ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO

FACULTAD DE CIENCIAS PECUARIAS

ESCUELA DE INGENIERÍA EN INDUSTRIAS PECUARIAS

TEMA:

CARACTERÍSTICAS DE DISEÑO COMPLETAMENTE AL AZAR

AUTORES:

MARÍA ESPINOZA

FECHA:

27/11/2019

CODIGO:

123

SEMESTRE:

CUARTO “B”
Características de diseño completamente al azar

Características

Los diseños completamente al azar son empleados cuando las unidades experimentales son
suficientemente homogéneas entre sí, es decir, cuando la variación entre ellas es pequeña. Por lo
que el empleo de bloques resulta inapropiado porque no hay heterogeneidad que sea necesaria
absorber. Este es el caso en muchos tipos de experimentos de laboratorio, en los que una cantidad
de material está completamente mezclado y luego se divide en porciones pequeñas para formar las
unidades experimentales, o en experimentos con animales y plantas con condiciones ambientales
muy parecidas. Todas las unidades experimentales reúnen prácticamente las mismas características,
de modo que el efecto de un tratamiento sobre la variable bajo estudio, es el mismo
independientemente de la unidad experimental donde se mide excepto por variaciones aleatorias,
debido a fuentes de error en la investigación.

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, animales de bioterio, aves, conejos, cerdos, etc., es
decir, situaciones experimentales como de las condiciones ambientales que rodean el experimento

VENTAJAS DEL DCA

 Su sencillez (estadístico fácil). Aun cuando el dato de algunos tratamiento se hayan

perdido, o rechacen por alguna causa el método de análisis sigue siendo sencillo. La pérdida
relativa de información debida a los datos faltantes, es de menos importancia que en
cualquier otro sistema.

 La flexibilidad. Puede utilizarse cualquier número de tratamientos y repeticiones y pueden

variar a voluntad del investigador el número de repeticiones de un tratamiento a otro, pero
no es recomendable sino existe una buena razón. Todo el material experimental disponible
puede usarse, lo cual es una ventaja en experimentos preliminares pequeños donde el
material experimental de que se dispone es escaso.

 El número de grados de libertad es máximo en comparación con otros modelos, el modelo

estadístico sigue siendo fácil aun cuando se pierdan unidades experimentales
  Aun cuando el dato de algún tratamiento se haya perdido, o rechacen por alguna causa el
método de análisis sigue siendo sencillo

DESVENTAJAS DEL DCA

 La principal estriba en su grado de precisión, algún otro diseño suele ser capaz de estimar el
error stándar por unidad experimental (error experimental) con un mayor grado de
precisión.

 No siempre puede garantizarse condiciones de homogeneidad. No se asegura, ninguna

forma para aseverar que las unidades reciben un tratamiento similar a aquellas que reciben
otro tratamiento, toda la variación que existe entre las unidades pasa a formar parte del error
experimental.

Formulas
BIBLIOGRAFIAS

1. Box, G.E.; Hunter, J.S.; Hunter, W.G. (2008). Estadística para investigadores. Diseño,
innovación y descubrimiento. Segunda Edición, Ed. Reverté, Barcelona.
2. Gutiérrez, H.; de la Vara, R. (2003). Análisis y diseño de experimentos. McGraw-Hill,
México.
3. Vicente, M.L.; Girón, P.; Nieto, C.; Pérez, T. (2005). Diseño de experimentos. Soluciones
con SAS y SPSS. Pearson Educación, Madrid.

ESCUELA SUPERIOR POLITÉCNICA DE CHIMBORAZO

FACULTAD DE CIENCIAS PECUARIAS
ESCUELA DE INGENIERÍA EN INDUSTRIAS PECUARIAS

TEMA:
 PRUEBAS DE COMPARACIONES MÚLTIPLES DMS

AUTORES:

MARÍA ESPINOZA

FECHA:

23/1/2020

CODIGO:

123

SEMESTRE:

CUARTO “B”

Pruebas de comparaciones múltiples DMS

Comparaciones múltiples de medias Al estudiar el comportamiento de los tratamientos de un factor,

mediante un análisis de la varianza, el único objetivo es saber si, globalmente, dichos tratamientos
difieren significativamente entre sí. Ahora estamos interesados, una vez aceptada la existencia de
diferencias entre los efectos del factor, en conocer qué tratamientos concretos producen mayor
efecto o cuáles son los tratamientos diferentes entre sí. En estas mismas condiciones, puede ser útil
también realizar comparaciones adicionales entre grupos de medias de los tratamientos.

yij = µi + uij .
Antes de estudiar analíticamente las distintas formas de comparar efectos, es conveniente examinar
de forma cualitativa su comportamiento. Esto se efectúa de forma gráfica y constituye el primer
método que pasamos a desarrollar.

Prueba de Duncan

El Test de Duncan es un test de comparaciones múltiples. Permite comparar las medias de los t
niveles de un factor después de haber rechazado la Hipótesis nula de igualdad de medias mediante
la técnica ANOVA. Todos los tests de comparaciones múltiples son tests que tratan de perfilar,
tratan de especificar, tratan de concretar, una Hipótesis alternativa genérica como la de cualquiera
de los Test ANOVA.

El Test de Duncan es muy similar al Test HSD de Tukey pero en lugar de trabajar con un umbral
fijo trabaja con un umbral cambiante. Un umbral que dependerá del número de medias implicadas
en la comparación.

Para saber el número de medias implicadas en la comparación se ordenan las medias muestrales de
menor a mayor y así al hacer una comparación entre dos medias sabremos además de las dos
medias comparadas cuantas medias quedan dentro. Este número de medias implicadas en cualquier
comparación de medias es el parámetro p de este umbral.

Se basa el procedimiento, también, en la distribución de los rangos estudentizados

Es interesante comparar el Test HSD y el Test de Duncan. Este cambio tanto en el número de
medias implicada como en el nivel de significación genera un umbral más pequeño. Esto da una
mayor capacidad de encontrar diferencias mediante el Test de Duncan porque los umbrales son más
pequeños y, por lo tanto, es más fácil encontrar diferencias entre las medias comparadas. En estos
casos, en Estadística, decimos que el Test de Tukey es más conservador que el Test de Duncan o
que tiene menor potencia.

Si se quiere comparar las diferentes técnicas de comparaciones múltiples es recomendable leer el

artículo Comparación entre técnicas de comparaciones múltiples.
Método de Tukey

Sirve para probar todas las diferencias entre medias de tratamientos de una experiencia. La única
exigencia es que el número de repeticiones sea constante en todos los tratamientos.

Este método sirve para comparar las medias de los tratamientos, dos a dos, o sea para evaluar las
hipótesis:

Se calcula el valor crítico de todas las comparaciones por pares.

Se obtiene el error estándar de cada promedio.

Obtener el Tα.

Calcular la diferencia de las medias y realizar las comparaciones con el valor crítico.

Hacer las conclusiones

Donde:
q es una valor que se obtiene de una tabla (Tabla de Tukey) , de manera parecida a la tabla de F
Horizontalmente se coloca el número de los tratamientos y verticalmente los grados de libertad del
error. Solamente existen tablas para niveles de significancia del 5% y del 1%.

Donde:
W ij= comparador para el par de tratamientos i,j
q= valor de la tabla de Tukey, con el número de tratamientos y grados de libertad del error
CME= cuadrado medio del error
ri, rj son las repeticiones de los tratamientos i,j

Prueba de Dunnett
El método de Dunnett se utiliza en ANOVA para crear intervalos de confianza para las diferencias
entre la media de cada nivel de factor y la media de un grupo de control. Si un intervalo contiene el
cero, no hay diferencia significativa entre las dos medias que están comparándose. Usted especifica
una tasa de error por familia para todas las comparaciones, y el método de Dunnett determina los
niveles de confianza para cada comparación individual según corresponda.

En particular, la t-estadística se deriva de la misma estimación de la varianza delerror que se obtiene

mediante la agrupación de las sumas de cuadrados para el error entodos los grupos (tratamiento y
control). La prueba estadística formal para la prueba deDunnett es o bien el más grande en valor
absoluto de estas camisetas y estadísticas (si serequiere una prueba de dos colas), o el más negativo
o más positivo de las estadísticast(para pruebas de una cola).Tablas de referencia de valores críticos
para la prueba de Dunnett asumen que hay igual número de ensayos en cada grupo, pero las
opciones más flexibles, son hoy en día fácilmente disponible en muchos paquetes estadísticos como
R . Los valores críticos para cualquier punto determinado porcentaje dependen de: si se realiza una
prueba de dos colas o una el número de grupos que se comparan y el número total de ensayos.

BIBLIOGRAFIAS

4. Box, G.E.; Hunter, J.S.; Hunter, W.G. (2008). Estadística para investigadores. Diseño,
innovación y descubrimiento. Segunda Edición, Ed. Reverté, Barcelona.
5. Gutiérrez, H.; de la Vara, R. (2003). Análisis y diseño de experimentos. McGraw-Hill,
México.
6. Vicente, M.L.; Girón, P.; Nieto, C.; Pérez, T. (2005). Diseño de experimentos. Soluciones
con SAS y SPSS. Pearson Educación, Madrid.