Download - Introduccion Al Diseño Experimetal
-
8/17/2019 Introduccion Al Diseño Experimetal
1/38
Unidad III. Introducción al Diseño Experimental
• Diferenciar grupos de una población de datos usando diseños
experimentales y pruebas de varianzas ANDEVA.
• Hacer inferencias y valorar los modelos de ANDEVA en la solución de
problemas experimentales de la vida real y profesional.
• Desarrollar capacidades del trabao en e!uipo al momento de realizar
investigaciones experimentales.
Contenido
"nidad #.$ntroducción al diseño Experimental..........................................................%
#.% Experimentación& conceptos b'sicos...............................................................%
#.( )odelos ANDEVA............................................................................................#
#.# Andeva uni factorial& anova one *ay& diseño D+A.........................................,
#.- ANDEVA para un Diseño +A.......................................................................%/
#.0 Diseño de +uadro 1atino...............................................................................(2
#.2 Diseño en +uadro 3reco 1atino....................................................................#(#./ An'lisis de la varianza de dos factores con interacción................................#(
3.1 Experimentación, conceptos básicos
"n experimento& es una investigación en condiciones controladas. Es la forma
m's com4n de investigar en las ingenier5as. Al controlar las condiciones de
investigación el n4mero de repeticiones es menor !ue en una investigación de tipo
descriptivo. 6ara entrar al mundo de la experimentación es necesario manear
algunos conceptos b'sicos como7
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina %
Objetivos
Investigar en condiciones controladas y con un diseño predefinido es unexperimento.
-
8/17/2019 Introduccion Al Diseño Experimetal
2/38
"nidad Experimental es la m5nima unidad donde se aplican los tratamientos&
puede ser una persona o una comunidad& una planta o una parcela. Es la unidad
donde se toma el dato. El tamaño y número de elementos varía según losobjetivos de la investigación.
Factor de un experimento es una variable independiente nominal o categórica; es
una variable cuyos niveles son configurados por el experimentador& ;es el tema del
experimento
-
8/17/2019 Introduccion Al Diseño Experimetal
3/38
gradiente de las causas de perturbación. En este sentido >ay un e!uilibrio
din'mico& un diseño m's compleo y !ue no tiene un meor el control del error
puede ser m's ineficiente !ue un diseño simple. No >ay un diseño meor !ue otro&el investigador debe descubrir cu'l es el meor diseño para su experimento y este
depender' de la irregularidad del 'rea experimental& del n4mero de tratamientos y
de la orientación espacial de las causas !ue perturban el experimento. El diseño
m's simple de todos es el Diseño +ompletamente al Azar& D+A& sin embargo el
diseño m's utilizado en la agricultura en el de lo!ues completos al azar& +A.
Ejercicio 3.1 e >izo un experimento de evaluación de la durabilidad en >oras& de
- tipos de m'!uinas7 ;A
-
8/17/2019 Introduccion Al Diseño Experimetal
4/38
El ANDEVA usado para analizar experimentos& es un mtodo muy flexible !ue
permite construir modelos estad5sticos para el an'lisis de los datos
experimentales. 'sicamente es un procedimiento !ue permite dividir la varianzade la variable dependiente& generalmente variable continua& en dos o m's
componentes& cada uno de los cuales puede ser atribuido a una fuente variable o
factorF identificable y la otra al error experimental. 1as variables independientes
son generalmente nominales& son los Gactores en estudio y >acen grupos o
tratamientos.
1os modelos !ue permite construir el ANDEVA pueden ser reducidos al cociente
entre dos varianzas& el numerador es la varianza del modelo como los
tratamientos& blo!ues& etc. y el denominador es la varianza de los errores. 6or
eemplo en un caso de Andeva unifactorial ó anova one *ay el valor ;G< calculado
es
S trat 2
Serror2 .
El ANDEVA est' basado en ciertos supuestos& unos m's posibles !ue otros Es
evidente !ue cuantos m's factores introduzcamos se espera !ue !uede menos
cantidad de variación residual errorF por explicar. 6ero siempre !uedar' alguna
variación residual.
$uposiciones del !nálisis de #arian%a
En cada ocasión !ue se realice un an'lisis de varianza ANDEVAF& rutinariamente
deben examinarse los datos para determinar si estos indican alguna desviación de
los supuestos !ue rigen dic>o an'lisis. 6or lo tanto& es recomendable realizar un
an'lisis de las suposiciones en las !ue se basa el ANDEVA unto con el an'lisis
mismo. ólo despus de >acer este an'lisis de suposiciones y !ue stas se
cumplan razonablemente& se puede expresar con cierta confianza la validez de los
resultados estad5sticos.
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina -
-
8/17/2019 Introduccion Al Diseño Experimetal
5/38
1as suposiciones en las !ue se basa el ANDEVA son las siguientes7
•
1os errores de los datos son normales.
• Varianzas son >omogneas.
• $ndependencia de medias y varianzas
• Aditividad del modelo
"ormalidad de los errores& Es relativamente f'cil >acer pruebas de normalidad
de los errores con programas estad5sticos computacionales& ya sea con un gr'fico
plot o la prueba de normalidad de >apiro Iil8s. En la primera prueba el valor
;r< de correlación debe ser mayor a :.J0 y en la segunda prueba el valor ;p< de la
prueba de >ipótesis debe ser mayor a :.:0& estar en H :. El programa $NGK=A=
puede calcular los errores de cada dato y >ace ambas pruebas. in embargo este
re!uisito no es tan importante como la $ndependencia de las Kbservaciones& pues
en general el ANDEVA es una prueba robusta. Esto !uiere decir !ue& aun!ue los
errores de las observaciones no sean normales& las medias de los tratamientos
son aproximadamente normales debido al =eorema +entral del 15mite. in
embargo& si los errores de los datos son extremadamente noLnormales& es posible
transformar los datos para cubrir este re!uisito& o bien emplear mtodos no
paramtricos.
'omo(eneidad de )arian%as de los di*erentes tratamientos& Es muy
importante para el modelo verificar su >ay >omogeneidad de las varianzas de los
diferentes tratamientos& pues si esto no se cumple se pueden invalidar los
resultados de una H A. "na población >eterognea en varianzas no permite
detectar si las diferencias observadas se deben diferencias de promedios o de las
varianzas.
6ara corroborar o refutar las afirmaciones >ec>as respecto de la >ipótesis de la
>omogeneidad de las varianzas de los grupos o tratamientos respecto a la variable
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina 0
-
8/17/2019 Introduccion Al Diseño Experimetal
6/38
dependiente& se dispone de la prueba de 1evene de >omogeneidad de varianzas.
Esta prueba funciona como un estad5stico G de la distribución ;G < de Gis>er&
donde la H: consiste en suponer !ue las varianzas de los errores absolutos de losdistintos grupos son iguales. e rec>azar' esta H0 en el caso de !ue la
significación del estad5stico sea menor !ue :&:0. El estad5stico de 1evene se >ace
realizando una ANDEVA una v5a con los errores en valor absoluto& $NGK=A=
calcula este tipo de error.
Independencia de promedios + )arian%as& ue un promedio mayor no tenga
independencia entre medias y varianzas es un caso especial de falta de
>omogeneidad de varianzas. En algunos datos existe una relación definida entre
las medias y sus varianzas& por eemplo el n4mero de >oas de plantas de tomate
de un mes y de tres meses& en ambos casos no solo >ay diferencias de promedios
sino tambin de varianzas& a m's edad mayor promedio y varianza. Este problema
se puede manear con un buen diseño del experimento. in embargo esta relación
suele ser la causa m's com4n de >eterogeneidad de varianza. "na correlación
positiva entre medias y varianzas es una forma de detectar el problema& ó cuando
se observa un amplio rango entre las medias. El estad5stico de 1evene tambindetecta este problema.
!diti)idad del modelo
"na prueba ANDEVA supone !ue los datos siguen un modelo lineal aditivo. 6ara
cada diseño experimental se construye un modelo matem'tico lineal aditivo& para
el caso de un diseño completamente aleatorio& D+A& es xij=´ x ± α i ± εi j . 1a
ecuación expresa !ue el valor de cual!uier unidad experimental est' compuesta
por la media general& m's o menos el efecto de tratamiento α i y m's o menos
un termino de error caracter5stico de cada datoεij . En este modelo los trminos
se suman& si esto no ocurre as5& el ANDEVA nos puede llevar a conclusiones
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina 2
-
8/17/2019 Introduccion Al Diseño Experimetal
7/38
incorrectas. 1a falta de aditividad puede ocurrir por un mal diseño del experimento&
por eemplo si se prueban diferentes dosis de fertilizante& pero cada dosis se
prueba en una especie de planta diferente& puede resultar una interacción entredosis de fertilizante y especie de planta !ue rompa el modelo aditivo.
-u /acer cuando el modelo no *unciona0
1a violación o falta de apego a cual!uiera de estas suposiciones indica !ue los
resultados podr5an no tener validez. Dependiendo del tipo de problema& puede
>aber solución o no al obetivo buscado en el experimento. El dilema m's fuerte
con el !ue >a de luc>ar el experimentador es el de la falta de >omogeneidad de
varianzas& ya !ue si esto ocurre& no podemos saber si las diferencias entre los
tratamientos se deben a promedios diferentes o varianzas diferentes.
1a falta de normalidad no es tan importante& pues la prueba ANDEVA es robusta a
este problema y& en casos extremos& se puede optar por el uso de
transformaciones. En general para los casos en !ue los supuestos de normalidad&
>omogeneidad& independencia de mediasLvarianzas o aditividad no se cumplen&
puedo usar transformaciones de datos& las m's usadas son7
• 1ogaritmo 1og xF& 4til cuando los datos crecen en sentido exponencial o
cuando las desviaciones est'ndares de las muestra sean aproximadamente
proporcionales a los promedios o >ay evidencia de efectos principales
multiplicativos de los tratamientos en vez de aditividad.
• 1a transformación √ x+0.5 4til cuando los n4meros observados son
pe!ueños :L%:& por eemplo son acontecimientos pocos comunes& tienen
una posibilidad muy baa de ocurrir en cual!uier individuo. Estos datostienden a seguir una distribución de 6oisson.
• 1a transformación Arcoseno√ x /100 cuando los datos son expresados
en por ciento o son proporciones de la muestra total. 6or lo general estos
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina /
-
8/17/2019 Introduccion Al Diseño Experimetal
8/38
datos tienen una distribución binomial y no de una distribución normal como
se espera.
+omo 4ltimo recurso& ante datos dudosos de an'lisis se puede usar el uso de
mtodos de estad5stica no paramtrica. Es importante mencionar !ue el empleo
de estad5stica no paramtrica o el uso de transformaciones no eliminan el
problema de la falta de aleatoriedad de las unidades experimentales& errores por
un mal diseño del experimento o por una mala toma de datos& es decir& la
eecución incorrecta de un experimento no tiene m's remedio !ue repetir el
experimento corrigiendo los errores por falta de diseño o mal maneo.
3.3 !nde)a uni *actorial, ano)a one a+, diseño DC!.
Anova one *ay es como se le llama en lengua inglesa al Andeva "nifactorial y
como com4nmente aparece citado en la bibliograf5a. Este es el modelo m's simple
y m's usado de ANDEVA& tiene un Gactor& variable !ue genera grupos o
tratamientos y una variable dependiente continua. Este es un modelo !ue funciona
bien E!uilibrado ó no E!uilibrado. El modelo supone !ue las repeticiones de los
distintos tratamientos est'n distribuidas al azar dentro del experimento y !ue no
necesariamente cada grupo o tratamiento tiene igual n4mero de repeticiones. El
diseño de este modelo estad5stico se llama Diseño +ompletamente aleatorio y
generalmente funciona bien controlando el error experimental cuando no >ay
perturbaciones externas con alg4n sentido definido& como viento& tipos de suelo
diferentes& variaciones trmicas& etc.
El Diseño +ompletamente Aleatorio& D+A& supone !ue las diferentes unidadesexperimentales del experimento se encuentran al azar dentro del 'rea
experimental y al mismo tiempo. El D+A se utiliza muc>o en investigaciones
sociales& cuando se posee información de variables dependientes continuas como
;pesoo en experimentación
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina ,
-
8/17/2019 Introduccion Al Diseño Experimetal
9/38
en laboratorios& donde se tiene un buen control de a!uellos factores !ue puedan
perturbar la investigación. El modelo supone !ue se debe disponer de los
resultados de 8 muestras aleatorias independientes& cada una de tamaño n 8& de 8diferentes poblacionesM y lo !ue interesa probar es la >ipótesis !ue las medias de
esas 8 poblaciones son todas iguales
ANKVA KNE IA 7 )odelo Estad5stico supuesto& es 1ineal7
xij=´ x ± α i ± εij
xij @ Valor de la nLesima observación ubicada en el tratamiento ;iay variación entre los tratamientos& por los tanto se
puede calcular su variancia& Sα tratamientos2
εij @ Error o Variación de las observaciones ubicada en la repetición ;< y
tratamiento ;i
-
8/17/2019 Introduccion Al Diseño Experimetal
10/38
H A7 no todos los O son iguales& al menos el menor y mayor promedios son
diferentes. Esto supone !ue la relación Sα 2/Sε
2
es un valor relativamente
grande& ya !ue la variancia de los tratamientos es varias veces mayor a la
variancia del error.
Nivel de significación7
:.:0 ó :.:%
Estad5stico de 6rueba7
F calculado=Sα 2 /Sε
2
9egla de Decisión7
i valor Gcalculado es mayor !ue el valor frontera tomado de una tabla de distribución
Gtabla se rec>aza Ho& ya !ue el Gcalculado est' en zona de rec>azo de la >ipótesis nula&
Ho de la distribución ;G
-
8/17/2019 Introduccion Al Diseño Experimetal
11/38
=otal
“n – 1 “ ∑1
n
( xij )2−
(∑1
n
xij)2
n
Estad7sticos 8ue )eri*ican calidad de los datos, 92 + C#.
Al interpretar un ANDEVA es importante medir !ue tan bueno fue el modelo
estad5stico aplicado y si el error experimental fue controlados por el diseño
experimental. 6ara este tipo de an'lisis disponemos de dos coeficientes f'ciles de
calcular el ;coeficiente de determinación
-
8/17/2019 Introduccion Al Diseño Experimetal
12/38
exigir +V menores al %: S. in embargo en investigación social descriptiva o en
variables biológicas no controladas como es una plaga& es com4n !ue los +V sean
grandes. El investigador debe explicar la causa de esta variación. 1a forma de
c'lculo es7 CV =√ CM Error
´ X (100 )
Un Ejemplo de !"DE#! uni *actorial
"na tesis de estudiantes evaluó - tipos de abono& uno con base de pulpa de caf&
otro con base de abono de lombriz& lombri>umus& y se utilizaron ( testigos& uno
con la dosis de fertilización !u5mica tradicional& testigo relativo y otra con tierra sin
abono extra& testigo absoluto. 1a variable de producción fue grs. promedio del
peso seco de las pl'ntulas de caf a los 2 meses de siembra por unidad
experimental& el ensayo tuvo cuatro repeticiones. A continuación se muestran los
datos obtenidos.
:abla de Datos. ;eso en on%as. ;arte area plántula de ca*.
:ratamiento<=lo8ues I II III IV ∑ tratam X
6ulpa caf %.:: :.J: %.%2 :.J, -.:- %.:%
Abono de lombriz %.20 %.0J (.:: %.20 2.,J %./(
u5mico %.2J %.0( %.-: %.-2 2.:/ %.0(
=ierra :.0, :.2: :.2: :.-2 (.(- :.02esrepeticionΣ -.J( -.2% 0.%2 -.00 %J.(-
:abla de !"DE#!
Causa de
#ariación
rados de
ibertad
$uma de
Cuadrados
Cuadrado
edio, C
4$25
46Calculada5
Tratamientos 4 –1 = 3 3.28 3.28/ 3 =1.09 1.09/0.02=
!.18
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina %(
-
8/17/2019 Introduccion Al Diseño Experimetal
13/38
"rror 1!- 3 =
12
0.20 0.2/12 =0.01# P valor
0.00Total 1 – 1 =
1!
3.48
uma de +uadrados =otal = ∑1
n
( x ij )2−
(∑1
n
x ij)2
n
@ %.::( R :.J:( R %.%2( R:.J,(...R :.-2( F T %.:: R :.J: R %.%2 R:.J,...R :.-2F( U
%2F @ (2.2% T %J.(-( U %2 @ (2.2% T (#.%# @ 3.>?
uma de cuadrados de los =ratamientos =∑1
t
(∑1
r
x j)2
r −
(∑1
n
x ij)2
n
@ -.:-F( R 2.,JF( R 2.:/F( R (.#-F( FU - T %J.(-( U %2F @ %:2.%% U -F T (#.%#@
3.2?
Interpretación
1a prueba resulta en H$% no to&os los ' son iales
a !ue la ;G< calculada 20.%, @ ;G< =abla #.-J con # y %( grados de libertadF
#eri*icación del modelo.
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina %#
#l $iseño %ompletamente &l a"ar' $%& se resuelve estadísticamente conun &($#)& unifactorial' &(O)& O(# *&+
-
8/17/2019 Introduccion Al Diseño Experimetal
14/38
6ara realizar un estudio de normalidad y >omogeneidad de las variancias es
necesario calcular los errores y >acer pruebas de normalidad y >omocedasticidad.
+on los programas Excel o $NGK=A= se pueden calcular los errores de cada
valor observado de la manera7εij= x ij−´ x−(´ xti−´ x )
:ratamiento ;eso
edia
:otal
edia
:ratamiento
E*ecto
:ratamiento Error
Error
!bsolut
o
6ulpa caf %.:: %.( %.:% L:.%J L:.:% :.:%
6ulpa caf :.J: %.( %.:% L:.%J L:.%% :.%%
6ulpa caf %.%2 %.( %.:% L:.%J :.%0 :.%0
6ulpa caf :.J, %.( %.:% L:.%J L:.:# :.:#
1ombri>umu
s %.20 %.( %./( :.0( L:.:/ :.:/
1ombri>umu
s %.0J %.( %./( :.0( L:.%# :.%#
1ombri>umu
s (.:: %.( %./( :.0( :.(, :.(,
1ombri>umu
s %.20 %.( %./( :.0( L:.:/ :.:/
u5mico %.2J %.( %.0( :.#( :.%/ :.%/
u5mico %.0( %.( %.0( :.#( :.:: :.::
u5mico %.-: %.( %.0( :.#( L:.%( :.%(
u5mico %.-2 %.( %.0( :.#( L:.:2 :.:2
=ierra :.0, %.( :.02 L:.2- :.:( :.:(
=ierra :.2 %.( :.02 L:.2- :.:- :.:-
=ierra :.2 %.( :.02 L:.2- :.:- :.:-
=ierra :.-2 %.( :.02 L:.2- L:.% :.%
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina %-
-
8/17/2019 Introduccion Al Diseño Experimetal
15/38
L:.(: L:.:, :.:- :.%2 :.(,
+uantiles de una Normal
L:.(:
L:.:,
:.:-
:.%2
:.(,
+ u a n t i l e s o b s e r v a d o s E 9 D " KV g
r p l a n t a F
Gráfico QQ plot de errores
En el 3r'fico plot de los residuos se observa !ue stos se distribuyen cercanos a
la recta de regresión de la normal& lo !ue >ace suponer !ue los residuos se
distribuyen de manera normal. =ambin el programa >ace regresión de los residuos y
la recta normal y esta fue d7 r @:.J0& valor suficiente para aceptar la normalidad.
Valores de la prueba >apiroLIil8s para verificar normalidad por prueba de>ipótesis.
Variable n )edia D.E. IW p una colaF9duo gr planta %2 :.:: :.%( :.,J :.%:
1a prueba de normalidad de >apiro Iil8s para los errores del modelo& realizado
con el programa $NGK=A=& confirma !ue stos se distribuyen de manera normal.
e acepta la H: de normalidad de los errores ya !ue el valor calculado ;p< de :.%:
es mayor al valor de :.:0.
6ara verificar la >omogeneidad de las variancias& se >izo la prueba de 1evene&
!ue consiste en >acer un ANDEVA de los valores promedios de los errores de los
tratamientos en valor absoluto.
Cuadro de !nálisis de la #arian%a de los errores en )alor absoluto
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina %0
-
8/17/2019 Introduccion Al Diseño Experimetal
16/38
G.V. + gl +) G pLvalor
Abono :.:( # :.:% %.%: :.#J
Error :.:2 %( :.:%=otal :.:, %0
+omo el ;p< valor de :.#J es mayor al valor de :.:0 concluyo !ue se ocurre H:&
las variancias de los errores absolutos de los diferentes tratamientos son iguales&
por lo tanto en este experimento se cumple la >omogeneidad de variancias.
6ara observar gr'ficamente la >omogeneidad de varianzas se puede construir un
gr'fico de densidad de puntos con los valores por tratamiento de los residuos
absolutos& estos puntos deben tener una dispersión semeante en los diferentes
tratamientos. A continuación se observa el eemplo.
6ulpa 1ombri>umus u5mico =ierraL:.:%
:.:2
:.%-
:.((
:.(J
9 A . V
p e s o
Gráfico de Residuos Absolutos por tratamiento
Calidad de los datos
El coeficiente de determinación fue bastante alto& lo !ue explica !ue el modelo
funcionó bastante bien explicar la variación total de los datos& el R
2=3.28
3.48=0.94
es un valor muy alto.
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina %2
-
8/17/2019 Introduccion Al Diseño Experimetal
17/38
El coeficiente de variación tuvo un valor bastante aceptable para un experimento
de fertilización a campo& este fue7 CV =
√ 0.017
1.2 (100
)=11
Ejercicio 3.2 En un estudio socioeconómico se tuvo /0 datos& correspondientes a
muestras de diferentes ciudades de cada pa5s. Donde la variable dependiente
estudiada fue ;calor5as ingeridas por d5a< y la variable dependiente es ;6a5sipótesis correspondientesC
B$nterprete y comente los resultadosC
Ejercicio 3.3 e !uer5a saber si los estudiantes utilizan la teor5a explicada en el
aula al resolver problemas pr'cticos. e >izo un experimento con %( estudiantes&
se formaron # grupos& ALL+& de cuatro estudiantes cada uno. A cada grupo se les
dio un eercicio matem'tico semeante para resolver de manera individual. A los
cinco minutos al grupo se le dio un papel con una información teórica adicional y
al grupo + se les dio un papel con dos informaciones. +ada estudiante resolv5a el
problema de manera individual. 1a variable dependiente fue el tiempo medido en
segundos.
1os datos obtenidos fueron los siguientes7
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina %/
-
8/17/2019 Introduccion Al Diseño Experimetal
18/38
rupo< $e(undos para resol)er E.1 E.2 E.3 E.>
A. =estigo (-( (:2 #:: (,(
. "n información adicional %/2 %(J %(, %J:
+. Dos informaciones adicionales %00 %:2 %(( %%0B+onstruya las ( >ipótesis correspondientesC
B9esolver la tabla de ANDEVAC
B$nterprete y comente los resultadosC
Verifi!ue el modelo. Bon los errores normales& y las variancias de los grupos
>omogneasC
3.> !"DE#! para un Diseño =C!
El diseño de blo!ues completamente al azar& +A& es un diseño ampliamente
utilizado a campo en centros experimentales agronómicos. Es ideal para evaluar
variedades& distancias de siembra& control de plagas& etc. Este diseño permite
controlar al menos el principal gradiente de error !ue posee el 'rea experimental.
El diseño. "n blo!ue es en Estad5sticaF un grupo de observaciones !ue pueden y
deben ser analizadas e interpretadas sólo de modo conunto. e dice !ue un
blo!ue es un blo!ue completo cuando todos sus elementos componentes tienen
valores v'lidos y est'n representados todos los tratamientos.
"n blo!ue puede estar fiado o establecido por el investigador de modo arbitrario.
En este caso& se dice !ue ese blo!ue es un blo!ue no aleatorio. 6ero puede !ue
este blo!ue est fiado& configurado o seleccionado seg4n la ley estad5stica del
azar& en cuyo caso se dice !ue el blo!ue es un blo!ue aleatorio.
El +A exige !ue en cada blo!ue se encuentren todos los tratamientos& de a>5 el
nombre de ;blo!ues completos< y !ue los blo!ues se ubi!uen de manera
transversal al gradiente !ue perturba de mayor grado el 'rea experimental& por
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina %,
-
8/17/2019 Introduccion Al Diseño Experimetal
19/38
eemplo7 pendiente de suelos& vientos& riego& luz& etc. De esta manera se trata de
reducir la suma de cuadrados del error& es decir reducir la varianza del error y as5
poder explicar con el modelo la variación ocurrida en el 'rea experimental. Elpunto dbil del modelo es !ue se pierden grados de libertad del error por lo tanto
sino se reduce la suma de cuadrados del error el +A pierde precisión frente a un
D+A.
En nuestras condiciones se recomienda usar cuando >ay menos de %0
tratamientos& ya !ue con un n4mero mayor de tratamientos es muy dif5cil de
manear a campo& a4n experimentos de %: tratamientos son dif5ciles de
implementar sin aumentar el error experimental a niveles !ue >acen dudar de los
resultados.
El odelo Estad7stico, lineal.
x ij= ́ x ± α i ± β j ± εij
xij @ Valor de la ;< observación ubicada en el ;i< tratamiento.
´ x @ 6romedio 3eneral
α i @ Efecto del tratamiento ;i<
β j @ Efecto del lo!ue ;<
εij@ Variación o error de las observaciones ubicada en el blo!ue ;
-
8/17/2019 Introduccion Al Diseño Experimetal
20/38
variación& !ue en este caso son los blo!ues. El modelo supone !ue no existe
interacción entre los blo!ues y !ue los efectos son fios sin importar los
tratamientos& esto !uiere decir !ue un tratamiento dado no puede ser de losmeores promedio en un blo!ue y ser de los peores en otro.
Al realizar el experimento lo !ue se espera es !ue >aya diferencias significativas
entre los blo!ues& !ue estos absorban error experimental. in embargo esta
prueba solo es referencial ya !ue desde un punto de vista estricto de diseño& los
blo!ues no tienen repeticiones.
Análisis de Varianza
Hipótesis7
obre los tratamientos
'o7 X%@ X(@..... @ X8& '!7 no todas los X8 son iguales
$obre los blo8ues'o7 X%@ X(@..... @ X & '!7 no todas X son iguales
Nivel de significación7
:.:0 ó :.:%
Estad5stico de 6rueba7
6tratamientos @ (tratamYU
(error M 6blo8ues@
(blo!ueU
(error
9egla de Decisión7
i Gcalculado es mayor !ue la Gtabla se rec>aza Ho
Tabla de ANDEVA de un BCA
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina (:
&($#)& bifactorial sin interacción es el modelo estadístico para an!lisis deun diseño ,.%.&
-
8/17/2019 Introduccion Al Diseño Experimetal
21/38
Causa de
#ariación
rados
de
ibertad
$uma de Cuadrados Cuadrado
edio, C
4$25
46Calculado5
=ratamientos
“t – 1” ∑1
t
(∑1
x j)2
−
(∑1
n
x ij)2
n
SC Tratamientos
GLTratamientos
Stratamientos2
serror2
Slo!ues2
serror2
lo!ues “* – 1” ∑1
(∑1
t
x j)2
t −
(∑1
n
xij)2
n
SC lo!ues
GLlo!ues
Error “(n -1) –
(t –1) –
(* -1)“
SC total - SC tratam - SC
*lo+
SC Error
GLerror
=otal
“n – 1 “ ∑1
n
( x ij )2−
(∑1
n
xij)2
n
Donde7
-
8/17/2019 Introduccion Al Diseño Experimetal
22/38
Causa de
#ariación
rados de
ibertad
$uma de
Cuadrados
Cuadrado
edio, C
4$25
46Calculada5
=ratamientos - T% @ 3 3.2? 1.AB
:ratamiento
A.Alo!ues - T% @ 3 A.A A.A2
Error %0L # L #@ B A.1> A.1
=lo8ues
1.2B=otal %2 T % @ 1 3.>?
$uma de cuadrado :otal @ ∑1
n
( xij )2−
(∑1
n
xij)2
n
@ %.::( R :.J:( R %.%2( R:.J,(...R :.-2( F T %.:: R :.J: R %.%2 R:.J,...R :.-2F( U
%2F
@ (2.2% T %J.(-( U %2 @ (2.2% T (#.%# @ 3.>?
$uma de cuadrados de los :ratamientos F∑1
t
(∑1
x j)2
−
(∑1
n
xij)2
n
@ -.:-F( R 2.,JF( R 2.:/F( R (.#-F( FU - T %J.(-( U %2F
@ %:2.%% U -F T (#.%#@ 3.2?
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina ((
-
8/17/2019 Introduccion Al Diseño Experimetal
23/38
$uma de cuadrados de =lo8ues F∑1
(∑1
t
x j)2
t −
(∑1
n
x ij)2
n
@ -.J(( R -.2%( R 0.%2( R -.00( U -F T %J.(-( U %2F
@ J2.%( U -F T (#.%# @ A.A
$uma de cuadrados del Error F $.C total G $.C tratamientos G $.C blo8ues
#.-, L#.(,L :.:2@ A.1>
Cuadrado edio de los tratamientos F $.C tratamientos < . tratamientos
#.(, U # @ 1.AB
Cuadrado edio de los blo8uesF $.C blo8ues < . blo8ues
:.:2 U # @ A.A2
Cuadrado edio del error F $.C error < . error
:.%- U J @ A.A1
46tratamientos5 F C. tratamientos < C. error
%.:J U :.:%2 @ ?.12 la variancia de los tratamientos es 2,.%( veces mayor !ue la
variancia del errorF
46blo8ues5 F C. blo8ues < C. error
A.A2< A.A1 F 1.2
Interpretación de la prueba de /ipótesis.
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina (#
-
8/17/2019 Introduccion Al Diseño Experimetal
24/38
iendo ;G
-
8/17/2019 Introduccion Al Diseño Experimetal
25/38
diferentes diferencias de promedios respecto al testigo. i la diferencia de
promedios es mayor !ue el valor D)& se concluye !ue estos promedios son
diferentes.
Tratamientos X en (r
Di*erencia con
el testi(o :ierra
de A. (r
Di*erencias
ma+ores de
A.2A (r
1ombri>umus %./( %.%2 i
u5mico %.0( :.J2 i
6ulpa caf %.:% :.-0 i
+onclusiones7 el lombri>umus& el fertilizante !u5mico y la pulpa de caf son
meores estad5sticamente !ue el testigo tierra sin fertilizante.
;rueba de 9an(os mHltiples de Duncan.
Es una prueba muy usada cuando tienen 2 o menos tratamientos& con un n4mero
mayor generan muc>os subgrupos de comparación& lo !ue >ace dif5cil la
interpretación de resultados
Donde 9 es un valor extra5do de de una tabla de factores studentizados
significativos !ue se elie de acuerdo con el nivel de significación deseado& con los
grados de libertad para el error y con la disposición relativa de las medias en el
arreglo& ver la tabla en 1ittle& = y Hills G. %J,J.
;rueba de 9an(os mHltiples de :ue+
Es una prueba muy estricta& robusta& se sugiere usar cuando >ay mas de 2
tratamientos o se !uieren resultados de separaciones muy confiables.
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina (0
DSM0.05 Duncan = DSM0.05
-
8/17/2019 Introduccion Al Diseño Experimetal
26/38
Donde ;!< es un valor tabulado& ver tabla en Daniel (::2F& donde se considera7 el
valor alfa de :.:0& los grados de libertad del error& J& y el n4mero de
tratamientos&-. En este eemplo el valor ;!< es -.-%0
Tabla de Di!erencias
:ratamientos 1ombri
>umus
u5mico 6ulpa caf =ierra
1ombri>umus L :.(: N :./%WW %.%2WW
u5mico L :.0(WW :.J2WW
6ulpa caf L :.-0WW
=ierra L
eg4n este cuadro& los fertilizantes ;lombri>umus y ;!u5mico< son iguales y
diferentes y meores a los otros dos tratamientos& pero ;pulpa de caf< es meor
!ue ;tierraacer experimentos. "n eemplo de
+1 en un experimento de agronom5a puede considerar como factores de
perturbación el ;viento< de norte a sur y un gradiente de fertilidad de este a oeste.
Este modelo es igual considerar la existencia de blo!ues dobles& blo!ues por filas
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina (2
DSM Tu"e = % l error “t” (
r
CM error
DSM Tu"e# =4.415=√0.0164 =0.28"r
-
8/17/2019 Introduccion Al Diseño Experimetal
27/38
y blo!ues por columnas. "na +aracter5stica importante de este tipo de diseño es
su balance& !ue se logra asignando el mismo n4mero de observaciones a cada
tratamiento de cada blo!ue& por esto son diseños en cuadro.
"n eemplo de cuadro latino& en nutrición animal& es comparar tres diferentes
alimentos ALL+& donde un blo!ue son diferentes grupos de animales !ue comen
los alimentos y el otro blo!ue es el tiempo en !ue a cada grupo de animales se le
aplica los diferentes alimentos. En resumen >ay7 tres tipos de alimentos y tres
tiempos de alimentación para tres grupos de animales& el experimento podr5a
disponerse seg4n el patrón siguiente7
Donde ALL+ son los diferentes tipos de alimentos.
En este caso& cada alimento se aplica una sola vez por cada grupo de animales
unto con cada tiempo& y si existiesen efectos sistem'ticos debido a diferencias
entre los animales o entre los tiempos& dic>os efectos estar5an presentes de igual
manera en cada tratamiento& esto es& en cada tipo de alimento.
En este modelo se pueden observar !ue las diagonales repiten el mismo grupo&
ver el caso de la diagonal ALALA& L y +L+. Estas diagonales no son problema en
esta caso ya !ue las columnas son el Gactor ;tiempo
-
8/17/2019 Introduccion Al Diseño Experimetal
28/38
pueden ser una fuente de error. En este caso se recomienda sortear filas y
columnas de forma independiente.
"n arreglo experimental como el !ue se describió se denomina cuadrado latino
#\#. "n cuadrado latino n x n es un arreglo cuadrado& los tratamientos aparecen
solo una vez en cada fila y en cada columna.
E. de )odelo -x-& es el m's usado
E. )odelo 0x0
odelo Estad7stico
ineal
x ij= ́ x ± α i ± c j ± # $ ± εij
xij @ valor de la observación ;i< ubicada en la columna ;8< con la fila ;< usando
el tratamiento ;i
-
8/17/2019 Introduccion Al Diseño Experimetal
29/38
An'lisis de Varianza
'ipótesis&
$obre los tratamientos
'o7 X%@ X(@..... @ X i '!7 no todas las Xi & tratamientos& son iguales
$obre el 6actor en columna
'o7 X%@ X(@..... @ X '!7 no todas las X & columnas& son iguales
$obre el 6actor en 6ila
'o7 X%@ X(@..... @ X8 & filas& son iguales. '!7 no todas las X8 son iguales
"i)el de si(ni*icación&
:.:0 ó :.:%
Estad7stico de ;rueba&
61@ tYU(
error M 62@ f YU(error M 63@ cYU
(error
9e(la de Decisión&
i Gcalculado es mayor !ue la Gtabla se rec>aza Ho
Tabla de ANDEVA de un Cuadro )atino
Causa de
#ariación
$uma de
Cuadrados
rados de
ibertad
Cuadrado
edio, C
4$25
46Calculado5
=ratamiento += tL% (
t tYUerror Y
Gilas +G cL% (f f YU
(error
+olumnas ++ fL% (c cYU
(error
Error +=ot T +=R+GR++F Difer. (error
=otal +=ot nL%
1as sumas de cuadrados de las filas& columnas y tratamientos se resuelven con
procedimientos similares& como si fueran tres anova one *ay.
El ejemplo& e !uiere estudiar el rendimiento acadmicos de alumnos de la
misma carrera $ngenier5a en istemas en - grupos7 A& & +& D& en cuatro
asignaturas7 Estad5stica& ase de Datos& Econom5a y G5sica. 6ara neutralizar el
efecto en cadena !ue una asignatura tiene sobre la otra& el estudio se >ace en
cuatro momentos& respetando el >ec>o !ue en un mismo momento se eval4en las
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina (J
-
8/17/2019 Introduccion Al Diseño Experimetal
30/38
cuatro asignaturas. En este modelo pueden considerarse los )omentos como
columnas y las asignaturas como filas.
Datos !si(natura rupo omento "ota
Econom5a + % ,(
Econom5a D ( ,%
Econom5a A # ,#
Econom5a - //
G5sica D % /:
G5sica A ( 20
G5sica # 2/
G5sica + - 2%
!si(natura rupo omento "ota
Estad5stica A % /0
Estad5stica ( /:
Estad5stica + # /#
Estad5stica D - 2/
de D % /,
de D + ( /2
de D D # /,
de D A - /%
$uma de Cuadrados
SC total=822+812+%+712−
11742
16=623.75
SC Asi"naturas=323
2+2852+2632+3032
4−1174
2
16=490.75
SC Gru&o=294
2+2922+2922+2962
4
−1174
2
16
=2.75
SC Momento=305
2+2922+3012+2762
4−1174
2
16=124.25
SC Error=SC Total−SC Asi"naturas−SC Gru&o−SC Momento=6.00
El an'lisis de de variancia realizado con $NGK=A= como un ANDEVA trifactorial
sin interacciones dio los siguientes ;p< valores.
Cuadro de !nálisis de la #arian%a de un Cuadro atino
+.V. + gl +) G pLvalor
Asignatura -J:./0 # %2#.0, %2#.0, Q:.:::%
3rupo (./0 # :.J( :.J( :.-,/(
)omento %(-.(0 # -%.-( -%.-( :.:::(
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina #:
-
8/17/2019 Introduccion Al Diseño Experimetal
31/38
Error 2.:: 2 %.::
=otal 2(#./0 %0
e concluye !ue >ay diferencias significativas para las diferentes asignaturas y
diferentes momentos de aplicación de ex'menes ya !ue el ;p< valor de :.:::% y
:.:::( son menores al valor ;Z< de :.:0. in embargo los cuatros 3rupos de
alumnos tienen un comportamiento semeante.
Ejercicio 3.> e evaluó # niveles de inclusión %: S& (: S y #: SF de un nuevo
alimento para rumiantes desarrollado a base de pulpa de caf. El testigo fue : S
de inclusión. 1a variable medida fue ;consumo de materia seca& +)< en unperiodo determinado. +ómo no se ten5an suficientes oveas para realizar el
experimento& se usaron - animales en un diseño de cuadro latino en el tiempo&
cada una de estos pasó por los cuatro tratamientos de alimentación.
• 9ealizar el ANDEVA como +A y como +uadro 1atino e $nterpretar ambas
pruebas de >ipótesis. +omentar la diferencias
• 9ealizar prueba de separación de medias por =u8ey& D"N+AN y D) e
interpretar. Kbservar diferencias.
• Hacer estudios de residuos con pruebas de normalidad por !! plot
• Hacer estudio de igualdad de varianzas con los residuos absolutos& prueba
de 1evene.
• Hacer gr'ficos de barras
• +oncluir los resultados de manera narrativa
Datos
=ratamiento Kveas =iempo +)
: A % -(-.2%: % -(/.(
(: + % 02/
#: D % //-./
: ( 0(#.#
%: A ( 0%J.-#
(: D ( ---.(/
#: + ( //(.02
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina #%
-
8/17/2019 Introduccion Al Diseño Experimetal
32/38
: D # 00J
%: + # 2JJ.%
(: # /:(.2%
#: A # /#-.2: + - 0,2.(
%: D - -#(
(: A - 202./,
#: - 0/-
"sando el programa estad5stico $NGK=A= se debe realizar7
• El ANDEVA como +uadro 1atino e $nterpretar las pruebas de >ipótesis.
• 6ruebas de separación de medias por =u8ey& D"N+AN y D) e interpretar.
Kbservar diferencias.
• Estudios de residuos con pruebas de normalidad por !! plot
• Estudio de igualdad de varianzas con los residuos absolutos& prueba de
1evene.
• 3r'ficos de barras con intervalos de confianza.
• +oncluir los resultados de manera narrativa
3. Diseño en Cuadro reco atino
El diseño en cuadros 3reco 1atino& en una extensión del diseño de cuadro latino.
Al modelo de tres factores del cuadro latino& tratamiento& filas y columnas& se
agrega un nuevo factor !ue se simboliza con letras griegas. Adem's de tener
control del error por filas y columnas& tenemos un nuevo factor !ue son las letras
griegas. Este tercer permite controlar la >eterogeneidad !ue no pueden
neutralizar las diagonales del cuadro latino. Este diseño es poco usado y se
ustifica cuando el 'rea experimental o los elementos de perturbación son
extremadamente >eterogneos.
Eemplo de un diseño 3reco 1atino con letras latinas diferenciando los factores
columnas y filas y letras griegas como tercer factor !ue neutraliza las diagonales.
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina #(
Aα
B
β C
χ
Dδ
B χ
Cδ
Dα
Eδ
Cδ D
α
A
β B
χ
Dβ
A χ
Bδ
Cα
-
8/17/2019 Introduccion Al Diseño Experimetal
33/38
3. !nálisis de la )arian%a de dos *actores con interacción
El diseño bifactorial& es un diseño del tipo factorial& pero con dos factores o temas
de estudio& Gactor % y Gactor (& los cuales pueden tener interacción entre ellos.
Este modelo supone tres pruebas de >ipótesis una para el Gactor %& otra para el
Gactor ( y la tercera para la interacción G%xG(& en esta prueba la >ipótesis nula es
la falta de interacción. 1a interacción responde a la pregunta de si el Gactor % tiene
diferentes comportamientos ante los diferentes valores del Gactor (& por eemplo
ante una prueba de evaluación de variedades de un cultivo en diferentes
ambientes& la interacción ser5a !ue la meor variedad en un ambiente de alta
fertilidad& ya no se comporta como la meor variedad al cambiar a un ambiente de
baa fertilidad.
El ANDEVA permite estudiar simult'neamente los efectos de dos fuentes de
variación. En un ANDEVA de dos factores se clasifica a los tratamientos o grupos
de acuerdo a dos factores para estudiar simult'neamente sus efectos. Este
modelo difiere del +A& en !ue interesa la interacción de los dos factores.
El odelo Estad7stico, lineal.
x ij= ́ x ± α i ± β j ± α β ij ± εij
xij @ Valor del ;< Gactor ubicada en el ;i< Gactor A.
´ x @ 6romedio 3eneral
α i @ Efecto del Gactor A ;i<
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina ##
-
8/17/2019 Introduccion Al Diseño Experimetal
34/38
β j @ Efecto del Gactor ;<
α β ij @ Efecto de la interacción del Gactor A por el Gactor
εij @ Variación de las observaciones ubicada en el Gacto ;< y el Gactor A ;iaza Ho
!"DE#! de un Diseño =i*actorial con interacción
Causa de
#ariación
$uma de Cuadrados rados de
ibertad
Cuadrado
edio, C
4$25
46Calculado5
=otal +total nL%
=ratamientos
=otales
+tratamientos tL%
Gactor A + A aL% ( A
( A Uerror Y
Gactor + bL% (
(
(error
Gactor Ax + Ax aL%FbL%F ( Ax
( Ax
(error
Error +Error nLt
Donde7
• t @ n4mero tratamientos totales&
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina #-
-
8/17/2019 Introduccion Al Diseño Experimetal
35/38
• a @ n4mero tratamientos del Gactor A&
• b@n4mero de tratamientos del Gactor
• + Ax @ +tratamientos L + AL +
• +Error @ +total L +tratamientos
En este modelo la suma cuadrados de los tratamientos totales& + tratamientos& se
descompone en tres sumas de cuadrados& + A& + y + Ax. Esta forma de
resolución de la suma de cuadrados de la interacción es v'lido para calcular los
grados de libertad de la interacción.
Ejemplo de un !nálisis =i*actorial
Hay un grupo de (2 Estudiantes& %( varones y %( mueres. A ellos se les preguntó
su nota promedio y las >oras de estudio semanales& esta 4ltima variable se
codificó7 : a # >oras& - a 2 >oras y m's de 2 >oras.
9esponder a las pre(untas7
BHay diferencias de notas seg4n sean varón o muerC
BHay diferencias de notas seg4n sean >oras de estudio realizadasC
BHay interacción entre sexo y >oras de estudio realizadasC
+on una calculadora manual con función estad5stica realice7
%. An'lisis de variancia bifactorial con interacción.
(. "n gr'fico de interacciones
#. +omentar los resultados
:abla de datos
6ara analizar los datos manualmente se debe >acer las sumatorias por
tratamiento.
$exo 'ora
s
9epeticiones ∑ X ´ X
Varón :L# /: /- /# 2J (,2 /%.0:
Varón -L2 /, /0 ,: /2 #:J //.(0
Varón R2 ,2 ,( ,, ,0 #-% ,0.(0
)uer :L# 2- /: 2J /2 (/J 2J./0
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina #0
-
8/17/2019 Introduccion Al Diseño Experimetal
36/38
)uer -L2 ,: ,% /# /J #%# /,.(0
)uer R2 ,: J: ,- ,( ##2 ,-.::
1,?> .
$uma de Cuadrados
SC total=702+742+%+822−
18642
24
SC tratamientos=286
2+3092+3412+%+3362
4−1864
2
24
SC Sexo=936
2
+9282
12−1864
2
24
SC 'orasestudio=565
2+6222+6772
8−1864
2
24
SC Sexo∗ 'oras estudio=SC Tratamientos−SC Sexo−SC 'orasestudio
SC Sexo∗ 'oras estudio=
SC Tratamientos−
SC Sexo−
SC 'orasestudio
9esultados. +on el programa estad5stico $NGK=A= se obtuvieron los siguientes
valores del ANDEVA.
!"DE#! de Interacciones. #ariable Dependiente& "ota ;romedio
Cuadro de !nálisis de la #arian%a+.V. + gl +) G pLvalor
)odelo /J0.## 0 %0J.:/ %#.%# Q:.:::%exo (.2/ % (.2/ :.(( :.2--0Horas Estudio /,-.:, ( #J(.:- #(.#/ Q:.:::%exoWHoras Estudio ,.0, ( -.(J :.#0 :./:2-Error (%,.:: %, %(.%%=otal %:%#.## (#
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina #2
-
8/17/2019 Introduccion Al Diseño Experimetal
37/38
Estos resultados dicen !ue no >ay diferencias de notas seg4n sean los
estudiantes varones o mueres significación de :.2- mayor al :.:0F& pero por otro
lado si se observa diferencias estad5sticas entre las >oras de estudio significaciónde :.:::% menor al :.:0F& con esta 4ltima variable y este resultado se debe >acer
una separación de promedios entre las tres categor5as de >oras de estudio.
rá*ico de Interacciones
Este gr'fico nos permite observar si >ay interacción con los dos factores& ;sexo< y
oras de estudiooras de estudio. +omo esto no se observa en el gr'fico !ue se muestra a
continuación& se puede concluir !ue coinciden los resultados del ANDEVA y del
gr'fico.
1uis )ar5a Dicovs8iy 9iobóo& (:%% 6'gina #/
-
8/17/2019 Introduccion Al Diseño Experimetal
38/38
rá*ico de Interacciones entre las #ariables 4$exo5 + 4'oras de estudio5
Estudio$emanalR2>oras-L2>oras:L#>oras
,:/0/: