Diseño Experimentos 2012 PDF

Diseo de Experimentos
M. en E. Patricia I. Romero Mares

Departamento de Probabilidad y Estadstica IIMAS-UNAM
Cursos PUMA
Anlisis estadsticos para proyectos de investigacin
ambiental
30 julio a 3 agosto 2012
Panorama de la clase
Introduccin
Ideas bsicas del diseo experimental
Diseo completamente al azar, un factor
Suposiciones
Diseos de bloques al azar, un factor
Diseos factoriales, c.a.
Diseos factoriales, bloques
Otros temas
Diseo de experimentos 2012 2
Introduccin
Criterios de clasificacin de investigaciones
Segn el propsito son Descriptivos o
Comparativos
Segn la evolucin son Transversales o
Longitudinales
Segn la fuente de informacin son
Prospectivos o Retrospectivos
Segn el control del investigador son
Observacionales o Experimentales

Introduccin
Experimento
Estudio comparativo, 2 o ms poblaciones

Longitudinal
Prospectivo
Experimental (el investigador aplica tratamientos)
Observacional (el investigador solo observa el fenmeno)

(Pseudoexperimento)

Introduccin
El diseo estadstico de experimentos es

el proceso de planear el experimento
de tal manera que se puedan analizar
por mtodos estadsticos los datos
recolectados y que resulten en
conclusiones objetivas y vlidas.

Introduccin (lineamientos)
Objetivos del estudio
Qu se va a estudiar
Qu se va a medir
Cmo se va a medir
A quien se va a estudiar
Poblacin objetivo
Poblacin muestra
Muestra poblacin

Factor. Es la caracterstica cuyo efecto
queremos estudiar. (Droga A)
Nivel. Es la categora o modalidad estudiada
del factor. (15mg/kg, 20mg/kg, 30mg/kg)
Si los niveles se determinan por el
investigador factor fijo.
Si los niveles son una muestra aleatoria de
posibles niveles factor aleatorio.
(muestra aleatoria de profundidades de pozos petroleros)

Tratamiento. Combinacin de niveles de los
factores estudiados.
Tratamiento testigo o control.
(Droga: a1,a2,a3; Manejo: m1,m2,usual)
Unidad experimental ue. Es la subdivisin

menor del material experimental que puede
recibir un tratamiento en forma independiente.
(rata de laboratorio, jaula con 5 ratas, pozo, lago)

Definir la variable de respuesta.
Es lo que se va a medir en cada unidad
experimental.
Se debe estar seguro que d informacin
til acerca del fenmeno estudiado.
Se debe tener cuidado en la toma de las
mediciones para eliminar sesgos
introducidos por operaciones conscientes o
inconscientes. (doble ciego)

Eleccin del diseo experimental.
Es la forma de asignar los tratamientos a
las unidades experimentales.
El diseo determina el modelo y el anlisis
estadstico a seguir.
Homogeneizacin. Conseguir ue lo ms
homogneas posibles para evitar factores
de confusin que entorpezcan la
comparacin de los tratamientos, pero se
pierde validez externa.

Aleatorizacin. Introducida por Fisher, sirve para
controlar factores de variacin no incluidas en
forma explcita. Se busca eliminar sesgos
sistemticos y justificar la independencia de los
errores.
Bloques. Un bloque es un grupo de ue
homogneas.
El uso de bloques es la inclusin en el diseo (modelo)
de un factor que, aunque no es de inters, se sabe que
puede causar una fuerte variacin en las ue.
Tiene como objetivo el control de factores de variacin
en forma explcita en el modelo, disminuyendo as la
varianza de los errores.
Ejemplo en agricultura.
B A E D Bloque 1
A E C D B Bloque 2

Determinacin del nmero de
repeticiones.
Las repeticiones (rplicas) son el nmero
de ue a las que se les aplica, en forma
independiente, un tratamiento.
Dan una estimacin de la varianza del
error experimental
Incrementan la precisin del experimento.
A mayor nmero de repeticiones menor la varianza de los
estimadores

Frecuentemente se utiliza dividir una muestra para
generar dos observaciones a las que se les llama
rplicas cuando en realidad son submuestras o
mediciones repetidas.
Por ejemplo, dos mediciones independientes de la
estatura de una persona no dan una medida de la
variacin de estaturas de la poblacin de
personas, sino que dan una medida de la variacin
de la medicin de estatura en esa persona.

Es muy importante distinguir entre una
submuestra y una rplica, ya que la varianza del
error estimada entre las submuestras es, en
general, considerablemente menor que la varianza
del error estimada entre rplicas.
Por lo tanto, la estadstica F de las pruebas,
construida usando la varianza del error calculada
de las submuestras, ser mucho mayor de lo que
debe ser, llevando al investigador a encontrar ms
diferencias significativas de lo que debera.

Hacer el experimento y colectar datos
Efectuar el anlisis estadstico
Obtencin de conclusiones

Introduccin
El error experimental describe la variacin
entre ue idntica e independientemente
tratadas. Se origina por:
Variacin natural entre ue
Variabilidad en la medicin de la respuesta
Incapacidad de reproducir las condiciones de los
tratamientos exactamente de una ue a otra
Interaccin de tratamientos y ue
Cualquier otro factor externo que afecte las
caractersticas medidas

Introduccin
Lo que se busca es tener un diseo que

minimice la varianza del error
experimental

Considere un experimento que involucra

t tratamientos y cada tratamiento se
aplica a r ue diferentes.
El investigador debe seleccionar rt ue.
Mientras ms parecidas sean las ue
mejores sern las comparaciones entre
los tratamientos. (homogeneizacin)

Si el investigador asigna aleatoriamente

cada tratamiento a r de las ue
(aleatorizacin) previene la introduccin
de sesgos sistemticos en el
experimento. Y en caso de que las ue
sean un poco heterogneas, la
aleatorizacin ayuda a que los
tratamientos se asignen en formas
parecidas a los diferentes tipos de ue.
En muchas ocasiones es imposible seleccionar
rt ue homogneas, lo que contribuye al error
experimental. Estos experimentos se mejoran
si se pueden agrupar las ue en grupos
homogneos (bloques).
En el caso de uso de bloques, la variacin
debida al bloque se toma en cuenta en el
anlisis, reduciendo la varianza del error.

Estructura de tratamientos
Es el conjunto de tratamientos,
combinacin de los niveles de los
factores bajo estudio, o poblaciones
que son seleccionadas por el
investigador para comparar.

Unifactorial. Un solo factor con t niveles (t
tratamientos)
Factoriales. Dos o ms factores

Cruzados (niveles de un factor conservan su
significado en cada nivel de otro factor)
Completos (se estudian todas las combinaciones de los

niveles de los factores)
Fraccionales (se estudian solo algunas combinaciones de

los niveles de los factores)

Factoriales dos o ms factores

Anidados (niveles de un factor cambian de
significado en cada nivel del otro factor)
Factoriales con uno o ms testigos

Estructura de diseo
Es la forma en que se agrupan las ue

en conjuntos homogneos.
La estructura de diseo de un
experimento involucra el agrupamiento
de las ue de tal manera que las
condiciones bajo las cuales se observan
los tratamientos sean lo ms uniformes
posibles.
Estructura de diseo
Si todas las ue son homogneas,

entonces solo hay un grupo o bloque de
observaciones y las ue pueden ser
asignadas a los tratamientos
completamente al azar.
Esta estructura de diseo se llama
diseo completamente al azar.

Estructura de diseo
Si se requiere ms de un grupo de ue
para que dentro de cada grupo las ue
sean ms homogneas entre s que
entre grupos, entonces la estructura de
diseo es algn tipo de diseo de
bloques.

Estructura del diseo
Completamente al azar
Bloques al azar
Bloques al azar generalizados
Bloques incompletos
Cuadros latinos, grecolatinos,
hipergrecolatinos

Diseo experimental
Estructura de diseo

Diseo experimental
Una vez que se seleccionaron la

estructura de tratamientos y de diseo,
el diseo experimental se especifica
describiendo exactamente el mtodo de
asignacin aleatoria de los tratamientos
a las ue en la estructura de diseo.

Diseo experimental
El diseo experimental define el modelo que
debe usarse para un anlisis correcto. Al
construir el modelo, se hacen dos
suposiciones bsicas:
Los componentes de la estructura de diseo son
efectos aleatorios.
No hay interaccin entre los componentes de la
estructura de diseo y los componentes de la
estructura de tratamientos. Es decir, se supone
que la relacin existente entre los tratamientos
ser consistente de bloque a bloque, o sea, los
bloques no influyen en la relacin entre los
tratamientos.

Diseo completamente al azar un factor
con t niveles
Suponga que tenemos un solo factor con t niveles,
es decir, t tratamientos, y al azar se asignan n ue a
cada tratamiento.
Las observaciones se pueden representar por el
modelo lineal simple
yij i ij i 1, ,t j 1, ,n
con ij error experimental en la observacin

j-sima del tratamiento i-simo.
Suponemos independencia entre y dentro de las muestras
ij ~ NID 0, 2
Se tienen t muestras independientes de tamao n
y11 , y12 , y1n es una muestra aleatoria de N 1 , 2

y21 , y22 , y2 n es una muestra aleatoria de N 2 , 2
yt1 , yt 2 , ytn es una muestra aleatoria de N t , 2


El modelo: yij i ij
es el modelo completo ya que incluye una media
separada para cada una de las poblaciones definidas
por los tratamientos.
Si no hay diferencia entre las medias de las poblaciones

1 2 t
Se general el modelo reducido
yij ij
El modelo reducido representa la hiptesis de no
diferencia entre las medias de las t poblaciones
H 0 : 1 2 t
El modelo completo representa la hiptesis alternativa
H a : i k para alguna i k
Cul de los dos modelos describe mejor

a los datos del experimento?


Se requiere un mtodo para estimar los parmetros

de los dos modelos y con base en algn criterio
objetivo determinar cul modelo o hiptesis
estadstica se ajusta mejor a los
datos del experimento.

Mtodo de mnimos cuadrados.
t n
min SCE ij2
i 1 j 1
Se minimiza la suma de cuadrados del error en cada

uno de los dos modelos y se encuentran los estimadores
de los parmetros correspondientes.

Para el modelo completo:
min SCEc yij i

t n t n
i yi.
2 2
ij
i 1 j 1 i 1 j 1
Para el modelo reducido:
min SCEr yij

t n
y..
2
i 1 j 1

Entonces se tienen las sumas de cuadrados estimadas
del error de los dos modelos al incluir los estimadores
de los parmetros
SCEc yij yi.

t n
2
i 1 j 1
SCEr yij y..

t n
2
i 1 j 1

La diferencia entre estas dos sumas de cuadrados es una
medida del grado de concordancia entre hiptesis y datos,
tambien llamada Reduccin de sumas de cuadrados
debida a tratamientos
SCH0 SCtrat SCEr SCEc

Si SCH0 es grande implica falta de concordancia entre
la hiptesis y los datos.

SCEr SCtotal SCtrat SCEc
y y.. yi. y.. yij yi.

t n t n t n
2 2 2
ij
i 1 j 1 i 1 j 1 i 1 j 1
Particin de la suma de cuadrados total en una debida

a los tratamientos y otra debida al error.
Surge la Tabla de Anlisis de Varianza (ANOVA)

Tabla de Anlisis de Varianza (ANOVA)
F.V. g.l. S.C. C.M. F
Tratamientos CM trat
(entre)
t-1 SCtrat SCtrat / t 1
CME
SCE / nt t
Error
(dentro)
nt-t SCE 2
nt-1 SCtotal
Total

Anlisis de varianza (ANOVA)
Si H 0 : 1 2 t es cierta, entonces
CM trat
Fc ~ Ft 1,nt t
CM E
Se fija un nivel de significancia
P error tipo I P rechazar H 0 H 0 es cierta

Se rechaza H 0 : 1 2 t si

Fc Ft 1,nt t

Ejemplo de una
regin de rechazo
de H0 (t=5, n=10)
Si Fc > 2.58
se rechaza H0 al
nivel de significancia
=0.05

Los paquetes estadsticos calculan el valor p-value
(significancia observada) que es la probabilidad
de obtener un valor de Fc como el calculado o mayor
si la hiptesis nula es cierta.
Si el valor del p-value es pequeo nos lleva a rechazar

la hiptesis nula.

Distribucin F con 4 y 45 g.l. p-value=0.0098
Poco probable haber

obtenido este valor
de Fc u otro ms
grande si H0 es
cierta, por lo tanto
Se rechaza H0
Fc=3.78
Una vez que se rechaza
H 0 : 1 2 t
sabemos que hay por lo menos una pareja de medias

que son diferentes, pero cules son?

Comparaciones mltiples
Son pruebas estadsticas que nos permiten contrastar
hiptesis del tipo:
H 0 : i j vs H a : i j
i j 1, ,t
Manteniendo fija la probabilidad del error tipo I

por experimento E

Comparaciones mltiples
Tukey (DMSH)
Bonferroni
Student-Newman-Keuls (SNK)
Scheff
Entre otras
Dunnet (cada tratamiento vs control)

Contrastes
Un contraste es una combinacin lineal de las medias
i definido como
t
C ki i
t
donde k
i 1
i 0
i 1
Interesa probar H 0 : C 0 o dar un intervalo de

confianza para el contraste.
Los contrastes son, generalmente, comparaciones

de las medias de los tratamientos planeadas de
antemano.
Contrastes ortogonales
Existe una clase de contrastes, los contrastes ortogonales.
Para t tratamientos existe un conjunto de t-1

contrastes ortogonales que hacen una particin de la
Suma de cuadrados de tratamientos en t-1
componentes independientes, cada uno con 1 g.l. Lo
que implica que estas pruebas son independientes.
Dos contrastes, con coeficientes {ki} y {li}
son ortogonales si
t
k l
i 1
i i 0

Modelo unifactorial completamente al
azar
Modelo de medias
yij i ij i 1, ,t j 1, ,r
Con la hiptesis H 0 : 1 2 t
Modelo de efectos
yij i ij i 1, ,t j 1, ,r
Con la hiptesis H 0 : 1 2 t 0

Suposiciones
ij ~ N 0, 2

Errores independientes (aleatorizacin)
Errores normales (grfica en papel normal,

histograma)
Homogeneidad de varianzas (prueba Bartlett, grfica

de valores estimados vs. residuales)
En caso de que no se cumplan las suposiciones:

Transformaciones de la variable y
Ejemplo 1 completamente al azar un factor
Se tienen datos del flujo de petrleo,
medido en barriles por da, de tres
pozos en el Golfo de Mxico. Se desea
saber si, en promedio, dan la misma
produccin por da y si no es as se
quiere saber cul es el que produce
ms.

Pozo 1 Pozo 2 Pozo 3

157 183 149
184 174 193
143 182 129
135 199 146
163 183 126
103 168 132
152 193 143
129 162 154

Analysis of Variance Table
Response: y
Df Sum Sq Mean Sq F value Pr(>F)

Pozo 2 6304.3 3152.17 7.894 0.002776
Residuals 21 8385.5 399.31
Tukey multiple comparisons of means

95% family-wise confidence level
Fit: aov(formula = y ~ pozo)
$pozo
diff lwr upr p adj
2-1 34.75 9.566 59.934 0.006
3-1 0.75 -24.434 25.934 0.997
3-2 -34.00 -59.184 -8.816 0.007

Bartlett test of homogeneity of variances

data: residual and pozo
Bartlett's K-squared = 2.9697, df = 2, p-value = 0.2265




Se sabe que el dixido de carbono tiene un
efecto crtico en el crecimiento biolgico.
Cantidades pequeas de CO2 estimulan el
crecimiento de muchos organismos, mientras que
altas concentraciones inhiben el crecimiento de la
mayor parte de ellos. Este ltimo efecto se utiliza
comercialmente cuando se almacenan productos
alimenticios perecederos.
Se realiz un estudio para investigar el efecto de
CO2 sobre la tasa de crecimiento del
Pseudomonasfragi, un corruptor de alimentos.
Se administr CO2 a cinco presiones
atmosfricas diferentes. La respuesta es el
cambio porcentual en la masa celular despus
de un tiempo de crecimiento de una hora.
Se utilizaron diez cultivos en cada nivel.
Qu conclusiones se deducen del estudio
estadstico de estos datos?


Response: y

Presion 4 11274 2818.58 101.63 2.2e-16
Residuals 45 1248 27.73
Diseo de experimentos 2012

68
$presion diff lwr upr p adj
0.083 0 -13.10 -19.792 -6.408 0.00001
0.29 0 -22.69 -29.382 -15.998 0.00000
0.5 0 -33.67 -40.362 -26.978 0.00000
0.86 0 -42.70 -49.392 -36.008 0.00000
0.29 .083 -9.59 -16.282 -2.898 0.00167
0.5 - 0.083 -20.57 -27.262 -13.878 0.00000
0.86 - .083 -29.60 -36.292 -22.908 0.00000
0.5 0.29 -10.98 -17.672 -4.288 0.00026
0.86 0.29 -20.01 -26.702 -13.318 0.00000
0.86 0.5 -9.03 -15.722 -2.338 0.00341

Bartlett test of homogeneity of variances

data: residual and presion
Bartletts K-squared=1.0701, df=4, p-value=0.899


Diseo de bloques
Un bloque es un grupo de ue homogneas.

Nuestro objetivo es tener comparaciones
precisas entre los tratamientos bajo estudio.
Utilizar bloques es una forma de reducir y
controlar la varianza del error experimental
para tener mayor precisin.

Diseo de bloques
Una buena eleccin del criterio de bloqueo resulta en
menor variacin entre las ue dentro de los bloques
comparada con la variacin entre ue de diferentes
bloques.
Los criterios de bloqueo generalmente son:
Proximidad espacial
Tiempo
Caractersticas fsicas (edad, peso, sexo)
Manejo de las ue en el experimento

Diseo de bloques
Suponga que se tienen t tratamientos

que se quieren comparar en b bloques.
Bloque 1 Bloque 2 Bloque b
y11 y12 ... y1b
y21 y22 ... y2 b
... ... ... ...
... ... ... ...
yt 1 yt 2 ... ytb

Diseo de bloques
El diseo de bloques completos al azar

implica que en cada bloque hay una
sola observacin de cada tratamiento.
El orden en que se ejecutan los
tratamientos dentro de cada bloque es
aleatorio (restriccin a la aleatorizacin)

Diseo de bloques
El modelo estadstico para este diseo es:
yij i j ij i 1, , t j 1, , b
media general
i efecto de i-simo tratamiento
j efecto del j-simo bloque
ij error experimental del tratamiento i
en el bloque j
ij ~ NID 0, 2
Diseo de bloques
Se supone que los efectos de

tratamientos y bloques son aditivos.
Esto significa que no hay interaccin
entre tratamientos y bloques, es decir,
la relacin entre los tratamientos es la
misma en cada uno de los bloques.

Diseo de bloques
El Anlisis de Varianza para este diseo

se basa en una descomposicin de la
variabilidad de las observaciones.
yij y.. yij yi. y. j y.. yi. y.. y. j y..
Desv. Total=desv error+desv trat+desv bloques

Diseo de Bloques.
Tabla de Anlisis de Varianza (ANOVA)
F.V. g.l. S.C. C.M. F
Tratamientos t-1 SCtrat / t 1

CM trat
SCtrat
CME
Bloques b-1 SCbloques
(t-1)(b-1) SCE / nt t
Error SCE
2
Total bt-1 SCtotal

Ejemplo 3 Diseo de bloques
Se tienen datos de los depsitos de corcho de 28 rboles

en cada de las cuatro direcciones N,S,E,O. Se quiere
probar la hiptesis de que las medias de los pesos son
iguales en todas las direcciones.
Se midi en cada rbol el peso del corcho en las cuatro

direcciones, lo que implica que cada rbol es un bloque
y los tratamientos son las cuatro direcciones.

Response: peso

direccion 3 569.9 189.96 4.97 0.0032
arbol 27 26135.2 967.97
Residuals 81 3096.4 38.23


$direccion
diff lwr upr p adj
N-E 4.36 0.02 8.69 0.048
O-E -1.00 -5.33 3.33 0.930
S-E 3.46 -0.87 7.80 0.163
O-N -5.36 -9.69 -1.02 0.009
S-N -0.89 -5.23 3.44 0.949
S-O 4.46 0.13 8.80 0.041


Si no consideramos bloques, es decir, consideramos
que tenemos 28x4 rboles diferentes
Response: peso
Direccion 3 569.9 189.96 0.7018 0.553
Residuals 108 29231.6 270.66
No hay diferencia significativa entre las 4 direcciones

Diseo de bloques
Bloques al azar: bloques de tamao t
Bloques al azar generalizados: se repiten los

tratamientos en
cada bloque
Bloques incompletos: los bloques no contienen

a todos los tratamientos

Diseo de bloques
Cuadro Latino: Bloqueo en dos direcciones
Cuadro Grecolatino: Bloqueo en tres direcciones
Cuadro Hipergrecolatino: Bloqueo en cuatro direcciones

Diseos factoriales (estructura de tratamientos)
Informacin sobre varios factores. Todas las ue se

utilizan para la evaluacin de los efectos
Se ampla el rango de validez del experimento al
estudiar cada factor en las condiciones representadas
por los niveles de los otros factores
Permite el estudio de la interaccin, esto es, estudiar
el grado y forma en la cual se modifica el efecto de un
factor por los niveles de los otros factores

Diseos factoriales (estructura de tratamientos)
El nmero de tratamientos es el producto de los

niveles de los factores (diseo completo).
Si el nmero de tratamientos es grande implica que
se necesitan muchas ue

Interaccin
Ejemplo de un factorial 2x2 sin y con interaccin

Diseo factorial
Suponga un experimento con dos factores, A con a niveles
Y B con b niveles, en diseo completamente al azar.
(Factorial a x b completo, balanceado, efectos fijos)
Factor B
Factor A 1 2 b
11 12 1b
1
2 21 22 2b
.
a a1 a2 ab

Diseo factorial, completamente al azar
El modelo lineal, modelo de medias
yij i ij i 1, 2, , ab
j 1, 2, ,n
ij ~ N 0, 2
El modelo de efectos
yijk i j ij ijk
i 1,2, ,a j 1,2, ,b k 1,2, ,n
ijk ~ N 0, 2

Diseo factorial
Los dos modelos son equivalentes.
El modelo de efectos est sobreparametrizado as que
se hace una reparametrizacin con variables
indicadoras.
En el modelo de medias se realizan las pruebas para
los efectos a travs de contrastes.
En los dos casos las hiptesis de inters son:
H 01 : ij 0 para toda i y j
H 02 : i i. 0 para toda i
H 03 : j . j 0 para toda j
Diseo factorial
Una interaccin significativa oscurece la

significancia de los efectos principales
Cuando hay interaccin significativa, se debern

estudiar los niveles de un factor, digamos A, con los
niveles del o de los otros factores fijos, para tener
conclusiones acerca del efecto principal de A.

Diseo factorial
y
50 B-
40
30
20 B+
10
- +
Factor A
Diseo factorial completamente al azar.
Tabla de ANOVA
F.V. g.l. S.C C.M. F

A a-1 SSA SSA /(a-1) CMA / CME
B b-1 SSB SSB / (b-1) CMB / CME
AB (a-1)(b-1) SSAB SSAB / (a-1)(b-1) CMAB / CME
Error ab(n-1) SSE SSE / ab(n-1)
Total abn - 1 SSTot

Ejemplo 4 diseo factorial completamente
al azar
Se quiere comparar el tiempo de
supervivencia de tres especies de truchas
cuando se exponen a una mezcla de metales.
Aproximadamente la mitad de las truchas de
cada especie (al azar) fueron el grupo
control, se mantuvieron en agua limpia por
tres semanas antes de ser transferidas al
agua con metales.

al azar
Las otras truchas de cada especie

fueron puestas por tres semanas en
una mezcla ligera de metales antes de
ser transferidos a la mezcla ms fuerte.
La variable de respuesta fue el nmero
de horas de supervivencia en la mezcla
fuerte de metales.

al azar
Se analizaron estos datos con un modelo 3x2
completamente al azar, sin embargo, no hubo
homogeneidad de varianzas entre los 6
grupos.

al azar

al azar
Se calcul la transformacin logaritmo natural del
tiempo, lo que se consider como variable respuesta
y se ajust el mismo modelo.

al azar
yijk Ti E j TE ij ijk
i 1, 2 j 1, 2,3 k 1, , ni
Media general
Ti Efecto del tratamiento
Ej Efecto de la especie
TE ij Efecto de la interaccin
al azar
Response: lntiempo

especie 2 4.58 2.29 17.11 1.64e-07
tratamiento 1 14.48 14.48 108.17 <2.2e-16
especie: 2 1.52 0.76 5.69 0.004
tratamiento
Residuals 175 23.43 0.13

al azar

Diseo factorial en bloques al azar
Suponga un factorial axb en p bloques al azar
ab 11 21 22 31 ...... 13
Bloque 1
11 21 ab 12 22 ...... 31
Bloque 2
21 11 12 13 31 ...... ab
Bloque p 12 21 ab 11 22 ...... 13

El modelo:
yijk Ai B j ( AB)ij k ijk

i 1, ,a j 1, ,b k 1, , p
Donde k es el efecto de bloque y
ijk ~ N 0, 2

Tabla de ANOVA
F.V. g.l. S.C C.M. F

Bloques p-1 SSBloque
A a-1 SSA SSA /(a-1) CMA / CME
B b-1 SSB CMB / CME
AB (a-1)(b-1) SSAB CMAB / CME
Error ab(p-1)-p+1 SSE SSE /gle
Total abp-1 SSTot

Diseo factorial axbxc (c.a.)
yijkl i j k
ij ik jk
ijk ijkl
i 1, ,a j 1, ,b k 1, ,c l 1, ,n

Diseo factorial axbxc (c.a.)
Interaccin de tres factores A con 2 niveles, B con 3 y C
con 3 niveles
A- A+
y C2 y C2
C1
50 50 C1
40 40
C3
30 C3 30
20 20
10 10
B1 B2 B3 B1 B2 B3
Otros temas
Factores aleatorios
Anlisis de covarianza
Diseos cruzados
Varias variables dependientes MANOVA
Mediciones repetidas

Bibliografa
Kuehl, R.O. (2000). Design of

Experiments: Statistical Principles of
Research Design and Analysis. 2nd ed.
Brooks/Cole.
Manly,F.J. (2009). Statistics for
Environmental Science and
Management. 2nd ed. Chapman & Hall

Bibliografa
Milliken, G.A. and Johnson, D.E. (1992).

Analysis of Messy Data, Vol. I: Designed
Experiments. Chapman & Hall.
Montgomery D.C. (2005). Design and
Analysis of Experiments. 6. Ed. John
Wiley & Sons.

Bibliografa
Reimann,C.,Filzmoser,P.,Garrett,R.G.,
Dutter,R. (2008). Statistical Data
Analysis Explained. Applied
Environmental Statistics with R. John
Wiley & Sons.

Diseño Experimentos 2012 PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Diseño Experimentos 2012 PDF

Transféré par

Droits d'auteur :

Formats disponibles

Diseo de Experimentos

M. en E. Patricia I. Romero Mares

Diseo de experimentos 2012 3

Estudio comparativo, 2 o ms poblaciones

Observacional (el investigador solo observa el fenmeno)

Diseo de experimentos 2012 4

El diseo estadstico de experimentos es

Diseo de experimentos 2012 5

Diseo de experimentos 2012 6

Diseo de experimentos 2012 7

Unidad experimental ue. Es la subdivisin

Diseo de experimentos 2012 8

Diseo de experimentos 2012 9

Diseo de experimentos 2012 10

Diseo de experimentos 2012 12

Diseo de experimentos 2012 13

Diseo de experimentos 2012 14

Diseo de experimentos 2012 15

Hacer el experimento y colectar datos

Efectuar el anlisis estadstico

Diseo de experimentos 2012 16

Diseo de experimentos 2012 17

Lo que se busca es tener un diseo que

Diseo de experimentos 2012 18

Considere un experimento que involucra

Diseo de experimentos 2012 19

Si el investigador asigna aleatoriamente

Diseo de experimentos 2012 21

Diseo de experimentos 2012 22

Factoriales. Dos o ms factores

Completos (se estudian todas las combinaciones de los

Fraccionales (se estudian solo algunas combinaciones de

Diseo de experimentos 2012 23

Factoriales dos o ms factores

Factoriales con uno o ms testigos

Diseo de experimentos 2012 24

Es la forma en que se agrupan las ue

Si todas las ue son homogneas,

Diseo de experimentos 2012 26

Diseo de experimentos 2012 27

Diseo de experimentos 2012 28

Diseo de experimentos 2012 29

Una vez que se seleccionaron la

Diseo de experimentos 2012 30

Diseo de experimentos 2012 31

con ij error experimental en la observacin

Se tienen t muestras independientes de tamao n

y11 , y12 , y1n es una muestra aleatoria de N 1 , 2

yt1 , yt 2 , ytn es una muestra aleatoria de N t , 2

Diseo de experimentos 2012 33

Diseo de experimentos 2012 34

Si no hay diferencia entre las medias de las poblaciones

Cul de los dos modelos describe mejor

Diseo de experimentos 2012 36

Diseo de experimentos 2012 37

Se requiere un mtodo para estimar los parmetros

Diseo de experimentos 2012 38

Se minimiza la suma de cuadrados del error en cada

Diseo de experimentos 2012 39

min SCEc yij i

Para el modelo reducido:

min SCEr yij

Diseo de experimentos 2012 40