Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Evaluación 2, Diseño Experimental
Evaluación 2, Diseño Experimental
Diseño de Experimentos
A modo de ejemplo, si se desea entender la cantidad de sol que hace que una planta crezca,
se analizan los factores que afectan a las plantas y su crecimiento con relación a su
exposición al sol; entonces, si para este estudio se utiliza un modelo completamente aditivo,
los efectos de cada factor se sumarán por separado. Si un factor hace que la planta crezca
más, su efecto se suma por sí mismo, sin tener en cuenta cómo interactúa con otros factores.
1
"Introduction to the Design and Analysis of Experiments", George W. Cobb.
2
"Design and Analysis of Experiments", Douglas C. Montgomery.
Por ejemplo, al hacer un experimento donde se prueban diferentes tipos de fertilizantes en
diferentes tipos de suelo, si no se toma en cuenta los tipos de suelo, los resultados pueden
no ser muy precisos, porque puede que el fertilizante sea efectivo, pero no para todos los
tipos de suelo. En este sentido el bloqueo consiste en dividir el experimento en grupos
similares, es decir probar cada fertilizante en cada tipo de suelo. Esto ayuda a asegurar que
cualquier diferencia en los resultados se deba realmente al fertilizante y no a diferencias en
el suelo.
Por ejemplo, si los datos tienen una distribución que se sesga hacia la derecha, probar con
transformaciones como el logaritmo o la raíz cuadrada o elevado al cuadrado, podrían
ayudar a estandarizar los datos y lograr que estos se asemejen más a una distribución
normal. Estas trasformaciones son muy usadas cuando se utilizan variables como la edad
de las personas, la altura o el salario, porque los datos no se comportan de manera normal.
3
"Applied Linear Statistical Models", Michael H. Kutner, Christopher J. Nachtsheim, John Neter y William Li.
4
"Experimental Design: Procedures for the Behavioral Sciences", Roger E. Kirk.
polinomios ortogonales, es posible capturar patrones más complejos en los datos y evitar
problemas numéricos asociados con la multicolinealidad.
Un ejemplo son los polinomios ortogonales de Legendre, que son una serie de funciones
polinómicas especiales que son perpendiculares entre sí en un intervalo específico. Y en
uno de segundo grado podría hacerse uso de un polinomio constante, un polinomio lineal y
un polinomio cuadrático en un mismo modelo.
Niños autistas: 755, 385, 380, 215, 400, 343, 415, 360, 345, 450, 410, 435, 460, 360, 225, 900,
365, 440, 820, 400, 170, 300, 325, 925, 827, 693, 325, 452, 385, 425, 785, 345, 410.
Niños normales: 165, 390, 290, 435, 235, 345, 320, 330, 205, 375, 345, 305, 220, 270, 355, 360,
335, 305, 325, 245, 285, 370, 345, 345, 230, 370, 285, 315, 195, 270, 305, 375, 220.
Niños con retraso mental (sin síndrome de Down): 380, 510, 315, 565, 715, 380, 390, 245, 155,
335, 295, 200, 105, 105, 245, 416, 395, 275, 195, 453, 380, 715, 158, 332, 603, 335, 201, 108, 206,
264, 275, 398, 462.
De manera general se observa que, en promedio los niveles de concentración sérica del
antígeno en los niños “Normales” es menor que el valor promedio para los niños con
autismos y retazo mental. Mientras que, el grupo de los niños con autismos muestran que
estos tienen el mayor valor promedio de concentración sérica del antígeno por mililitro.
a. Una vez realizado el análisis exploratorio, determinar si la condición del niño tiene
algún efecto sobre la concentración sérica de un antígeno.
Análisis de (ANOVA)
Planteamiento de hipótesis.
H0: No hay diferencias en la concentración sérica del antígeno en los grupos de niños.
H1: Por lo menos en un grupo de niños existe diferencias en la concentración sérica del
antígeno.
De acuerdo con los resultados, con un p-valor de 0.000146, menor que el nivel de
significancia de 0.05, se rechaza la hipótesis nula y se acepta la alternativa, que indica que
por lo menos en un grupo de niños existe diferencias en la concentración sérica del antígeno.
En este sentido concluimos que, existen diferencias significativas en las concentraciones
séricas del antígeno entre los grupos de niños.
b. De ser afirmativa la respuesta en el ítem (D) utilice un procedimiento para probar las
diferencias significativas entre pares de medias individuales. Interpretar los
resultados obtenidos.
Comparación de medias
La media estimada para el grupo de niños autistas es de 462 unidades por mililitro de suero;
para el grupo de niños normales, la media estimada es 305; y para el grupo de niños con
retraso mental, la media estimada es 337. Estos datos en sentido general indican que en
promedio existen diferencias de las concentraciones séricas del antígeno entre los grupos
de niños autistas, los niños normales y los niños con retraso mental.
Considerando las medias y los intervalos de confianza que se muestran, podemos observar
que,
1. El contraste de la diferencia entre las medias de los grupos de niños autistas y
normales es de 156.5 unidades por mililitro de suero, y el intervalo de confianza va
desde 67.0 hasta 246.0 unidades por mililitro de suero; Lo que sugiere una diferencia
estadísticamente significativa, porque el intervalo no incluye el cero.
2. El contraste de la diferencia entre las medias de los grupos de niños autistas y con
retraso mental es de 124.8 unidades por mililitro de suero, y el intervalo de confianza
va desde 35.3 hasta 214.3 unidades por mililitro de suero; Lo que sugiere una
diferencia estadísticamente significativa, porque el intervalo no incluye el cero.
3. El contraste de la diferencia entre las medias de los grupos de niños normales y con
retraso mental es de -31.7 unidades por mililitro de suero, y el intervalo de confianza
va desde -121.2 hasta 57.8 unidades por mililitro de suero. Para este caso no se
indica una diferencia estadísticamente significativa porque el intervalo de confianza
incluye el cero.
SCtr =
c. E(MCTr).
4. En una investigación agrícola para estudiar la relación entre la densidad de plantas (X) y
el rendimiento (Y) en un invernadero, se utilizó un diseño completamente aleatorizado con 3
réplicas y 5 tratamientos con valores de densidad de plantas iguales a: 10, 20, 30, 40 y 50. Se
dispone de la siguiente información parcial por la salida del sistema R: SCTr = 87.60; SCE =
7.48 y yi. = 36; 48; 57; 54; 51.
a. Escribir el modelo y la tabla ANOVA correspondiente.
Suma de
Valor
Cuadrado
SCtr 87.6
Sce 7.48
SCt 95.08
Total 14 95.08 - - -
Planteamiento de hipótesis
Ho: Mt1 = Mt2 =Mt3…. = Mta
H1: Mt1 ≠ Mt2 ≠ Mt3…. ≠ Mta
b. Suponga que el tercer nivel de tratamiento es usado por primera vez. Plantear los
contrastes ortogonales significativos que puedan ser útiles al inicio del experimento.
F
Contrastes Tratamientos r *Ci Ci*Yi SCcontr Valor F
(0.05,1,10)
1 2 3 4 5
C1 3 vs 1+2+4+5 -1 -1 4 -1 -1 60 39 25.4 33.8903743
-
C2 1+2 vs 5 1 1 0 0 -2 18 18 24.0641711
18
C3 2+5 vs 4 0 1 0 -2 1 18 -9 4 5.34759358 4.96
C4 1+4 vs 2 1 -2 0 1 0 18 -6 2 2.67379679
C5 4 vs 5 0 0 0 1 -1 6 3 1.5 2.00534759
Totales Yi 36 48 57 54 51 50.9
Para el primer contraste se tomó como control el tratamiento 3 respecto a los demás
tratamientos, y se plantearon otros contrastes para las posibles combinaciones que pudieran
ser significativas.
c. ¿Cuál es el valor predicho del rendimiento de las plantas para el segundo nivel de
tratamiento? Explique.
El modelo se evaluó asumiendo que el mismo cumple con todos los supuestos. Entre las
conclusiones de este ejercicio podemos mencionar que, se observa que los tratamientos
son estadísticamente significativos y que existen diferencias estadísticamente
significativas entre los ellos.