Professional Documents
Culture Documents
net/publication/315813627
CITATION READS
1 1,666
6 authors, including:
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Innovaciones De Negocios on 07 April 2017.
Abstract. The basics of the experimental designs are noted. Different features of common
types of experimental designs such as the completely randomized design, the randomized
block design, the Latin Square design, the split plot design and the factorial design are
described. Each experimental design is illustrated by an example using real data. The
application of experimental designs to the scientific research is discussed.
Introducción
Diseños experimentales
286
Decisión Hipótesis
Cierto Falso
Rechazar Error tipo I (α) No error (Poder Estadístico)
Aceptar No error (Intervalo de Error tipo II (β)
Confianza)
Diseños experimentales
288
Grupo Totales
1 2 3 ….. k
X11 X21 X31 Xk1
X12 X22 X32 Xk2
X13 X23 X33 Xk3
. . . .
. . . .
X1n X2n X3n Xkn
a) Término de corrección
2
n
∑ X ij
= (Grantotal )
2
C = i= (1)
rn rn
b) Suma de los Cuadrados para tratamiento
∑ (Ti )2
SCTrat = −C (2)
ri
Diseños experimentales
290
1 1
a) de igual número de repetición S d = s 2 + (5)
r1 r2
2S 2
b) número de repeticiones diferentes S d = (6)
r
Diseños experimentales
292
Tabla de ANOVA
Fuente de Var. S.C. gl CM Fc
Tratamiento 972.3 6 162 3.61*
Error 1122.9 25 44.9
Total 209.52 31 0
8.00 + 7.93
Pr omedio = = 7.96
2
rB + tT − Gtotal
Yi =
(r − 1)(t − 1)
Diseños experimentales
294
Tabla 5. Cuatro tratamientos repetidos igual número de veces en un diseño de bloques completamente al
azar.
I II III IV
D A C C
A D D B
B C B D
C B A A
52 56 68 56 58 = media
Media/B ( X b )
princiapl
Repeticiones = uno/bloque
• Término de corrección:
(∑ X ) 2
C=
donde C = (928) / 4 x 4 = 53824
2
rn
Diseños experimentales
296
SCB = ∑
∑ T j21 − C
S.C. Bloques: n (8)
SCTrat =
∑ T12 − C
r
4.1 Aplicaciones
Modelo lineal:
yijk = µ + β i + τ j + nij + δ k + (τδ ) jk + eijk (10)
para i = 1,2,...,r, j = 1,2,...,p, k = 1,2,...,q
Diseños experimentales
298
Especie b1 b2 Xi..
A1 X11. X12. X1..
A2 X21 X22. X2..
Cálculo de las medias: Las medias tanto de los factores como su interacción
se calcula de la siguiente manera:
XA =
∑X i ..
Xj =
∑X j ..
X ij =
∑X ij
X ...2
FC =
a) Factor de corrección abn
SCbloques =
∑X 2
..k
− FC
ab
Diseños experimentales
300
SC A =
∑X 2
i ..
− FC
bn (15)
SCB =
∑X 2
. j.
− FC
an (17)
(
SCerror = SCtotal − SCund .gra nde + SC.B + SC. AB )
La suma de los cuadrados de los errores A y B se consideran simplemente
como la varianza del A ( S a2 ) y del B ( S b2 ) respectivamente y se demuestra
como:
2
S errorA = S a2
2
S errorB = S b2
X i ..
X=
Valor Promedio bn
2sa2
S X1 − X 2 = bn (20)
Valor Promedio
X .. j .
Xj =
an
Error estándar Estimado
sb2
SX =
an (21)
Diseños experimentales
302
Valor Promedio
X ij
X ij =
n
Error estándar Estimado
2sb2
S X1 − X 2 =
n (23)
S X1 − X 2 =
[
2 (b − 1)sb2 + s a2 ] (25)
bn
Para que la diferencia entre 2 medias sea significativa, es necesario que se
presente la siguiente desigualdad:
diferenciademedias
t= >t
E . E . deladiferencia
Procedimiento de cálculo
SCbloques =
∑X 2
..k
− FC
ab
Diseños experimentales
304
Tabla 10. Producción de maíz ton/ acre, organizados por tratamientos y bloques.
Tratamientos Bloques Total
N Abono I II III
B 13.8 13.5 13.2 40.5
0 C 15.5 15.0 15.2 45.7
S 21.0 22.7 22.3 66.0
C-S 18.9 18.3 19.6 56.8
Total para parcela Principal 69.2 69.5 70.3 209.0
N0
B 19.3 18.0 20.5 57.8
120 C 22.2 24.2 25.4 71.8
S 25.3 24.8 28.4 78.5
C-S 25.9 26.7 27.6 80.2
Total para parcela Princ. 92.7 93.7 101.9 288.3
N120
Total por bloque 161.9 163.2 172.2 497.3
• SCAbono =
(98.3) 2 + (117.5) 2 + (144.5) 2 + (137.0) 2 (497.3) 2
− =
3(2) 24 215.26
Tabla 11. Resultado del análisis de varianza para el experimento del rendimiento del maíz.
Fuente Var. S.C. gl C.M. Fc Ftabulada
Parcela grande 274.92 5
Bloques 7.87 2 3.935 1.56 NS 19.00
Factor A (nitrógeno) 262.02 1 262.02 104.18 ** 18.51
Error A 5.03 2 2.515
Factor B (abono) 215.26 3 71.753 118.99 ** 3.49
Interacción N x Abono 18.7 3 6.233 10.34 ** 3.40
Error Factor B 7.24 12 0.603
Total 516.12 23
Tabla 12. Valores promedios para los niveles de factores de nitrógeno y abono.
Fertilizante N B C S C-S
X /N
0 13.5 15.2 22.0 18.9 17.4
120 19.3 23.9 26.2 26.7 24.0
16.39 19.58 24.08 22.83 20.7
X /Abono
2 S a2 2(5.03)
S X1 − X 2 = = =
bn 12 0.1956
Diseños experimentales
306
24.0 − 17.4
tc = = 7.21**
0.1956
3. Diferencia entre medias del factor B al mismo nivel del factor A: a1b2
–a1b1
2S b2 2(7.24)
S X1 − X 2 = = = 2.196
n 3
26.2 − 19.3
tc = = 3.14 NS
2.196
26.2 − 13.5
tc = = 5.123**
2.4789
26.7 − 13.5
tc = = 5.324 **
2.4789
Diseños experimentales
308
Este hecho elimina el uso de cuadros 2 x 2 como cuadro latino. A los cuadros
2 x 2 se los aplicará la prueba de χ2 bajo tablas de contingencia.
C =∑
• Término de corrección
( X ij ) 2 / r 2
Tabla 14. Cálculo de las sumas de los cuadrados y grados de libertad del diseño de Cuadro Latino.
Fuente de variación gl Suma de los cuadrados
Hileras r-1 2
X i.
Columnas r-1
∑ r
−C
X 2j ..
Tratamientos r–1 ∑ r −C
Error (r – 1) (r - 2) ∑ ( X ij2 ) / r − C
Total r2 - 1 S.C.T. – SCH – SCC - SC.Trat
∑X 2
ij −C
Diseños experimentales
310
A 18 C 21 D 25 B 11
D 22 B 12 A 15 C 19
B 15 A 20 C 23 D 24
C 22 D 21 B 10 A 17
A B C D Total
70 48 85 92 295
Término de corrección: C =
(295)2/4 x 4 = 5,439.06
Variación residual =
329.94 – (29.19 + 4.69 + 284.19) = 11.87
Tabla 15. Análisis de varianza sobre el rendimiento de trigo en función de aplicación de diferentes
fertilizantes.
Fuente de Variación SC gl CM Fcal.
Filas 29.19 3 9.73 4.92
Columnas 4.69 3 1.563 0.79 NS
Tratamientos 284.19 3 94.73 47.9
Residuales 11.87 6 1.978
Residuales 11.87 6 1.978
Total 329.94 15
6. Experimentos factoriales
Diseños experimentales
312
Diseños experimentales
314
∑λ τ ij ij = ∑ λ ij y ij ,
ij (28)
σ 2
Var ∑ λ ijτ ij ∑λ 2
ij
ij r ij
(29)
C1 = 1 / 2( −τ 00 + τ 10 − τ 01 + τ 11 )
(30)
SCE
Total 4r-1
G2
∑ y ijk2 −
ijk 4r
Para un diseño factorial de 2X2 o 22, o sea un experimento con dos factores
con dos niveles de cada factor, cualquiera de las siguientes notaciones es
adecuada.
Factor A
Forma completa Formas abreviadas
Nivel A1 a2 A1 a2 a1 a2
B b1 A1b1 a2b1 (1) a 00 10
b2 A1b2 a2b2 B ab 01 11
Diseños experimentales
316
II
Factor A= Clase
Nivel A1 a2 Media A2-a1
b1 30 32 31 2
b2 36 26 31 -10
B= tasa
Media 33 29 31 -4
b2-b1 6 -6 0
III
A=Clase
Nivel A1 a2 Media A2-a1
B= tasa b1 30 32 31 2
b2 36 38 37 2
Media 33 35 34 2
b2-b1 6 6 6
Diseños experimentales
318
Para II: AB =
(26-36-32+30) = - 6
Para III: AB =
(38-36-32+30) = 0
Causas G.L.
Tratamientos ab – 1
Factor A a–1
Factor B b–1
Interacción A x B (a - 1)(b - 1)
Error ab(n-1)
Total abn – 1
Diseños experimentales
320
2
n
∑ X ijl
i =1
FC =
a) Factor de corrección N
SCtratamientos =
∑X − FC
2
ij .
n
d) La suma cuadrado del error I ------
nij
- FC
Factor A
∑X a-1 SCFac.A/a-1
2 CM Fac. A
i .. CM Error
SC A = − FC
bn
Factor B
∑X b-1 SCFac.B/b-1
2 CM Fac. B
. j. CM Error
SCB = − FC
an
Interacción
∑ X ij2. (a-1) SCInt./Gl. CM Interacion
AXB
= − FC − ( SC A + SCB ) (b-1) CM Error
SC AB
n
(n+1)
Diseños experimentales
322
Bloques
∑X n-1 SCBloque/n-
2 CM Bloque
..k 1
SCbloques = − FC CM Error
ab
Total
SCtotal = ∑ X ijk2 − FC abn-
1
____ ___
SC A =
∑ X i .. − FC
2
bn
SCB =
∑ X . j . − FC
2
an
SCbloques =
∑X 2
..k
− FC
d) Suma de los Cuadrados de bloques ab
Procedimiento Estadístico
1. Factor de Corrección (C)
G 2 4746.0 2 22524516.00
C= = = = 703,891.12
tr 8X 4 32
Diseños experimentales
324
SCT = ∑r ijq − C
T2
TIJ2
S .C ( HT ) = ∑ − SC ( H ) − SC (T ) − C
2r
955.3 2 + .... + 1414.4 2
S .C.( HT ) = − 1205.41 − 1628.11 − 703891.12 = 1.35
2X 4
Interacción Humedad x Luminosidad
Factor Humedad Suma/luminosidad
Luminosidad H1 H2
l1 1130.1 1174.9 2305.0 =L1
l2 1144.7 1296.3 2441.0=L2
Suma/humedad 2274.8 =H1 2471.2=H2 4746.0=G
L12 .. + L22
SC ( L) = −C
4r
2305.0 2 + 2441.0 2
= − C = 578.00
4X 4
L2i.q
SC ( HL) = ∑ − SC ( H ) − SC ( L) − C
2r
1130.12 + ... + 1296.3 2
S .C.( HL) = − 1205.41 − 578.00 − 703891.12
2X 4
S .C.( HL) = 356.44
Humedad y Temperatura
Factor Humedad Suma/temperatura
Temperatura H1 H2
T1 955.3 1056.8 2012.1=T1..
T2 1319.5 1414.4 2733.9=T2..
Suma/humedad 2274.8=h1 2471.2=h2 4746.0=G
Luminosidad T1 T2
l1 961.4 1343.6 2305.0 = l1
l2 1050.7 1390.3 2441.0 = l2
Suma/Temperatura 2012.1 = T1 2733.9=T2 4746.0 = G
Diseños experimentales
326
T12 .. + T22 ..
SC (T ) = −C
4R
2012.12 + 2733.9 2
= − C = 16,281.11
4X 4
Tabla 25. Análisis de varianza de un experimento factorial 23.
Fuente de variación SC gl CM F cal. Ft 0.05 Ft 0.01
Bloques 1,046.30 3 348.76 <1
Tratamiento 18,513.89 7 2,644.84 7.45 2.49 3.64
Humedad 1,205.41 1 1,205.41 3.40 4.32
Temperatura 16,281.11 1 16,281.11 45.92 4.32 8.02
Hum X Temp 1.36 1 1.36 <1
Luminosidad 578.00 1 578.00 1.63 4.32
Hum X Lum 356.44 1 356.44 1.01 4.32
Tem X Lum 56.71 1 56.71 <1
HXTXL 34.87 1 34.87 <1
Error 7,446.43 21 354.59
Total 27,006.62 31
T. 2jq
SC (TL) = ∑ − SC (T ) − SC ( L) − C
2r
961.4 2 + ... + 1390.3 2
SC (TL) = − 16281.11 − 578.00 − 703891.12
2X 4
S .C.(TL) = 56.71
Conclusiones
Diseños experimentales
328
Referencias
Badii, M.H., J. Castillo, K. Cortez & H. Quiroz. 2007a. Análisis de clusters. Pp. 15-36. In: M.
H. Badii & J. Castillo (eds.). Técnicas Cuantitativas en la Investigación. UANL,
Monterrey.
Badii, M.H., J. Castillo, J.N. Barragán & A. E. Flores. 2007b. Análisis discriminante. Pp. 119-
136. In: M.H. Badii & J. Castillo (eds.). Técnicas Cuantitativas en la Investigación.
UANL, Monterrey.
Badii, M.H., J. Castillo, J. Rositas & G. Alarcón. 2007c. Uso de un método de pronóstico en
investigación. Pp. 137-155. In: M.H. Badii & J. Castillo (eds.). Técnicas
Cuantitativas en la Investigación. UANL, Monterrey.
Badii, M.H. J. Castillo & M. Rodríguez. 2007d. Respuesta de superficie. Pp. 187-198. In: M.H.
Badii & J. Castillo (eds.). Técnicas Cuantitativas en la Investigación. UANL,
Monterrey.
Badii, M.H., J. Castillo, A. Wong & J.N. Barragán. 2007e. Lattice designs. Pp. 245-290. In:
M.H. Badii & J. Castillo (eds.). Técnicas Cuantitativas en la Investigación. UANL,
Monterrey.
Badii, M.H., J. Castillo, F. Gorjón & R. Foroughbakhch. 2007f. Completely randomized
designs. Pp. 307-334. In: M.H. Badii & J. Castillo (eds.). Técnicas Cuantitativas en
la Investigación. UANL, Monterrey.
Badii, M.H., J. Castillo, R. Rositas & G. Ponce. 2007g. Experimental designs. Pp. 335-348. In:
M.H. Badii & J. Castillo (eds.). Técnicas Cuantitativas en la Investigación. UANL,
Monterrey.
Badii, M.H., J. Castillo, J. Landeros & K. Cortez. 2007h. Papel de la estadística en la
investigación científica. InnOvaciOnes de NegOciOs. 4(1): 107-145.
Brits, S. J. M. & H. H. Lemmer, 1990. An adjusted Friedman test for the nested design.
Communic. Statist.- Theor. Meth. 19: 1837-1855.
Conover, W. J. & R. L. Iman, 1976. On some alternative procedures using ranks for the
analysis of experimental designs. Communic. Statist-Theor. Meth. 5:1349-1368.
Cox, G. M. & W. P. Martín 1937. Iowa State Collection. Journal Science, 11: 323-331.
Daniel, W. W., 1998. Bioestadística base para el análisis de las ciencias de la salud, Tercera
edición, UTEHA Noriega editores, México, 347-380.
Fisher, R. A. 1936. The use of multiple measurements in taxonomic problems. Annual Eugen.
7: 179-188.
Fogiel, M. 2000. Statistics. Research and Education Association, Piscataway, N. J.
Gillman, M. & R. Hails. 1997. An Introduction to Ecological Modeling Putting Practice into
Theory. Blackwell Science, London.
Goodman, L.A. 1970. The multivariante analysis of qualitative data: Interactions among
multiple classifications. J. Amer. Statist. Assoc. 65:226-256.
Goulden, G. H. 1952. Methods of Statistical Analysis. Second Edition. Wiley, N. Y.
Hill, R, S. 1980. A stopping rule for partitioning dendrograms. Botanical Gazette, 141: 321-324.
Huntsberger, D. V. & P. Billingsley, 1977. Elementos de Estadística Inferencial, Primera
edición, Compañía Editorial Continental, México, 320-343.
Iman, R. L., S. C. Hora & W. J. Conover, 1984. Comparison of asymptotically distribution-free
procedures for the análisis of complete blocks. J.Amer. Statist.Assoc. 79:674-685.
Kemp, A.W. 1989. A note on Striling’s expansion for factorial n. Statist. Prob. Lett. 7: 21-22.
Kepner, J.L. & D. H. Robinson, 1988. Nonparametric methods for detecting treatment effects
in repeated measures designs. J..Amer. Statist. Assoc. 83:456-461.
Keppel, G. 1991. Design and Analysis: A Researcher’s Handbook 3rd ed. Prentice Hall.
Englewood Cliffs New Jersey.
Kirk, R. E. 1982. Experimental design: Procedures for theBehavioral Sciences. 2nd ed.
Brooks/Cole, Monterey California.
Lance, G. N. & W. T. Williams. 1967. A genral theory for classificatory sorting strategies. 1.
hierarchial systems. Computer Journal, 9: 373-380.
Maxwell, S. E. 1980. Pairwise multiple comparisons in repeated measures designs. J. Educ.
Statist. 5:269-287.
Maxwell, S. E. & H. D. Delaney, 1990. Desining Experiment and analyzing data. Wadsworth,
Belmont, California.
O’Brien, R. G., & M. Kaiser, 1985. MANOVA meted for analyzing repeated measures
designs. Psychol. Bull. 97: 316-333.
Ostle, B., 1994. Estadística Aplicada, Primera edición, Editorial Limusa, México, 447-452.
Pompa, J., L. Mucina, O. Van Tongeren & E. Van der Maarel. 1983. On the determination of
optimal levels in phytosociological classifications. Vegetario, 52: 65-75.
Ratliff, R. D. & R. D. Pieper. 1982. Approaches to plant community classification for range
managers. Journal of Range Management Monographs series, No. 1.
Rohlf, F. G. 1974. Methods of comparing classifications. Annual Review of Ecology and
Systematics, 5: 101-113.
Rohlf, F. G. 1982. Consensus indices for comparing classifications. Mathematical Biological
Sciences, 59: 131-144.
Rositas, J., M.H. Badii, J. Castillo & R. Foroughbakhch. 2007. Técnicas de investigación
basadas en sistemas de modelación estructurada. Pp. 291-304. In: M. H. Badii & J.
Castillo (eds.). Técnicas Cuantitativas en la Investigación. UANL, Monterrey.
Samuels, M. L., G. Casella, & G. P. McCabe 1991. Interpreting blocks and random factors.
J. Amer. Statist. Assoc. 86: 798-808.
Shearer, P. R. 1973. Missing data in quantitative designs. J. Royal Statist. Soc. Ser. C.
Appl. Statist. 22: 135-140.
Spiegel, M. R., 1976. Probabilidad y Estadística Serie Schaum, Primera edición, Editorial
McGraw-Hill, México.
Sneath, P. H. A. & R. R. Sokal. 1973. Numerical Taxonomy. Freeman, San Francisco.
Southwood, T. R. E. & P. A. Henderson. 2000. Ecological Methods. Third Edition. Blackwell
Science, London.
Diseños experimentales
330
Anexo A
Tabla A. Tabla de ANOVA para el diseño completamente al azar*.
FV Gl SC CM Fobservado
Tratamientos t-1 Σ(X2t/r) - c SCt/gl CMt/CME
Error resta resta SCE/gl
Total rt - 1 Σ(X2) - c __
*: FV = Fuente de variabilidad, Gl= Grados de libertad, SC= Suma
de Cuadrados, CM = Cuadrado medio, t= # de tratamientos, r = # de
repeticiones, c = Factor de corrección = (ΣX)2/N, N = # total de
repeticiones.
Tabla B. Tabla de ANOVA para el diseño bloques al azar*.
FV Gl SC CM Fobservado
Bloques b -1 Σ(X2b/r) - c SCB/gl CMBl/CME
Tratamientos T -1 Σ(X2t/r) - c SCt/gl CMt/CME
Error resta resta SCE/gl
Total rt - 1 Σ(X2) - c __
*: b = # de bloques, los demás acrónimos como en la Tabla A.
Tabla C. Tabla de ANOVA para el diseño Cuadro latino*.
FV Gl SC CM Fobservado
Hilera h-1 Σ(X2h/r) - c SCh/gl CMh/CME
Columna c-1 Σ(X2c/r) - c SCc/gl CMc/CME
Tratamientos t-1 Σ(X2t/r) -c SCt/gl CMt/CME
Error resta resta SCE/gl
Total rt - 1 Σ(X2) - c __
*: h = # de bloques horizontales, c = # de bloques verticales, los
demás acrónimos como en la Tablas A y B.
Tabla C. Tabla de ANOVA para el diseño factorial*.
FV Gl SC CM Fobservado
rep r-1 Σ(X2r/at) - c SCr/gl CMr/CME
Tratamientos at - 1 Σ(X2at/r) - c SCt/gl CMt/CME
Factor A a-1 Σ(X2a/tr) -c SCa/gl CMa/CME
Factor B b-1 Σ(X2b/tr) -c SCb/gl CMb/CME
AXB a-1(b-1) resta SCaXb/gl CMaXb/CME
Error resta resta SCE/gl
Total rt - 1 Σ(X2) - c __
*: h = # de bloques horizontales o hileras, c = # de bloques verticales o
columnas, los demás acrónimos como en la Tablas A, B y C.