Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DISEÑO DE EXPERIMENTOS
i = tratamientos = 5
j = repeticiones = 5
F. V. G. L. S. C. C. M. FC FCAL
TRATAMIENTOS t 1 = 4 SCTRAT CMTRAT
t 1 CMERROR
ERROR (r 1)t =20 SCERROR
rt t (r 1)t
TOTAL rt 1=24
Y 2
i
Y2 205671500 1013148900
SCTRATAMIENTOS i 1
41134300 40525956 608344
r tr 5 25
t
r t Y 2
i
SCERROR Y 2
ij i 1
41265900 41134300 131600
j 1 i 1 r
r t
Y2
SCTOTAL Yij2 41265900 40525956 739944
j 1 i 1 tr
GlERROR (rt 1) (t 1) rt 1 t 1 rt t
Y = ALTURA CORPORAL
T1 T2
HEMBRAS MACHOS
156 169
150 175
160 174
160 175
X 156.8cm X 170.6cm
(X i X )2
S2 i 1
n 1
HEMBRAS MACHOS
H O : T1 T 2
i = tratamientos = 2
H a : T1 T 2
j = repeticiones = 5
F. V. G. L. S. C. C. M. FC
(rt 1) (t 1) rt 1 t 1 rt t t (r 1)
t 2
(784) 2 (853) 2 (1637) 2
SCtrat Y / r Y / tr
2
i
2
476.1
i 1 5 10
(7842 ) (853) 2
t 2 r 5 t 2
SCerror Yij2 Yi 2 / r 1582 1562 ... 1752 234
i 1 j 1 i 1 5
(1637)2
t 2 r 5
SCtotal Y Y / tr 158 156 ... 175
2 2 2 2 2
710.1
10
ij
i 1 j 1
En el estudio experimental de un fenómeno se plantea una hipótesis, para cuya prueba diseña un
procedimiento de ejecución, que denomina diseño del experimento. Esta hipótesis, al ser probada
requiere generalizarla a un espectro más amplio que aquel de su experimento, asociándole una
medida de probabilidad o confiabilidad. Este es el caso de los diseños experimentales, cuya
metodología es ampliamente usada en la investigación para la comparación de efectos de diferentes
factores o tratamientos.
Un diseño experimental debe adecuarse al material experimental con que se cuenta y a la clase de
preguntas que desea contestarse el investigador. Sus resultados se resumen en un cuadro de
Análisis de Varianza y en una tabla de comparación de medias de tratamientos que indica las
diferencias entre dichas medias. El análisis de varianza proporciona la variación de la variable de
interés en fuentes explicables por algunos factores o tratamientos y en aquella para la cual el
investigador no tiene control, no puede medir y no le es posible explicar o atribuir a algún factor en
particular, constituyendo el error experimental. La partición de la varianza se hace a través de la
suma de cuadrados asociados a sus respectivos grados de libertad (número de comparaciones
linealmente independientes). La realización de un Análisis de la varianza presupone la aditividad de
los errores, la homogeneidad de varianza de las poblaciones de tratamientos, la independencia y la
distribución normal de los errores.
Este diseño consiste en la asignación de los tratamientos en forma completamente aleatoria a las
unidades experimentales (individuos, grupos, parcelas, jaulas, animales, insectos, etc.). Debido a su
aleatorización irrestricta, es conveniente que se utilicen unidades experimentales de lo más
homogéneas posibles: animales de la misma edad, del mismo peso, similar estado fisiológico;
parcelas de igual tamaño, etc., de manera de disminuir la magnitud del error experimental,
ocasionado por la variación intrínseca de las unidades experimentales. Este diseño es apropiado
para experimentos de laboratorio, invernadero, etc., es decir, situaciones experimentales como de
las condiciones ambientales que rodean el experimento.
Aleatorización
Para ejemplificar el proceso de aleatorización irrestricta de los tratamientos a las unidades
experimentales, considérese la prueba de cuatro tratamientos, cada uno de ellos con cinco
repeticiones. El proceso mencionado podría realizarse formando cuatro grupos de tarjetas,
representando cada uno de ellos a un tratamiento en particular, digamos T1, repetido cinco veces, y
así T2, T3 y T4. Posteriormente mézclense las tarjetas en una urna y extraiga una tarjeta al azar,
asignando el tratamiento correspondiente a la unidad experimental. Repítase el procedimiento sin
reemplazo hasta terminar su asignación.
dónde:
Yij Variable respuesta en la j-ésima repetición del i-ésimo tratamiento
Media general
Ti Efecto del tratamiento i.
Eij Error aleatorio
n
i 1
i 1 (Y ij Y ) 2
i 1 j 1
Ejemplo:
Se realizó un experimento para probar el efecto de cinco fuentes de biocombustible alternas a los
productos derivados del petróleo (T1. Testigo, T2. Caña de azúcar, T3. Agave, T4.Maíz,
T5. Cebada) en las cuales se obtuvo la cantidad de etanol en mililitros (ET) por cada tonelada de
Yi Yij Y
Yij2
j 1
Y
i 1 j 1
2
ij 41265900
ni
Yi2 14800 32320 31800 12800 39880 t ni t
Yi2
Yij2
j 1 ni
Yij2
i 1 j 1 i 1 ni
131600
Y2 (31830) 2
FC t
40525956
n
25
i
i 1
t
Yi2
SC TRAT =
i 1 ni
FC 41134300 – 40525956 = 608344
t ni
SC TOTAL = Yij2 FC 41265900 – 40525956 = 739944
i 1 j 1
SC TRAT
CM TRAT = = (608344 / 4) = 152086
t 1
SC ERROR
CM ERROR = t
2 = (131600 / 20) = 6580
n
i 1
i t
CM TRAT
Fo= = (152086 / 6580) = 23.11
CM ERROR
Para probar que Ho: en oposición a Ha: al menos un tratamiento diferente de los
demás con un =0.05 , obtenemos = 2.866 de la tabla correspondiente y puesto que
Fo>2.866 se rechaza Ho con un =0.05 y se concluye que al menos un tratamiento es diferente.
PRÁCTICA No 1
Objetivo: El alumno elabora un experimento corto a través del cual obtiene datos para realizar una
comparación de medias a través de un análisis de varianza bajo el diseño completamente
al azar.
Materiales:
Papel estraza
Semillas de maíz
Piceta
Fertilizante y/o agua tratada con plasma
Cámara de germinación
Método:
Y = ALTURA CORPORAL
T1 T2
HEMBRAS MACHOS
156 169
150 175
160 174
160 175
180
182
175
r 5 r 8
Y2 (2174) 2
FC t 2
363559.6923
58
r
i 1
i
t 2
Yi2 (784) 2 (1390) 2
SCtrat FC 363559.6923 884.01
i 1 ri 5 8
t 2 ri
SCtotal Yij2 FC ((158) 2 (156) 2 ...(175) 2 ) 363559.6923 1276.31
i 1 j 1
FV GL SC CM FC FT
TRATAMIENTOS t 1 SCtrat
ERROR t SCerror
n t
i 1
i
TOTAL t
n 1
i 1
i
Tratamientos A, B, C, D, E
Bloque I: B A E C D
Bloque II: C B D E A
Bloque III: B E A D C
Bloque IV: D C A E B
Tratamiento (t 1) 4
Bloques (r 1) 3
Error (t 1)( r 1) 12
Características:
MODELO
Cada observación del experimento es expresada mediante una ecuación lineal en los
parámetros, el conjunto conforma el modelo para el diseño de bloques completos al
azar:
Dr. Hermes Rebolloza Hernández
ESCUELA DE ESTUDIOS SUPERIORES DE XALOSTOC 13
DISEÑO DE EXPERIMENTOS
Yij i j ij
i 1,2,..., t
j 1,2,..., r
i 0; j 0
Y
i Yi. Y ..
j Y. j Y ..
rt
Yi.2 Y..2
SCTRAT . Y i. Y..
2
r rt
Y. 2j Y..2
SC BLOQUE Y . j Y..
2
t rt
2 2 2
Y Y Y
SC ERROR ij Yij i i. j ..
2 2 . j
r t rt
Y..2
es el término de corrección (TC) de las sumas de cuadrados, en las expresiones
rt
de sumas de cuadrados se acostumbra colocar sólo TC, por ejemplo:
SCTOTAL Yij2 TC
kg
T1 Testigo T2 T3 T4 Y. j
El objetivo es comparar los nuevos compuestos químicos entre ellos y con el testigo.
Fuente Gl SC CM Fc Pr > F
Corrected 14 459.5773
Total
CV = 20.6 %
Promedio = 14.25
REPETICIONES
TRAT 1 40 45 46 49 180 45
TRAT 2 38 40 38 44 160 40
TRAT 3 44 42 40 34 160 40
TRAT 4 41 43 40 40 164 41
TRAT 5 34 35 34 33 136 34
CM ERRROR 8.67 X 1 45
GLERROR 15 X 2 40
t 5 X 3 40
r4 X 4 41
X 5 34
Dr. Hermes Rebolloza Hernández
ESCUELA DE ESTUDIOS SUPERIORES DE XALOSTOC 19
DISEÑO DE EXPERIMENTOS
2CM ERROR
DMS t , glerror
r 2
nivel de significan cia deseado
2 * 8.67
DMS 2.131 4.43
4
5 2 3 4 1
34 40 40 41 45
μ1= 45 11 5 5 4 0
μ4 = 41 7 1 1 0
μ3 = 40 6 0 0
μ2 = 40 6 0
μ5 = 34 0
1 a
4 a b
3 b
2 b
5 c
DUNCAN
CM ERROR
DUNCAN TD , t y glerror
r
TD Tabla de duncan t Número de tratamientos
Dr. Hermes Rebolloza Hernández
ESCUELA DE ESTUDIOS SUPERIORES DE XALOSTOC 21
DISEÑO DE EXPERIMENTOS
8.67
Duncan 3.31 4.87
4
2 promedios 3 promedios 4 promedios 5 promedios
Valor de 3.01 3.16 3.25 3.31
tablas
Comparadores 4.43 4.65 4.78 4.87
5 2 3 4 1
34 40 40 41 45
μ1= 45 11 5 5 4 0
μ4 = 41 7 1 1 0
μ3 = 40 6 0 0
μ2 = 40 6 0
μ5 = 34 0
1 a
4 a b
3 b
2 b
5 c
STUDENT-NEUMAN-KEULSS – S-N-K
CM ERROR
SNK TSNK , t 1 y glerror
r
TSNK Tabla de SNK t Número de tratamientos
8.6
SNK 4.08 5.9
4
5 2 3 4 1
34 40 40 41 45
μ1= 45 11 5 5 4 0
μ4 = 41 7 1 1 0
μ3 = 40 6 0 0
μ2 = 40 6 0
μ5 = 34 0
1 a
4 a
3 a
2 a
5 b
TUKEY
CM ERROR
Tukey Ttukey , t y glerror
r
Ttukey Tabla de Tukey t Número de tratamientos
*Esta prueba toma el valor más alto del comparador de SNK, llega hasta 6.42
8.6
SNK 4.37 6.42
4
5 2 3 4 1
34 40 40 41 45
μ1= 45 11 5 5 4 0
μ4 = 41 7 1 1 0
μ3 = 40 6 0 0
μ2 = 40 6 0
μ5 = 34 0
1=45 a
4=41 a
3=40 a b
2=40 a b
5=34 b
SCHEFFE
5 2 3 4 1
34 40 40 41 45
μ1= 45 11 5 5 4 0
μ4 = 41 7 1 1 0
μ3 = 40 6 0 0
μ2 = 40 6 0
μ5 = 34 0
1 a
4 a b
3 a b
2 a b
5 b
Contrastes ortogonales
T1 Testigo T2 T3 T4 C Y
i ki i
2
r i C ki
2
SC
C1 -1 4 -1 -1 -1 16460.89 60 274.3
C2 -1 0 -1 1 1 894.01 12 74.5
C3 -1 0 1 0 0 47.61 6 7.9
C4 0 0 0 -1 1 43.56 6 7.2
Mediante estos contrastes, se hace las comparaciones, por ejemplo C1significa probar
el testigo vs los demás, C2 significa comparar los
tratamientos "1" y “2” frente a "3" y "4",. El análisis se realizará mediante el ANVA.
Existen ocasiones en donde no es posible o necesario evaluar los tratamientos con un mismo
número de repeticiones, o por alguna circunstancia se pierden algunas repeticiones, dentro del
diseño que nos ocupa (para este caso se utilizó un DCA), por su gran flexibilidad no es necesario
calcular los datos perdidos, en el siguiente ejercicio considere que son reguladores de crecimiento
inorgánicos y que el tratamiento 2 es el que más se utiliza (del cual se tiene una gran cantidad de
información), por lo que no se requiere de muchas repeticiones).
T2 vs T1 T3 T4
SCDNR
y22
y1 y3 y4 y1 y2 y3 y4
2
2
r2 r1 r3 r4 r1 r2 r3 r4
A = Ósmosis reversa
B = Con filtros vegetales
C = Con cloro
D = Sustancias orgánicas
E = Con plasma (2000 volts)
F = Con plasma (3000 volts)
G = Con plasma (3500 volts)
F B D C E A G H1
12.0 10.6 10.6 9.3 11.0 9.0 11.2 73.7
B E G F A D C H2
8.7 8.6 8.3 9.6 7.5 9.0 8.2 59.9
G C E D F B A H3
9.3 7.9 7.9 8.2 8.6 9.9 10.1 61.9
C F A G B E D H4
7.0 7.9 8.0 8.1 9.1 10.8 12.7 63.6
D G B A C F E H5
8.6 9.9 8.8 8.1 8.9 10.7 10.0 65.0
A D F E G C B H6
7.7 7.1 6.6 6.6 7.3 7.5 8.7 51.5
E A C B D G F H7
6.3 6.6 7.8 8.2 7.1 8.6 7.3 51.9
59.6 58.6 58.0 58.1 59.5 65.5 68.2 427.5 = G
C1 C2 C3 C4 C5 C6 C7
T1(A) = 57.0; T2(B) = 64.0; T3(C) = 56.6; T4(D) = 63.3; T5(E) = 61.2; T6(F) = 62.7 Y
T7(G) = 62.7.
FV GL SC CM F FTABLAS
Hileras (i ) t-1 h SCi CM i ( gli y gl error )
H i2 G2
GLi CMerror 0.05
i 1
2 0.01
t t
Columnas t-1 c SC j CM j ( gli y gl error )
( j) C 2j
j 1 G2 GLj CMerror 0.05
2 0.01
t t
Tratamientos t-1 c SCk CM k ( gli y gl error )
(k ) Tk2
j 1 G2
GLk CMerror 0.05
2 0.01
t t
EE (t 1)(t 2) SCtotal SCi SC j SC k SCerror
GLerror
Total t2 1 h c
G2
Y
i 1 t 1
2
ij ( k ) 2
t
427.52
SCTOTAL (12.0 10.6 ,...,7.3 )
2 2 2
102.17
72
FV GL SC CM F FTABLAS
Hileras t-1 =6 51.3 8.55 8.92** 6 y 30 gl
Columnas t-1= 6 14.21 2.36 2.47* 0.05=2.42
Tratamientos t-1=6 7.92 1.32 1.37NS 0.01=3.47
EE (t 1)(t 2) 30 28.74 0.958
Total t 2 1 48 102.17
3 6 5 1 2 4 H1
19.1 18.3 19.6 18.6 18.2 18.5 112.3
6 2 4 3 1 5 H2
18.1 19.5 17.6 18.7 18.7 19.9 112.5
1 5 6 4 3 2 H3
18.1 20.2 18.5 20.1 18.6 19.2 114.7
2 3 1 5 4 6 H4
19.1 18.8 18.7 20.2 18.6 18.5 113.9
4 1 2 6 5 3 H5
17.5 18.1 18.7 18.2 20.4 18.5 111.4
5 4 3 2 6 1 H6
17.7 17.8 17.4 17.0 17.6 17.6 105.1
109.6 112.7 110.5 112.8 112.1 112.2 669.9= G
C1 C2 C3 C4 C5 C6
MÉTODO DE CORRELACIÓN.
Conjunto de técnicas que permiten medir el grado de asociación entre variables.
1. Coeficiente de correlación 1 r 1
n n n
n X i Y i ( X i ) ( Yi )
r i 1 i 1 i 1
1
n
2
n n
2
n 2
n X i ( X i ) n Yi ( Yi )
2 2
i 1 i 1 i 1 i 1
También se puede estimar con:
Cov ( X , Y )
r
( S X )( S Y )
Numerador = Covarianza de las dos variables.
Ho : 0
Ha : 0
r n2
tc
1 r2
dónde :
r Coeficiente de correlació n; n tamaño de muestra; r 2 Coefiente de det er min ación
tt t , (n 2 gl )
( )
2
Se rechaza la H o si la t c t t o si t c t t
X= Estatura corporal.
X Y XY X2 Y2
152 58
155 60
155 56
171 70
175 73
168 65
176 76
161 61
n 8
Estimación del grado de dependencia estadística entre dos variables, por lo tanto:
X = Variable independiente
Y = Variable dependiente
ANÁLISIS ESTADÍSTICO.
H 0 : b1 0
H a : b1 0
Dr. Hermes Rebolloza Hernández
ESCUELA DE ESTUDIOS SUPERIORES DE XALOSTOC 36
DISEÑO DE EXPERIMENTOS
ETAPA I
Las distancias de los puntos con relación a la directriz de una línea recta se ajustan a través
de la “ECUACIÓN DE LA LÍNEA RECTA” que también se conoce como “ECUACIÓN DE
PREDICCIÓN” o de “REGRESIÓN O AJUSTE”:
Yi b0 b1 X i dónde :
n n
n
( X i )( Yi )
X Y i i i 1
n
i 1
Cov( X , Y )
b1 i 1
n
x2
n
( X i )
X
i 1
i
2
i 1
n
Estimación del intercepto:
b0 Y b1 X
H 0 : b1 0
H a : b1 0
FV GL SC CM F
REGRESIÓN 1 2 SC Re gresión CM Re gresión
n n
n ( X i )( Yi ) 1 CM Re sidual
X iYi i 1 i 1
i 1 n
n
n
( X i ) 2
X
i 1
i
2
i 1
n
RESIDUAL n2 SCTotal SCRe gresión SCRe sidual
n2
TOTAL n 1 n 2
n
( Yi )
Y
i 1
i
2
i 1
Xi Yi Xi Yi X i2 Y i2
160 60
170 70
155 55
167 70
175 78
168 74
176 80
161 60
a) Realice una gráfica con los datos directos (Xi y Yi) en dónde se observe la pendiente de la
recta y el punto dónde se intercepta con el eje Y
b) Utilice la ecuación de predicción para estimar el peso de un individuo que mide 172.5 cm.