OTRAS VARIABLES Que pueden
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 detallesDiferentes tamaños de u.e. Diseño de experimentos p. 1/24
Diferentes tamaños de u.e. Diseño de experimentos p. 1/24 Introducción Los diseños experimentales que tienen varios tamaños de u.e. son: diseños de mediciones repetidas, diseños de parcelas divididas,
Más detallesExperimentos con factores aleatorios. Diseño de experimentos p. 1/36
Experimentos con factores aleatorios Diseño de experimentos p. 1/36 Introducción Hasta ahora hemos supuesto que los factores de un experimento son factores fijos, esto es, los niveles de los factores usados
Más detallesModelo de Análisis de la Covarianza. Introducción al modelo de Medidas Repetidas
Modelo de Análisis de la Covariza. Introducción al modelo de Medidas Repetidas Modelo de Análisis de la Covariza Introducción El diseño por bloques se considera para eliminar el efecto de los factores
Más detallesANOVA O ANAVA PARA DISEÑOS TOTALMENTE ALEATORIZADOS Y ANOVA PARA DISENOS DE BLOQUES ALEATORIZADOS ALBA MARTINEZ ROMERO MARY SOL MEZA CHAVEZ
ANOVA O ANAVA PARA DISEÑOS TOTALMENTE ALEATORIZADOS Y ANOVA PARA DISENOS DE BLOQUES ALEATORIZADOS ALBA MARTINEZ ROMERO MARY SOL MEZA CHAVEZ Presentado a: MARIA ESTELA SEVERICHE CORPORACION UNIVERSITARIA
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 detallesRegresión múltiple. Demostraciones. Elisa Mª Molanes López
Regresión múltiple Demostraciones Elisa Mª Molanes López El modelo de regresión múltiple El modelo que se plantea en regresión múltiple es el siguiente: y i = β 0 + β 1 x 1i + β 2 x 2i +...+ β k x ki +
Más detallesAnálisis de Covarianza
Capítulo VI Análisis de Covarianza El análisis análisis de covarianza es un procedimiento muy importante en experimentación, pero lamentablemente no se usa con frecuencia. Utiliza el análisis de varianza
Más detallesMATERIA: ESTADÍSTICA EJEMPLOS DE POSIBLES PREGUNTAS DE EXAMEN. a. Cuáles son las escalas en que pueden estar los datos en un análisis estadístico.
MATERIA: ESTADÍSTICA EJEMPLOS DE POSIBLES PREGUNTAS DE EXAMEN 1. Conteste las preguntas siguientes: a. Cuáles son las escalas en que pueden estar los datos en un análisis estadístico. 1. 2. 3. 4. b. En
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 detallesÍndice. Diseños factoriales. José Gabriel Palomo Sánchez E.U.A.T. U.P.M. Julio de 2011
Diseños factoriales José Gabriel Palomo Sánchez gabrielpalomo@upmes EUAT UPM Julio de 2011 Índice 1 Diseños factoriales con dos factores 1 Denición 2 Organización de los datos 3 Ventajas de los diseños
Más detallesSupuestos y comparaciones múltiples
Supuestos y comparaciones múltiples Diseño de Experimentos Pruebas estadísticas Pruebas de bondad de ajuste Prueba de hipótesis para probar si un conjunto de datos se puede asumir bajo una distribución
Más detallesESQUEMA GENERAL. Definición Clasificación Diseño simple de medidas repetidas Diseño factorial de medidas repetidas Diseño factorial mixto
TEMA IV ESQUEMA GENERAL Definición Clasificación Diseño simple de medidas repetidas Diseño factorial de medidas repetidas Diseño factorial mixto DISEÑOS DE MEDIDAS REPETIDAS Definición En el diseño medidas
Más detallesDISEÑO ESTADISTICO DE EXPERIMENTOS (T y P)
DISEÑO ESTADISTICO DE EXPERIMENTOS (T y P) DATOS GENERALES FICHA CURRICULAR Departamento: Irrigación Nombre del Programa: Ingeniero en Irrigación Area: Matemáticas, Estadística y Cómputo Asignatura: Diseño
Más detallesDISEÑOS EXPERIMENTALES DE DOS GRUPOS Y MULTIGRUPO
TEMA II ESQUEMA GENERAL Diseño experimental de dos grupos: definición y clasificación Formatos del diseño y prueba de hipótesis Diseño experimental multigrupo: definición Formato del diseño multigrupo
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 detallesCLAVE Laboratorio 14: Diseño en bloques completos aleatorizados
CLAVE Laboratorio 14: Diseño en bloques completos aleatorizados 1. Digamos que estamos interesados en conducir un experimento para comparar los efectos de tres insecticidas diferentes en habichuela. Pensamos
Más detallesPara 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 detallesDISEÑO FACTORIAL MODELO JERÁRQUICO (0 ANIDADO)
DISEÑO FACTORIAL Niveles de B Niveles de A 1 2 3 4 5 1 y 11 y 12 y 13 y 14 y 15 2 y 21 y 22 y 23 y y 3 y 31 y 32 y 33 y 34 y 35 4 y 41 y 42 y 43 y 44 y 45 Todos los niveles de cada factor están combinados
Más detallesFactores no controlables
Acepto la Ho y ιj μ α ι β j ε ιj Dr. Alfredo Matos Ch. Universidad Peruana Unión amatosch@upeu.edu.pe Factores Controles Entradas PROCESO FUNCION ACTIVIDAD Salidas Factores no controlables 2 1 Se entiende
Más detallesTema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos
Tema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos Metodología de la Investigación en Fisioterapia Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura M.
Más detallesUniversidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL
Universidad Técnica de Babahoyo CORRELACIÓN DE VARIABLES Y REGRESIÓN LINEAL OBJETIVO Analizar las Diferentes formas de Describir la Relación entre dos variables numéricas Trazar un diagrama de dispersión
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesTema 9: Introducción al problema de la comparación de poblaciones
Tema 9: Introducción al problema de la comparación de poblaciones Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 9: Introducción al problema
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 detallesEstadísticas Pueden ser
Principios Básicos Para iniciar en el curso de Diseño de experimentos, es necesario tener algunos conceptos claros en la parte de probabilidad y estadística. A continuación se presentan los conceptos más
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 detallesPRUEBA DE HIPÓTESIS BENJAMIN MAMANI CONDORI
PRUEBA DE HIPÓTESIS BENJAMIN MAMANI CONDORI 2014 Para qué es útil la estadística inferencial? Se utiliza para probar hipótesis y generalizar los resultados obtenidos en la muestra a la población o universo.
Más detallesSoluciones a los ejercicios propuestos del Tema 6
Soluciones a los ejercicios propuestos del Tema 6 1 Soluciones a los ejercicios propuestos del Tema 6 6.1. Es un diseño de un factor (la estirpe). La tabla ANOVA es: actor (entre tratamientos) Error (dentro
Más detallesIntroducción a la Estadística Aplicada en la Química
Detalle de los Cursos de Postgrado y Especialización en Estadística propuestos para 2015 1/5 Introducción a la Estadística Aplicada en la Química FECHAS: 20/04 al 24/04 de 2015 HORARIO: Diario de 10:00
Más detallesDiseño Muestreo y Experimental -->fundamental para análisis estadísticos. Escogencia de factores (V. independientes), niveles de factores,
Diseño Muestreo y Experimental -->fundamental para análisis estadísticos Escogencia de factores (V. independientes), niveles de factores, (tratamientos), Unidades de repuesta (replicas), Unidades de muestreo
Más detallesDISEÑOS MULTIFACTORIALES CON RESTRICCIONES DE ALEATORIZACIÓN. Diseños en bloques completos aleatorizados con dos tratamientos
DISEÑOS MULTIFACTORIALES CON RESTRICCIONES DE ALEATORIZACIÓN Los diseños en bloques utilizan una restricción en la aleatorización. Los cuadrados latinos utilizan dos restricciones en la aleatorización.
Más detallesAnálisis de la varianza. Magdalena Cladera Munar Departamento de Economía Aplicada Universitat de les Illes Balears
Análisis de la varianza Magdalena Cladera Munar mcladera@uib.es Departamento de Economía Aplicada Universitat de les Illes Balears CONTENIDOS Análisis de la varianza de un factor. Análisis de la varianza
Más detallesEsquema (1) Análisis de la Varianza y de la Covarianza. ANOVA y ANCOVA. ANOVA y ANCOVA 1. Análisis de la Varianza de 1 Factor
Esquema (1) Análisis de la arianza y de la Covarianza ANOA y ANCOA 1. (Muestras independientes). () 3. Análisis de la arianza de Factores 4. Análisis de la Covarianza 5. Análisis con más de Factores J.F.
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
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 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 detallesPronósticos, Series de Tiempo y Regresión. Capítulo 4: Regresión Lineal Múltiple
Pronósticos, Series de Tiempo y Regresión Capítulo 4: Regresión Lineal Múltiple Temas Modelo de regresión lineal múltiple Estimaciones de Mínimos Cuadrados Ordinarios (MCO); estimación puntual y predicción
Más detallesESQUEMA GENERAL DISEÑO CUASI-EXPERIMENTAL
TEMA V ESQUEMA GENERAL Definición y clasificación del diseño cuasi-experimental Estructuras básicas: Diseño pre-experimental Diseño de grupo control no equivalente: Definición Diseño de grupo control no
Más detallesANOVA. Análisis de la Varianza. Univariante Efectos fijos Muestras independientes
ANOVA Análisis de la Varianza Univariante Efectos fijos Muestras independientes De la t a la F En el test de la t de Student para muestras independientes, aprendimos como usar la distribución t para contrastar
Más detallesBloque 3 Tema 14 ANÁLISIS DE LA VARIANZA. PRUEBA F
Bloque 3 Tema 4 AÁLISIS DE LA VARIAZA. PRUEBA F El objetivo fundamental de la experimentación es estudiar la posible relación de causalidad existente entre dos o más variables. Este estudio representa
Más detallesINDICE Prefacio 1. Introducción 2. Distribuciones de frecuencia: tablas estadísticas y graficas
INDICE Prefacio XIII 1. Introducción 1.1. la imagen de la estadística 1 1.2. dos tipos de estadísticas 1.3. estadística descriptiva 2 1.4. estadística inferencial 1.5. naturaleza interdisciplinaria de
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesMODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8.
UNIVERSIDAD NACIONAL ABIERTA ESTADÍSTICA GENERAL 745) VICERRECTORADO ACADÉMICO INTEGRAL ÁREA DE MATEMÁTICA Fecha: 17/ 01 /009 MODELO DE RESPUESTAS Objetivos, 3, 4, 5, 6, 7, Y 8. OBJ. 1 PTA 1 Una compañía
Más detallesINDICE. Prólogo a la Segunda Edición
INDICE Prólogo a la Segunda Edición XV Prefacio XVI Capitulo 1. Análisis de datos de Negocios 1 1.1. Definición de estadística de negocios 1 1.2. Estadística descriptiva r inferencia estadística 1 1.3.
Más detallesCLAVE - Laboratorio 11: Análisis de la Varianza
CLAVE - Laboratorio 11: Análisis de la Varianza 1. Se está diseñando un experimento para comparar 4 variedades de habichuela. Se usarán 6 parcelas con cada una de las variedades en un diseño completamente
Más detallesMétodos de Investigación en Psicología (11) Dra. Lucy Reidl Martínez Dra. Corina Cuevas Reynaud Dra. Renata López Hernández
Métodos de Investigación en Psicología (11) Dra. Lucy Reidl Martínez Dra. Corina Cuevas Reynaud Dra. Renata López Hernández El método incluye diferentes elementos Justificación Planteamiento del problema
Más detallesTema 4. Regresión lineal simple
Tema 4. Regresión lineal simple Contenidos El objeto del análisis de regresión La especificación de un modelo de regresión lineal simple Estimadores de mínimos cuadrados: construcción y propiedades Inferencias
Más detalles14 horas. 20 horas
EJERCICIOS PROPUESTOS ANALISIS DE VARIANZA. Se realiza un ANOVA para comparar el tiempo que demora en aliviar el dolor de cabeza de varios tipos de analgésicos. Se obtiene como resultado un test observado
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 detallesAnálisis de la varianza
Análisis de la varianza José Gabriel Palomo Sánchez gabriel.palomo@upm.es E.U.A.T. U.P.M. Julio de 2011 I 1 Introducción 1 Comparación de medias 2 El pricipio de aleatorización 2 El problema de un factor
Más detallesExperimentos factoriales con factores aleatorios
Experimentos factoriales con factores aleatorios Hasta el momento hemos presumido que los factores en nuestros experimentos eran de naturaleza fija; esto es los niveles en que los factores fueron evaluados
Más detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesMétodo de cuadrados mínimos
REGRESIÓN LINEAL Gran parte del pronóstico estadístico del tiempo está basado en el procedimiento conocido como regresión lineal. Regresión lineal simple (RLS) Describe la relación lineal entre dos variables,
Más detallesANOVA mul)factorial. Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff
ANOVA mul)factorial Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Se puede examinar más de un factor simultáneamente (ANOVA de 2 factores, de 3 factores, etc.) Por qué un único análisis
Más detalles2. Plantear hipótesis considerando que: Hipótesis: Siendo una prueba no direccionada, el planteamiento de hipótesis, señalará que:
Análisis de varianza El análisis de la varianza, conocida también como ANVAR o ANOVA, por sus siglas en inglés (ANalysis Of VAriance) es un método que permite comparar dos o más grupos de datos a través
Más detallesDiseño de experimentos Hugo Alexer Pérez Vicente
Diseño de experimentos Hugo Alexer Pérez Vicente Métodos complementarios al análisis de varianza Comparaciones múltiples Comparación o pruebas de rangos múltiples Después de que se rechazó la hipótesis
Más detallesDISEÑO ESTADÍSTICO DE EXPERIMENTOS
DISEÑO ESTADÍSTICO DE EXPERIMENTOS UNA PRUEBA O SERIE DE PRUEBAS EN LAS CUALES SE INTRODUCEN CAMBIOS DELIBERADOS EN LAS VARI- ABLESDEENTRADAQUEFORMANELPROCESO,DE MANERA QUE SEA POSIBLE OBSERVAR E IDENTIFICAR
Más detallesANÁLISIS ESTADÍSTICO PRUEBA DE HIPOTESIS
ANÁLISIS ESTADÍSTICO PRUEBA DE HIPOTESIS Jorge Fallas jfallas56@gmail.com 2010 1 Temario Datos experimentales y distribuciones de referencia Una media poblacional Hipótesis nula, alternativa y nivel de
Más detallesTema 4. Análisis multivariante de la varianza
Máster en Técnicas Estadísticas Análisis Multivariante Año 2008 2009 Profesor: César Sánchez Sellero Tema 4 Análisis multivariante de la varianza 4 Presentación del modelo Se trata de comparar las medias
Más detallesLECCIÓN PÚBLICA. Tema 5 Algunas Pruebas de Hipótesis. Profa. María Fátima Dos Santos
LECCIÓN PÚBLICA Tema 5 Algunas Pruebas Profa. María Fátima Dos Santos 1 TEMARIO Fundamentos de estadística inferencial Método hipotético deductivo (Juego de hipótesis) Elementos en el contraste de hipótesis
Más detallesTema 3: Análisis de datos bivariantes
Tema 3: Análisis de datos bivariantes 1 Contenidos 3.1 Tablas de doble entrada. Datos bivariantes. Estructura de la tabla de doble entrada. Distribuciones de frecuencias marginales. Distribución conjunta
Más detallesANOVA de dos factores Tema Objetivo. Concepto de interacción
AOVA de dos factores ema 7. Objetivo. Concepto de interacción. AOVA de dos factores, efectos fijos, completamente aleatoriazado (AOVA-AB-EF-CA). Comparaciones múltiples . Objetivo: estudiar si los valores
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 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 detallesANÁLISIS E INTERPRETACIÓN DE DATOS EXPERIMENTALES EN EL MEJORAMIENTO GENÉTICO VEGETAL. Ing. Agr. Pablo Mansilla MGV-FCA, UNC.
ANÁLISIS E INTERPRETACIÓN DE DATOS EXPERIMENTALES EN EL MEJORAMIENTO GENÉTICO VEGETAL. Ing. Agr. Pablo Mansilla MGV-FCA, UNC. ALGUNAS DEFINICIONES NECESARIAS.. UNIDAD EXPERIMENTAL (UE) Porción de material
Más detallesDiseño de experimentos
Diseño de experimentos Quimiometría Por qué diseñar experimentos? Exploración: cuáles factores son importantes para realizar exitosamente un proceso Optimización: cómo mejorar un proceso Ahorro de tiempo:
Más detallesAnova unifactorial Grados de Biología y Biología sanitaria
Anova unifactorial Grados de Biología y Biología sanitaria M. Marvá e-mail: marcos.marva@uah.es Unidad docente de Matemáticas, Universidad de Alcalá 29 de noviembre de 2015 El problema Analizaremos la
Más detallesINDICE 1. Qué es la Estadística? 2.Descripción de Datos: Distribuciones de Frecuencia y Presentación Gráfica
INDICE 1. Qué es la Estadística? 1 Introducción 2 Qué significa estadística? 2 Por qué se estudia la estadística? 4 Tipos de estadística 5 Estadística descriptiva 5 Estadística inferencial 6 Tipos de variables
Más detallesANÁLISIS DE EXPERIMENTOS
ANÁLISIS DE EXPERIMENTOS Prof. Dr. José Perea Dpto. Producción Animal ANÁLISIS DE EXPERIMENTOS 1. Introducción 2. Comparación de dos medias 3. Comparación de más de dos medias 4. Pruebas post-hoc 5. ANCOVA
Más detallesPROGRAMA DEL CURSO SOBRE PSICOLOGÍA EXPERIMENTAL MANUEL MIGUEL RAMOS ÁLVAREZ
PROGRAMA DEL CURSO SOBRE PSICOLOGÍA EXPERIMENTAL MANUEL MIGUEL RAMOS ÁLVAREZ Resumen de Psicología Experimental 1 PSICOLOGÍA EXPERIMENTAL Manuel Miguel Ramos Alvarez. I. FUNDAMENTOS METODOLÓGICOS DE LA
Más detallesESTADISTICA II. INGENIERIA INFORMATICA, 3 ER Curso
ESTADISTICA II INGENIERIA INFORMATICA, 3 ER Curso 22 - Diciembre - 2.006 Primera Parte - Test Apellidos y Nombre:... D.N.I. :... Nota : En la realización de este examen sólo esta permitido utilizar calculadoras
Más detallesEstadística; 3º CC. AA. Examen final, 23 de enero de 2009
Estadística; 3º CC. AA. Examen final, 3 de enero de 9 Apellidos Nombre: Grupo: DNI. (5 ptos.) En un estudio sobre las variables que influyen en el peso al nacer se han obtenido utilizando SPSS los resultados
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detalles