Métodos de Diseño y Análisis de Experimentos
|
|
- José Medina Botella
- hace 5 años
- Vistas:
Transcripción
1 1 / 28 Métodos de Diseño y Análisis de Experimentos Patricia Isabel Romero Mares Departamento de Probabilidad y Estadística IIMAS UNAM marzo 2018
2 Ideas básicas del diseño experimental Capítulo 4 de Analysis of Messy Data. 2nd ed. Milliken y Johnson (2009) 2 / 28
3 Ideas básicas El diseño de experimentos tiene que ver con la planeación de los experimentos para obtener la máxima cantidad de información con los recursos disponibles. Antes de llevar a cabo un experimento, se deben contestar algunas preguntas: 1. Cuáles son los objetivos y cuál es la variable de respuesta? 2. Cuántos tratamientos se van a estudiar? 3. Cuántas veces se va a observar cada tratamiento? 4. Cuáles son las unidades experimentales? 5. Cómo se aplican los tratamientos a las u.e. disponibles y luego se observan las respuestas (aleatorización)? 6. Se puede analizar el diseño resultante y/o se pueden hacer las comparaciones deseadas? 3 / 28
4 4 / 28 Ideas básicas Considere un experimento que involucra t tratamientos y cada tratamiento se aplica a r u.e. diferentes. Un modelo matemático que se puede usar para describir y ij, la respuesta observada de la j-ésima u.e. del i-ésimo tratamiento es: y ij = µ i + ε ij { i = 1,2,...,t (1) j = 1,2,...,r donde µ i es la media real, pero desconocida, de las respuestas del i-ésimo tratamiento y ε ij es una variable aleatoria que representa el ruido resultante de la variación natural y otras posibles fuentes de error aleatorio y no aleatorio (ej. error de medición)
5 5 / 28 Ideas básicas Para llevar a cabo este experimento, el investigador debe seleccionar rt u.e. y asignar aleatoriamente cada tratamiento a r de las u.e. El uso de la aleatorización es muy importante ya que previene la introducción de sesgos sistemáticos en el experimento. Si el investigador no usa la aleatorización, entonces no puede decir si una diferencia observada se debe a diferencias entre los tratamientos o se debe al método sistemático usado para asignar los tratamientos a las u.e.
6 6 / 28 Ideas básicas El objetivo estadístico de un experimento es comparar la respuesta observada de los tratamientos en las u.e. La muestra de u.e. usada en el estudio debe ser seleccionada aleatoriamente de la población (o población conceptual) bajo estudio para poder hacer inferencias a esa población. Por ejemplo, si se quiere estudiar el efecto de cierto medicamento en la presión arterial de los humanos y se hace un experimento con ratones blancos como u.e. entonces no se podrían hacer inferencias hacia la población de humanos. Sin embargo, se podrían hacer conjeturas (hipótesis, sospechas) hacia poblaciones no muestreadas.
7 7 / 28 Ideas básicas Un objetivo del diseño experimental es seleccionar y agrupar el material experimental de tal manera que se reduzca el error experimental. Entonces, necesitamos que las u.e. en las cuales se van a comparar los tratamientos, sean lo más parecidas posible para que puedan detectarse pequeñas diferencias significativas entre dos tratamientos. Se obtienen mejores comparaciones entre los tratamientos cuando las u.e. usadas en el estudio son homogéneas o por lo menos muy parecidas. u.e. muy homogéneas mucha validez interna, poca validez externa (ratones blancos). u.e. no homogéneas poca validez interna, mucha validez externa, pero, además, mayor varianza del error, por lo tanto, se detecta menos el efecto de los tratamientos.
8 8 / 28 Ideas básicas En muchos experimentos es imposible seleccionar rt u.e. similares. Si se tienen u.e. heterogéneas se puede hacer lo siguiente: Medir variables que pueden afectar la respuesta y que tengan valores diferentes entre las u.e. (covariables) y utilizar análisis de covarianza. Agrupar las u.e. en conjuntos de u.e. homogéneas y utilizar un diseño de bloques. Usar las dos anteriores. En el caso del agrupamiento, los grupos de u.e. homogéneas se llaman bloques. Los tratamientos pueden compararse en las u.e. similares donde la variación debida al grupo puede tomarse en cuenta en el análisis.
9 9 / 28 Diseño de bloques Sean r bloques con t u.e. cada uno, cada tratamiento apareciendo una sola vez en cada bloque. Un modelo que representa la respuesta observada del i-ésimo tratamiento en el j-ésimo bloque es: { y ij = µ i + b j + εij i = 1,2,...,t j = 1,2,...,r Observe que el ε ij del modelo (1) se reemplazó por b j + ε ij, esto es, la variación entre grupos o bloques de u.e. se identificó y se separó de ε ij.
10 10 / 28 Ideas básicas Si hay t tratamientos y t u.e. se puede llevar a cabo un experimento y se puede estimar la media de cada tratamiento. Pero la varianza del error no se puede obtener a menos que alguno o todos los tratamientos sean replicados (tengan repeticiones). Una réplica de un tratamiento es una observación independiente del tratamiento y, por lo tanto, dos réplicas (repeticiones) de un tratamiento deben involucrar dos u.e.
11 11 / 28 Ideas básicas Frecuentemente se utiliza dividir una muestra para generar dos observaciones a las que se les llama réplicas cuando en realidad son submuestras o mediciones repetidas. Por ejemplo, dos mediciones independientes de la estatura de una persona no dan una medida de la variación de estaturas de la población de personas, sino que dan una medida de la variación de la medición de estatura en esa persona.
12 Ideas ba sicas Otro ejemplo, considere un experimento para comparar la capacidad de tres conservadores para inhibir el crecimiento de hongos en cierto tipo de pastel. 12 / 28
13 13 / 28 Ideas básicas Se aplica un conservador a cada pastel. Después de 9 días de almacenado se mide el número de esporas de hongo por cm 3. Como el investigador quiere 10 réplicas para el análisis, divide cada pastel en 10 partes y obtiene la medición de esporas de hongo en cada parte. Sin embargo, esas 10 mediciones no resultan de 10 aplicaciones independientes del conservador. La medida de variación de sus submuestras es un indicador de la variación dentro del pastel y no de la variación u.e. a u.e. Para tener 10 réplicas, el investigador necesita hacer 10 pasteles con cada conservador, cada uno de ellos mezclado independientemente del otro.
14 14 / 28 Ideas básicas Es muy importante distinguir entre una submuestra y una réplica, ya que la varianza del error estimada entre las submuestras es en general considerablemente menor que la varianza del error estimada entre réplicas o u.e. Por lo tanto, la estadística F de las pruebas construída usando la varianza del error calculada de las submuestras será mucho mayor de lo que debe ser, llevando al experimentador a encontrar más diferencias significativas de lo que debería.
15 15 / 28 Estructuras de un diseño experimental 1. Estructura de tratamientos. Es el conjunto de tratamientos, combinación de los niveles de los factores bajo estudio, o poblaciones que son seleccionadas por el investigador para ser comparados. La estructura de tratamientos puede ser un conjunto de t tratamientos, llamada estructura de tratamientos unifactorial (de una vía, one-way), o un conjunto de combinaciones de niveles como un arreglo factorial de 2 factores (vías) o de mayor orden.
16 16 / 28 Estructuras de un diseño experimental 2. Estructura de diseño. Es la forma en que se agrupan las u.e. en conjuntos homogéneos (bloques). La estructura de diseño de un experimento involucra el agrupamiento de las u.e. de tal manera que las condiciones bajo las cuales se observan los tratamientos sean lo más uniformes posible. Si todas las u.e. son homogéneas, entonces solo hay un grupo o bloque de observaciones y las u.e. pueden ser asignadas a los tratamientos completamente al azar. Esta estructura de diseño se llama diseño completamente al azar. Si se requiere más de un grupo de u.e. para que dentro de cada grupo las u.e. sean más homogéneas entre sí que entre grupos, entonces la estructura de diseño es algún tipo de diseño de bloques.
17 17 / 28 Diseño total del experimento Una vez que se seleccionaron las estructura de tratamientos y de diseño, el diseño total del experimento se especifica describiendo exactamente el método de asignación aleatoria de los tratamientos a la u.e. en la estructura de diseño.
18 18 / 28 Diseño total del experimento El diseño total del experimento define el modelo apropiado que debe usarse para un análisis correcto. Al construir el modelo, se hacen dos suposiciones básicas: 1. Se supone que los componentes de la estructura de diseño son efectos aleatorios, esto es, los bloques usados son una muestra aleatoria de la población de posibles bloques de u.e. 2. Se supone que no hay interacción entre los componentes de la estructura de diseño y los componentes de la estructura de tratamientos. Es decir, se supone que la relación existente entre los tratamientos será consistente de bloque a bloque, o dicho de otra manera, los bloques no influyen en la relación entre los tratamientos.
19 19 / 28 Tipos de estructuras de diseño La estructura de diseño se selecciona usando toda la información disponible de las u.e. y se escoge independientemente de la estructura de tratamientos. Tipos de estructura de diseño. 1. Diseño completamente al azar. Se supone que todas las u.e. son homogéneas y los tratamientos se asignan a las u.e. completamente al azar. 2. Diseño de bloques al azar (completos). Si hay t tratamientos, este diseño consiste de b bloques con t u.e. cada uno. Cada tratamiento se asigna aleatoriamente a las u.e. en cada bloque. (Restricción en la aleatorización). Si cada bloque tiene ct u.e. con c entero, entonces cada tratamiento se puede asignar a c u.e. en cada bloque (bloques al azar generalizados).
20 20 / 28 Tipos de estructuras de diseño 3. Diseño de cuadro latino. Consiste de un diseño de bloques en dos direcciones. Si se tienen t tratamientos, t 2 u.e. se arreglan en un cuadrado t t donde los renglones se llaman bloques renglón y las columnas bloques columna. Los tratamientos se asignan aleatoriamente a las u.e. de tal manera que cada tratamiento ocurra una sola vez en cada bloque renglón y una sola vez en cada bloque columna. 4. Diseño de bloques incompletos. Cuando el número de tratamientos es mayor que el número de u.e. en cada bloque. 5. Combinaciones y generalizaciones. El tamaño de los bloques varía de bloque a bloque, o algunos bloques están incompletos y otros completos.
21 21 / 28 Tipos de estructuras de tratamientos 1. Estructura de una vía (oneway). Consiste de un conjunto de t tratamientos o poblaciones que corresponden a los t niveles del factor bajo estudio. 2. Estructura de dos vías (twoway). Consiste de un conjunto de tratamientos construidos al combinar los niveles de dos factores. Si el primer factor tiene s niveles y el segundo r niveles, resultan s r tratamientos. Ejemplo: Diseño factorial 3 4, 12 tratamientos. B 1 B 2 B 3 B 4 A 1 A 1 B 1 A 1 B 2 A 1 B 3 A 1 B 4 A 2 A 2 B 1 A 2 B 2 A 2 B 3 A 2 B 4 A 3 A 3 B 1 A 3 B 2 A 3 B 3 A 3 B 4
22 22 / 28 Tipos de estructuras de tratamientos 3. Estructura de arreglo factorial. Consiste de un conjunto de tratamientos construidos al combinar los niveles de 2 o más factores. 4. Estructura de arreglo factorial fraccional. Consiste de solo una parte o fracción de todas las combinaciones posibles de niveles (tratamientos) de un arreglo factorial. Existen diferentes técnicas para seleccionar la fracción apropiada. 5. Arreglos factoriales con uno o más controles. Por ejemplo un factorial significa que se tienen dos factores uno con 3 niveles, el otro con 2 niveles y un tratamiento testigo o control. Todas las estructuras descritas se pueden considerar como una estructura de una vía (oneway) para propósitos de análisis.
23 23 / 28 Ejemplo Un nutriólogo quiere estudiar el efecto de 5 dietas para perder peso. La estructura de tratamientos es de un solo factor con 5 niveles. Si hay 20 personas homogéneas, se puede usar un diseño completamente al azar donde cada dieta se asigna completamente al azar a 4 personas. El modelo: y ij = µ i + ε ij o y ij = µ + τ i + ε ij i = 1,...,5 j = 1,...,4 F.V. g.l. Dieta 4 Error 15
24 24 / 28 Ejemplo Si hay 10 hombres homogéneos y 10 mujeres homogéneas, el género de la persona puede usarse como bloque, entonces se usaría un diseño de bloques al azar generalizado donde cada dieta se asigna aleatoriamente a dos hombres y dos mujeres. y ijk = µ i + b j + ε ijk o y ijk = µ + τ i + b j + ε ijk i = 1,...,5 j = 1,2 k = 1,2 F.V. g.l. Bloque 1 Dieta 4 Error 14
25 Ejemplo En muchos casos, el sexo de la persona no es una buena selección como factor de bloqueo ya que puede ser otro factor (sobre todo si consideramos que puede haber interacción de los dos factores). Si es así, la estructura de tratamientos es un factorial de 2 vías (dieta y sexo) con 10 tratamientos, resultado de combinar dos niveles de sexo con 5 niveles de dieta. El diseño es completamente al azar con 2 repeticiones. y ijk = µ ij + ε ijk o y ijk = µ + α i + β j + γ ij + ε ijk i = 1,...,5 j = 1,2 k = 1,2 µ media general α i efecto de dieta β j efecto de sexo γ ij interacción dieta sexo 25 / 28
26 26 / 28 Ejemplo La Tabla de ANOVA para cada uno de los modelos es: F.V. g.l. Modelo µ ij Sexo x Dieta 9 Error 10 Modelo µ + α i + β j + γ ij Sexo 1 Dieta 4 Sexo x Dieta 4 Error 10
27 27 / 28 Ejemplo Suponga ahora que las dietas tienen una estructura consistente de una dieta control y cuatro dietas resultado de la combinación de dos niveles de proteína y dos niveles de carbohidratos. La estructura de tratamientos de Dieta es un arreglo factorial 2 2 con un control, que al cruzarse con Sexo genera una estructura de tratamientos de tres vías con dos controles (uno para hombres y otro para mujeres). El diseño es completamente al azar. El modelo es: y ijk = µ + α i + β j + γ ij + ε ijk i = 1,...,5 j = 1,2 k = 1,2
28 28 / 28 Ejemplo F.V. g.l. Sexo 1 Dieta 4 Control vs Proteína 1 Carbohidrato 1 Proteína x carbohidrato 1 Sexo x Dieta 4 Sexo x Control vs Sexo x Proteína 1 Sexo x Carbohidrato 1 Sexo x Carbohidrato x Proteína 1 Error 10
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 detallesMétodos de Diseño y Análisis de Experimentos
1 / 30 Métodos de Diseño y Análisis de Experimentos Patricia Isabel Romero Mares Departamento de Probabilidad y Estadística IIMAS UNAM abril 2018 Diseño de Bloques al azar 2 / 30 3 / 30 Introducción En
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 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 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 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 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 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 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 detallesMétodos de Diseño y Análisis de Experimentos
1 / 16 Métodos de Diseño y Análisis de Experimentos Patricia Isabel Romero Mares Departamento de Probabilidad y Estadística IIMAS UNAM mayo 2018 Ejemplo Modelos Mixtos 2 / 16 3 / 16 Ejemplo 1 (2 factores
Más detallesDiseño de Experimentos
Diseño de Experimentos Estudios experimentales vs observacionales Experimento vs Muestreo La palabra experimento se utiliza en un sentido preciso, implicando una investigación donde un sistema bajo estudio
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 detallesPrincipales diseños de investigación
Principales diseños de investigación Estudios Experimentales Estudios Observacionales El investigador posee la facultad de asignar la intervención El investigador no asigna la intervención Investigación
Más detallesEXPERIMENTOS FACTORIALES CON RESTRICCIONES DE ALEATORIZACION
EXPERIMENTOS FCTORILES CON RESTRICCIONES DE LETORIZCION Diseño de Parcela Dividida Diseño de Bloques Divididos o en Franjas Características generales de estos diseños Esquemas a campo y aleatorización
Más detallesDISEÑO EXPERIMENTAL FACTORIAL DE GRUPOS
TEMA III ESQUEMA GENERAL Definición del diseño factorial Clasificación del diseño factorial Efectos estimables en un diseño factorial Diseño factorial A x B completamente al azar: Estructura Diseño factorial
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 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 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 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 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 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 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 detallesAVISOS. Diseño Factorial 30/03/2015. Bioestadística II. Diseño Factorial. El miércoles 1 Abril no hay clases de BIO II
Facultad de Ciencias EYactas, Físicas y Naturales Universidad Nacional de Córdoba AVISOS Bioestadística II 2015 El miércoles 1 Abril no hay clases de BIO II http://estadisticaybiometria.wordpress.com seguir
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 detallesDiseños con dos o más fuentes de variación (III): Otros diseños clásicos de experimentos
Diseños con dos o más fuentes de variación (III): Otros diseños clásicos de experimentos Tema 4 (III) Estadística 2 Curso 08/09 Tema 4 (III) (Estadística 2) ANOVA multifactorial Curso 08/09 1 / 17 ANOVA
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 detallesDISEÑO DE CUADRADOS LATINOS
DISEÑO DE CUADRADOS LATINOS a vimos que el diseño de bloques al azar, era el diseño apropiado cuando se conocía de antemano algún factor que fuera fuente de variabilidad entre las unidades experimentales.
Más detallesMÉTODOS Y DISEÑOS EXPERIMENTALES
MÉTODOS Y DISEÑOS EXPERIMENTALES 1. EL MÉTODO EXPERIMENTAL Es el método experimental por experiencia cuyo objetivo esencial es la identificación de causas y la evaluación de sus efectos. 1.1.EXPERIMENTO
Más detallesDiseño de experimentos - Experimentos con más de un factor.
Diseño de experimentos - Experimentos con más de un factor http://www.academia.utp.ac.pa/humberto-alvarez/diseno-deexperimentos-y-regresion Diseño de bloques completamente al azar DBCA Cuando se quieren
Más detallesDiseño de bloques completos Aleatorizados. Jhon Jairo Padilla Aguilar, PhD.
Diseño de bloques completos Aleatorizados Jhon Jairo Padilla Aguilar, PhD. Introducción Factor perturbador: Factor del diseño que probablemente tenga un efecto sobre la respuesta, pero no existe un interés
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 detallesEn clases anteriores hemos estudiado diseños aleatorizados a un factor (con y sin bloqueo), introduciendo el modelo de Análisis de la Varianza
Bioestadística II Bioestadística II En clases anteriores hemos estudiado diseños aleatorizados a un factor (con y sin bloqueo), introduciendo el modelo de Análisis de la Varianza Bioestadística II Bioestadística
Más detallesPlaneación experimental
Planeación experimental Diseño de Experimentos Diseño de Experimentos Ventajas Identifica uno o más factores influyen dentro de la variable de respuesta. Permite establecer la combinación adecuada de tratamientos
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 detallesESQUEMA GENERAL Concepto y formato del Diseño de grupo control no equivalente (DGCNE) Clasificación
TEMA V ESQUEMA GENERAL Concepto y formato del Diseño de grupo control no equivalente (DGCNE) Clasificación Análisis de la covarianza (ANCOVA) Modelos alternativos de análisis DISEÑO DE GRUPO CONTROL NO
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 detallesClave Lab 7- Experimentos con dos Factores
Clave Lab 7- Experimentos con dos Factores 1. Se realizó un experimento para estudiar los efectos de tres niveles de ácido sórbico (0, 100 y 200 ppm) y seis niveles de actividad de agua (AW) en la supervivencia
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 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 detallesExperimento Gauge R & R.
Experimento Gauge R & R. Este tipo de experimento se usa para estudiar los componentes de variabilidad en un sistema de medida. Los componentes de usual interés son repetibilidad y reproducibilidad. La
Más detallesModelos mixtos. Diseño de experimentos p. 1/26
Modelos mixtos Diseño de experimentos p. 1/26 Introducción Cuando en la estructura de tratamientos de un experimento se tienen tanto factores fijos como aleatorios, el modelo que describe tales experimentos
Más detallesDiseño de experimentos - Experimentos multifactoriales.
Diseño de experimentos - Experimentos multifactoriales http://www.academia.utp.ac.pa/humberto-alvarez/diseno-deexperimentos-y-regresion Introducción Los casos anteriores explicaban los diseños en bloques
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 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 detallesDepartamento de Ciencias del Mar y Biología Aplicada Prof. Jose Jacobo Zubcoff
Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Prof. Jose Jacobo Zubcoff Tema 5 Modelos de dos factores-tratamiento. Se continua trabajando
Más detallesNOTAS SOBRE DISEÑO DE EXPERIMENTOS
INTRODUCCIÓN DISEÑO DE EXPERIMENTOS El Diseño de Experimentos tuvo su inicio teórico a partir de 1935 por Sir Ronald A. Fisher, quién sentó la base de la teoría del Diseño Experimental y que a la fecha
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 detallesExperimento: Un conjunto planeado de operaciones con el objetivo de descubrir nuevos factores
I MARCO TEORICO Capitulo 1. Consideraciones Iniciales 1.1 Definiciones Experimento: Un conjunto planeado de operaciones con el objetivo de descubrir nuevos factores o confirmar o negar resultados de investigaciones
Más detallesMuestreo y Distribuciones en el Muestreo
Muestreo y Distribuciones en el Muestreo Departamento de Estadística-FACES-ULA 03 de Abril de 2013 Introducción al Muestreo En algunas ocaciones es posible y práctico examinar a cada individuo en el Universo
Más detalles4. DISEÑOS MULTIFACTORIALES O FACTORIALES
4. DISEÑOS MULTIFACTORIALES O FACTORIALES 4.1 PRINCIPIOS Y DEFINICIONES BASICAS Los arreglos factoriales se utilizan cuando en una investigación se pretende estudiar simultáneamente la influencia del cambio
Más detallesESTADISTICA AVANZADA. Sesión D6/m2 Introducción DOE
ESTADISTICA AVANZADA Sesión D6/m2 Introducción DOE DOE - Definiciones Básicas Experimento Es un cambio en las condiciones de operación de un sistema o proceso, que se hace con el objetivo de medir el efecto
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 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 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 detallesMétodos Cuantitativos
Presenta: Olán Inferencia estadística Parámetros y estadísticos Una población o universo es una colección o totalidad de posibles individuos, objetos o medidas de interés sobre lo que se hace un estudio.
Más detallesInvestigación experimental. L.A. y M.C.E. Emma Linda Diez Knoth
Investigación experimental L.A. y M.C.E. Emma Linda Diez Knoth 1 2 Un experimento tiene como propósito evaluar o examinar los efectos que se manifiestan en la variable dependiente cuando se introduce la
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 detalles- Si se repite un experimento, en condiciones indistinguibles, los resultados presentan variabilidad.
Introducción Los modelos que vamos a estudiar son usados para averiguar si una o más variables o factores afectan nuestra variable de interés. Ejemplos donde esta disciplina puede ser utilizada son: -
Más detallesDiseño de Experimentos Diseños de un Solo Factor Categórico
Diseño de Experimentos Diseños de un Solo Factor Categórico Resumen La selección de Diseños de un Solo Factor Categórico sobre el menú de Crear un Diseño crea diseños experimentales para situaciones donde
Más detallesDiseño de Experimentos
Diseño de Experimentos Dr. Raúl René Robles de la Torre rrenerdlt @ yahoo.com, redelator@ipn.mx Centro de Investigación en Biotecnología Aplicada Instituto Politécnico Nacional Origen A R. A. Fisher, estadístico
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 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 para Químicos
1 Estadística para Químicos Podemos decir, informalmente, que la estadística es el estudio de la variabilidad. Sus técnicas permiten describirla y plantear hipótesis con el objetivo de comprenderla. Si
Más detallesTema 1(parte 2): Introducción a la Estadística 1.1-1
1 Tema 1(parte 2): Introducción a la Estadística 1.1-1 Muestreo Muestra Es un subconjunto de la población. Objetivo del muestreo: El objetivo del muestreo es obtener la mayor cantidad de información posible
Más detallesMetodologías De Investigación
Metodologías De Investigación Pfra. Dolores Frías Navarro M. Dolores Frías http://www.uv.es/friasnav 1 Diseños Experimentales Al menos una variable independiente de tratamiento que es introducida por el
Más detallesTema 28: Diseños experimentales
CIENCIA XV UANL A N I V E R S A R I O TIPS BIOESTADÍSTICOS PETER B. MANDEVILLE * Tema 28: Diseños experimentales Designing an experiment is like gambling with the devil. Only a random strategy can defeat
Más detallesAnálisis de la varianza (ANOVA)
Análisis de la varianza (ANOVA) Mª Isabel Aguilar, Eugenia Cruces y Bárbara Díaz UNIVERSIDAD DE MÁLAGA Departamento de Economía Aplicada (Estadística y Econometría) Parcialmente financiado a través del
Más detallesDiseño y análisis de experimentos
Diseño y análisis de experimentos Universidad Nacional de Colombia Sede Medelĺın Kenneth Roy Cabrera Torres 06 de febrero de 2018 1 / 16 Un factor Familia de diseños Modelos Supuestos Prueba de Hipótesis
Más detallesContraste de Hipótesis
Contraste de Hipótesis Introducción Ejemplo El peso de plantines de un arbusto forrajero, almacenado a temperatura y humedad relativa ambientes, obtenido a los 20 días desde la germinación es en promedio
Más detallesRG 1 O X O Segundo, se aplica una Tercero, se administra el estímulo
1.3. DISEÑOS DE INVESTIGACIÓN Diseño se refiere al plan o estrategia concebida para obtener la información que se desea (Hernández, Fernández, & Baptista, Metodología de la Investigación, 2006, pág. 158).
Más detalles2013-B. Diseño y análisis de experimentos. El chocomilk ideal
2013-B El chocomilk ideal Nadia Berenice Haro Mares Ulises Guadalupe Herrera Sillas Violeta María Isabel Martínez Mercado Angélica Rivera Pulido Proyecto Final Angélica, Nadia, Violeta y Ulises, acaban
Más detallesAspectos metodológicos
Aspectos metodológicos Metodología de la Investigación: por se encuentra bajo una Licencia Creative Commons Atribución-NoComercial-CompartirIgual 3.0 Unported Métodos El método se refiere a los procedimientos
Más detallesSelección Diseño de Cribado
Selección Diseño de Cribado Resumen La sección diseño experimental del STATGRAPHICS puede crear una amplia variedad de diseños dirigidos a mostrar los factores más importantes que afectan un proceso. Se
Más detallesTema. Introducción Pearson Prentice Hall. All rights reserved
Tema 1 Introducción 2010 Pearson Prentice Hall. All rights reserved Estadística descriptiva La estadística descriptiva estudia datos con el único fin de describir el grupo observado, sin inferir los hallazgos
Más detallesCiudad de Guatemala, 2013
Ciudad de Guatemala, 2013 1 Clase 3 Por qué aleatorizar? D i e g o A y c i n e n a d i e g o a a @ u f m. e d u Centro Vernon Smith de Economía Experimental Universidad Francisco Marroquín 2 Clases (Profesores)
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 detallesContrastes de hipótesis. 1: Ideas generales
Contrastes de hipótesis 1: Ideas generales 1 Inferencia Estadística paramétrica población Muestra de individuos Técnicas de muestreo X 1 X 2 X 3.. X n Inferencia Estadística: métodos y procedimientos que
Más detallesESQUEMA GENERAL PLANTEAMIENTO DE ESTUDIOS EXPERIMENTALES Y CUASI- EXPERIMENTALES
TEMA I ESQUEMA GENERAL Fases de la investigación científica Diseños de investigación Variables de la investigación experimental Objetivos de la investigación experimental Control experimental Clasificación
Más detalles1. Una sóla réplica del Diseño 2 4.
EJEMPLOS DISEÑOS 2 k 1. Una sóla réplica del Diseño 2 4. Ejemplo 1: Un producto químico se produce en un recipiente a presión. Se realiza un experimento factorial en la planta piloto para estudiar los
Más detallesPruebas de Hipótesis Multiples
Pruebas de Hipótesis Multiples Cuando queremos hacer comparaciones de mas de dos poblaciones, una alternativa es comparar todos los grupos a la vez con el método de Análisis de Varianza (ANOVA) H o : µ
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 detallesDistribuciones muestrales. Distribución muestral de Medias
Distribuciones muestrales. Distribución muestral de Medias TEORIA DEL MUESTREO Uno de los propósitos de la estadística inferencial es estimar las características poblacionales desconocidas, examinando
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 detallesUniversidad Autónoma de Sinaloa
Séptima Edición del Diplomado en Estadística Mc. José V. Jiménez Ramírez Director de la Escuela de Ciencias Fisico-Matemáticas Tel. : 7 16 11 54 vidaljr@uas.uasnet.mx Dr. René Castro Montoya Coordinador
Más detallesIN INVESTIGACIÓN DE MERCADOS Diseño de la investigación Investigación causal. André Carboni Semestre primavera 2012
IN5625 - INVESTIGACIÓN DE MERCADOS Diseño de la investigación Investigación causal André Carboni Semestre primavera 2012 Estamos aquí Definición del problema Desarrollo del enfoque Formulación del diseño
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
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 detallesCONCEPTOS BÁSICOS DE ESTADÍSTICA
CONCEPTOS BÁSICOS DE ESTADÍSTICA Jorge M. Galbiati Riesco La Estadística está constituida por un conjunto de métodos de análisis de datos que pueden agruparse en tres categorías: La Estadística Descriptiva,
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 detallesEn el análisis de datos, es deseable proporcionar ambos análisis gráficos y estadísticos. Además, gráficos de datos permiten que el modelo propuesto
En el análisis de datos, es deseable proporcionar ambos análisis gráficos y estadísticos. Además, gráficos de datos permiten que el modelo propuesto pueda ser comprobado y ayudar en la identificación 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 detallesEstimación. Diseño Estadístico y Herramientas para la Calidad. Estimación. Estimación. Inferencia Estadística
Diseño Estadístico y Herramientas para la Calidad Estimación Epositor: Dr. Juan José Flores Romero juanf@umich.m http://lsc.fie.umich.m/~juan M. en Calidad Total y Competitividad Estimación Inferencia
Más detallesANÁLISIS ESTADÍSTICO MUESTREO DE POBLACIONES FINITAS
ANÁLISIS ESTADÍSTICO MUESTREO DE POBLACIONES FINITAS Jorge Fallas jfallas56@gmail.com 2010 1 Temario Porqué muestrear? Para qué muestrear? Estimar parámetros de población Prueba de hipótesis Exploratorio
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 detallesCLAVE - LAB 4 - Determinación de Tamaño Muestral y Comparaciones Múltiples
Potencia Revisado_febrero_2016_LWB/CL CLAVE - LAB 4 - Determinación de Tamaño Muestral y Comparaciones Múltiples 1. Considere el problema 2 del laboratorio 2. Se está planificando realizar de nuevo este
Más detalles