Diseños Experimentales PDF

Dr.
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.
Noseducamosempleandomayormenterazonamientodeductivo.Envida
profesionalmuchosproblemasrequierenrazonamientoinductivo.
afectarlautilizacindeunainnovacinalaempresa?Enqu
extensin?
Contestadasal100deseguridad?Conocemoselriesgoycostosdeuna
decisin
Paraelloserequiereunexperimento,supropsitoessuministrarun
medioderealizarobservaciones(muestreoprobabilstico)quepueda
utilizarseparaformulargeneralizacionesplausiblesacercadelaprctica
objetodeestudio,locualesunproblemadelrazonamientoinductivo.
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.
Mtodocientfico
Investigacin,estudiosistemticodeuntemaconelfindedescubrir
nuevoshechosoprincipios.
Pasos
1. Hechosobservados.
2. Hiptesis.
3. Experimento.
4. Resultadoeinterpretacin.
Experimentoesuninstrumentodeinvestigacinutilizadopara
descubriralgodesconocidooprobarunahiptesis.
Mtodocientfico
Mtodocientficotradicional
Teora
Deduccin
Hiptesis
Operacionalizacin
Observaciones
Procesamientodedatos
Anlisisdedatos
Interpretacin
Resultados
Induccin
Fuente:BonillayRodrguez,2005:85
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.
Marcometodolgicodeuna
investigacin
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.
Ejemplo1
Pruebadealimentacindebecerros,cadaunodeellosfue
pesadovariasveces,unavezalnacimientoylassiguientesal
martesmscercanoaciertosaniversarios,talcomomartes
mscercanoasuaniversariode8semanas.Losdatos
incluyerontodaslasfechas,lascualesfueroninconsistentes
mutuamente:algunosnofueronmartesyalgunasfueronla
longitudincorrectadeseparacindetiempo.Sololafechadel
cumpleaosfueconfiable,lasotrasfechasseescribieronal
finaldelexperimento,siguiendoalmartesmscercano.Silas
fechassehubieranescritocuandosepesaronlosbecerros,se
sabranlasfechasconmayorprecisin.
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.
Ejemplo3
Enunexperimentosemididurezadekiwi,conun
penetrmetro.Despusdeunanlisispreliminar,lagrficade
residualesmostralgoraro.Lashojasdedatosmostrdos
tiposdeescritura,elcocientedeuntipodedatosconrespecto
alotrodadaunvalorde2.2.Unapersonausolibrasylaotra
kilogramos.
Ejemplo4
Enexperimentosemidielrendimientodetrigoencada
parcela,elnmeroregistradoenlasltimas12parcelasdeun
totalde72fueronnotablementemsbajosquelosotros.Esto
coincidiconeliniciodelluviasalmomentodelacosecha61.
Porlotantoseintrodujounacovariableparadisminuirla
variacin.
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
Repeticiones
2
Varianzadelamediaden nmeroesalaumentarn,
n
varianzadisminuye.
Aumentarrepeticionespodraaumentarvarianza.Unmayor
nmerodeunidadesexperimentalessonmsvariablesque
unomenor,porloquepodraaumentarvarianza.
Aumentarrepeticionesincrementaelpoder.Aumentael
nmerodegradosdelibertadparadistribucint,lacualtiene
colasmsesbeltascuandogl aumenta.
Repeticionesaumentacostos.
Controllocal
Significadividirelconjuntodeunidadesexperimentalesdentro
debloquesdeunidadessimilares.Sellamabloquear.
Sisehacebien,elbloqueobajalavarianza,alremoveralgunas
fuentesdevariabilidad,alremoveralgunasfuentesde
variacindelcontrastedelostratamientos.Aumenta
potencia,aunquereducegl residuales,porloquepuede
reducirpotenciasilosnmerossonpequeos.
Aumentacomplejidaddiseoypuededarmsespaciopara
erroresenprocedimientoduranteexperimento.
Restricciones
Elmsobvioescosto.Obtenerlomismopormenosdinero.
Muypequeopuedeserdesperdicio$.
Ladisponibilidaddematerialotrarestriccin.(tierra,pacientes
parapruebaclnica(pierdenmejortratamiento,pocos
conclusionesnoclaras,sacrificioanimales).
Todasvacunasrealizadaspormismaenfermera.
Cosechadores(gruposdeamigos).
Selecciones
Culestratamientos?
Testigoocontrol?Enterapiasnoaplica.Igualconpesticidas.
Culesunidadesexperimentalessedeberanusar?
Camposrepresentativosdeagricultoresvs.Ranchosexperimentales
controlados.
Usar36becerrosdelamismamanadao36compradosenelmercado,
especficamenteparaeseexperimento?
Universitarios?Opoblacingeneral?
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
Cropper Melba Melle Melba Cropper Melle
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
Unidad experimental para nitrgeno?

Unidad experimental para la variedad?
Unidad experimental para nitrgeno? parcela

Unidad experimental para la variedad? franja
Diseo combinatorio
Ejemplos
Unidad experimental es la unidad ms pequea a la cual un tratamiento puede
ser aplicada.
Tratamiento es la descripcin entera de lo que puede ser aplicado a una

unidad experimental.
Una unidad observacional es la unidad ms pequea en la cual una respuesta

ser medida.
Ejemplos
Enexperimentosemidielrendimientodetrigoencadaparcela,elnmero
registradoenlasltimas12parcelasdeuntotalde72fueronnotablemente
msbajosquelosotros.Estocoincidiconeliniciodelluviasalmomentode
lacosecha61.Porlotantoseintrodujounacovariableparadisminuirla
variacin.
Unidades experimentales?
Tratamientos?
Unidad observacional?
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?
Cropper Melba Melle
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?
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.
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
Unidad experimental? whole
Unidad observacional? children
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?
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?
Relacionesentreunidadesexperimentalesyobservacionales
i. Las unidades experimentales y las observacionales son las mismas. Es

la situacin ms comn.
ii. Cada unidad experimental consiste de varias unidades observacionales.
iii. Cada unidad observacional consiste de varias unidades experimentales
(asma y centeno).
iv. Unidad experimental y unidad observacional tienen un traslape parcial.
Raro.
Para los casos i e ii, a las unidades observacionales se les llama parcela para
brevedad.
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 observacional? Total por pullets
Ejemplos
Se experimentaron dosis de fungicidas, aspersin completa, media
aspersin y sin tratamiento. (Fungicida simple)
Tratamientos?
Otro experimento, se asperja al inicio de la estacin, a la mitad o

tardamente, o cualquier combinacin de esas pocas. Los tratamientos
consistieron de todas las combinaciones de asperjar y no asperjar para cada
fecha Cuntos tratamientos resultan?
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?
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).
temprano tarde ambos n/a
Ninguno X
A X X
B X X
C X X
X X
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).
Estructura de la parcela
Significa las formas importantes o con sentido para dividir el conjunto de
parcelas, ignorando los tratamientos.
No estructurada, no hay estructura para las unidades observacionales.

Unidades experimentales conteniendo unidades observacionales. (becerros
dentro de corrales).
Bloques
Esto significa control local: dividir el conjunto de unidades experimentales
dentro de bloques homogneos. En lavado seran las amas de casa.
Bloques conteniendo sub bloques, los cuales contienen parcelas. (centeno).
0 160 240 160 80 0
160 80 80 0 160 80
80 0 160 240 0 240
240 240 0 80 240 160
Bloques
Dos clases diferentes de bloques, ninguno contiene al otro. (pacientes y
meses).
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.
Cualquier tipo de tratamiento puede ocurrir en cualquier tipo de estructura

de parcela.
El diseo es la asignacin de tratamientos a las parcelas.
El plan o arreglo es el diseo llevado hacia las parcelas reales. Las parcelas
deben etiquetarse, para ubicarlas sin error.
Diseocompletamentealeatorio
Modeloestadstico:
Ventajas:
Elmssencillo,asignacinaleatoriadetratamientosaun
conjuntodeunidadesexperimentalespreviamente
determinado.Puedenprobarsecualquiernmerode
tratamientos.Deseableconelmismonmerodeunidades
experimentalesacadatratamiento.Sencilloyflexible.
Desventaja:
Aunquepuedeserusadoparacualquiernmerode
tratamientos,seadecuaparasituacionesenlascualeshay
relativamentepocostratamientos.
Lasunidadesexperimentalesalascualesseaplicanlos
tratamientos,debensertanhomogneoscomoseaposible.
Cualquierfuenteextraadevariabilidadtenderainflaral
trminodeerror,haciendomsdifcildetectardiferencias
entrelasmediasdelostratamientos.
Trestiposdehormonasconunadosisnica,paraevaluargananciaenpeso
deborregos.Msuncontrol.
ALEATORIZACIN
. ..

.
.
. .
.. . .
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
=4 53 58 4 57 58 4 59 58 4 63 58 100 4 4 100 208
SCW= 4 1 40.67 4 1 52.67+ 4 1 48+ 4 1 70=646
208
69.3
4 1
646
53.8
15 3
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
Total 928 Gran promedio =58
928
. . 53824
4 4
47 50 51 59 . . 54678 53824 854
212 228 236 252

. . 54032 53824 208
4
854 208 646

F.V. G.L. SC CM F Ftablas
(=0.05)
Tratamientos 3 208 69.8 1.29 3.49
Error 12 646 53.8
Total 15 854
Ho:A=B=C=D
Ha:AB CD
NohayevidenciapararechazarHo.
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
Ho:P1=P2=P3=P4
Ha:P1 P2 P3 P4
Fuente G.L. S.C. C.M. F pvalor
Tratamientos 3 136.5 45.5 0.98 0.4346
Error 12 555.5 46.292
Total 15 692
NohayevidenciapararechazarHo.
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.
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
Valoresesperadospara2x2estructuradetratamientofactorial
sininteracciones.
FactorB
FactorA Nivel1 Nivel 2
Nivel1
Nivel2
Valoresesperadospara2x2estructuradetratamientofactorial
coninteracciones.
FactorB
FactorA Nivel1 Nivel 2
Nivel1
Nivel2
DosfactoresAyBsedicequeinteractansilasdiferenciasenlasrespuestasdelas
mediasparalosdosnivelesdeunfactornoesconstanteatravsdelosnivelesdel
segundofactor.
:observacindelaksima unidadexperimentalrecibiendolaisimo niveldefactorAy

jsimo niveldefactorB.
.. :mediamuestralparalamediadelasobservacionesenelisimo niveldelfactorA.
..
. . :mediamuestralparalamediadelasobservacioneseneljsimo niveldelfactorB.
. .
. :mediamuestralparalamediadelasobservacionesenelisimo niveldelfactorA
yjsimo niveldelfactorB, .
... media global muestral.


.. ...
. . ...
. .. . . ...
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.
.. ...
. . ...
. .. . . ...
Modelo para diseo completamente aleatorizado con una estructura de tratamientos de tres
factores y repeticiones n 1.
:Respuestadelamsima unidadexperimentalrecibiendolaisimo niveldefactorA,el

jsimo niveldefactorByelksimo niveldelfactorC.
...
. .. ...
.. . ...
.. ...
. . ...
. . ...
. ...
SCerror=SCTSCASCBSCCSCABSCACSCBCSCABC
.
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
...
. .. ...
.. . ...
Determinandoelnmeroderepeticiones
Importanteparadeterminarlaexactituddelosestimadoresdelasmediasde
lostratamientosyelpoderdelaspruebasdehiptesis,relacionadasconlas
diferenciasentrelasmediasdelostratamientos.
Entremayorelnmeroderepeticiones,mayorserlaexactituddelos
estimadores,lomsprecisasernlosintervalosdeconfianzaenlasmedias
delostratamientosymayorserlapotenciadelapruebasdehiptesis.
Ejemplo
Se estudia el rendimiento de nuez bajo cuatro dosis de fertilizante, se

desean obtener estimadores de las medias para cada tratamiento con un
95 % de confiabilidad de que el promedio de la verdadera media est
dentro de 4 libras. Calcular el nmero de repeticiones.
El rango era de 70 a 40
70 40
7.5
4
1.96 7.5
13.51 14
4
EspecificandolapotenciadelaspruebasFparadeterminarelnmero
derepeticiones
Elnmeroderepeticionessedeterminaespecificandolossiguientes
parmetros.
1. Elniveldesignificancia.
2. Eltamaodeladiferencia endosmediasdetratamientos,
lacualesdesignificanciaprctica.
3. LaprobabilidaddelerrorTipoII,sicualquierpardetratamientostiene
mediasmayoresque .
4. Lavarianza .
LaprobabilidaddelerrorII(),sedeterminausandoladistribucinFno
centralcongl1ygl2,yelparmetronocentralizado.
. 1
.
EspecificandolapotenciadelaspruebasFparadeterminarelnmero
derepeticiones
Elvalormnimode paralasituacinenlacualalmenosunparde
tratamientostienelasmediasdiferenteporDomsunidadesestdadopor:

LapotenciadelapruebaFesiguala1().Elcuadrousaelparmetro
paraespecificarlosvaloresalternativosdelasmedias.
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
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.
P=0.96
P=0.75
2.24
1.73
Comparacionesmltiples
Considereunanova deuncaminodondedeseamoshacercomparaciones
entrelastmediaspoblacionales , ,.. .Estascomparacionesse
puedenescribir
++ =
Sideseamoscomparar con

1, 1, , 0 0
Elestimadordelcontrastelinearentretmediasmuestraleses
++ = yestima ,lasason
constantesquesatisfacenlacondicin 0
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
Tamaos de muestras iguales Dr.ArturoHernndezMontes 77

Unconjuntodecontrastessonortogonalesmutuamentesitodoslospares
decontrastesenelconjuntosonortogonales.
Consideremoslacomparacindecuatromediaspoblacionales,sonlos
siguientescontrastesortogonales?

Reescribimos los contrastes de la siguiente forma:
0 0
0 0
Para tamaos de muestras iguales
Por lo tanto los contrastes son ortogonales.
Para tamaos de muestras diferentes
Los contrastes son ortogonales.
Paraelcasoanterior,cuatromediaspoblacionales

Los contrastes lineares son ortogonales?
Reescribimos los contrastes:

0 0
0 0
1 0 0 1 1 0 0 1 0
Indica que los dos contrastes son ortogonales.
Recordar que se supuso

1. Las t poblaciones eran normalmente distribuidas con varianzas comunes, pero
medias diferentes (bajo la Ho, suponer que medias son iguales).
2. Muestras aleatorias independientes fueron obtenidas de la t poblaciones.
Sisuponemosquecadamediamuestralestabasadaenelmismonmerode
observaciones,sepuededemostrarquet1contratesortogonalespueden
serformadosusandolasmediasmuestrales.Estost1contrastespuedenser
formadosusandolastmediasmuestrales.
Mutuaortogonalidadesdeseableporquellevaalaindependenciadelost1
sumadecuadradosasociadosconloscontrastesortogonales.
Ejercicio
2 2
Soncontrasteslineares?
Sonortogonales?
Escribeunconjuntodecontrastesmutuamenteortogonalesparaserusados
enlacomparacinde5mediaspoblacionales.
Unasumadecuadradosasociadaconuncontrastedetratamientoes
calculadoparaindicarlacantidaddevariacinenlasmediasdetratamientos
quepuedeserexplicadoporesecontrasteparticular.Paracadacontraste
,podemoscalcularunasumadecuadradosasociadaconlos
contrastes(SCC):
.
Cuandolostamaosdemuestrassoniguales,sesimplificaa
LasumadelasSCdelostratamientosesigualalasumatoriadelasSC
asociadaacadacontraste.
Ejemplo:
Herbicidasfueronevaluadosen30parcelassembradasconheno.
Agente 1 2 3 4 5
Tipo Ninguno Bio1 Bio2 Qum1 Qum2
1.175 1.293 1.328 1.415 1.500

.
0.1204 0.1269 0.1196 0.1249 0.1265
6 6 6 6 6
Determinarcuatrocontrastesortogonalesydemostrarquelas4SCtotales
asociadasconloscuatrocontrastesigualaalaSCparatratamientos.
Fuente Gl SC CM F Valorp
Tratamientos 4 0.3648 0.0912 5.96 0.0016
Error 25 0.3825 0.0153
Total 29 0.7472
Tratamientos
1(control) 2(biol.) 3(biol.) 4(qum) 5(qum)
Contraste = SCCi
Controlvs.agentes 4 1 1 1 1 20 0.836 0.2097
Biolgicosvs 0 1 1 1 1 4 0.294 0.1297

qumicos
Bio1vsBio2 0 1 1 0 0 2 0.035 0.0037
Qum1vsqum2 0 0 0 1 1 2 0.085 0.0217
. 1.175 1.293 1.328 1.415 1.500 0.3648
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.
PruebadeFparacontrastes
Paraelejerciciodelosherbicidasdemostrarsiexistidiferenciaenloscuatro
contrastes.
. .
13.71 8.48
. .
. .
0.24 1.42
. .
=0.05,gl1 =1ygl2 =305=25;Ftabla=4.24.
Propsitoesobtenerloscontrastesdelasmediasdelostratamientosque
mostrarnunaexplicacinclaradelpatrndelasdiferenciasenlasmediasdelos
tratamientos,demayorbeneficioparaelinvestigador.
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
ComparacindelerrorEpara mcontrastesindependientesentret(t>m)mediasde
muestras
C,nmerodecontrastes ,probabilidaddeunErrordelTipoIenunapruebaindividual
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
1 1
Esteproblemapuedeserreducidoalgo,controlandolatasadelerrorglobal( )en
lugardelaproporcindelerro(TipoI, )paralapruebat individual.
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
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.
Consideraremosunmtodoquetrabajeconcualquierjuegodem pruebasy
seamsfcildeaplicarparaobtenerellmitesuperiorpara .
Elproblemadegrandes seaminoraunpocoalcontrolarel (errorde
experimentacin).
Seleccionamosunvalorde quenosproporcioneconunvaloraceptablede
.LadesigualdaddeBonferroni nosproporcionaunmtodopara
seleccionar detalmaneraque est limitadopordebajodeunvalor
especfico.Entoncescuandocadaunodelasm pruebastienentasasde
erroresindividuales ,ladesigualdaddeBonferroni proporciona
Unaprobabilidadinflada
paraelErrortipoIIocurre
Paraelejerciciodelosherbicidas,concuatrocontrastes(comparaciones)
entret=5.Sideseamoscontrolarel 0.05
0.05
0.0125
4
13.71 8.48
0.24 1.42
Con=0.0125ygl1 =1ygl2 =305=25;Ftabla=7.24

LaprobabilidaddehaceralmenosunerrorTipoIdurantelascuatropruebas
esalomximo0.05.Usando=0.05paracadaunadelascuatropruebasno
nospermitiraprobarlaprobabilidadexactadehacerunerrorTipoIentrelas
cuatrocomparaciones.Peroseramayorde0.05.
1 1 0.05 0.1854
92
Dr.ArturoHernndezMontes
Enmuchosexperimentoselinvestigadorquierecomparartodoslosparesde
tratamientosocomparartodoslostratamientoscontrauncontrol.Enestos
casos,existenmuchosmtodosparaevaluaresostiposdecontrastesentre
lasmediasdetratamientos.Lamayordiferenciaentreestosprocedimientos
decomparacionesmltipleseseltipodetasadelerrorquecada
procedimientocontrola.
LadiferenciamnimasignificativadeFisher(1949)
Elnivelde delapruebaLSDdeFisheresvlidaparasolamenteuna
comparacin,silaLSDesusadaencomparacionesindependientes
(ortogonales)oparacomparacionespreplaneadas.Sinembargo,comoes
fcildeusar,muchagenteencuentralapruebafcilparacalcularyporlo
tantolausanparahacertodaslascomparacionesparesposibles.Se
recomiendaaplicarFisherLSDsolamentedespusdequelapruebaFpara
tratamientoshayamostradosignificancia.EstapruebasellamaPrueba
protegidaLSD,latasadelerrorparalapruebaprotegidaLSDestcontrolada
enunabaseexperimentalaunnivelaproximadamenteigualalnivelde de
lapruebaF.
ProcedimientodeladiferenciamnimasignificativadeFisher
1. Realiceunanova paraprobarHo: ,encontradela
Ha:almenosdeunadelasmediasdifieredelresto.
2. SInoexisteevidenciapararechazarHousandoCMB/CMW,nocontine.
3. SiHoesrechazada,definaLSDparaquesealadiferenciaobservada
entrelasdosmuestrasnecesarioparadeclararlasmediaspoblacionales
correspondientescomodiferentes.
4. Paraunvalorespecficode,ladiferenciamnimasignificativapara
comparar con ,es
1 1
Donde sonlostamaosdemuestrasrespectivosi yj; yt eselvalor

crticodet paraunreade/2conlosgl del . Paratamaosdemuestra
iguales:
2
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
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
OrdenarmuestrasdemenoramayorLSD=0.1471
Agente 1 2 3 4 5
. 1.175 1.293 1.328 1.415 1.500
1.175 1.293 1.328 1.415 1.5

1.175 0 0.118 0.153 0.24 0.325
1.293 0.118 0 0.035 0.122 0.207
1.328 0.153 0.035 0 0.087 0.172
1.415 0.24 0.122 0.087 0 0.085
1.5 0.325 0.207 0.172 0.085 0
.
LSD=0.1471
Agente 1 2 3 4 5
1.175 1.293 1.328 1.415 1.5

1.175 0 0.118 0.153 0.24 0.325
1.293 0.118 0 0.035 0.122 0.207
. 1.328 0.153 0.035 0 0.087 0.172
1.415 0.24 0.122 0.087 0 0.085
1.5 0.325 0.207 0.172 0.085 0
Agente 1 2 3 4 5
a a
b b b
c c
Agente 1 2 3 4 5
a a
b b b
c c
Culessonlosparesdiferentes?
(1,3) (1,4) (1,5) (2,5) (3,5)
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.

ProcedimientoWdeTukey (1953)
1. Ordene(jerarquice)demenoramayorlasmediasmuestralesdelostratamientos.
2. Dosmediaspoblacionales( sondeclaradasdiferentessi
. .
Donde
=varianzadentrodemuestrasbasadaen gradosdelibertad. , esvalorcrticodela

coladerechadelRangoEstudiantizadoparacomparartdiferentespoblacionesynnmerode
observacionesencadamuestra.
3. Latasadelerrorescontroladocomounatasadelerrorexperimental(todaslosparesde
comparaciones).Entonces,laprobabilidaddeobservarunexperimentoconunooms
comparacionesparesfalsamentedeclaradasasersignificantesesespecificadaaun.
ProcedimientoWdeTukey
5, 25 4.158
.
, 4.158 0.210
ProcedimientodelaWdeTukey
OrdenarmuestrasdemenoramayorW=0.210
Agente 1 2 3 4 5
. 1.175 1.293 1.328 1.415 1.500
1.175 1.293 1.328 1.415 1.5

1.175 0 0.118 0.153 0.24 0.325
1.293 0.118 0 0.035 0.122 0.207
1.328 0.153 0.035 0 0.087 0.172
1.415 0.24 0.122 0.087 0 0.085
1.5 0.325 0.207 0.172 0.085 0
.
Tukey =0.210
Agente 1 2 3 4 5
1.175 1.293 1.328 1.415 1.5

1.175 0 0.118 0.153 0.24 0.325
1.293 0.118 0 0.035 0.122 0.207
. 1.328 0.153 0.035 0 0.087 0.172
1.415 0.24 0.122 0.087 0 0.085
1.5 0.325 0.207 0.172 0.085 0
Agente 1 2 3 4 5
a a a
b b b b
ProcedimientodeStudentNewmanKeul (SNK)(1953)
ElprocedimientoproporcionaunamodificacindelprocedimientoWdeTukey.Usatambinel
estadsticodelrangoestudiantizado,diferentesvalorescrticossonusadosdependiendode
cuantospasosexistanseparandoalasmediassiendoevaluadas.
1. Jerarquicelastmediasmuestralesdelamsbajaalamsalta.
2. Paralasdosmedias . y . queestnseparadasr pasosaparte,declaramos
diferentessi
. .
ProcedimientodelaWr deSNK
Ordenarmuestrasdemenoramayor,restardemayoramenor
Agente 1 2 3 4 5
. 1.175 1.293 1.328 1.415 1.500
r 2 3 4 5
, 2.915 3.523 3.892 4.158
0.1472 0.1779 0.1965 0.210
Agente 1 2 3 4 5
. 1.175 1.293 1.328 1.415 1.500
r 2 3 4 5
, 2.915 3.523 3.892 4.158
0.1472 0.1779 0.1965 0.210
Comparacin Conclusin
Msgrandevs Comparacin Conclusin
mspequeo Ms grandevs
. . 0.325 0.2100 > ;procede tercero ms
pequeo
. . 0.240 0.1965 > ;procede
. . 0.153 0.1779 < ;detenerse . . 0.172 0.1779 < ;detenerse

.
Msgrandevs
Msgrandevscuarto
2ndms
mspequeo
pequeo
. . 0.085 0.1472 < ;detenerse
. . 0.207 0.1965 > ;procede
. . 0.122 0.1779 < ;detenerse
Agente 1 2 3 4 5
Agente 1 2 3 4 5
a a a
b b b
c c c
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 .
1. Paraunvalorespecificode ,elvalordeDunnett (D)paracomparar
,lamediadelcontroles
2
,
K=t1tratamientosquenosoncontroles.
2. ParaunaalternativadedosladosHa: ,declaramosdiferenciasi

3. ParaunaalternativadeunladoHa: ,declaramos mayorque

si

4. ParaunaalternativadeunladoHa: ,declaramos menorque

si

5. LatasadelerrorTipoIqueescontroladoesunatasadeerror
experimental(combinado).Laprobabilidaddeobservarunexperimento
conunoomscomparaciones,conelcontrolfalsamentedeclaradoser
significativo,esespecificadoaun.
Paraelejemplodelosherbicidas.
=0.05 k=51=4 =25
. , 2.28 n=6
2 0.0153
2.28 0.163
6
declaramos mayorque si 0.163
Tratamientos ) Comparacin Conclusin
Bio1 (1.2931.175)=0.118 <D Nomayorqueelcontrol
Bio2 (1.3281.175)=0.153 <D Nomayorqueelcontrol
Qum1 (1.4151.175)=0.240 >D Mayorqueelcontrol
Qum2 (1.5001.175)=0.325 >d Mayorqueelcontrol
Diseodebloquescompletosaleatorizados
Esundiseoexperimentalparacomparart tratamientosenb
bloques.Losbloquesconsistendet unidadesexperimentales
homogneas.Lostratamientossonasignadosaleatoriamentealas
unidadesexperimentalesdentrodeunbloque,concadatratamiento
apareciendoexactamenteunavezencadabloque.
Ventajas
1. tilparacomparartmediasdetratamientosenlapresenciade
unafuenteextraadevariabilidad.
2. Elanlisisestadsticoessimple.
3. Eldiseoesfcildeconstruir.
4. Puedeserusadoparaacomodarcualquiernmerode
tratamientosencualquiernmerodebloques.
Desventajas
1. Debidoaquelasunidadesexperimentalesdentrodeunbloque
debeserhomogneo,eldiseoseacomodamejorparaun
nmerorelativodetratamientos.
2. Eldiseocontrolaunasolafuenteextraadevariacin(debidoa
bloques).Fuentesextraasadicionalesdevariabilidadtiendena
incrementareltrminodelerror,haciendomsdifcildetectar
diferenciasdetratamientos.
3. Elefectodecadatratamientoenlarespuestadebeser
aproximadamentelamismadebloqueenbloque.
=observacinenlaunidadexperimentalenjsimo bloque
recibiendotratamientoi.
=mediaglobal,unaconstantedesconocida.
=unefectodebidoaltratamientoi,unaconstantedesconocida.
=unefectodebidoalbloquej,unaconstantedesconocida.
=unerroraleatorioasociadoconlarespuestaconlarespuestade
unaunidadexperimentalenelbloquej recibiendotratamientoi.
debetenerunadistribucinnormalconmedia0yvarianzacomn
.Adicionalmente,loserroresdebenserindependientes.
Bloque
Tratamiento 1 2 b
. . . .
.
t
) )=
) )=
) )= ( )
Filtracin:eldiseoenbloquesaleatorizadosfiltralavariabilidad
debidaalosbloques.
1
3
. ) )+( )
. .
.
. .
.
. . ) . .)
Ho: Ha:Almenosun esdiferentedelresto
Ho: 0 Ha:Almenosun esdiferentedecero
.. . .. . .. . . ..
SCerror =SCTotalesSCTratSCBloq
Ejemplo(qumicosparacontrolarTpula)
Tratamientos
Bloque oparcela Control 1 2 3 4
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
Eficienciarelativa
Para un DBCA, la varianza estimada de . es CMEDBCA/b. Para un DCA la
varianza estimada de . es CMEDCA/r.
es llamada eficiencia relativa del DBCA comparado con un DCA

EF DBCA,DCA . Lo mayor sea comparado con , lo mayor
deber ser r, para conseguir el mismo nivel de precisin para estimar la
media de tratamiento en un DCA comparado con el DBCA.
Eficienciarelativa
1 1
,
1
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
56 48 66 62 85 69796 67500 2296
232 348 320

67500 1832
4
219 198 243 240
67500 438
3
2296 1832 438 26
FV Gl SC CM F Valor_p
Tratamientos 2 1832 916 211.38
Bloques 3 438 146 33.69
Error 6 26 4.333
Total 11 2296
1 1

1
4 1 146 4 3 1 4.333
Eficiencia relativa 9.92
4 3 1 4.333
EnunDCAserequerirancasi10veceslasobservacionesdecadatratamiento,
paraobtenerlamismaprecisinparaestimarlasmediasdelostratamientosque
losrequeridosenunDBCA.
F.V. g.l. SC CM F Valor_p

Tratamientos 2 1832 916 211.38
Bloques 3 438 146 33.69
Error 6 26 4.333
Total 11 2296
Usarresiduales paraasegurarsilas
condicionesdenormalidad,igualdaddevarianzaeindependenciase
cumpleenlosdatosobservados.
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
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
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
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.
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.
Esunmodeloaditivo,noexistetrminodeinteraccin.Lavariablede
bloquerenglnybloquecolumnanointeraccionaconeltratamientoni
conningunodelosbloques.
: .. .. .. .. ..
: ..
.. .. . .
..
..
. .
SCError =SCTSCTratSCRSCC
Casas
Mes 1 2 3 4 5 Promedio mes Promediomarca
M1 B1(162) B2(89) B3(160) B4(146) B5(241) 159.6 182.2
M2 B2(115) B3(192) B4(164) B5(296) B1(142) 181.8 139.8
M3 B3(149) B4(273) B5(238) B1(227) B2(103) 198.0 165.6
M4 B4(229) B5(273) B1(175) B2(71) B3(119) 173.4 229.0
M5 B5(328) B1(205) B2(321) B3(208) B4(333) 279.0 275.2
Promediocasas 196.6 206.4 211.6 189.6 187.6
162 198.36 115 198.36
119 198.36 .. 333 198.36 139,372
.. 5 182.2 198.36 139.8 198.36
165.6 198.36 229.0 198.36 275.2 198.36 58,034.16
.. 5 159.6 198.36 181.8 198.36
198 198.36 173.4 198.36 279.0 198.36 44,512.56
. . 5 196.6 198.36 206.4 198.36
211.6 198.36 189.6 198.36 187.6 198.36 2,177.76
SCerror =139,37258,034.1644,512.562,177.76=34,647.52
F:V g.l. SC CM F Valorp
Mes 4 44,512.56 11,128.14 3.85 0.031
Casa 4 2,177.76 544.44 0.19 0.940
Marca 4 58,034.16 14,508.54 5.02 0.013
Error 12 34,647.52 2,887.29
Total 24 139,372.00

Eficienciarelativa

ER(CL,CA)=
11,128.14 544.44 5 1 2,887.29

ER(CL,CA) 1.34
5 1 2,887.29
Serequeriran34%msobservacionesportratamientoenundiseoCA
paraobtenerlamismaprecisin,paraestimarlasmediasdetratamientos,
comparadoconuncuadrolatino.
Diseodebloquescompletosconestructuradetratamiento
factorial
Estudiarefectodeciertosfactoresenunarespuestamientrasbloqueamos
otrasfuentesextraasdevariabilidad.
Ejemplo.
Estudiar%decontenidodeprotenaenpanhechocontrestiposdeharinay
horneadosatrestemperaturasdiferentes.Sehornearntrespanespara
cadaunadelasnuevecombinacionestemperaturaxharina.Sinembargo
solosepuedenhornearnuevepanesporda.Secorrerunarepeticinde
3x3entresdas,dondelosbloquessernlosdas.
=: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.
Diseodebloquescompletosconestructuradetratamiento
factorial
Das
1 2 3
Temperatura Temperatura Temperatura
Tipode harina 1 2 3 1 2 3 1 2 3
A 5.8 4.6 4.6 11.4 5.2 5.2 10.5 9.7 4.7
B 8.4 5.4 4.7 7.5 7.9 7.2 14.6 7.9 6.9
C 16.0 5.2 4.2 17.8 7.0 6.3 16.9 11.5 7.2
.
y. .
y .. .
y. . .
y.. .
y. .
SCE=SCTSCbloquesSCASCBSCAB
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.
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
eselpromediodelasjerarquasdentrodecadabloque.
Ho: . versus Ho: .
RechazarHosi ,
Personas(bloques)
Emocin 1 2 3 4 5 6 7 8
Miedo 26.1 81 10.5 26.6 12.9 57.2 25 20.3
Felicidad 22.7 53.2 9.7 19.6 13.8 47.1 13.6 23.6
Depresin 22.5 53.7 10.8 21.1 13.7 39.2 13.7 16.3
Calma 22.6 53.1 8.3 21.6 13.3 37.0 14.8 14.8
Ejecutarunanlisispreliminarparadeterminarsielprocedimientobasado
enlanormalidadpuedeseraplicado.
DespusaplicarlapruebadeFriedmancon=0.05parasabersihaydiferencia
enlasmedianasdelpotencialdelapielparalascuatroemociones.
Finalmentecomparelosdosmtodos(paramtricoynoparamtrico).
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
4 1 3.375 2.5 2.5 2.5 2.375 2.5

4.80 . 4.8
2 1.75 2.5
6.45
RechazarHosi ,
Tratamientos
Parcela Control 1 2 3 4 Mediasdebloques
1 39.5 9.5 14.5 8 12.5 20.58
2 26.5 17.5 23.0 5.5 2.5 16.92
3 31.75 8.5 11.0 8.0 4.5 15.92
4 44.8 21.5 6.5 5.0 1.0 20.58
5 28.25 12.5 12.0 4.0 3.5 14.75
6 48.5 26.0 10.0 14.0 5.5 25.42
Mediasde 36.54 15.92 12.83 7.42 4.92 19.03

tratamientos
Analizarlosdatosempleandolamejorpruebaotransformacin.
ANOVAdealgunosdiseosnobalanceados
Diseosenbloquesaleatorizadosconunaomsobservaciones
extraviadas.
Valordelaobservacinextraviada
. . ..
1 1
t=nmerodetratamientos
b=nmerodebloques
. =sumadetodaslasobservacionesentratamientok(tratamiento
dondesetienelaobservacinextraviada).
.=sumademedicionesenelbloqueh(bloquedondesetienela
medicinextraviada).
.. sumadetodaslasobservaciones.
..
. ..
. ..
Lasumadecuadradosparatratamientostieneunsesgoensuestimacindadopor
. 1
1
. =sumademedicionesenelbloqueh
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
Bloqueno ajustados SCBloqueno ajustado b1 CMBloqueno ajustado
CMTratC/CMError
TratamientoC SCTratC t1 CMtratC
Error SCerror btbt2 CMerror
Total SCTotal bt2
Lote
Mtodo 1 2 3 4 5 6 Promedio
M1 * 6.75 13.05 10.26 8.01 8.42 9.300
M2 5.54 3.53 11.20 7.21 3.24 6.45 6.190
M3 7.67 4.15 9.79 8.27 6.75 5.50 7.022
M4 7.89 1.97 8.97 6.12 4.22 7.84 6.170
M5 9.27 4.39 13.44 9.13 9.20 7.13 8.760
Promedio 7.593 4.158 11.29 8.198 6.28 7.068 7.426
Estimarelvalordelaobservacinextraviadayrealizarunanova para
probardiferenciaenlaprdidapromediodepesoparaloscincomtodos
delimpiezadelalgodn.
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
. . .. 5 46.49 6 30.37 215.36

1 1 5 1 6 1
199.31
9.9655
20
Lote
Mtodo 1 2 3 4 5 6 Promedio
M1 9.965 6.75 13.05 10.26 8.01 8.42 9.409
M2 5.54 3.53 11.20 7.21 3.24 6.45 6.190
M3 7.67 4.15 9.79 8.27 6.75 5.50 7.022
M4 7.89 1.97 8.97 6.12 4.22 7.84 6.170
M5 9.27 4.39 13.44 9.13 9.20 7.13 8.760
Promedio 8.067 4.158 11.29 8.198 6.28 7.068 7.511
9.965 7.511 6.75 7.511 + 13.05 7.511 +..+ 7.13 7.511 219.887
6 9.409 7.511 + 6.19 7.511 + 7.022 7.511

+ 6.17 7.511 + 8.76 7.511 53.624
5 8.067 7.511 + 4.158 7.511 + 11.29 7.511 8.198 7.511

6.28 7.511 + 7.068 7.511 140.032
9.965 7.511 6.75 7.511 + 13.05 7.511 +..+ 7.13 7.511
219.887
6 9.409 7.511 + 6.19 7.511 + 7.022 7.511

+ 6.17 7.511 + 8.76 7.511 53.624
5 8.067 7.511 + 4.158 7.511 + 11.29 7.511 8.198 7.511

6.28 7.511 + 7.068 7.511 140.032
SCEerror =SCtotalesSCtratSCbloques =219.88753.624140.032
. 1 30.37 5 1 9.9655
4.5049
1 5 5 1
SCtratC =Sctratsesgo=53.6244.5049=49.119
Fuente SC g.l. CM F valor_p
Bloquesno ajustados 140.032 5 28.01
20.2 0.0008
TratamientosC 49.119 4 12.28
3
Error 26.231 19 1.381

Total 219.887 28

2
1 1
. , 17

2 5
2.11 1.543 1.605
6 6 6 1 5 1
Paralasotrascomparaciones:
2 . , 17 2 1.543
2.11 1.513
6
Parcomparado Diferenciaenmedias LSD Conclusin
M1 &M2 9.409 6.19=3.219 1.605 significativo
M1 &M5 9.409 8.76=0.649 1.605 nosignificativo
M2 &M4 6.19 6.17= 0.02 1.513 nosignificativo
Parcomparado Diferenciaenmedias LSD Conclusin
M2 &M4 6.19 6.17= 0.02 1.513 nosignificativo
Mtodo1 Mtodo5 Mtodo3 Mtodo2 Mtodo4
9.409 8.76 7.022 6.19 6.17
A A B B B
Ajustandomodeloscompletosyreducidos
LaestimacindedatosextraviadosenDBCAsehacems
complicadoconmsdatosperdidos,tambinlasformulasparaLSD.
Porlotantoseusanmodeloscompletosyreducidosparaanalizar
diseosnobalanceados.
Modelocompleto(modelo1):
Modeloreducido(modelo2):
Ajustamosmodelo1yobtenemosSCE1,similarmenteunajustedel
modelo2produceSCE2.Ladiferenciaentreambassumasde
cuadradosparaelerror,SCE1 SCE2,producelacadaoprdidaen
laSCdebidaatratamientos.Comoesundiseonobalanceado,el
efectodebloquesnosecancelacuandosecomparanmediasde
tratamientos,comoocurreendiseosbalanceados.
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.
SCTrat =SCTotales SCBloqueajustado SCE
NotequeSSTrat ySCTratajustado nosonlamismacantidadenundiseo

nobalanceado.,ellossernigualesenundiseobalanceado.SSBloq y
SCBloqajustado sondiferentescantidadesenundiseonobalanceado.
Paraundiseonobalanceado,tenemoslassiguientesigualdades:
SCTotales =SCTratajustado+SCBlq +SCE=SCTrat +SCBloqajustado+SCE
Cuadrodeanova paraprobarefectosdetratamientosendiseos
enbloquesaleatorizadosnobalanceados
Fuente SC Gl CM F
Bloques SCBloque b 1 _____ ____
Tratamiento ajustados SCTratajustado t 1 CMtratajustado CMTratajustado/CMError

Error SCerror n b t CMerror _____
Total SCTotal n 2
Cuadrodeanova paraprobarefectosdebloquesendiseos
enbloquesaleatorizadosnobalanceados
Fuente SC Gl CM F
Bloques SCbloqajustado b 1 CMbloqajustado/ Cmbloqajustado/CMError
Tratamientos SCTrat t 1 ____ ______

______
Error SCerror n t b CMerror
Total SCTotal n 2
ConlosdatosdelejercicioanteriorobtenerenMinitab lasumade
cuadradosdebidoalostratamientosdespusdeajustarparalos
efectosdelosbloquesylasumadecuadradosdebidoabloques
despusdeajustarparalosefectosdelostratamientos,usandola
tcnicadelmodelocompletovslosreducidos.
Modelo1.modelocompleto:
Modelo2,modeloreducidoparatratamientos:
Modelo3,modeloreducidoparabloques:
General Linear Model: Prdida de peso versus mtodo, bloque
Source DF Seq SS Adj SS Adj MS F-Value P-Value

mtodo 4 47.76 49.12 12.280 8.90 0.000
bloque 5 139.66 139.66 27.932 20.23 0.000
Error 19 26.23 26.23 1.381
Total 28 213.65
General Linear Model: Prdida de peso versus bloque

bloque 5 138.30 138.30 27.661 8.44 0.000
Error 23 75.35 75.35 3.276
Total 28 213.65
General Linear Model: Prdida de peso versus mtodo

mtodo 4 47.76 47.76 11.941 1.73 0.177
Error 24 165.89 165.89 6.912
Total 28 213.65
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
DiseodecuadroLatinocondatosextraviados
Cuandodeseamoscompararttratamientosmientrasfiltramosdos
fuentesadicionalesdevariabilidad.Cadatratamientoapareceen
cadarenglnyencadacolumna.
.. . . .. 2
1 2
.. =sumadetodaslasobservacionesenelgsimo rengln.
. . =sumadetodaslasobservacionesenlahsima columna.
.. =sumadetodaslasobservacionesrecibiendoelmsimo
tratamiento.
2 1observacionesyteselnmerode
=sumadetodoslosn=t
tratamientosenelcuadroLatino.
SCseusanreemplazandoeldatoperdido consuestimador en
lasformulasparadiseosbalanceados,queyanotieneneldatoperdido.
..
..
. .
Elcuadradomedioparatratamientosesunestimadorsesgadopara
elcuadradomedioesperadodelostratamientosenundiseode
cuadrolatinobalanceado .Unestimadordeestesesgoest
dadopor:
.. . . 1 ..
1 2
SCTratC =SCT Sesgo
Fuente SC gl CM F
Rengln SCR t 1 CMR
Columna SCC t 1 CMC
Tratamiento SCTratC t 1 CMTratC CMTratC/CME
Error SCE n 3t+1 CME
Totales SCT n 2
( 2 1 1 1
n-2-t+1-t+1-t+1
n-2-3t+3
n-3t+1
Cincoversionesdemedias(A,B,C,DyE)sernevaluadaspara
elongacinporcincoinvestigadoresencincodasseparados.Se
arreglelexperimentocomouncuadroLatino.
Das
Investigador 1 2 3 4 5
1 B22.1 A18.6 C23.0 E24.3 D17.1
2 C23.5 D16.5 A18.7 B22.0 E*
3 D17.4 E23.8 B22.8 C23.9 A20.0
4 A20.3 B23.4 E25.9 D18.7 C24.2
5 E25.7 C24.8 D18.9 A20.6 B24.6
.. 99.7, .. 80.7, . . 85.9, 520.8

.. =sumadetodaslasobservacionesenelgsimo rengln.
. . =sumadetodaslasobservacionesenlahsima columna.
.. =sumadetodaslasobservacionesrecibiendoelmsimo tratamiento.
2 1observacionesyteselnmerodetratamientosenelcuadroLatino.
=sumadetodoslosn=t
5 80.7 85.9 99.7 2 520.8

, , 24.1583
5 1 5 2
Das
Investigador 1 2 3 4 5
1 B22.1 A18.6 C23.0 E24.3 D17.1
2 C23.5 D16.5 A18.7 B22.0 E24.1583
3 D17.4 E23.8 B22.8 C23.9 A20.0
4 A20.3 B23.4 E25.9 D18.7 C24.2
5 E25.7 C24.8 D18.9 A20.6 B24.6
Investigador Da Versin Global
.. 21.020 . . 21.800 .. 19.640 ... 21.79833
.. 20.971 . . 21.420 .. 22.980
.. 21.580 . . 21.860 .. 23.880
.. 22.500 . . 21.900 .. 17.720
.. 22.920 . . 22.0116 .. 24.771
Investigador Da Versin Global
.. 21.020 . . 21.800 .. 19.640 ... 21.79833
.. 20.971 . . 21.420 .. 22.980
.. 21.580 . . 21.860 .. 23.880
.. 22.500 . . 21.900 .. 17.720
.. 22.920 . . 22.0116 .. 24.771
22.1 21.798 18.6 21.798 ++ 24.6 21.798 197.2
21.02 21.798 20.971 21.798 21.58 21.798

5 15.44
22.5 21.798 22.92 21.798
21.8 21.798 21.42 21.798 21.86 21.798

5 1.02
21.9 21.798 22.01 21.798
5 19.64 21.798 22.98 21.798 24.771 21.798 179.3
520.8 80.7 85.9 5 1 99.7
13.82
5 1 5 2
179.31 13.82 165.49
Fuente SC gl CM F
Investigador 15.44 4 3.85
Da 1.02 4 0.255
Versin 165.44 4 41.37 29.76
Error 15.26 11 1.39
Total 197.2 23
2 1 2 1
2.201 0.1.31 0.554
1 2 5 5 1 5 2
Par comparado Diferencia LSD Conclusin
A&B 19.6422.98 =3.34 0.503 significativo
A&C 19.6423.88=4.24 0.503 significativo
A&D 19.6417.72=1.92 0.503 significativo
A&E 19.6424.77=5.13 0.554 significativo ParamtodoEuso

B &C 22.98 23.88=0.90 0.503 significativo elestimador
deldatoextraviado
B &D 22.98 17.72= 5.26 0.503 significativo
B &E 22.98 24.77=1.79 0.554 significativo 2
C&D 23.88 17.22=6.16 0.503 significativo

2.201 2 0.131 0.503
C&E 23.88 24.77=0.89 0.554 significativo
D&E 17.22 24.77=7.05 0.554 significativo
Versin D A B C E*
Medias 17.72 19.64 22.98 23.88 24.77
Agrupacin a b c d e
AjustandomodeloscompletosyreducidosparacuadrosLatinos
Modelo1.modelocompleto:
ConestemodeloobtenemoslaSCE1
Modelo2,modeloreducidoparatratamientos:
DenuevoobtenemoslaSCE2
SCTratC =SCE2SCE1
La prueba F para el efecto de tratamientos es
3 2
AjustandomodeloscompletosyreducidosparacuadrosLatinos
Realizarelejerciciodemodelocompletoversusmodeloreducidousando
Minitab,conlosdatosdondesetienelaobservacinextraviaday
compararresultadoscontraelejerciciodondereemplazamoseldato
extraviadoporunoestimado.
General Linear Model: elongacin versus Investigador, Da, versin
Analysis of Variance
Source DF Seq SS Contribution Adj SS Adj MS F-Value P-Value

Investigador 4 22.328 11.67% 14.369 3.5922 27.38 0.000
Da 4 2.134 1.11% 0.943 0.2357 1.80 0.200
versin 4 165.494 86.47% 165.494 41.3736 315.35 0.000
Error 11 1.443 0.75% 1.443 0.1312
Total 23 191.400 100.00%
General Linear Model: elongacin versus Investigador, Da

Analysis of Variance
Source DF Seq SS Contribution Adj SS Adj MS F-Value P-Value

Investigador 4 22.328 11.67% 23.490 5.8725 0.53 0.717
Da 4 2.134 1.11% 2.134 0.5335 0.05 0.995
Error 15 166.937 87.22% 166.937 11.1292
Total 23 191.400 100.00%
SCTratC =SCE2SCE1=166.937 1.443=165.494 cong.l.=15 11=4
Diseoenbloquesincompletosbalanceados
Casosenloscualeselnmerodeexperimentosporbloqueses
menorqueelnmerodeexperimentosbajoconsideracin.
Ejemplo
Sedeseanevaluarcincoformulaciones(A,B,C,DyE)deunapintura
paraconsistenciaencolor.Cuatromuestrasdecadaformulacinson
evaluadasdiariamente.Ellaboratoriotienecincotcnicos
disponiblespararealizarlaspruebasycadatcnicopuedeevaluara
lomximocuatromuestrasporda.
NosepuedeconducirunDBCAporquetodaslasformulacinno
puedeserevaluadaporcadatcnico.Sepuedealcanzarunbalance
parcialeneldiseo,teniendocadapardeformulacionesevaluadas
porelmismonmerodetcnicos
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
Diseoenbloquesincompletosbalanceados
Undiseodebloquesincompletosbalanceados(BIB)esundiseo
experimentalenelcualhayttratamientosasignadosabbloquesde
talmaneraque:
1. Cadabloquecontienek<tunidadesexperimentales.
2. Cadatratamientoaparecealomximounavezencadabloque.
3. Cadabloquecontienektratamientos.
4. Cadatratamientoapareceenexactamenterbloques.
5. Cadapardetratamientosocurrenjuntosen bloques.
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.
Parai=1,,t; j=1,..,b; g=ij
Dondeij =1sielisimo tratamientoapareceeneljsimo bloqueyes

igualacerosiocurrelocontario.
..
Donden=rt =bk
. sumadetodaslasobservacionesentratamientoi.
sumadetodaslasmedicionesparalosbloquesquecontienen
eltratamientoi.
Lasumadecuadradosparalostratamientosajustadosparabloques
es
1
.
1
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
VerificamoscondicionesrequeridasparadiseosBIB
t=9; k=3; b=12; r=4
n=(9)(4)=(12)(3)=36
=r(k1)/(t1)=4(2)/(8)=1 (cadapardealmohadasfueevaluadoporunconsumidor)
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
1
.
1
9 1 316,638
11,723.33
36 3 3 1
. 3 41 57.5 69 57.5 4575
.. 59 57.5 ... 81 57.5 16,861
SCE=16,861 11,727.3 4575=558.7
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
.
..
. .
.
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
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
20.17 35.83 40.83 50.17 61.50 70.83 75.50 75.83 86.83
_____________
_____________
_____________
_____________________
Alternativamente,lacomputacindelasumadecuadradosparalos
tratamientosylapruebadeFcorrespondienteparalasdiferencias
enlasmediasdelostratamientospuedenserrealizadasajustando
dosmodelos.PrimeroelmodelocompletoobteniendoSCE1.
Despus,ajustamoselmodelosinelefectodelostratamientos
obteniendoSCE2.
Congl =glE2 glE1

LapruebaFparaelefectodetratamientoses:
F= /CME1
GeneralLinearModel:Comfort versusConsumidor,Tratamiento
SourceDFSeq SSSeq MSFValuePValue

Consumidor114575.0 415.9111.910.000
Tratamiento811727.3 1465.9241.980.000
Error 16558.7 34.92
Total 3516861.0
GeneralLinearModel:Comfort versusConsumidor
SourceDFSeq SSSeq MSFValuePValue

Consumidor 114575 415.90.810.628
Error 2412286 511.9
Total 3516861
=12286 558.7=11727.3
gl =2416=8
UsandomodeloreducidoobtenemosSCbloques =4575
Anlisisdevarianzaparaalgunosmodelosfijos,
aleatoriosymixtos.
En un modelo de efectos fijos para un experimento, todos los

factores en el experimento tienen un conjunto predeterminado de
niveles y las nicas inferencias son para los niveles de los factores
realmente usados en el experimento.
En un modelo de efectos aleatorios para un experimento, los

niveles de los factores usados en el experimento son seleccionados
aleatoriamente de una poblacin de niveles posibles. Las inferencias
de los datos en el experimento son para todos los niveles de los
factores en la poblacin de la cual los niveles fueron seleccionados y
no solamente de los niveles usados en el experimento.
Anlisisdevarianzaparaalgunosmodelosfijos,
aleatoriosymixtos.
En un modelo de efectos mixtos para un experimento, los niveles

de algunos de los factores usados en el experimento son
seleccionados aleatoriamente de una poblacin de niveles posibles,
mientras que los niveles de los otros factores en el experimento
estn predeterminados. Las inferencias de los datos en el
experimento relacionados con los factores fijos son solamente para
los niveles de los factores usados en el experimento, mientras que
las inferencias relacionadas con los factores con factores
seleccionados aleatoriamente son para todos los niveles de los
factores en la poblacin de la cual los niveles fueron seleccionados.
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.
Experimentodeunfactorconunefectodetratamiento
aleatorio.
Compararlecturasdelasintensidadesdedescargaselectrostticas
derelmpagosentresdiferentesestacionesdentrodeunradiode
20millasdelasinstalacionesdecmputodelauniversidad.Siestas
sonlasnicasposiblesestacionesderastreoysequiereinferirsobre
estasestacionessolamente,entoncesescribimoselmodelode
efectosfijos.

Enlugardeestarpreocupadoporsolamentelastresestacionesde
rastreos,consideremosaesasestacionescomotresmuestras
aleatoriastomadasdemuchaslocacionesposibles.Lasinferencias
relacionarnaloquepudieraocurrirenotraslocacionesde
estaciones.Esteseraelmodeloaleatorio:

1. =estodavaunamediaglobal,constantedesconocida.
2. =Efectoaleatoriodebidoalaisima estacinrastreadora.
Distribucinnormal,conmediaceroyvarianza
3. Las s sonindependientes.
4. sedistribuyenormalmente,conmediaceroyvarianza
5. Las ssonindependientes.
6. Loscomponentesaleatorios sonindependientes.
CMesperado
Fuente SC gl CM Efecto fijo Efecto
aleatorio
Tratamiento SCT t 1 CMT
Error SCE t(n 1) CME

Total SCTotal tn 1
Efectosfijos
Ho: Efectosaleatorios
Ho: 0
Ha:
Ha: 0
Ho:
Ha:
E.P:
E.P: congl1=t 1ygl2=t(n1)
congl1=t 1ygl2=t(n1)

Fuente Estimador Proporcindeltotal

Tratamiento

Error

Total 1.0
Estacionesrastreadorasderelmpagos,DCAcontratamientodeefectoaleatorio
Estacin Estacionesderastreo Promedio
derastreo
1 20 1,050 3,200 5,600 50 1,984
2 4,300 70 2,560 3,650 80 2,132
3 100 7,700 8,500 2,960 3,340 4,520
Media 2,878.67
general
1. Escribirunmodeloestadsticoapropiado
2. Realizarunanova einterpretarlo.Usar =0.05.
3. Estimarloscomponentesdelavarianzaylaproporcindeltotaldelavarianza.

.. 5 1,984 2,878.67 2,132 2,878.67
4,529 2,878.67 20,259,573.3
20 2,2878.67 1,050 2,2878.67 ++ 3,340 2,2878.67

108,249,173.3
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
Error 12 87,989,600 7,332,466.67
Total 14 108,249,173.3

Diseños Experimentales PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Diseños Experimentales PDF

Uploaded by

Copyright:

Available Formats

Dr.

Cropper Melba Melle Melba Cropper Melle

Cropper Melba Melle Melba Cropper Melle

Unidad experimental para nitrgeno?

Unidad experimental para nitrgeno? parcela

Tratamiento es la descripcin entera de lo que puede ser aplicado a una

Una unidad observacional es la unidad ms pequea en la cual una respuesta

Cropper Melba Melle

Unidad experimental? whole

Unidad observacional? children

i. Las unidades experimentales y las observacionales son las mismas. Es

Otro experimento, se asperja al inicio de la estacin, a la mitad o

temprano tarde ambos n/a

No estructurada, no hay estructura para las unidades observacionales.

Bloques conteniendo sub bloques, los cuales contienen parcelas. (centeno).

Cropper Melba Melle Melba Cropper Melle

Varios pacientes toman parte en un experimento para comparar medicamentos

Cualquier tipo de tratamiento puede ocurrir en cualquier tipo de estructura

=4 53 58 4 57 58 4 59 58 4 63 58 100 4 4 100 208

SCW= 4 1 40.67 4 1 52.67+ 4 1 48+ 4 1 70=646

Total 928 Gran promedio =58

47 50 51 59 . . 54678 53824 854

212 228 236 252

854 208 646

Error 12 646 53.8

Fuente G.L. S.C. C.M. F pvalor

Tratamientos 3 136.5 45.5 0.98 0.4346

Error 12 555.5 46.292

FactorA Nivel1 Nivel 2

FactorA Nivel1 Nivel 2

:observacindelaksima unidadexperimentalrecibiendolaisimo niveldefactorAy

... media global muestral.

:Respuestadelamsima unidadexperimentalrecibiendolaisimo niveldefactorA,el

Se estudia el rendimiento de nuez bajo cuatro dosis de fertilizante, se

Tamaos de muestras iguales Dr.ArturoHernndezMontes 77

Para tamaos de muestras iguales

Por lo tanto los contrastes son ortogonales.

Los contrastes son ortogonales.

Los contrastes lineares son ortogonales?

Reescribimos los contrastes:

Indica que los dos contrastes son ortogonales.

Recordar que se supuso

Tipo Ninguno Bio1 Bio2 Qum1 Qum2

1.175 1.293 1.328 1.415 1.500

Tratamientos 4 0.3648 0.0912 5.96 0.0016

Error 25 0.3825 0.0153

1(control) 2(biol.) 3(biol.) 4(qum) 5(qum)

Controlvs.agentes 4 1 1 1 1 20 0.836 0.2097

Biolgicosvs 0 1 1 1 1 4 0.294 0.1297

Qum1vsqum2 0 0 0 1 1 2 0.085 0.0217

. 1.175 1.293 1.328 1.415 1.500 0.3648

=0.05,gl1 =1ygl2 =305=25;Ftabla=4.24.

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

Con=0.0125ygl1 =1ygl2 =305=25;Ftabla=7.24

Donde sonlostamaosdemuestrasrespectivosi yj; yt eselvalor

. 1.175 1.293 1.328 1.415 1.500

1.175 1.293 1.328 1.415 1.5

1.175 1.293 1.328 1.415 1.5