Professional Documents
Culture Documents
UNIDAD 1
Objetivo e importancia
Razonamiento inductivo
Inductivo, por su parte, es lo que est vinculado a la induccin (el proceso que lleva
a obtener una conclusin general a partir de premisas especficas o particulares).
Seleccionar los recursos, tanto humanos como materiales, que se emplearn para
llevar a feliz trmino la investigacin planteada.
Hiptesis estadstica
Ha: ti 0 (No todos los tratamientos tienen el mismo efecto sobre la variable en
estudio)
Error Tipo I: Se comete cuando se rechaza la hiptesis que se plantea, siendo esta
hiptesis falsa; la magnitud de este error es fijado por el investigador y constituye
el nivel de significacin de la prueba; usualmente los valores usados como nivel
de significacin son 0.05 0.01.
Error tipo II: Se comete cuando se acepta la hiptesis que se plantea, siendo esta
hiptesis falsa; la magnitud de este error no se puede fijar, pero si es posible
minimizar utilizando un tamao adecuado de muestra
1.6 Caractersticas y etapas de la planeacin de los experimentos
Para que un estudio experimental sea exitoso es necesario realizar, por etapas,
diferentes actividades. En este sentido, la etapa ms importante y a la que se le
debe dedicar mayor tiempo es la planeacin.
2. Elegir la(s) variable(s) de respuesta que ser medida en cada punto del diseo
y verificar que se mide de manera confiable. En otras palabras, se debe garantizar
que los instrumentos y/o mtodos de medicin son capaces de repetir y reproducir
una medicin, que tienen la precisin (error) y exactitud (calibracin) necesaria.
Por debajo del Poder Ejecutivo, los principales organismos del sistema de ciencia
y tecnologa son:
UNIDAD 2
EJECUCION DE LA EXPERIMENTACION
Tratamiento:
Testigo
Unidad experimental
El material o el lugar sobre el cual se aplican los tratamientos en estudio. Por ej.,
una parcela, una maceta, un animal o grupo de animales.
Unidad de observacin
Error Tipo I: Se comete cuando se rechaza la hiptesis que se plantea, siendo esta
hiptesis falsa; la magnitud de este error es fijado por el investigador y constituye
el nivel de significacin de la prueba; usualmente los valores usados como nivel
de significacin son 0.05 0.01.
Error tipo II: Se comete cuando se acepta la hiptesis que se plantea, siendo esta
hiptesis falsa; la magnitud de este error no se puede fijar, pero si es posible
minimizar utilizando un tamao adecuado de muestra.
Tratamiento
Tratamiento Testigo
Es la seleccin de un grupo de unidades experimentales al que no se le aplica
tratamiento especial con el fin de comparar los resultados con los otros
tratamientos.
Bloque
Sugerencias:
Existe cuando un individuo (os) dentro de la unidad experimental afecta (n) a otros
ventajosa o desventajosamente. Por ejemplos encontramos: plantas de una
parcela de campo estn en competencia por luz, agua y nutrientes. Animales
dentro de un corral o jaula estn en competencia por comida y agua. Algn animal
en un corral es ms belicoso que otros, a menudo causando algn perjuicio fsico
a otros animales. La competencia puede no tener efecto sobre la tcnica
experimental, siempre y cuando la suma de los efectos de competencia sea cero,
lo cual requiere que un individuo gane lo que otro pierde.
Reducir las fuentes de error, tanto del experimento como de aquellos errores o
equivocaciones operacionales. Es muy importante que en la seleccin de datos,
muestreo, etc., el personal responsable est constituido por tcnicos o personas
con entrenamiento
Las expresiones para el clculo de los elementos que intervienen en el Anova son
las siguientes:
Media Global:
Variacin Total:
Variacin Intra-grupos:
Variacin Inter-grupos:
y su media.
Los errores del primer tipo son inevitables, sin embargo, los errores humanos
reducidos a lo mnimo posible. Del nivel de imprecisin en un experimento pueden
deducirse diferentes resultados en un experimento. Por eso, es muy importante
proporcionar el valor medido como el error estimado por su obtencin.
Errores al azar: Un error al azar puede ocurrir porque est haciendo algo diferente
en cada corrida, son datos no reproducibles.
Ejemplo: si una regla esta astillado y le falta 2 mm, todas las medidas hechas van
a errar en esa magnitud, esto es un error sistemtico porque todos sus datos se
afectan en la misma cantidad y en la misma direccin.
UNIDAD 3
ANLISIS DE VARIANZA Y DISEOS EXPERIMENTALES
BSICOS
Hay varias formas en las cuales puede disearse un experimento ANOVA. Quizs
el ms comn es el diseo completamente aleatorizado a una va. El trmino
proviene del hecho que varios sujetos o unidades experimentales se asignan
aleatoriamente a diferentes niveles de un solo factor. Por ejemplo: varios
empleados (unidades experimentales) pueden seleccionarse aleatoriamente para
participar en diversos tipos (niveles diferentes) de un programa de capacitacin (el
factor).
El anlisis de varianza se basa en una comparacin de la cantidad de variacin en
cada uno de los tratamientos. Si de un tratamiento al otro la variacin es
significativamente alta, puede concluirse que los tratamientos tienen efectos
diferentes en las poblaciones.
Caractersticas principales:
Estimaciones
La tcnica para hacer el anlisis de varianza, mediante los mnimos cuadrados,
nos permite hallar aquellos estimadores que nos aseguraran una suma de
cuadrados del error mnimo.
Suma de cuadrados
Se calcula los grados de libertad del error: grados de libertad del error: t (r
1) Donde t es el nmero de tratamientos, r el nmero de repeticiones.
Tambin se puede calcular GL del error como: GL error = GL Total GL
tratamientos
Tratamientos A, B, C, D, E
Bloque I: B A E C D
Bloque II: C B D E A
Bloque III: B E A D C
Bloque IV: D C A E B
Tratamiento (t-1) = 4
Bloques (r-1) = 3
Error (t-1)(r-1)=12
Caractersticas:
Debido a que solo la variacin dentro de bloques resulta parte del error
experimental la conformacin de los bloques es ms efectiva cuando el rea
experimental tiene un gradiente de productividad predecible.
es la media general
Las principal hiptesis que se somete a prueba en un ANAVA para un DBCA, como
en el DCA a una va de clasificacin, est establecida sobre la medias de las
poblaciones relacionadas a cada tratamiento (i=+i con i=1, ... ,a):
H0 : 1= 2= , ... , =a
Caractersticas:
Cada observacin del experimento es expresada como una relacin lineal de los
efectos involucrados (tratamiento, fila y columna), as:
Fi = efecto de la fila i
C j = efecto de la columna j
Estimacin de parmetros
Sumas de cuadrados
UNIDAD 4
Ventajas:
Desventajas:
38
Ambos factores son fijos y los efectos de los tratamientos se definen como
desviaciones de la media general y deben cumplir la restriccin:
39
4.6. Interpretacin de los EF
Criterios de clasificacin
A) Cantidad de niveles
B) Cantidad de combinaciones
C) Tipo de control
A) Segn la cantidad de niveles o valores por factor, el diseo factorial se
clasifica en: Cantidad constante y Cantidad variable
La notacin del diseo es ms sencilla cuando la cantidad de niveles por factor es igual
(es decir, constante). As, el diseo factorial de dos factores a dos niveles se representa
por 2, el de tres factores por 23, etc. En trminos generales, los diseos a dos niveles
y con k factores se representan por 2k; a tres niveles, por 3k; a cuatro niveles por 4k,
etc.
Cuando los factores actan a ms de dos niveles (es decir, cuando la cantidad de
valores por factor es variable), el diseo se representa por 2 x 3, 2 x 3 x 4, etc. A su
vez, cabe considerar la posibilidad que, tanto en un caso como en otro, el diseo sea
balanceado (proporcionado) o no balanceado (no proporcionado); es decir, diseos
con igual cantidad de sujetos por casilla y diseos con desigual cantidad de sujetos
por casilla.
40
Asumiendo que slo se ejecute una parte del total de las combinaciones, el diseo
factorial es incompleto o fraccionado, segn el procedimiento seguido.
41
4.8. Confusin de efectos
Esta fenomeno es utilizado por la estadistica, para trata de confundir efectos tal como
las interacciones y lograr aplicar en un numero menor de unidades experimentales, las
interacciones conforman el error experimental. Sin embargo tiene un riesgo si las
interacciones existen, esto incrementara considerablemente el error. Se sugiere utilizar
en interacciones de segundo orden (tres factores)
Desventajas.
1. Los contrastes confundidos son repetidos menos veces que los contrastes en
estudio.
3. Hay considerable dificultad en determinar los tratamientos que formaran los bloques
incompletos.
Ventajas.
1. El error se ve disminuido por tener menos unidades por bloque y podria asegurar
una homogeneidad.
Si se examina los efectos del factorial 2x2x2 para ser evaluado por contrastes, se
obtiene:
42
Esto significa, para confundir el efecto de la interaccin ABC, se puede formar
semibloques, de tal forma que se contraste tal efecto; asi:
4.9. EF incompletos
43
En ocasiones es necesario bloquizar unidades experimentales en grupos ms
pequeos que una rplica completa de todos los tratamientos que se usaran con
bloques completos aleatorizado o un diseo de cuadrado latino. El diseo de
bloques incompletos se usa para disminuir la varianza de error experimental y
proporcionar comparaciones ms precisas entre tratamientos de lo que es
posible con el diseo de bloques completos. En este trabajo se presenta una
descripcin general de algunos grupos importantes de diseo de bloques
incompletos, se muestran el mtodo de aleatorizacin y los mtodos bsicos de
anlisis para diseo de bloques incompletos balanceados (BIB) y bloques
incompletos parcialmente balanceados (BIPB), tomando en cuenta tambin la
eficiencia de los diseos.
Por alguna razn los experimentos pueden requerir una reduccin del tamao de
bloque. Los diseos de bloques completos pueden reducir las varianzas del error
experimental estimadas, pero esta reduccin puede ser insuficiente, pues el
nmero de tratamientos pueden ser tan grandes que resultan imprcticos para
reducirla. Adems, con el agrupamiento natural de las unidades experimentales
en bloques quiz no se obtengan las unidades por bloques necesarias para el
nmero de tratamientos de un diseo de bloques completos. En el siguiente
ejemplo, el nmero limitado de cmaras de control ambiental evita la ejecucin
de una rplica completa de todos los tratamientos en una corrida de cmaras
disponibles.
44
UNIDAD 5
45
asignacin de tratamientos de un factor a parcelas principales en un diseo
completamente aleatorio, de bloque completos al azar o de cuadro latino. Los
tratamientos de segundo factor se asignan a sub-parcelas dentro de cada parcela
principal.
La variedad del cultivo es el tratamiento de la parcela grande y el fertilizante el de la
parcela pequea
Por otro lado, en cada comparacin la hiptesis nula es que las dos muestras
provienen de la misma poblacin, por lo tanto, cuando se hayan realizado todas las
comparaciones, la hiptesis nula es que todas las muestras provienen de la misma
poblacin y, sin embargo, para cada comparacin, la estimacin de la varianza
necesaria para el contraste es distinta, pues se ha hecho en base a muestras
distintas.
46
El mtodo que resuelve ambos problemas es el anova, aunque es algo ms que
esto: es un mtodo que permite comparar varias medias en diversas situaciones;
muy ligado, por tanto, al diseo de experimentos y, de alguna manera, es la base
del anlisis multivariante.
47
3.Mtodo de anlisis an sigue siendo sencillo,cuando existe la perdida relativa de
informacin.
4.El diseo es capaz de estimar el error estndar por unidad experimental (error
experimental) con un mayor grado de precisin.
48
este diseo las unidades experimentales se distribuyen en grupos
homogneos. Cada uno de esos grupos es llamado: bloque. El nmero de
unidades experimentales dentro de cada bloque es igual al nmero de
tratamientos incluidos en el experimento. Un caso particular de diseo de
bloques es el que aparece relacionado con la prueba de t para muestras
pareadas, aunque el nmero de tratamientos es solo dos.
Los tratamientos son distribuidos en las unidades experimentales dentro
de cada bloque aleatoriamente, as, cada bloque ira construir una
repeticin. Este tipo de experimento es seleccionado cuando se tienen
dudas acerca de la homogeneidad del ambiente o cuando, por experiencia,
se sabe de su heterogeneidad.
49
50
5.1.5 DPD en Cuadro Latino (CL)
Este diseo tambin es conocido como diseo con un factor y dos restricciones en
la aleatorizacin. De esta forma se tiene que el control local, representado por los
bloques, es organizado de dos maneras diferentes, siendo uno organizado en el
sentido de las filas (0 hileras) y otro organizado en el sentido de columnas.
Estos diseos clsicos son una extensin lgica y natural del diseo en bloques
completos al azar y poseen una serie de caractersticas muy similares, por tanto, se
explicarn en conjunto.
51
.
52
Una variacin de los experimentos en parcelas divididas es caracterizada
cuando, por diversas razones, aunque se estructuren las parcelas
pequeas, no hay posibilidad de una aleatorizacin total de estas parcelas.
En este caso, las parcelas relativas a cada factor se posicionan en franjas
(fajas o Split-block), tanto en filas como en las columnas.
Hiptesis
53
5.3 Arreglo en Parcelas Subdivididas (DPSD)
54
5.3.1 Caractersticas del DPSD
55
ANALISIS DE VARIANZA (CA)
56
57
ANLISIS DE VARIANZA (CL)
58
Unidad 6
Pruebas de separacin de medias
donde MCE y MCI son las Medias Cuadrticas "entre" e "intra" respectivamente.
a) El efecto del tratamiento en cada grupo es medido por la Media de las medidas
de depresin de cada grupo.
59
En cambio, cuanto ms diferentes sean los efectos de los tratamientos, ms
diferentes esperamos que sean las Medias.
c) La Media Cuadrtica "entre" mide la variacin explicada por las diferencias entre
las Medias de los grupos ms la variacin explicada por diferencias individuales:
donde
si las Medias fueran semejantes, la Media Cuadrtica "entre" sera igual a 0 (porque
la Media de cada grupo sera igual a la Media total). Si las Medias fueran diferentes,
la Media Cuadrtica "entre" ser mayor cuanto ms y mayores sean las diferencias.
donde
60
e) El estadstico F pone en relacin la variacin "entre" respeto de la variacin
"intra":
61
tomara el valor 0 (porque las diferencias dentro del parntesis siempre seran 0).
62
6.2 Pruebas mltiples de separacin de medias
63
6.2.2 Prueba del Rango Mltiple de Significacin de Duncan (RMD)
Un procedimiento usado ampliamente para comparar todas las parejas de medias
es el de la prueba de intervalos mltiples desarrollada por Duncan (1955). La
aplicacin de esta prueba es ms laboriosa que la prueba de Tukey, pero se llega
a resultados ms detallados y se discrimina con mayor facilidad entre los
tratamientos, o sea que, la prueba de Duncan indica resultados significativos en
casos en que la prueba de Tukey no permite obtener significancia estadstica. Tal
como la prueba de Tukey, la de Duncan exige, para ser exacto, que todos los
tratamientos tengan el mismo nmero de repeticiones.
64
6.4 Comparaciones o superficies de tendencia
Este mtodo es muy til para establecer las tendencias generales de datos, pero el
potencial que tiene para predecir variaciones locales es muy pobre, as como tambin es
muy sensible a los valores atpicos, es decir, valores que se van de la moda (entendiendo
moda en su acepcin estadstica). As pues, por si solo no ayuda a comprender procesos
espaciales. No obstante, este es el mtodo de interpolacin global ms utilizado en
arqueologa.
65