UNIVERSIDADNACIONALDEHUANCAVELICA

ESCUELADEPOSTGRADO
DOCTORADOENCIENCIASAMBIENTALES
ASIGNATURA: ESTADSTICAAPLICADAYDISEODE
EXPERIMENTOS
DISEOSEXPERIMENTALESYMUESTRALES.4
Dr.ALFONSOCORDEROFERNNDEZ

DISEOSEXPERIMENTALESYMUESTRALES
a)

Estudioexperimental

Se requiere tomar una decisin sobre un conjunto de

manipulaciones biolgicamente realistas que incluyen controles
apropiados.
b ) Estudio observacional
Se tiene que decidir que variables se va medir para responder de
una mejor manera las preguntas que descubriremos.

Estudio experimental
Cual es el efecto del factor X sobre la variable Y?
Esta pregunta se responde directamente por un experimento
manipulativo.
En un experimento de campo o en otras condiciones el investigador
establece activamente diferentes niveles del factor X y mide la
respuesta de la variable Y.

Resultados estadsticamente significativos sugiere que

el factor X influye en la variable Y.
Los modelos estadsticos y matemticos son
herramientas poderosas en Hidrologa y en las ciencias
ambientales. Ellos permiten la previsin de como las
poblaciones y comunidades van ha cambiar a lo largo
del tiempo o responder a condiciones ambientales
alteradas.
El diseo de un experimento o estudio observacional se
refiere a como las replicas son fsicamente organizadas
en el espacio y como son muestreadas con el pasar del
tiempo.

El diseo del experimento est ntimamente

relacionado a los principios bsicos de la
experimentacin: Replicacin, randonizacin y el
control local.

Diferenciacin entre Variables Categricas y

Continuas
a) Variables categricas. Son clasificadas en dos o
ms categoras.
Ejemplo:
Sexo (macho, hembra)
categora trfica (productor, carnvoro,
herbvoro)
Tipo de habitad (sol, sombra).

b) Variables continuas. Son medidas en una escala

numrica continua, pudiendo asumir una gama de
nmeros reales o valores enteros.
Ejemplos:
Las precipitaciones por ao.
La riqueza de las especies
La cobertura de hbitats y la densidad
poblacional.
La distincin entre variables continuas y
categricas no siempre es obvia, en muchos casos
la designacin depende como el investigador
escogi medir la variable.

Ejemplo:
Una variable categrica de habitad como
sol/sombra podra ser medida, en una escala
continua, usando un medidor de luz y registrando
la intensidad luminosa en diferentes lugares.
Al contrario una variable continua precipitacin
podra ser clasificada en tres niveles (bajo, medio,
alto) y tratada como una variable categrica.
Las variables categricas y continuas describen
los tipos de datos que nosotros realmente
medimos en el campo o en el laboratorio.

Variablesdependienteseindependientes
Despus de identificar los tipos de variables, se
designa
las
variables
dependientes
e
independientes.
Ello, implica una hiptesis de causa y efecto que se
est intentando probar.
. La de tipo dependiente es la variable respuesta (y),
la que se est midiendo y la que se est interesado
determinar sus causas.
. La de tipo independiente es la variable predictora
(x), la que se supone ser responsable de la
alteracin en la variable respuesta.

En un estudio experimental
Se manipula o se controla directamente los niveles
de la variable independiente y se mide la respuesta
de la dependiente.

En un estudio observacional
Va depender de la variacin natural de la variable
independiente entre las replicas.
En estudios naturales y observacionales no se
conoce de antemano el poder de la variable
predictora.

1.DiseosdeRegresin
Cuando las variables independientes son medidas
en escalas numricas continuas el esquema
muestral es un diseo de regresin. Si la variable
dependiente tambin es medida en una escala
continua, se usa modelos de regresin lineal o no
lineal. Es decir, la regresin es utilizada para
analizar relaciones entre variables continuas, que
describe la relacin lineal entre una variable
predictora (X) y una variable respuesta (Y).
Si se mide en una escala ordinal (una respuesta
ordenada), se usa regresin logstica.
a) Regresin de un factor

En este caso, se procede a la coleccin de datos de un conjunto de

replicas independientes. Para cada replica, considere las variables
predictora y respuesta.
A modo de ejemplo, consideremos la simulacin de precipitaciones.
Hiptesis: La densidad de precipitaciones es controlada por las
estaciones meteorolgicas las cuales registran las intensidades
mximas.
La hiptesis es que "la densidad de la precipitaciones en responsable
de la cantidad de las estaciones meteorolgicas y no al contrario". Es
un estudio observacional experimental, 01 variable es Manipulada y
la otra es controlada, el muestreo esta dada por la variacin Natural
de la variable independiente (Precipitacin)
Variable predictora (IndependienteCausal) Precipitac anuales(x)
Variable respuesta (Dependiente Estaciones meteotologicas) (y)

N parcela

Precipitaciones/Cuenca(X)

Estaciones/Cuenca(Y)

1
2
3
4
5
6
7

12000
8000
3000
4500
5000
15000
10000

10.0
3.0
1.0
1.5
1.2
12.0
8.0

8
9
10
11

7500
4200
2000
1500

3.0
2.2
1.0
1.5

12

6000

5.0

Cuenca1:
Densidaddeprecipitaciones
:12000
DensidaddeEstac.Meteor.:
10.0

Resolucin
Modeloestadstico
Y= + X+
Obtener y .
Setratadeestimar =

Luego:
= 1.548859
= 0.000863866
La ecuacin de regresin de primer
grado, es:
= 1.548859 + 0.000863866X ,
donde (1500 X 15000).
El valor 0.000863866 , indica que existe
un
aumento
de
0.0008638
de semilla.
roedores/ por cada

Anlisisdevarianzadelaregresin

FV

GL

Regresin

Error

10

SC

CM

139.739246 139.739246
20.6774208

2.067742

ValordeFdelatabla:
1con10g.l.(5%=4.961%=10.04)

Verificamos que la regresin lineal fue significativo

P < 0.01), indicando que existe la relacin funcional
entre las precipitaciones/Cuenca y el nmero de estaciones/Cuenca.

67.58

Paraobtener establecemosla
relacinentrelaSCRegresin yla
SCTotal:
=
=0.871101

ResolucinporelSAS
data;
input x y;
cards;
12000
10.0
8000
3.0
3000
1.0
4500
1.5
5000
1.2
15000
12.0
10000
8.0
7500
3.0
4200
2.2
2000
1.0
1500
1.5
6000
5.0
Procreg data =;
Model y = x;
run;

Anlisisdelavarianza
SumadeCuadrado
FuenteDFcuadradosdelamedia FValor
Model
1139.73765139.73765
Error 1020.679022.06790
Totalcorregido11160.41667

67.57

Pr>F
<.0001

RazMSE
1.43802 Rcuadrado0.8711
Mediadependiente4.11667
Adj RSq
0.8582
VarCoef
34.93166
Estimadoresdeparmetros
EstimadordelError
VariableDFparmetroestndar Valort

Pr>|t|

0.80457 1.93
11.54886
10.000863870.000105098.22

0.0831
<.0001

Intercept
x

=1.54886+0.00086387
Sepuedetambinconsiderarelcomandoprocplot
enlaprogramacinconelSAS:

data;
inputxy;
cards;
12000 10.0
8000
3.0
3000
1.0
4500
1.5
5000
1.2
15000 12.0
10000
8.0
7500
3.0
4200
2.2
2000
1.0
1500
1.5
6000
5.0
proc reg data=SEMILLAS;
model y=x;
run;
PROCPLOT;
PLOTY*X/VPOS=20HPOS=40;
RUN;
QUIT;

REGRESION LINEAL
Trazado def y*x.

Leyenda: A = 1 obs, B = 2 obs, etc.

y
15

10
A

5
A

AA

A
A

A A
A
0

0
5000
10000
15000

DATASEMILLAS;
OPTIONSNODATENOCENTERNONUMBERPS=80LS=80;
TITLE'REGRESIONLINEAL';
INPUTXY;
CARDS;
1200010.0
8000
3.0
3000
1.0
4500
1.5
5000
1.2
15000
12.0
10000
8.0
7500
3.0
4200
2.2
2000
1.0
1500
1.5
6000
5.0
PROCPRINT;
RUN;
PROCREG;
MODELY=X;
RUN;
PROCPLOT;
PLOTY*X/VPOS=20HPOS=40;
RUN;QUIT;

REGRESION LINEAL
Trazado def Y*X.

Leyenda: A = 1 obs, B = 2 obs, etc.

Y
15

10
A

5
A

AA

A
A

A A
A
0

5000

10000

15000