Professional Documents
Culture Documents
ArturoHernndezMontes
Febrero,2017
Losmtodosestadsticosenel
entornodelainvestigacin
Cuandosepresentaunproblemaenelcualsedaalgnprincipioo
conjuntodeprincipiosgeneralesysenospidequedeterminemos
qusucederabajounconjuntoespecficodecondiciones.Eltipode
razonamientoempleadodelogeneralaloparticular,esel
razonamientodeductivo.
Dadalafrmulageneralparacalcularelreadeuncrculo,cules
elreadeuncrculocuyoradioesde15cm.
DadaslasleyesdeBoyle yCharles,cmodebemosesperarque
ciertovolumendegascambiealsersometidosacambiodepresin
ytemperatura?
Granpartedelosproblemasdurantenuestraeducacinformalson
deestetipo.
Dr.ArturoHernndezMontes 2
Cuandosenosdanalgunoscasosespecficosysenospidenquelleguemos
aalgunosprincipiosgeneralesquesernaplicadosatodoslosmiembros
delaclaserepresentadapordichoscasos.Elrazonamientoempleado,de
loespecficoalogeneral,sedenominarazonamientoinductivo.
Dadaslasreasylosradiosdediversoscrculos,qufrmulageneral
podemosdar,expresandolarelacinntrelasreasyelradiosdelos
crculos?
Dadaunaseriedeobservacionessobreelvolumendeungasbajo
diferentescondicionesdepresinytemperatura,quleyesgenerales
explicarantalesobservaciones?
Todosinicianconungrupodeobservaciones,bajocondiciones
controladas.Losfactoresdeestudiosehacenvariarsistemticamente,
aplicandotratamientos.Otrosfactoresqueafectansonminimizados,en
loposible.Entoncestenemosunexperimento.
Dr.ArturoHernndezMontes 3
Noseducamosempleandomayormenterazonamientodeductivo.Envida
profesionalmuchosproblemasrequierenrazonamientoinductivo.
afectarlautilizacindeunainnovacinalaempresa?Enqu
extensin?
Contestadasal100deseguridad?Conocemoselriesgoycostosdeuna
decisin
Paraelloserequiereunexperimento,supropsitoessuministrarun
medioderealizarobservaciones(muestreoprobabilstico)quepueda
utilizarseparaformulargeneralizacionesplausiblesacercadelaprctica
objetodeestudio,locualesunproblemadelrazonamientoinductivo.
Dr.ArturoHernndezMontes 4
Lavariabilidadesunacaractersticadelmaterialbiolgico,planteaproblemade
sabersiladiferenciasedebealostratamientosoalavariabilidadnoponderadade
lasunidadesexperimentales(errorexperimental).
Laspruebasdesignificanciadeterminanlaprobabilidaddequelasdiferenciasde
tratamientospudieranocurrirporcasualidad.Estadstica.
Principiosesencialesparaobjetivosdelaestadstica.
1. Repeticin.Suministrainformacindelerrorexperimentalyprecisin.Nmero
repeticionesdependedemagnituddediferenciaspordetectaryde
variabilidad.
2. Muestreoaleatorio.Asignacindetratamientoaunidadesexperimentales,de
modoquetenganigualesprobabilidadesderecibirtratamiento.Asegurar
estimacionesimparcialesdemediasdetratamientosydelerrorexperimental.
3. Controllocal.Restriccionessobrelaseleccinaleatoriaparareducirerror;
tratamientosagrupadosenbloquesqueseesperatengandesempeo
diferente,enelcualcadaunodeellospresentaunefectodebloquequese
puedeseparardelavariacintotaldelexperimento.
Dr.ArturoHernndezMontes 5
Mtodocientfico
Investigacin,estudiosistemticodeuntemaconelfindedescubrir
nuevoshechosoprincipios.
Pasos
1. Hechosobservados.
2. Hiptesis.
3. Experimento.
4. Resultadoeinterpretacin.
Experimentoesuninstrumentodeinvestigacinutilizadopara
descubriralgodesconocidooprobarunahiptesis.
Dr.ArturoHernndezMontes 6
Mtodocientfico
Mtodocientficotradicional
Teora
Deduccin
Hiptesis
Operacionalizacin
Observaciones
Procesamientodedatos
Anlisisdedatos
Interpretacin
Resultados
Induccin
Fuente:BonillayRodrguez,2005:85
Dr.ArturoHernndezMontes 7
Dr.ArturoHernndezMontes 8
Procedimientoparalaexperimentacin
1. Definicindelproblema.Claroyconciso,conproblemadefinidopodemos
formularpreguntas,queunavezcontestadas,conduzcanalasolucin.
2. Determinacindelosobjetivos.Deacuerdoapreguntasporcontestar,
hiptesis,olosefectosquesedeseenestimar.Precisosyordenadospor
importancia,comosituvieranlugareneldiseoexperimental.
3. Anlisiscrticodelproblemaydelosobjetivos.Racionalidadymetasde
acuerdoalestatusactualdelconocimiento.Seleccindelprocedimientode
acuerdoalobjetodeestudioydeobjetivos.
4. Seleccindetratamientos.Querespondanalaspreguntasestablecidas.
5. Seleccindelmaterialexperimental.Representativodelapoblacinsobrela
quesedeseaevaluartratamientos.Considerarobjetivosypoblacin.
6. Seleccindeldiseoexperimental.
Dr.ArturoHernndezMontes 9
Marcometodolgicodeuna
investigacin
Dr.ArturoHernndezMontes 10
Caractersticasdeunexperimento
1. Simplicidad.Seleccindetratamientosydisposicinexperimentaldebern
hacersedelmodomssimpleposibleydebernserconsistentesconlos
objetivosdelexperimento.
2. Gradodeprecisin.Probabilidaddemedirdiferenciasentretratamientos.
Diseoapropiadoysuficientesrepeticiones.
3. Ausenciadeerrorsistemtico.Lasunidadesexperimentalesparadiferentes
tratamientosdeberanseriguales,obtenerestimacinimparcialdecada
efectodetratamiento.
4. Rangodevalidezdelasconclusiones.Tanampliocomoposible.Replicaciones
entiempoyespacioaumentarangodevalidezdeconclusiones.Conjunto
factorialdetratamientosincrementarangodevalidezdeexperimento.
5. Clculodegradodeincertidumbre.Concebirexperimentodemodoque
resulteposiblecalcularprobabilidaddeobtenerresultadosobservadosdebido
alazar.
Dr.ArturoHernndezMontes 11
Dr.ArturoHernndezMontes 12
Ejemplo1
Pruebadealimentacindebecerros,cadaunodeellosfue
pesadovariasveces,unavezalnacimientoylassiguientesal
martesmscercanoaciertosaniversarios,talcomomartes
mscercanoasuaniversariode8semanas.Losdatos
incluyerontodaslasfechas,lascualesfueroninconsistentes
mutuamente:algunosnofueronmartesyalgunasfueronla
longitudincorrectadeseparacindetiempo.Sololafechadel
cumpleaosfueconfiable,lasotrasfechasseescribieronal
finaldelexperimento,siguiendoalmartesmscercano.Silas
fechassehubieranescritocuandosepesaronlosbecerros,se
sabranlasfechasconmayorprecisin.
Dr.ArturoHernndezMontes 13
Ejemplo2
Enunexperimentodeunaenfermedadencebadaunavariable
derespuestaaparentementefueelporcentajedeenfermedad
encadaparcela.Unagrficapreliminardelosdatosmostrun
datomuylejanodelresto.Elagrnomohabatomadouna
muestraaleatoriadediezcuadrantesencadaparcelase
inspeccion100plantas/cuadranteparavercuantasestaban
infectadasypromedilos10nmeros.Elpromediofue
registrado(0,0,0,28,0,0,0,0,0,0),perocomoeraobviosumar
ceros,noemplecalculadora,peroseleolviddividirentre10.
Dr.ArturoHernndezMontes 14
Ejemplo3
Enunexperimentosemididurezadekiwi,conun
penetrmetro.Despusdeunanlisispreliminar,lagrficade
residualesmostralgoraro.Lashojasdedatosmostrdos
tiposdeescritura,elcocientedeuntipodedatosconrespecto
alotrodadaunvalorde2.2.Unapersonausolibrasylaotra
kilogramos.
Dr.ArturoHernndezMontes 15
Ejemplo4
Enexperimentosemidielrendimientodetrigoencada
parcela,elnmeroregistradoenlasltimas12parcelasdeun
totalde72fueronnotablementemsbajosquelosotros.Esto
coincidiconeliniciodelluviasalmomentodelacosecha61.
Porlotantoseintrodujounacovariableparadisminuirla
variacin.
Dr.ArturoHernndezMontes 16
Ejemplo5
EnunexperimentodeprogenieenAsia,diferentesfamiliasde
eucaliptosfuerondesarrolladasenparcelasdecincoarboles.
Despusde36mesessemidieldimetrodelrbolalaaltura
delpecho.Enanlisispreliminardelosdatos,elestadstico
calcullavarianzadelas5respuestasencadaparcelay
encontrquecadaparcelatenialamismavarianza!.El
trabajadoradmitiquemidicadarbolenlaprimeraparcela,
perodespussolomidielrbol1encadaparcela.Paralas
parcelas25,adicionlaconstantec alasmedicionesdela
parcela1,dondec eraladiferenciaentreeldimetroelrbol1
alaalturadelpechodeesaparcelayeldimetroalpechodel
rbol1enparcela1.
c=Dn D1.
n=2,3,4,y5
Dr.ArturoHernndezMontes 17
Repeticiones
2
Varianzadelamediaden nmeroesalaumentarn,
n
varianzadisminuye.
Aumentarrepeticionespodraaumentarvarianza.Unmayor
nmerodeunidadesexperimentalessonmsvariablesque
unomenor,porloquepodraaumentarvarianza.
Aumentarrepeticionesincrementaelpoder.Aumentael
nmerodegradosdelibertadparadistribucint,lacualtiene
colasmsesbeltascuandogl aumenta.
Repeticionesaumentacostos.
Dr.ArturoHernndezMontes 18
Controllocal
Significadividirelconjuntodeunidadesexperimentalesdentro
debloquesdeunidadessimilares.Sellamabloquear.
Sisehacebien,elbloqueobajalavarianza,alremoveralgunas
fuentesdevariabilidad,alremoveralgunasfuentesde
variacindelcontrastedelostratamientos.Aumenta
potencia,aunquereducegl residuales,porloquepuede
reducirpotenciasilosnmerossonpequeos.
Aumentacomplejidaddiseoypuededarmsespaciopara
erroresenprocedimientoduranteexperimento.
Dr.ArturoHernndezMontes 19
Restricciones
Elmsobvioescosto.Obtenerlomismopormenosdinero.
Muypequeopuedeserdesperdicio$.
Ladisponibilidaddematerialotrarestriccin.(tierra,pacientes
parapruebaclnica(pierdenmejortratamiento,pocos
conclusionesnoclaras,sacrificioanimales).
Todasvacunasrealizadaspormismaenfermera.
Cosechadores(gruposdeamigos).
Dr.ArturoHernndezMontes 20
Selecciones
Culestratamientos?
Testigoocontrol?Enterapiasnoaplica.Igualconpesticidas.
Culesunidadesexperimentalessedeberanusar?
Camposrepresentativosdeagricultoresvs.Ranchosexperimentales
controlados.
Usar36becerrosdelamismamanadao36compradosenelmercado,
especficamenteparaeseexperimento?
Universitarios?Opoblacingeneral?
Dr.ArturoHernndezMontes 21
Ejemplos
En un experimento se comparan 3 variedades de centeno en combinacin con
4 cantidades de fertilizante nitrogenado. Dos respuestas se midieron: uno
fue el peso total de materia seca cosechada de cada parcela y la otra fue el %
de carbohidratos solubles en el cultivo.
Variedades: Cropper, Melle y Melba. Fertilizante: 0,80, 160 y 240 kg/ha.
rea experimental, dos campos. No es prctico sembrar el centeno en
pequeas reas, a menos que sea a mano.
franja
parcela
Dr.ArturoHernndezMontes 22
Ejemplos
0 160 240 160 80 0
160 80 80 0 160 80
80 0 160 240 0 240
240 240 0 80 240 160
Diseo combinatorio
Dr.ArturoHernndezMontes 23
Ejemplos
Unidad experimental es la unidad ms pequea a la cual un tratamiento puede
ser aplicada.
Dr.ArturoHernndezMontes 24
Ejemplos
Enexperimentosemidielrendimientodetrigoencadaparcela,elnmero
registradoenlasltimas12parcelasdeuntotalde72fueronnotablemente
msbajosquelosotros.Estocoincidiconeliniciodelluviasalmomentode
lacosecha61.Porlotantoseintrodujounacovariableparadisminuirla
variacin.
Unidades experimentales?
Tratamientos?
Unidad observacional?
Dr.ArturoHernndezMontes 25
Ejemplos
En un experimento se comparan 3 variedades de centeno en combinacin con
4 cantidades de fertilizante nitrogenado. Dos respuestas se midieron: uno
fue el peso total de materia seca cosechada de cada parcela y la otra fue el %
de carbohidratos solubles en el cultivo.
Variedades: Cropper, Melle y Melba. Fertilizante: 0,80, 160 y 240 kg/ha.
Tratamientos?
Unidad experimental?
Unidad observacional?
Dr.ArturoHernndezMontes 26
Ejemplos
Prueba de alimentacin de becerros, confinados (10/corral), cada uno de
ellos fue pesado varias veces, una vez al nacimiento y las siguientes al
martes ms cercano a ciertos aniversarios, tal como martes ms cercano a
su aniversario de 8 semanas. Los datos incluyeron todas las fechas, las
cuales fueron inconsistentes mutuamente: algunos no fueron martes y
algunas fueron la longitud incorrecta de separacin de tiempo
Tratamientos?
Unidad experimental?
Unidad observacional?
Dr.ArturoHernndezMontes 27
Ejemplos
Varios pacientes toman parte en un experimento para comparar
medicamentos para aliviar el sntoma de asma. Para cada paciente la
medicina cambia cada mes. De vez en cuando el paciente va a la clnica,
donde el pico de la velocidad de flujo es medido.
Tratamientos?
Unidad experimental? 30 pacientes, 6 meses.
Unidad observacional?
Dr.ArturoHernndezMontes 28
Ejemplos
Debido a la preocupacin del uso extenso de las calculadoras, los nios de
la escuela no son tan buenos en aritmtica. Por lo que se desea evaluar: a)
sesin con toda la clase donde el maestro preguntar algo como 5+7 y los
nios podrn levantar su mano para dar una respuesta, b) formar pequeos
grupos de cuatro nios (evitar timidez). Siguiente pregunta, es bueno
hacerlo en sesiones de una hora una vez a la semana, o por 1012 minutos
todos los das.
Tratamientos? 2x2
Dr.ArturoHernndezMontes 29
Ejemplos
En experimento con consumidores, 10 amas de casa evaluaron nuevos
detergentes. Cada ama de casa evalo un detergente por carga de lavado,
para cada uno de los cuatro lavados. Ellas calificaron la limpieza de cada
carga en una escala de 5 puntos.
Tratamientos?
Unidad experimental?
Unidad observacional?
Dr.ArturoHernndezMontes 30
Ejemplos
Se cultivaron diferentes variedades de tomate en macetas, con diferentes
compostas y cantidades de agua. Cada planta se soport con una vara
(tutor) vertical de 1.5 m de altura, luego los nuevos brotes se enredaron
alrededor de un tutor horizontal. Grupos de 5 plantas adyacentes fueron
enredadas en el mismo tutor horizontal. Cuando los tomates maduraron, se
cosecharon y el peso de los tomates por tutor horizontal fueron
registrados.
Tratamientos?
Unidad experimental?
Unidad observacional?
Dr.ArturoHernndezMontes 31
Relacionesentreunidadesexperimentalesyobservacionales
Para los casos i e ii, a las unidades observacionales se les llama parcela para
brevedad.
Dr.ArturoHernndezMontes 32
Ejemplos
Dos alimentaciones para pollos se evaluarn para ver su efecto en el peso de
los huevos puestos. Diez pollos se seleccionaron, aislaron y alimentaron
individualmente. Despus de un mes con esa alimentacin, los huevos
puestos por cada pollo fueron individualmente pesados.
Tratamientos?
Unidad experimental?
Unidad observacional? Total por pullets
Dr.ArturoHernndezMontes 33
Ejemplos
Se experimentaron dosis de fungicidas, aspersin completa, media
aspersin y sin tratamiento. (Fungicida simple)
Tratamientos?
Dr.ArturoHernndezMontes 34
Ejemplos
Otra variante de fungicidas, la aspersin se aplica una vez, pero puede ser en
la estacin temprana, media o tarda. Los tratamientos son todas las
combinaciones de cantidad de fungicida con tiempo de aplicacin. cul es
la representacin correcta?
Dr.ArturoHernndezMontes 35
Ejemplos
Se experimentaron mtodos para controlar una enfermedad en colza,
comparando 4 nuevos qumicos, codificados A, B, C, D, con el tratamiento
control y el qumico X (caro) usado actualmente. Cada tratamiento podra
ser usado temprano o tardamente; el estndar X fue aplicado en ambas
pocas (dos tratamientos controles).
Ninguno X
A X X
B X X
C X X
X X
Dr.ArturoHernndezMontes 36
Ejemplos
Estructura de los tratamientos
Significa las formas importantes de dividir el juego completo de
tratamientos.
Ejemplos:
Sin estructura, no existe, para nada, estructura para los tratamientos.
Varios tratamientos, ms un control (fungicida simple).
Todas las combinaciones de dos factores. (matemticas con nios).
Todas las combinaciones de dos factores ms control. (factorial fungicidas,
ms control).
Todas las combinaciones de tres factores. (dos tipos de estaciones, si/no
aspersin temprana, si/no aspersin tarda) 2x2x2 = 8
(tomates).
Dr.ArturoHernndezMontes 37
Estructura de la parcela
Significa las formas importantes o con sentido para dividir el conjunto de
parcelas, ignorando los tratamientos.
Bloques
Esto significa control local: dividir el conjunto de unidades experimentales
dentro de bloques homogneos. En lavado seran las amas de casa.
Dr.ArturoHernndezMontes 38
0 160 240 160 80 0
160 80 80 0 160 80
80 0 160 240 0 240
240 240 0 80 240 160
Dr.ArturoHernndezMontes 39
Bloques
Dos clases diferentes de bloques, ninguno contiene al otro. (pacientes y
meses).
Dr.ArturoHernndezMontes 40
Diseocompletamentealeatorio
Modeloestadstico:
Ventajas:
Elmssencillo,asignacinaleatoriadetratamientosaun
conjuntodeunidadesexperimentalespreviamente
determinado.Puedenprobarsecualquiernmerode
tratamientos.Deseableconelmismonmerodeunidades
experimentalesacadatratamiento.Sencilloyflexible.
Dr.ArturoHernndezMontes 41
Diseocompletamentealeatorio
Desventaja:
Aunquepuedeserusadoparacualquiernmerode
tratamientos,seadecuaparasituacionesenlascualeshay
relativamentepocostratamientos.
Lasunidadesexperimentalesalascualesseaplicanlos
tratamientos,debensertanhomogneoscomoseaposible.
Cualquierfuenteextraadevariabilidadtenderainflaral
trminodeerror,haciendomsdifcildetectardiferencias
entrelasmediasdelostratamientos.
Dr.ArturoHernndezMontes 42
Diseocompletamentealeatorio
Trestiposdehormonasconunadosisnica,paraevaluargananciaenpeso
deborregos.Msuncontrol.
ALEATORIZACIN
Dr.ArturoHernndezMontes 43
Diseocompletamentealeatorio
. ..
Dr.ArturoHernndezMontes 44
Diseocompletamentealeatorio
.
.
. .
.. . .
Dr.ArturoHernndezMontes 45
Tratamiento Repeticiones Total(yi.) Promedio(y..) Varianza
A(control) 47 52 62 51 212 53
40.67
B 50 54 67 57 228 57
52.67
C 57 53 69 57 236 59
48.00
D 54 65 74 59 252 63
74.00
Total 928 Gran promedio =58
208
69.3
4 1
646
53.8
15 3
Dr.ArturoHernndezMontes 46
Tratamiento Repeticiones Total(yi.) Promedio(y..)
A(control) 47 52 62 51 212 53
B 50 54 67 57 228 57
C 57 53 69 57 236 59
D 54 65 74 59 252 63
928
. . 53824
4 4
Total 15 854
Ho:A=B=C=D
Ha:AB CD
NohayevidenciapararechazarHo.
Dr.ArturoHernndezMontes 48
Realizarundiseocompletamentealeatorioparaelsiguiente
caso:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
P1 P2 P3 P4 P1 P2 P3 P4 P1 P2 P3 P4 P1 P2 P3 P4
Seccin 1 2 3 4 Promedio
PinturaP1 28 35 27 21 27.75
PinturaP2 21 36 25 18 25
PinturaP3 26 38 27 17 27
PinturaP4 16 25 22 18 20.25
Dr.ArturoHernndezMontes 49
Ho:P1=P2=P3=P4
Ha:P1 P2 P3 P4
Total 15 692
NohayevidenciapararechazarHo.
Dr.ArturoHernndezMontes 50
PruebadeFmax parahomogeneidaddevarianzas
poblacionales(PruebadeHartley)
Ho: .. homogeneidaddevarianzas
Ha:Nosontodaslasvarianzaspoblacionalessoniguales.
E.P.
R.R.Paraunvalorespecficode,rechaceHosi excedeel
valordeFdetablasparauntespecficoygl2=n1,dondenesel
tamaodemuestracomnparalasmuestrasaleatoriast.
Ejercicio
Seevalulafuerzadelentesaplicandotemperaturascomotratamientosa
monmeros.Sedeseacompararlavariabilidadenlafuerzaapartirdediferentes
proveedoresdelmonmero.
Muestras
Proveedor 1 2 3 4 5 6 7 8 9 n
1 191.9 189.1 190.9 183.8 185.5 190.9 192.8 188.4 189.0 9 8.69
2 178.2 174.1 170.3 171.6 171.7 174.7 176 176.6 172.8 9 6.89
3 218.6 208.4 187.1 199.5 202 211.1 197.6 204.4 206.8 9 80.22
Ejercicio
Ho: .. homogeneidaddevarianzas
Ha:Nosontodaslasvarianzaspoblacionalesiguales.
=6.89
=80.22
.
E.P. 11.64
.
Para=0.05,t=3gl2=91=8,tenemos , . =6,laFcalculada
excedeelvalordeFdetablasparauntespecficoygl2=n1,donde
neseltamaodemuestracomnparalasmuestrasaleatoriast.
11.64 6.00
RechazamosHo,concluimosquelasvarianzasnosontodasiguales.
Sinsondiferentes,n=nmx,errortipoIligeramentemayor.
Estructuradetratamientosfactoriales
Experimentosparaexaminarelefectodedosomsvariables
explicatoriasenunavariablederespuestay.
Ejemplo:examinarlatemperaturayhumedadenlafuerzade
unindeunpegamento.Primerocualesvariablesexplicatorias
sonimportantes,segundoculesniveles?Tercero,habiendo
seleccionadoseparadamentelosnivelesdecadafactor,
deberemosseleccionarlacombinacindelfactornivel
(tratamiento)queseraplicadoalasunidadesexperimentales.
Modeloestadsticoparadiseocompletamentealeatorio
estructuradeltratamientosdedosfactoresyn>1repeticiones.
=tienedistribucinnormalconmedia0yvarianzacomn ,adems,loserroresdebenserindependientes.
Dr.ArturoHernndezMontes 55
Estructuradetratamientofactorial2x2
Factornivelx1 Combinacinx2 Tratamiento
40 10 1
40 20 2
60 10 3
60 20 4
Estructuradetratamientofactorial2x3
Factornivelx1 Combinacinx2 Tratamiento
40 10 1
40 15 2
40 20 3
60 10 4
60 15 5
60 20 6
Dr.ArturoHernndezMontes 56
Valoresesperadospara2x2estructuradetratamientofactorial
sininteracciones.
FactorB
Nivel1
Nivel2
Valoresesperadospara2x2estructuradetratamientofactorial
coninteracciones.
FactorB
Nivel1
Nivel2
Dr.ArturoHernndezMontes 57
DosfactoresAyBsedicequeinteractansilasdiferenciasenlasrespuestasdelas
mediasparalosdosnivelesdeunfactornoesconstanteatravsdelosnivelesdel
segundofactor.
.. :mediamuestralparalamediadelasobservacionesenelisimo niveldelfactorA.
..
. . :mediamuestralparalamediadelasobservacioneseneljsimo niveldelfactorB.
. .
. :mediamuestralparalamediadelasobservacionesenelisimo niveldelfactorA
yjsimo niveldelfactorB, .
.. ...
. . ...
. .. . . ...
Dr.ArturoHernndezMontes 59
Pesticida,A
Variedad,B 1 2 3 4
1 49 50 43 53
39 55 38 48
2 55 67 53 85
41 58 42 73
3 66 85 69 85
68 92 62 99
a. Escribeunmodeloapropiadoparaesteexperimento.
b. Elaboraunatabladeanova yconduceunapruebaadecuadadeF
paralosefectosprincipaleseinteracciones.
c. Construyeunagrficaconlasmediasdelostratamientos,llamadagrficadeperfiles.
Dr.ArturoHernndezMontes 60
.. ...
. . ...
. .. . . ...
Dr.ArturoHernndezMontes 61
Modelo para diseo completamente aleatorizado con una estructura de tratamientos de tres
factores y repeticiones n 1.
...
. .. ...
.. . ...
Dr.ArturoHernndezMontes 62
.. ...
. . ...
. . ...
. ...
SCerror=SCTSCASCBSCCSCABSCACSCBCSCABC
.
Dr.ArturoHernndezMontes 63
Repeticionesdel ndicededesempeo
Nivelruido Gnero Aosdeexperiencia Y1 Y2 y3
H1 F E3 629 495 767
H1 F E2 263 141 392
H1 F E1 161 55 271
H1 M E3 591 492 693
H1 M E2 321 212 438
H1 M E1 147 79 273
MED F E3 324 213 478
MED F E2 213 106 362
MED F E1 158 36 293
MED M E3 1098 1002 1156
MED M E2 708 580 843
MED M E1 495 376 612
LOW F E3 1037 902 1183
LOW F E2 779 625 921
LOW F E1 596 458 732
LOW M E3 1667 1527 1793
LOW M E2 1192 1005 1306
LOW M E1 914 783 1051
Dr.ArturoHernndezMontes 64
...
. .. ...
.. . ...
Dr.ArturoHernndezMontes 65
Dr.ArturoHernndezMontes 66
Determinandoelnmeroderepeticiones
Importanteparadeterminarlaexactituddelosestimadoresdelasmediasde
lostratamientosyelpoderdelaspruebasdehiptesis,relacionadasconlas
diferenciasentrelasmediasdelostratamientos.
Entremayorelnmeroderepeticiones,mayorserlaexactituddelos
estimadores,lomsprecisasernlosintervalosdeconfianzaenlasmedias
delostratamientosymayorserlapotenciadelapruebasdehiptesis.
Dr.ArturoHernndezMontes 67
Ejemplo
1.96 7.5
13.51 14
4
Dr.ArturoHernndezMontes 68
EspecificandolapotenciadelaspruebasFparadeterminarelnmero
derepeticiones
Elnmeroderepeticionessedeterminaespecificandolossiguientes
parmetros.
1. Elniveldesignificancia.
2. Eltamaodeladiferencia endosmediasdetratamientos,
lacualesdesignificanciaprctica.
3. LaprobabilidaddelerrorTipoII,sicualquierpardetratamientostiene
mediasmayoresque .
4. Lavarianza .
LaprobabilidaddelerrorII(),sedeterminausandoladistribucinFno
centralcongl1ygl2,yelparmetronocentralizado.
. 1
.
Dr.ArturoHernndezMontes 69
EspecificandolapotenciadelaspruebasFparadeterminarelnmero
derepeticiones
Elvalormnimode paralasituacinenlacualalmenosunparde
tratamientostienelasmediasdiferenteporDomsunidadesestdadopor:
LapotenciadelapruebaFesiguala1().Elcuadrousaelparmetro
paraespecificarlosvaloresalternativosdelasmedias.
Dr.ArturoHernndezMontes 70
Dr.ArturoHernndezMontes 71
Dr.ArturoHernndezMontes 72
Ejercicio
Corespectoalaproduccindenueces,elinvestigadorsabequesiel
promediodelrendimientodifierepormsde15libras,existeunaventaja
econmicaalusarelmejortratamiento.Sedeseadeterminarlas
repeticionesnecesariasparaestar90%segurosdequelapruebaF
rechazarHoydetectarunadiferenciaenelpromediocuandoquieraque
cualquierpardefertilizanteproduzcanuecesquetenganrendimientos
diferentespormsde15libras.Usar=0.05.
70 40
7.5
4
Tenemos=0.05,t=4,gl1=41=3;gl2=nt=rtt=t(r1)=4(r1),donder esel
nmerorequeridoderepeticiones.ElvalordeD=15yporlotanto
15
0.707
2 2 4 7.5
Dr.ArturoHernndezMontes 73
r gl2=4(r1) =0.707 potencia
6 20 1.73 0.75
10 36 2.24 0.96
8 28 2.00 0.89
9 32 2.12 0.93
Experimentorequiere9repeticionesparacumplirconlasespecificaciones.
Dr.ArturoHernndezMontes 74
P=0.96
P=0.75
2.24
1.73
Dr.ArturoHernndezMontes 75
Comparacionesmltiples
Considereunanova deuncaminodondedeseamoshacercomparaciones
entrelastmediaspoblacionales , ,.. .Estascomparacionesse
puedenescribir
++ =
Sideseamoscomparar con
1, 1, , 0 0
Elestimadordelcontrastelinearentretmediasmuestraleses
++ = yestima ,lasason
constantesquesatisfacenlacondicin 0
Dr.ArturoHernndezMontes 76
Comparacionesmltiples
Lavarianzadelcontrastelinear ,puedeserestimada
Si,lostamaosdemuestrasonigualesentonces
Existen muchos contrastes que pueden ser formados entre las t medias
muestrales. Si todas tienen el mismo nmero de observaciones, tenemos .
Son ortogonales si
++ = 0
Consideremoslacomparacindecuatromediaspoblacionales,sonlos
siguientescontrastesortogonales?
Reescribimos los contrastes de la siguiente forma:
0 0
0 0
Dr.ArturoHernndezMontes 78
Comparacionesmltiples
Para tamaos de muestras diferentes
Dr.ArturoHernndezMontes 79
Comparacionesmltiples
Paraelcasoanterior,cuatromediaspoblacionales
1 0 0 1 1 0 0 1 0
Mutuaortogonalidadesdeseableporquellevaalaindependenciadelost1
sumadecuadradosasociadosconloscontrastesortogonales.
Ejercicio
2 2
Soncontrasteslineares?
Sonortogonales?
Escribeunconjuntodecontrastesmutuamenteortogonalesparaserusados
enlacomparacinde5mediaspoblacionales.
Dr.ArturoHernndezMontes 81
Unasumadecuadradosasociadaconuncontrastedetratamientoes
calculadoparaindicarlacantidaddevariacinenlasmediasdetratamientos
quepuedeserexplicadoporesecontrasteparticular.Paracadacontraste
,podemoscalcularunasumadecuadradosasociadaconlos
contrastes(SCC):
.
Cuandolostamaosdemuestrassoniguales,sesimplificaa
LasumadelasSCdelostratamientosesigualalasumatoriadelasSC
asociadaacadacontraste.
Dr.ArturoHernndezMontes 82
Ejemplo:
Herbicidasfueronevaluadosen30parcelassembradasconheno.
Agente 1 2 3 4 5
6 6 6 6 6
Determinarcuatrocontrastesortogonalesydemostrarquelas4SCtotales
asociadasconloscuatrocontrastesigualaalaSCparatratamientos.
Dr.ArturoHernndezMontes 83
Fuente Gl SC CM F Valorp
Total 29 0.7472
Tratamientos
Contraste = SCCi
Dr.ArturoHernndezMontes
84
PruebadeFparacontrastes
Determinarculdeloscontrastessondiferentessignificativamentedecero.
Unvalordeceroparauncontrasteindicaraquenoexistediferenciaenlas
mediasrepresentadasporelcontraste.Sielcontrastel1 (controlvsagentes)
fueradeterminadoasercero,entoncesconcluiramosqueelrendimiento
promedioenlasparcelasasignadasconelcontrolseraigualalpromediode
todaslasparcelasquecontienenlos
agentes.
Ho: ++ 0
Ha: ++ 0
E.P. F
R.D.Paraunvalorespecficode,rechazarHosiFexcedeelvalorFdetablas
paraun especficogl1 =1ygl2 =nTt.
Dr.ArturoHernndezMontes 85
PruebadeFparacontrastes
Paraelejerciciodelosherbicidasdemostrarsiexistidiferenciaenloscuatro
contrastes.
. .
13.71 8.48
. .
. .
0.24 1.42
. .
Propsitoesobtenerloscontrastesdelasmediasdelostratamientosque
mostrarnunaexplicacinclaradelpatrndelasdiferenciasenlasmediasdelos
tratamientos,demayorbeneficioparaelinvestigador.
Dr.ArturoHernndezMontes 86
Cultasa(probabilidad)deerrorescontrolado?
Supongamosqueunexperimentadordeseacomparartmediaspoblacionales
usandoccontrastes(ortogonales)independientes.Cadacomparacinentrelast
mediaspoblacionalespuedenserprobadasusandounapruebadet:
Ho:l=0
Ha:l>0(parapruebadeunacola)
E.P. t
tdetablascongl=nt;/2
Sicadaunadelascomparacionessehaceconelmismovalordealfay
suponemosquelavarianzadelerrortieneunnmeroinfinitodegradosde
libertad(paraquelaspruebasseanindependientes),entoncescuandotodaslas
Hoseanverdad,laprobabilidadderechazarHofalsamente,enalmenosuna
ocasindelastpruebas,puedemostrarseque =1(1)c.Estacantidadse
llamalatasa(proporcin)oprobabilidaddelerrorglobal .
c=contraste
Dr.ArturoHernndezMontes 87
ComparacindelerrorEpara mcontrastesindependientesentret(t>m)mediasde
muestras
C,nmerodecontrastes ,probabilidaddeunErrordelTipoIenunapruebaindividual
. . . .
. . . .
10 0.651 0.401 0.096
1 1
Esteproblemapuedeserreducidoalgo,controlandolatasadelerrorglobal( )en
lugardelaproporcindelerro(TipoI, )paralapruebat individual.
Dr.ArturoHernndezMontes 88
Cultasadeerrorescontrolado?
Supongamosquedeseamosquelaproporcindelerrorglobalparac=10
contrastesortogonalesentret=20mediaspoblacionalessea0.10.Culdebe
serelalfausadoenlaspruebast individualesparalograrunaproporcindel
errorglobaldel0.10?Suponiendolavarianzadelerrorestbasadaenun
grannmerodegradosdelibertad.
1 1 0.10
1 1 1 1 0.10 0.0104
C,nmerode ,probabilidaddeunErrordelTipoIenunapruebaindividual
contrastes 0.10 0.05 0.01
1 0.100 0.050 0.10
2 0.190 0.097 0.020
3 0.271 0.143 0.030
4 0.344 0.185 0.039
5 0.410 0.226 0.049
. . . .
. . . .
10 0.651 0.401 0.096
Dr.ArturoHernndezMontes 89
Cultasadeerrorescontrolado?
Sabemosqueexisten(t=4);41=3contrasteslinearesortogonales,perohay
seisposiblescomparacionespares(1y2,1y3,1y4,2y3,2y4y3y4).Si
cadaparserealizausandounapruebatcon=0.05,culserlaproporcin
delerrorglobal.Unaalternativaesredefinirlaproporcindelerrorglobala
unniveldeseadoparadeterminarunprocedimientodepruebaquecontrole
laproporcindelerrorglobal,aunniveldeseado.
1 1 0.05 0.2649
1 1 1 1 0.05 0.0085
Esteprocedimientopuedesermuyconservativoconrespectoalatasadel
errordeexperimentacinyporlotantounaprobabilidaddelerrortipoII
puederesultar.
Dr.ArturoHernndezMontes 90
Cultasadeerrorescontrolado?
Consideraremosunmtodoquetrabajeconcualquierjuegodem pruebasy
seamsfcildeaplicarparaobtenerellmitesuperiorpara .
Elproblemadegrandes seaminoraunpocoalcontrolarel (errorde
experimentacin).
Seleccionamosunvalorde quenosproporcioneconunvaloraceptablede
.LadesigualdaddeBonferroni nosproporcionaunmtodopara
seleccionar detalmaneraque est limitadopordebajodeunvalor
especfico.Entoncescuandocadaunodelasm pruebastienentasasde
erroresindividuales ,ladesigualdaddeBonferroni proporciona
Unaprobabilidadinflada
paraelErrortipoIIocurre
Dr.ArturoHernndezMontes 91
Cultasadeerrorescontrolado?
Paraelejerciciodelosherbicidas,concuatrocontrastes(comparaciones)
entret=5.Sideseamoscontrolarel 0.05
0.05
0.0125
4
13.71 8.48
0.24 1.42
Dr.ArturoHernndezMontes 93
LadiferenciamnimasignificativadeFisher(1949)
Elnivelde delapruebaLSDdeFisheresvlidaparasolamenteuna
comparacin,silaLSDesusadaencomparacionesindependientes
(ortogonales)oparacomparacionespreplaneadas.Sinembargo,comoes
fcildeusar,muchagenteencuentralapruebafcilparacalcularyporlo
tantolausanparahacertodaslascomparacionesparesposibles.Se
recomiendaaplicarFisherLSDsolamentedespusdequelapruebaFpara
tratamientoshayamostradosignificancia.EstapruebasellamaPrueba
protegidaLSD,latasadelerrorparalapruebaprotegidaLSDestcontrolada
enunabaseexperimentalaunnivelaproximadamenteigualalnivelde de
lapruebaF.
Dr.ArturoHernndezMontes 94
ProcedimientodeladiferenciamnimasignificativadeFisher
1. Realiceunanova paraprobarHo: ,encontradela
Ha:almenosdeunadelasmediasdifieredelresto.
2. SInoexisteevidenciapararechazarHousandoCMB/CMW,nocontine.
3. SiHoesrechazada,definaLSDparaquesealadiferenciaobservada
entrelasdosmuestrasnecesarioparadeclararlasmediaspoblacionales
correspondientescomodiferentes.
4. Paraunvalorespecficode,ladiferenciamnimasignificativapara
comparar con ,es
1 1
Dr.ArturoHernndezMontes 95
ProcedimientodeladiferenciamnimasignificativadeFisher
5. Entoncescomparetodoslosparesdelasmediasmuestrales.Si
. . declarelasmediaspoblacionalescorrespondientes
y , diferentes.
6. Paracadacomparacinpardelasmediaspoblacionales,laprobabilidad
deunerrorTipoIestfijadaaunvalorespecficode.
Nota:ELprocedimientoLSDesanlogoaunapruebadet paradosmediaspoblacionales y
,exceptoqueusamos comoelestimadorcombinadodelasvarianzasmuestralesdetodas
lasmuestrast,enlugardelavarianzamuestralcombinadadelasmuestrasi yj.Tambinlos
gradosdelibertadparalosvalorestesglw =nT t,delanlisisdevarianza,enlugardeni +nj 2.
1 1
Dr.ArturoHernndezMontes 96
ProcedimientodeladiferenciamnimasignificativadeFisher
Usandolosresultadosdelanova delexperimentodeherbicidas,.=0.05
Fuente Gl SC CM F Valorp
Tratamientos 4 0.3648 0.0912 5.96 0.0016
25 0.3825 0.0153
29 0.7472
2 2 0.0153
. 2.06 0.1471
6
Dr.ArturoHernndezMontes 97
ProcedimientodeladiferenciamnimasignificativadeFisher
OrdenarmuestrasdemenoramayorLSD=0.1471
Agente 1 2 3 4 5
Dr.ArturoHernndezMontes 98
ProcedimientodeladiferenciamnimasignificativadeFisher
LSD=0.1471
Agente 1 2 3 4 5
Agente 1 2 3 4 5
a a
b b b
Dr.ArturoHernndezMontes 99
c c
ProcedimientodeladiferenciamnimasignificativadeFisher
Agente 1 2 3 4 5
a a
b b b
c c
Culessonlosparesdiferentes?
Dr.ArturoHernndezMontes 100
ProcedimientoWdeTukey (1953)
Cuandocomparamos , amenosqueel,latasadelerrorpor
comparacin(LSDnoprotegido)seamuypequea,existeunaaltaprobabilidaddedeclararal
menosunadelasmediassignificativamentediferente,cuandosecorrenmltiples
comparaciones.
Tukey propusoelprocedimientoquehaceusodeladistribucindelrangoestudiantizado.
Cuandodosomsmuestrasestnsiendocomparadas,paraprobarlasmediasmsgrandeyla
mspequea:
Esteestadsticodepruebaesmuysimilaralusadoparacomparardosmedias,peronoposee
unadistribucint.Unaraznesquehemosesperadoadeterminarcualdelasdosmedias
muestrales(porlotantopoblacional)compararamos,hastaqueobservamoslasmediasms
grandeymspequea.ProcedimientodiferentedelqueespecificamosHo: = =0
Lacantidad sigueunadistribucinderangoestudiantizado.
Dr.ArturoHernndezMontes 101
ProcedimientoWdeTukey (1953)
1. Ordene(jerarquice)demenoramayorlasmediasmuestralesdelostratamientos.
2. Dosmediaspoblacionales( sondeclaradasdiferentessi
. .
Donde
Dr.ArturoHernndezMontes 102
Dr.ArturoHernndezMontes 103
ProcedimientoWdeTukey
5, 25 4.158
.
, 4.158 0.210
Dr.ArturoHernndezMontes 104
ProcedimientodelaWdeTukey
OrdenarmuestrasdemenoramayorW=0.210
Agente 1 2 3 4 5
Dr.ArturoHernndezMontes 105
ProcedimientodeladiferenciamnimasignificativadeFisher
Tukey =0.210
Agente 1 2 3 4 5
Agente 1 2 3 4 5
a a a
b b b b
Dr.ArturoHernndezMontes 106
ProcedimientodeStudentNewmanKeul (SNK)(1953)
ElprocedimientoproporcionaunamodificacindelprocedimientoWdeTukey.Usatambinel
estadsticodelrangoestudiantizado,diferentesvalorescrticossonusadosdependiendode
cuantospasosexistanseparandoalasmediassiendoevaluadas.
1. Jerarquicelastmediasmuestralesdelamsbajaalamsalta.
2. Paralasdosmedias . y . queestnseparadasr pasosaparte,declaramos
diferentessi
. .
Dr.ArturoHernndezMontes 107
ProcedimientodelaWr deSNK
Ordenarmuestrasdemenoramayor,restardemayoramenor
Agente 1 2 3 4 5
r 2 3 4 5
Dr.ArturoHernndezMontes 108
Agente 1 2 3 4 5
r 2 3 4 5
Comparacin Conclusin
Msgrandevs Comparacin Conclusin
mspequeo Ms grandevs
. . 0.325 0.2100 > ;procede tercero ms
pequeo
. . 0.240 0.1965 > ;procede
Dr.ArturoHernndezMontes 109
Agente 1 2 3 4 5
Agente 1 2 3 4 5
a a a
b b b
c c c
Dr.ArturoHernndezMontes 110
ProcedimientodeDunnett (1955):comparacinde
tratamientoscontraelcontrol
Enmuchosexperimentoseincluyeuncontrolparacomparacin.Ejemplo:si
unapoblacindeinsectoesmuydensa,lamayoradelosinsecticidas
usados,aunnivelrazonable,noproporcionaraunareduccinnotableenla
poblacindeinsectos.Asperjaruncontrol,sinelingredienteactivo,revelara
losnivelesdeinsectosenlareginasperjada.
Pacientesselesdaunplacebo(siningredienteactivo)yselestratadela
mismamanera.Locualtendrunefectosobrepaciente.
EsteprocedimientocontrolalatasadeerrorTipoIdelosexperimentos
(global).Comparacadamediadetratamientoscontraelcontrol .
Dr.ArturoHernndezMontes 111
ProcedimientodeDunnett (1955):comparacinde
tratamientoscontraelcontrol
1. Paraunvalorespecificode ,elvalordeDunnett (D)paracomparar
,lamediadelcontroles
2
,
K=t1tratamientosquenosoncontroles.
2. ParaunaalternativadedosladosHa: ,declaramosdiferenciasi
Dr.ArturoHernndezMontes 112
ProcedimientodeDunnett (1955):comparacinde
tratamientoscontraelcontrol
Dr.ArturoHernndezMontes 113
Dr.ArturoHernndezMontes 114
Dr.ArturoHernndezMontes 115
Dr.ArturoHernndezMontes 116
Dr.ArturoHernndezMontes 117
ProcedimientodeDunnett (1955):comparacinde
tratamientoscontraelcontrol
Paraelejemplodelosherbicidas.
=0.05 k=51=4 =25
. , 2.28 n=6
2 0.0153
2.28 0.163
6
declaramos mayorque si 0.163
Dr.ArturoHernndezMontes 118
Diseodebloquescompletosaleatorizados
Esundiseoexperimentalparacomparart tratamientosenb
bloques.Losbloquesconsistendet unidadesexperimentales
homogneas.Lostratamientossonasignadosaleatoriamentealas
unidadesexperimentalesdentrodeunbloque,concadatratamiento
apareciendoexactamenteunavezencadabloque.
Ventajas
1. tilparacomparartmediasdetratamientosenlapresenciade
unafuenteextraadevariabilidad.
2. Elanlisisestadsticoessimple.
3. Eldiseoesfcildeconstruir.
4. Puedeserusadoparaacomodarcualquiernmerode
tratamientosencualquiernmerodebloques.
Dr.ArturoHernndezMontes 119
Diseodebloquescompletosaleatorizados
Desventajas
1. Debidoaquelasunidadesexperimentalesdentrodeunbloque
debeserhomogneo,eldiseoseacomodamejorparaun
nmerorelativodetratamientos.
2. Eldiseocontrolaunasolafuenteextraadevariacin(debidoa
bloques).Fuentesextraasadicionalesdevariabilidadtiendena
incrementareltrminodelerror,haciendomsdifcildetectar
diferenciasdetratamientos.
3. Elefectodecadatratamientoenlarespuestadebeser
aproximadamentelamismadebloqueenbloque.
Dr.ArturoHernndezMontes 120
Diseodebloquescompletosaleatorizados
=observacinenlaunidadexperimentalenjsimo bloque
recibiendotratamientoi.
=mediaglobal,unaconstantedesconocida.
=unefectodebidoaltratamientoi,unaconstantedesconocida.
=unefectodebidoalbloquej,unaconstantedesconocida.
=unerroraleatorioasociadoconlarespuestaconlarespuestade
unaunidadexperimentalenelbloquej recibiendotratamientoi.
debetenerunadistribucinnormalconmedia0yvarianzacomn
.Adicionalmente,loserroresdebenserindependientes.
Dr.ArturoHernndezMontes 121
Bloque
Tratamiento 1 2 b
. . . .
.
t
) )=
) )=
) )= ( )
Dr.ArturoHernndezMontes 122
Filtracin:eldiseoenbloquesaleatorizadosfiltralavariabilidad
debidaalosbloques.
1
3
. ) )+( )
. .
.
. .
.
. . ) . .)
Dr.ArturoHernndezMontes 123
Diseodebloquescompletosaleatorizados
Ho: Ha:Almenosun esdiferentedelresto
.. . .. . .. . . ..
Dr.ArturoHernndezMontes 124
Diseodebloquescompletosaleatorizados
SCerror =SCTotalesSCTratSCBloq
Dr.ArturoHernndezMontes 125
Ejemplo(qumicosparacontrolarTpula)
Tratamientos
1 33 30 8 12 6 17
59 36 11 17 10 8
2 36 23 15 6 4 3
24 23 20 4 7 2
3 19 42 10 12 4 6
27 39 7 10 12 3
4 71 39 17 5 5 1
49 20 26 8 5 1
5 22 42 14 12 2 2
27 22 11 12 6 5
6 84 23 22 16 17 6
50 37 30 4 11 5
Dr.ArturoHernndezMontes 126
Eficienciarelativa
Para un DBCA, la varianza estimada de . es CMEDBCA/b. Para un DCA la
varianza estimada de . es CMEDCA/r.
Dr.ArturoHernndezMontes 127
Eficienciarelativa
1 1
,
1
Dr.ArturoHernndezMontes 128
Ejemplo(Insecticidasenunavariedaddefrjol)respuesta
nmerodeplntulas
Parcela
Insecticida 1 2 3 4 Promedio Sumatoria
Insecticida
1 56 48 66 62 58 232
2 83 78 94 93 87 348
3 80 72 83 85 80 320
Promediobloque 73 66 81 80
Sumatoria 219 198 243 240
Dr.ArturoHernndezMontes 129
56 48 66 62 85 69796 67500 2296
FV Gl SC CM F Valor_p
Error 6 26 4.333
Total 11 2296
Dr.ArturoHernndezMontes 130
1 1
1
4 1 146 4 3 1 4.333
Eficiencia relativa 9.92
4 3 1 4.333
EnunDCAserequerirancasi10veceslasobservacionesdecadatratamiento,
paraobtenerlamismaprecisinparaestimarlasmediasdelostratamientosque
losrequeridosenunDBCA.
Dr.ArturoHernndezMontes 131
Usarresiduales paraasegurarsilas
condicionesdenormalidad,igualdaddevarianzaeindependenciase
cumpleenlosdatosobservados.
Dr.ArturoHernndezMontes 132
Diseoencuadrolatino
Cuandoexistendosfuentesdevariacinextraadebidoalaparcela
ounidadexperimentalseusaeldiseoencuadrolatino.
Ejemplo
Unaempresaevalacincomarcasdelimpiadoresdeairede
habitaciones.Parahacerlolomsrealsticosedecideevaluarlos
limpiadoresfueradellaboratoriodepruebas,encasaresidenciales.
Paracontrolarlasvariacionesdebidasalasdiferenciasenlacalidad
delairedelascasasylasdebidasalavariacinenelaoencuantoa
lacontaminacindelaire,losingenierosdecidieronusarun
limpiadordecadamarcaencadaunadecincocasasycorrerla
pruebasencincomesesdiferentes.Losfactoresaserestudiados
son:
1. Marcadellimpiadordeaire:B1,B2,B3,B4,B5
2. Casaresidencial:H1,H2,H3,H4,H5
3. Mes:M1,M2,M3,M4,M5
Dr.ArturoHernndezMontes 133
Diseoencuadrolatino
Losfactorescasaymesdelaosonfuentesextraasdevariacin,
quenosonimportantesparaincluirenelestudioparaproporcionar
unamsprecisaevaluacindelasdiferenciasenlascincomarcas.
InicialmenteseconsiderounDBCA,conmarcascomotratamientos
ycasascomobloques.
Casas
Mes 1 2 3 4 5
M1 B2 B2 B3 B2 B2
M2 B1 B4 B4 B4 B5
M3 B3 B1 B2 B5 B4
M4 B5 B3 B1 B3 B1
M5 B4 B5 B5 B1 B3
Dr.ArturoHernndezMontes 134
Diseoencuadrolatino
Debemosrestringiraleatorizacinparaasegurarquecada
tratamientoaparezcaencadarenglnyencadacolumna.
Cadamarcaesevaluadaunasolavez,encadaunodelosmesesy
casas.Porlotantolascomparacionesentremarcasqueinvolucran
lasmediasmuestraleshansidoajustadasparalavariabilidadentre
mesesycasas.
Casas
Mes 1 2 3 4 5
M1 B1 B2 B3 B4 B5
M2 B2 B3 B4 B5 B1
M3 B3 B4 B5 B1 B2
M4 B4 B5 B1 B2 B3
M5 B5 B1 B2 B3 B4
Dr.ArturoHernndezMontes 135
Ventajasydesventajas
Ventajas
1. Eldiseoesparticularmenteapropiadoparacomparart medias
detratamientosenlapresenciadedosfuentesdevariacin
extraa,cadaunamedidaat niveles.
2. Elanlisisesmuysimple.
Desventajas
1. Aunqueuncuadradolatinopuedeserconstruidoparacualquier
valordet,esmsadecuadoparacompararttratamientos
cuando5 10.
2. Cualquierfuentedevariabilidadadicionalextraatiendeainflar
eltrminodelerror,haciendomsdifcildetectardiferencias
entrelasmediasdetratamientos.
3. Elefectodecadatratamientoenlarespuestadebeser
aproximadamentelamismaentrerenglonesycolumnas.
Dr.ArturoHernndezMontes 136
Definicindeundiseodecuadrolatino
Undiseodecuadrolatinotxt contienetrenglonesytcolumnas.Lost
tratamientosestnasignadosaleatoriamentealasunidades
experimentalesdentrodelosrenglonesycolumnasdetalmaneraquecada
tratamientoapareceencadarenglnyencadacolumna.
=:Observacinenlaunidadexperimentalenlaisimo renglnyla
jsima columna.
:Mediaglobal,unparmetrodesconocido.
:Unefectodebidoaltratamientok,unaconstantedesconocida.
:Unefectodebidoalrenglni,unaconstantedesconocida.
:Unefectodebidoalacolumnaj,unaconstantedesconocida.
:Unerroraleatorioasociadoconlarespuestadeunaunidad
experimentalenelrenglniycolumnaj.Serequierequetengadistribucin
normalconmediaceroyvarianzacomn .Adicionalmenteelerrordebe
serindependiente.
Dr.ArturoHernndezMontes 137
Esunmodeloaditivo,noexistetrminodeinteraccin.Lavariablede
bloquerenglnybloquecolumnanointeraccionaconeltratamientoni
conningunodelosbloques.
Dr.ArturoHernndezMontes 138
: .. .. .. .. ..
: ..
.. .. . .
..
..
. .
SCError =SCTSCTratSCRSCC
Dr.ArturoHernndezMontes 139
Casas
Dr.ArturoHernndezMontes 140
.. 5 159.6 198.36 181.8 198.36
SCerror =139,37258,034.1644,512.562,177.76=34,647.52
Dr.ArturoHernndezMontes 141
F:V g.l. SC CM F Valorp
Total 24 139,372.00
Dr.ArturoHernndezMontes 142
Dr.ArturoHernndezMontes 143
Eficienciarelativa
ER(CL,CA)=
Serequeriran34%msobservacionesportratamientoenundiseoCA
paraobtenerlamismaprecisin,paraestimarlasmediasdetratamientos,
comparadoconuncuadrolatino.
Dr.ArturoHernndezMontes 144
Diseodebloquescompletosconestructuradetratamiento
factorial
Estudiarefectodeciertosfactoresenunarespuestamientrasbloqueamos
otrasfuentesextraasdevariabilidad.
Ejemplo.
Estudiar%decontenidodeprotenaenpanhechocontrestiposdeharinay
horneadosatrestemperaturasdiferentes.Sehornearntrespanespara
cadaunadelasnuevecombinacionestemperaturaxharina.Sinembargo
solosepuedenhornearnuevepanesporda.Secorrerunarepeticinde
3x3entresdas,dondelosbloquessernlosdas.
Dr.ArturoHernndezMontes 145
=:Observacinenlaunidadexperimentalenlaisimo bloquerecibiendoel
jsimo niveldelfactorAyksimo niveldelfactorB.
:Mediaglobal,unparmetrodesconocido.
:Unefectodebidoalisimo bloque,unaconstantedesconocida.
:Unefectodebidojsimo niveldelfactorA,unaconstantedesconocida.
:Unefectodebidoksimo niveldelfactorB,unaconstantedesconocida.
:efectodelainteraccindelefectodeljsimo niveldelfactorAconel
ksima niveldelfactorB,unaconstantedesconocida.
:Unerroraleatorioasociadoconlarespuestadeunaunidadexperimentalen
elisimo bloquerecibiendoeljsimo niveldelfactorAyelksimo niveldel
factorB..Serequierequetengadistribucinnormalconmediaceroyvarianza
comn .Adicionalmenteelerrordebeserindependiente.
Dr.ArturoHernndezMontes 146
Diseodebloquescompletosconestructuradetratamiento
factorial
Das
1 2 3
Tipode harina 1 2 3 1 2 3 1 2 3
Dr.ArturoHernndezMontes 147
.
y. .
y .. .
y. . .
y.. .
Dr.ArturoHernndezMontes 148
y. .
SCE=SCTSCbloquesSCASCBSCAB
Dr.ArturoHernndezMontes 149
Dr.ArturoHernndezMontes 150
PruebadeFriedman:unaalternativanoparamtrica
Cuandoesvioladalacondicindequelosresidualestenganuna
distribucinnormal,unaalternativaesintentartransformarlos
datos.Cuandolasvariablesnosiguenunaescalacontinuayson
ordinalesunapruebaparanodiferenciasentratamientosesla
pruebadeFriedman.Lascondicionesdelapruebason:
1. Eldiseoexperimentalesunbloquesaleatorizado,cont
tratamientosasignadosaleatoriamenteaexactamenteuna
unidadexperimentalporbloque,produciendoN=tb respuestas.
2. Lasnrespuestas sonmutuamenteindependientes.
3. LasNrespuestasestnrelacionadasporelmodelo:
donde eslamedianaglobal, esunefecto
debidoalisimo tratamiento, esunefectodebidoaljsimo
bloqueylasN esunamuestraaleatoriadeunadistribucin
continuaconunamedianaigualacero.
Dr.ArturoHernndezMontes 151
PruebadeFriedman:unaalternativanoparamtrica
Recordarquecuandoestudiamosanova,vimoselequivalenteno
paramtricoquefuelapruebadeKruskalWallis.
LospasospararealizarlapruebadeFriedmanson:
1. Ordenarlastobservacionesdelamspequeaalamsgrande
separadamentedentrodecadaunodelosbbloques.
2. Reemplacelasobservacionescon , lajerarquizacinde enla
, eneljsimo bloque.
3. Calcularlasumadelasjerarquizacionesydespuslajerarquizacin
promedioparaelisimo tratamiento.
.
.
4. LapruebadeFriedmanestdadapor:
12 1 12
. . 3 1
1 2 1
Dr.ArturoHernndezMontes 152
PruebadeFriedman:unaalternativanoparamtrica
eselpromediodelasjerarquasdentrodecadabloque.
RechazarHosi ,
Dr.ArturoHernndezMontes 153
Personas(bloques)
Emocin 1 2 3 4 5 6 7 8
Ejecutarunanlisispreliminarparadeterminarsielprocedimientobasado
enlanormalidadpuedeseraplicado.
DespusaplicarlapruebadeFriedmancon=0.05parasabersihaydiferencia
enlasmedianasdelpotencialdelapielparalascuatroemociones.
Finalmentecomparelosdosmtodos(paramtricoynoparamtrico).
Dr.ArturoHernndezMontes 154
Personas(bloques) Sumade Mediasde
jerarquas jerarquas
Emocin 1 2 3 4 5 6 7 8 . .
Miedo 4 4 3 4 1 4 4 3 27 3.375
Felicidad 3 2 2 1 4 3 1 4 20 2.5
Depresi 1 3 4 2 3 2 2 2 19 2.375
n
Calma 2 1 1 3 2 1 3 1 14 1.75
12 1 12 8 4 1
. .
1 2 4 4 1 2
RechazarHosi ,
Dr.ArturoHernndezMontes 155
Tratamientos
Analizarlosdatosempleandolamejorpruebaotransformacin.
Dr.ArturoHernndezMontes 156
ANOVAdealgunosdiseosnobalanceados
Diseosenbloquesaleatorizadosconunaomsobservaciones
extraviadas.
Valordelaobservacinextraviada
. . ..
1 1
t=nmerodetratamientos
b=nmerodebloques
. =sumadetodaslasobservacionesentratamientok(tratamiento
dondesetienelaobservacinextraviada).
.=sumademedicionesenelbloqueh(bloquedondesetienela
medicinextraviada).
.. sumadetodaslasobservaciones.
Dr.ArturoHernndezMontes 157
..
. ..
. ..
Lasumadecuadradosparatratamientostieneunsesgoensuestimacindadopor
. 1
1
. =sumademedicionesenelbloqueh
Dr.ArturoHernndezMontes 158
Lasumadecuadradosdetratamientoscorregidaes
SCTrat_corregida =SCtrat sesgo.
Lasotrassumasdecuadradossondadasensuformanocorregida.
Otradiferenciaseencuentraenlosgradosdelibertadparaeltotaly
elerror.
nserefierealnmerototaldeobservacionesenundiseono
balanceado.n=tb 1,debidoalpuntodeldatoextraviado.Los
gradosdelibertadparaelerrordisminuirungrado;n t b1=
tb tb2,comparadocontbtb1paraundiseobalanceado
correspondiente.
Fuente SC Gl CM F
CMTratC/CMError
TratamientoC SCTratC t1 CMtratC
Dr.ArturoHernndezMontes 159
Lote
Mtodo 1 2 3 4 5 6 Promedio
Estimarelvalordelaobservacinextraviadayrealizarunanova para
probardiferenciaenlaprdidapromediodepesoparaloscincomtodos
delimpiezadelalgodn.
Dr.ArturoHernndezMontes 160
t=5
b=6
. =sumadetodaslasobservacionesentratamientoM1
=6.75+13.05+10.26+8.01+8.42=46.49
. =Sumadetodaslasmedicionesenelbloque1.
=5.54+7.67+7.89+9.27+=30.37
..=Sumadetodaslasmediciones.
6.75+13.05++7.13=215.36
199.31
9.9655
20
Dr.ArturoHernndezMontes 161
Lote
Mtodo 1 2 3 4 5 6 Promedio
9.965 7.511 6.75 7.511 + 13.05 7.511 +..+ 7.13 7.511 219.887
Dr.ArturoHernndezMontes 162
9.965 7.511 6.75 7.511 + 13.05 7.511 +..+ 7.13 7.511
219.887
. 1 30.37 5 1 9.9655
4.5049
1 5 5 1
SCtratC =Sctratsesgo=53.6244.5049=49.119
Dr.ArturoHernndezMontes 163
Fuente SC g.l. CM F valor_p
20.2 0.0008
TratamientosC 49.119 4 12.28
3
2
1 1
. , 17
2 5
2.11 1.543 1.605
6 6 6 1 5 1
Dr.ArturoHernndezMontes 164
Paralasotrascomparaciones:
2 . , 17 2 1.543
2.11 1.513
6
Dr.ArturoHernndezMontes 165
Parcomparado Diferenciaenmedias LSD Conclusin
A A B B B
Dr.ArturoHernndezMontes 166
Ajustandomodeloscompletosyreducidos
LaestimacindedatosextraviadosenDBCAsehacems
complicadoconmsdatosperdidos,tambinlasformulasparaLSD.
Porlotantoseusanmodeloscompletosyreducidosparaanalizar
diseosnobalanceados.
Modelocompleto(modelo1):
Modeloreducido(modelo2):
Ajustamosmodelo1yobtenemosSCE1,similarmenteunajustedel
modelo2produceSCE2.Ladiferenciaentreambassumasde
cuadradosparaelerror,SCE1 SCE2,producelacadaoprdidaen
laSCdebidaatratamientos.Comoesundiseonobalanceado,el
efectodebloquesnosecancelacuandosecomparanmediasde
tratamientos,comoocurreendiseosbalanceados.
Dr.ArturoHernndezMontes 167
Ajustandomodeloscompletosyreducidos
Ladiferenciaenlasumadecuadrados,SCE2 SCE1,hasido
ajustadaparacualquierefectodebidoalosbloquescausadoporel
desbalanceeneldiseo.Ladiferenciasellamasumadecuadrados
debidoalostratamientosajustadosparalosbloques.
SCE2 SCE1=SCTratajustado.
Lasumadecuadradosdebidoalosbloquessinajustarpara
cualquierdiferenciaentratamientosseobtieneporsubstraccin.
SCB=SCTotales SCTratajustado SCE
DondeSSEySCTotales provienendelmodelocompleto.
LaSCBloques provienedelmodelocompleto(modelo1)y
eselmodeloreducido.
LasumadelacadadecuadradosSSE2SSE1,SCBloqueajustado esla
sumadecuadradosdebidoabloquesdespusdeajustarporel
efectodetratamientos.
Dr.ArturoHernndezMontes 168
Ajustandomodeloscompletosyreducidos
SCTrat =SCTotales SCBloqueajustado SCE
Dr.ArturoHernndezMontes 169
Cuadrodeanova paraprobarefectosdetratamientosendiseos
enbloquesaleatorizadosnobalanceados
Fuente SC Gl CM F
Dr.ArturoHernndezMontes 170
Cuadrodeanova paraprobarefectosdebloquesendiseos
enbloquesaleatorizadosnobalanceados
Fuente SC Gl CM F
Total SCTotal n 2
Dr.ArturoHernndezMontes 171
ConlosdatosdelejercicioanteriorobtenerenMinitab lasumade
cuadradosdebidoalostratamientosdespusdeajustarparalos
efectosdelosbloquesylasumadecuadradosdebidoabloques
despusdeajustarparalosefectosdelostratamientos,usandola
tcnicadelmodelocompletovslosreducidos.
Modelo1.modelocompleto:
Modelo2,modeloreducidoparatratamientos:
Modelo3,modeloreducidoparabloques:
Dr.ArturoHernndezMontes 172
General Linear Model: Prdida de peso versus mtodo, bloque
Sumadecuadradosdebidoalostratamientos
Sumadecuadradosdebidoalosbloquesdespus
despusdeajustarparalosefectosdebloques,
deajustarparalosefectosdelostratamientos,
usamoslasumadecuadradosdelerrordelmodelo1
usamoslasumadecuadradosdelerrordelosmodelos
y2:
1y3.
SCTratajustado=SCE2SCE1=75.35 26.23=49.119
1 49.119/4
SCbloqajustado=SCE3SCE1=165.89 26.23=139.66
/ 8.89
1 1.381
/ 1 139.66/5
20.23
1 1.381
Dr.ArturoHernndezMontes 173
DiseodecuadroLatinocondatosextraviados
Cuandodeseamoscompararttratamientosmientrasfiltramosdos
fuentesadicionalesdevariabilidad.Cadatratamientoapareceen
cadarenglnyencadacolumna.
.. . . .. 2
1 2
.. =sumadetodaslasobservacionesenelgsimo rengln.
. . =sumadetodaslasobservacionesenlahsima columna.
.. =sumadetodaslasobservacionesrecibiendoelmsimo
tratamiento.
2 1observacionesyteselnmerode
=sumadetodoslosn=t
tratamientosenelcuadroLatino.
Dr.ArturoHernndezMontes 174
DiseodecuadroLatinocondatosextraviados
SCseusanreemplazandoeldatoperdido consuestimador en
lasformulasparadiseosbalanceados,queyanotieneneldatoperdido.
..
..
. .
Dr.ArturoHernndezMontes 175
DiseodecuadroLatinocondatosextraviados
Elcuadradomedioparatratamientosesunestimadorsesgadopara
elcuadradomedioesperadodelostratamientosenundiseode
cuadrolatinobalanceado .Unestimadordeestesesgoest
dadopor:
.. . . 1 ..
1 2
SCTratC =SCT Sesgo
Fuente SC gl CM F
Totales SCT n 2
Dr.ArturoHernndezMontes 176
( 2 1 1 1
n-2-t+1-t+1-t+1
n-2-3t+3
n-3t+1
Dr.ArturoHernndezMontes 177
Cincoversionesdemedias(A,B,C,DyE)sernevaluadaspara
elongacinporcincoinvestigadoresencincodasseparados.Se
arreglelexperimentocomouncuadroLatino.
Das
Investigador 1 2 3 4 5
Investigador 1 2 3 4 5
Dr.ArturoHernndezMontes 179
Investigador Da Versin Global
Dr.ArturoHernndezMontes 180
520.8 80.7 85.9 5 1 99.7
13.82
5 1 5 2
Fuente SC gl CM F
Da 1.02 4 0.255
Total 197.2 23
Dr.ArturoHernndezMontes 181
2 1 2 1
2.201 0.1.31 0.554
1 2 5 5 1 5 2
Dr.ArturoHernndezMontes 182
Versin D A B C E*
Agrupacin a b c d e
Dr.ArturoHernndezMontes 183
AjustandomodeloscompletosyreducidosparacuadrosLatinos
Modelo1.modelocompleto:
ConestemodeloobtenemoslaSCE1
Modelo2,modeloreducidoparatratamientos:
DenuevoobtenemoslaSCE2
SCTratC =SCE2SCE1
La prueba F para el efecto de tratamientos es
3 2
Dr.ArturoHernndezMontes 184
AjustandomodeloscompletosyreducidosparacuadrosLatinos
Realizarelejerciciodemodelocompletoversusmodeloreducidousando
Minitab,conlosdatosdondesetienelaobservacinextraviaday
compararresultadoscontraelejerciciodondereemplazamoseldato
extraviadoporunoestimado.
Dr.ArturoHernndezMontes 185
General Linear Model: elongacin versus Investigador, Da, versin
Analysis of Variance
Dr.ArturoHernndezMontes 186
Diseoenbloquesincompletosbalanceados
Casosenloscualeselnmerodeexperimentosporbloqueses
menorqueelnmerodeexperimentosbajoconsideracin.
Ejemplo
Sedeseanevaluarcincoformulaciones(A,B,C,DyE)deunapintura
paraconsistenciaencolor.Cuatromuestrasdecadaformulacinson
evaluadasdiariamente.Ellaboratoriotienecincotcnicos
disponiblespararealizarlaspruebasycadatcnicopuedeevaluara
lomximocuatromuestrasporda.
NosepuedeconducirunDBCAporquetodaslasformulacinno
puedeserevaluadaporcadatcnico.Sepuedealcanzarunbalance
parcialeneldiseo,teniendocadapardeformulacionesevaluadas
porelmismonmerodetcnicos
Dr.ArturoHernndezMontes 187
Tcnico Formulaciones
1 D B A E
2 E A C D
3 A C D B
4 C E B A
5 B D E C
Notequecadapardeformulacionesesevaluadoportrestcnicos
Dr.ArturoHernndezMontes 188
Diseoenbloquesincompletosbalanceados
Undiseodebloquesincompletosbalanceados(BIB)esundiseo
experimentalenelcualhayttratamientosasignadosabbloquesde
talmaneraque:
1. Cadabloquecontienek<tunidadesexperimentales.
2. Cadatratamientoaparecealomximounavezencadabloque.
3. Cadabloquecontienektratamientos.
4. Cadatratamientoapareceenexactamenterbloques.
5. Cadapardetratamientosocurrenjuntosen bloques.
Dr.ArturoHernndezMontes 189
Tcnico Formulaciones
1 D B A E
2 E A C D
3 A C D B
4 C E B A
5 B D E C
Cadapardetratamientosaparecenjuntosigualmenteenelmismo
bloque.
Cadatratamientoesobservadorveces.
Elnmerodeobservaciones,n,debesatisfacern=rt =kb.
<r<b
=r(k1)/(t1)debeserunnmeroentero.
Delcuadrosuperiorverifiquequesesatisfacenlascondicionesdel
diseoBIB.
Dr.ArturoHernndezMontes 190
Parai=1,,t; j=1,..,b; g=ij
..
Donden=rt =bk
Dr.ArturoHernndezMontes 191
. sumadetodaslasobservacionesentratamientoi.
sumadetodaslasmedicionesparalosbloquesquecontienen
eltratamientoi.
Lasumadecuadradosparalostratamientosajustadosparabloques
es
1
.
1
Dr.ArturoHernndezMontes 192
Consumidor Tratamientos(almohadas) Totalesde Mediasde
bloques bloques
1 A 59 B 26 C 38 123 41
2 D 85 E 92 F 69 246 82
3 G 74 H 52 I 27 153 51
4 A 63 D 70 G 68 201 67
5 B 26 E 98 H 59 183 61
6 C 31 F 60 I 35 126 42
7 A 62 E 85 I 30 177 59
8 B 23 F 73 G 75 171 57
9 C 49 D 74 H 51 174 58
10 A 52 F 76 H 43 171 57
11 B 18 D 79 I 41 138 46
12 C 42 E 84 G 81 207 69
2.070 57.5
Dr.ArturoHernndezMontes 193
VerificamoscondicionesrequeridasparadiseosBIB
t=9; k=3; b=12; r=4
n=(9)(4)=(12)(3)=36
=r(k1)/(t1)=4(2)/(8)=1 (cadapardealmohadasfueevaluadoporunconsumidor)
Dr.ArturoHernndezMontes 194
Tratamiento . .
A 236 672 36
B 93 615 336
C 160 630 150
D 308 759 165
E 359 813 264
F 278 714 120
G 298 732 162
H 205 681 66
I 133 594 195
Total 2,070
Dr.ArturoHernndezMontes 195
1
.
1
9 1 316,638
11,723.33
36 3 3 1
Dr.ArturoHernndezMontes 196
Fuente SC g.l. CM F Valorp
Consumidor 4575 11 415.9 11.91 0.0001
Tratamiento 11,727.33 8 1,465.92 41.98 0.0001
Error 558.7 16 34.92
Total 16,861 35
.
..
. .
.
Dr.ArturoHernndezMontes 197
Calcularlasmediasestimadasdelostratamientosydeterminarlas
diferenciasentretodoslospares.
. .
.. 57.5
9 1
Tratamiento . .
A 59.00 36 61.50
B 23.25 336 20.17
C 40.00 150 40.83
D 77.00 165 75.83
E 89.75 264 86.83
F 69.50 120 70.83
G 74.50 162 75.50
H 51.25 66 50.17
I 33.25 195 35.83
Dr.ArturoHernndezMontes 198
UsandoCME=34.92,basadoenglerror =16setiene:
2 2 3 34.92
2.12 10.23
9 1
B I C H A F G D E
_____________
_____________
_____________
_____________________
Dr.ArturoHernndezMontes 199
Alternativamente,lacomputacindelasumadecuadradosparalos
tratamientosylapruebadeFcorrespondienteparalasdiferencias
enlasmediasdelostratamientospuedenserrealizadasajustando
dosmodelos.PrimeroelmodelocompletoobteniendoSCE1.
Despus,ajustamoselmodelosinelefectodelostratamientos
obteniendoSCE2.
Dr.ArturoHernndezMontes 200
GeneralLinearModel:Comfort versusConsumidor,Tratamiento
GeneralLinearModel:Comfort versusConsumidor
=12286 558.7=11727.3
gl =2416=8
UsandomodeloreducidoobtenemosSCbloques =4575
Dr.ArturoHernndezMontes 201
Anlisisdevarianzaparaalgunosmodelosfijos,
aleatoriosymixtos.
Dr.ArturoHernndezMontes 202
Anlisisdevarianzaparaalgunosmodelosfijos,
aleatoriosymixtos.
Dr.ArturoHernndezMontes 203
Factoresafectandolaprdidadepresinatravsdejuntasdeexpansin
Temperatura
15C 25C 35C
G1 G2 G3 G4 G1 G2 G3 G4 G1 G2 G3 G4
40 43 42 47 57 49 44 36 35 41 42 41
40 34 35 47 57 43 45 49 35 43 41 44
37 38 35 40 65 51 49 38 35 44 34 35
47 42 41 36 67 49 45 45 46 36 35 46
42 39 43 41 63 45 46 38 41 42 39 44
41 35 36 47 59 43 43 42 42 41 36 46
Promedio 41.17 38.50 38.67 43.00 61.33 46.67 45.33 41.33 39.00 41.17 37.83 42.67
Sedecidiporundiseoconestructuradetratamientofactorial.
Trestemperaturascubriranunrangoposibledeoperacindelas
turbinas.
Haycientosdediferentestiposdemanmetros,cuatrotiposfueron
seleccionadosaleatoriamente.Sehicieronseisrepeticionesporcada
unodelos12tratamientos.
Dr.ArturoHernndezMontes 204
Experimentodeunfactorconunefectodetratamiento
aleatorio.
Compararlecturasdelasintensidadesdedescargaselectrostticas
derelmpagosentresdiferentesestacionesdentrodeunradiode
20millasdelasinstalacionesdecmputodelauniversidad.Siestas
sonlasnicasposiblesestacionesderastreoysequiereinferirsobre
estasestacionessolamente,entoncesescribimoselmodelode
efectosfijos.
Enlugardeestarpreocupadoporsolamentelastresestacionesde
rastreos,consideremosaesasestacionescomotresmuestras
aleatoriastomadasdemuchaslocacionesposibles.Lasinferencias
relacionarnaloquepudieraocurrirenotraslocacionesde
estaciones.Esteseraelmodeloaleatorio:
Dr.ArturoHernndezMontes 205
1. =estodavaunamediaglobal,constantedesconocida.
2. =Efectoaleatoriodebidoalaisima estacinrastreadora.
Distribucinnormal,conmediaceroyvarianza
3. Las s sonindependientes.
4. sedistribuyenormalmente,conmediaceroyvarianza
5. Las ssonindependientes.
6. Loscomponentesaleatorios sonindependientes.
Dr.ArturoHernndezMontes 206
CMesperado
Fuente SC gl CM Efecto fijo Efecto
aleatorio
Tratamiento SCT t 1 CMT
Ha:
E.P:
E.P: congl1=t 1ygl2=t(n1)
congl1=t 1ygl2=t(n1)
Dr.ArturoHernndezMontes 207
Error
Total 1.0
Dr.ArturoHernndezMontes 208
Estacionesrastreadorasderelmpagos,DCAcontratamientodeefectoaleatorio
Estacin Estacionesderastreo Promedio
derastreo
1 20 1,050 3,200 5,600 50 1,984
Media 2,878.67
general
1. Escribirunmodeloestadsticoapropiado
2. Realizarunanova einterpretarlo.Usar =0.05.
3. Estimarloscomponentesdelavarianzaylaproporcindeltotaldelavarianza.
Dr.ArturoHernndezMontes 209
.. 5 1,984 2,878.67 2,132 2,878.67
SCE=108,249,173.3 20,259,573.3=87,989,600
Fuente gl SC CM Estimacin F
CM
Estaciones 2 20,259,573.3 10,129786.65 5 1.38
Total 14 108,249,173.3
Dr.ArturoHernndezMontes 210