Documentos de Académico
Documentos de Profesional
Documentos de Cultura
A5 PDF
A5 PDF
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.
Introduccin
Diseos experimentales
286
Decisin Hiptesis
Cierto Falso
Rechazar Error tipo I () No error (Poder Estadstico)
Aceptar No error (Intervalo de Error tipo II ()
Confianza)
Diseos 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) Trmino de correccin
2
n
X ij
= (Grantotal )
2
C = i= (1)
rn rn
b) Suma de los Cuadrados para tratamiento
(Ti )2
SCTrat = C (2)
ri
Diseos experimentales
290
1 1
a) de igual nmero de repeticin S d = s 2 + (5)
r1 r2
2S 2
b) nmero de repeticiones diferentes S d = (6)
r
Diseos 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)
Diseos experimentales
294
Tabla 5. Cuatro tratamientos repetidos igual nmero de veces en un diseo 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
Trmino de correccin:
( X ) 2
C=
donde C = (928) / 4 x 4 = 53824
2
rn
Diseos experimentales
296
SCB =
T j21 C
S.C. Bloques: n (8)
SCTrat =
T12 C
r
4.1 Aplicaciones
Modelo lineal:
yijk = + i + j + nij + k + ( ) jk + eijk (10)
para i = 1,2,...,r, j = 1,2,...,p, k = 1,2,...,q
Diseos experimentales
298
Especie b1 b2 Xi..
A1 X11. X12. X1..
A2 X21 X22. X2..
Clculo de las medias: Las medias tanto de los factores como su interaccin
se calcula de la siguiente manera:
XA =
X i ..
Xj =
X j ..
X ij =
X ij
X ...2
FC =
a) Factor de correccin abn
SCbloques =
X 2
..k
FC
ab
Diseos 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 estndar Estimado
sb2
SX =
an (21)
Diseos experimentales
302
Valor Promedio
X ij
X ij =
n
Error estndar 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 clculo
SCbloques =
X 2
..k
FC
ab
Diseos experimentales
304
Tabla 10. Produccin de maz 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 anlisis de varianza para el experimento del rendimiento del maz.
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 (nitrgeno) 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
Interaccin 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 nitrgeno 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
Diseos 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
Diseos experimentales
308
Este hecho elimina el uso de cuadros 2 x 2 como cuadro latino. A los cuadros
2 x 2 se los aplicar la prueba de 2 bajo tablas de contingencia.
C =
Trmino de correccin
( X ij ) 2 / r 2
Tabla 14. Clculo de las sumas de los cuadrados y grados de libertad del diseo de Cuadro Latino.
Fuente de variacin gl Suma de los cuadrados
Hileras r-1 2
X i.
Columnas r-1
r
C
X 2j ..
Tratamientos r1 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
Diseos 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
Trmino de correccin: C =
(295)2/4 x 4 = 5,439.06
Variacin residual =
329.94 (29.19 + 4.69 + 284.19) = 11.87
Tabla 15. Anlisis de varianza sobre el rendimiento de trigo en funcin de aplicacin de diferentes
fertilizantes.
Fuente de Variacin 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
Diseos experimentales
312
Diseos experimentales
314
ij ij = ij y ij ,
ij (28)
2
Var ij ij 2
ij
ij r ij
(29)
C1 = 1 / 2( 00 + 10 01 + 11 )
(30)
SCE
Total 4r-1
G2
y ijk2
ijk 4r
Para un diseo 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
Diseos 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
Diseos 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 a1
Factor B b1
Interaccin A x B (a - 1)(b - 1)
Error ab(n-1)
Total abn 1
Diseos experimentales
320
2
n
X ijl
i =1
FC =
a) Factor de correccin 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
Interaccin
X ij2. (a-1) SCInt./Gl. CM Interacion
AXB
= FC ( SC A + SCB ) (b-1) CM Error
SC AB
n
(n+1)
Diseos 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 Estadstico
1. Factor de Correccin (C)
G 2 4746.0 2 22524516.00
C= = = = 703,891.12
tr 8X 4 32
Diseos 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
Interaccin 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
Diseos experimentales
326
T12 .. + T22 ..
SC (T ) = C
4R
2012.12 + 2733.9 2
= C = 16,281.11
4X 4
Tabla 25. Anlisis de varianza de un experimento factorial 23.
Fuente de variacin 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
Diseos experimentales
328
Referencias
Badii, M.H., J. Castillo, K. Cortez & H. Quiroz. 2007a. Anlisis de clusters. Pp. 15-36. In: M.
H. Badii & J. Castillo (eds.). Tcnicas Cuantitativas en la Investigacin. UANL,
Monterrey.
Badii, M.H., J. Castillo, J.N. Barragn & A. E. Flores. 2007b. Anlisis discriminante. Pp. 119-
136. In: M.H. Badii & J. Castillo (eds.). Tcnicas Cuantitativas en la Investigacin.
UANL, Monterrey.
Badii, M.H., J. Castillo, J. Rositas & G. Alarcn. 2007c. Uso de un mtodo de pronstico en
investigacin. Pp. 137-155. In: M.H. Badii & J. Castillo (eds.). Tcnicas
Cuantitativas en la Investigacin. UANL, Monterrey.
Badii, M.H. J. Castillo & M. Rodrguez. 2007d. Respuesta de superficie. Pp. 187-198. In: M.H.
Badii & J. Castillo (eds.). Tcnicas Cuantitativas en la Investigacin. UANL,
Monterrey.
Badii, M.H., J. Castillo, A. Wong & J.N. Barragn. 2007e. Lattice designs. Pp. 245-290. In:
M.H. Badii & J. Castillo (eds.). Tcnicas Cuantitativas en la Investigacin. UANL,
Monterrey.
Badii, M.H., J. Castillo, F. Gorjn & R. Foroughbakhch. 2007f. Completely randomized
designs. Pp. 307-334. In: M.H. Badii & J. Castillo (eds.). Tcnicas Cuantitativas en
la Investigacin. UANL, Monterrey.
Badii, M.H., J. Castillo, R. Rositas & G. Ponce. 2007g. Experimental designs. Pp. 335-348. In:
M.H. Badii & J. Castillo (eds.). Tcnicas Cuantitativas en la Investigacin. UANL,
Monterrey.
Badii, M.H., J. Castillo, J. Landeros & K. Cortez. 2007h. Papel de la estadstica en la
investigacin cientfica. 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. Martn 1937. Iowa State Collection. Journal Science, 11: 323-331.
Daniel, W. W., 1998. Bioestadstica base para el anlisis de las ciencias de la salud, Tercera
edicin, UTEHA Noriega editores, Mxico, 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 Estadstica Inferencial, Primera
edicin, Compaa Editorial Continental, Mxico, 320-343.
Iman, R. L., S. C. Hora & W. J. Conover, 1984. Comparison of asymptotically distribution-free
procedures for the anlisis of complete blocks. J.Amer. Statist.Assoc. 79:674-685.
Kemp, A.W. 1989. A note on Strilings 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 Researchers 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.
OBrien, R. G., & M. Kaiser, 1985. MANOVA meted for analyzing repeated measures
designs. Psychol. Bull. 97: 316-333.
Ostle, B., 1994. Estadstica Aplicada, Primera edicin, Editorial Limusa, Mxico, 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. Tcnicas de investigacin
basadas en sistemas de modelacin estructurada. Pp. 291-304. In: M. H. Badii & J.
Castillo (eds.). Tcnicas Cuantitativas en la Investigacin. 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 Estadstica Serie Schaum, Primera edicin, Editorial
McGraw-Hill, Mxico.
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.
Diseos experimentales
330
Anexo A
Tabla A. Tabla de ANOVA para el diseo completamente al azar*.
FV Gl SC CM Fobservado
Tratamientos t-1 (X2t/r) - c SCt/gl CMt/CME
Error resta resta SCE/gl
Total rt - 1 (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 correccin = (X)2/N, N = # total de
repeticiones.
Tabla B. Tabla de ANOVA para el diseo bloques al azar*.
FV Gl SC CM Fobservado
Bloques b -1 (X2b/r) - c SCB/gl CMBl/CME
Tratamientos T -1 (X2t/r) - c SCt/gl CMt/CME
Error resta resta SCE/gl
Total rt - 1 (X2) - c __
*: b = # de bloques, los dems acrnimos como en la Tabla A.
Tabla C. Tabla de ANOVA para el diseo Cuadro latino*.
FV Gl SC CM Fobservado
Hilera h-1 (X2h/r) - c SCh/gl CMh/CME
Columna c-1 (X2c/r) - c SCc/gl CMc/CME
Tratamientos t-1 (X2t/r) -c SCt/gl CMt/CME
Error resta resta SCE/gl
Total rt - 1 (X2) - c __
*: h = # de bloques horizontales, c = # de bloques verticales, los
dems acrnimos como en la Tablas A y B.
Tabla C. Tabla de ANOVA para el diseo factorial*.
FV Gl SC CM Fobservado
rep r-1 (X2r/at) - c SCr/gl CMr/CME
Tratamientos at - 1 (X2at/r) - c SCt/gl CMt/CME
Factor A a-1 (X2a/tr) -c SCa/gl CMa/CME
Factor B b-1 (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 (X2) - c __
*: h = # de bloques horizontales o hileras, c = # de bloques verticales o
columnas, los dems acrnimos como en la Tablas A, B y C.