D Experimentos

Modulo II Principios del Diseo Experimental Anlisis de Asociacin
Mayo 2009
Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales
Principios del diseo Experimental

EL Diseo de Experimentos
Est relacionado bsicamente con el planeamiento de la recoleccin de los datos.
Un Experimento
Es la Muestra en base a la cual se estimarn los parmetros Poblacionales, y se tomarn decisiones con respecto a la comparacin de las poblaciones en estudio. Cada experimento es una pregunta que se hace a la naturaleza, por lo tanto, para que las respuestas no sean confusas o contradictorias, es necesario que el mismo sea:
1) Tcnicamente planeado 2) Cuidadadosamente conducido 3) Adecuadamente analizado 4) Cautelosamente interpretado

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales 2
Razones
Por lo general, un experimento es realizado por una o varias de las razones siguientes: Identificar las principales causas de variacin en la respuesta Encontrar las condiciones que permitan alcanzar un valor ideal en la respuesta Comparar las respuestas a diferentes niveles de factores controlados por el investigador Construir modelos que permitan obtener predicciones de la respuesta.
Definiciones Bsicas
Variable Respuesta: es la variable en estudio, aquella cuyos cambios se desean estudiar. Es la variable dependiente. Factor: es la variable independiente. Es la variable que manipula el investigador, para estudiar sus efectos sobre la variable dependiente. Nivel Del Factor: es cada una de las categoras, valores o formas especficas del factor. Factor Cualitativo: sus niveles se clasifican por atributos cualitativos. Factor Cuantitativo: sus niveles son escala. cantidad numrica en una
Factores Observacionales: El investigador registra los datos pero no interfiere en el proceso que observa. Factores Experimentales: El investigador completamente la situacin experimental. intenta controlar
Experimento Unifactorial: es aquel en el se estudia un solo factor. Experimento Multifactorial: es aquel en el que se estudia simultneamente ms de un factor. Tratamientos: Conjunto de condiciones experimentales que sern impuestas a una unidad experimental en un diseo elegido. En experimentos unifactoriales, un tratamiento corresponde a un nivel de factor. En experimentos multifactoriales, un tratamiento corresponde a la combinacin de niveles de factores. Unidad Experimental: es la parte ms pequea de material experimental expuesta al tratamiento, independientemente de otras unidades.
Error Experimental: Describe la variacin entre las unidades experimentales tratadas de forma idntica e independiente. Orgenes del error experimental: Variacin natural entre unidades experimentales Variabilidad en la medicin de la respuesta Imposibilidad de reproducir idnticas condiciones del tratamiento de una unidad a otra Interaccin de tratamientos con unidad experimental Cualquier factor externo Tratamiento Control: Un control al que no tratamiento revelar las condiciones en que experimento. Mediciones: Son los valores de la variable obtenidos de las unidades experimentales aplicacin de tratamientos. se le aplica se realiza el dependiente, luego de la
6
Elementos Del Diseo De Experimentos

El diseo de experimentos se refiere a la estructura del experimento considerando: i) El conjunto de tratamientos incluidos en el estudio. ii) El conjunto de unidades experimentales utilizadas en el estudio. iii) Las reglas y procedimientos tratamientos son asignados experimentales (o viceversa). por a los cuales los las unidades
iv) Las medidas o evaluaciones que se hacen a las unidades experimentales luego de aplicar los tratamientos.
Principios Bsicos Del Diseo De Experimentos

1) Control Local: son las acciones empleadas por el investigador para disminuir o controlar el error experimental Tcnica Seleccin De Unidades Experimentales Homogneas Bloquizacin Seleccin del Diseo Experimental Adecuado Utilizacion De Covariables
2) Replicacin como un medio para estimar la variancia del error experimental

Proporciona medias para estimar la variancia del error experimental Permite aumentar la precisin para estimar las medias de los tratamientos. Da seguridad contra resultados anormales por accidentes no previstos.
PRINCIPIOS BSICOS DEL DISEO DE EXPERIMENTOS

3) Aleatorizacin para validar la estimacin de la variancia del error experimental. Consiste en aplicar en forma aleatoria los tratamientos a las unidades experimentales. La aleatorizacin tiende a promediar entre los tratamientos cualquier efecto sistemtico presente de forma que las comparaciones entre tratamientos midan slo los efectos de los tratamientos mismos.
Anlisis de Asociacin Anlisis de Regresin vs. Anlisis de Varianza

Ambos anlisis establecen relaciones entre variables. Estudian la relacin estadstica entre variables para tomar decisiones. En el Anlisis de regresin el objetivo es Predecir. Usa solo variables cuantitativas y la relacin se expresa con un modelo lineal en el cual la variable independiente puede tomar cualquier valor fijado por el investigador .
10
Relaciones entre Anlisis de Regresin y Anlisis de la Variancia

En el Anlisis de Variancia el objetivo es comparar los distintos niveles de la las variables independientes factores para establecer diferencias significativas en la variable dependiente respuesta Difieren del modelo anterior en que las variables independientes pueden ser cualitativas y que si son cuantitativas , en ANVA no se hace ninguna presuncin sobre la naturaleza de la relacin estadstica entre variables dependientes e independiente.
11
Los Tipos de Modelos.

De efectos fijos MODELO I De efectos Aleatorios Modelo II Mixtos.(Factores fijos y aleatorios)
12
Los modelos experimentales de clasifican en tres tipos:
Cuando el investigador tiene control sobre el material experimental aplicando slo los niveles de los factores que le interesan en el modelo, es de efectos fijos. Cuando se investiga un factor pero no se tiene control sobre tratamientos, por ejemplo en los estudios por muestreo, dnde los niveles que se aplican son una muestra extrada al azar de una poblacin de niveles, los modelos son de efectos aleatorios.
Modelo I o de efectos fijos

Yij ! Q .. X . j I ij
i= 1,..,k y j=1,..,n
Modelo II o de efectos aleatorios

En este modelo se asume que las k muestras son muestras aleatorias de k situaciones distintas y aleatorias. De modo que un valor aislado Yij se puede escribir como:
A.j
i= 1,..,k y j=1,..,n
13
Cules son los supuestos y cules los elementos bsicos del modelo I de ANVA?
Los Supuestos de Validez del modelo ANVA son:
Observaciones Independientes. Datos distribuidos Normalmente (Q ; Variancias Homogneas.
2).
14
Los elementos bsicos del modelo II de ANVA

1. Supone que las k muestras independientes son muestras de k poblaciones distintas y fijas.
15
Diseo Completamente Aleatorizado DCA
16
Introduccin
En el caso de un nico Factor (Experimento Unifactorial) y a Efectos Fijos ( Modelo I) El modelo de Anlisis de la Varianza
En donde: Yij es la variable aleatoria que que mide la respuesta del sujeto experimentado en el -simo individuo que recibi el j-simo tratamiento; Q.. Es el promedio general; X.j El efecto del j-simo tratamiento, y; Iij Es la cantidad de variacin no explicada por el Factor, tambin se conocer como Error del Experimento, Variacin Residual.
La Planificacin del Experimento

En la experimentacin planificada no es el modelo ms recomendable, pues requiere que el desarrollo de la experiencia se haga en condiciones muy controladas. Por esto resulta apropiado cuando se estudian experimentos de laboratorio. En otros casos, las circunstancias del material experimental obligan a usar este experimento como es el caso de las pruebas progenie en estudios genticos. La planificacin del experimento es muy simple pues nicamente se requiere que los sujetos que van a ser experimentados se elijan al azar de la poblacin y que adems, los sujetos experimentados que recibirn un nivel del factor o Tratamiento son elegidos al azar del grupo previamente seleccionado. Es muy conveniente que los grupos que recibirn un tratamiento tengan la misma cantidad de individuos pero no es indispensable.
Anova Un Criterio
Determina si la discrepancia entre las medias entre los tratamientos es mayor de lo que debera esperarse de las variaciones que ocurren dentro de los tratamientos. Divide la Variacin Total de los datos de la muestra en dos componentes.
19
Supuestos Anova
1. Observaciones se distribuyen Normal e Independiente y con la misma varianza para cada tratamiento 2.
3.
I ij ~ N (0, W 2 )
20
Modelos E Hipotesis
Modelo a efectos fijos H0 : X1 = X2 ..= Xk= 0 H1 : Xi { 0 al menos para una i Modelo a efectos aleatorios H0 : X = 0 H1 : X 0
21
Diseo Completamente Aleatorizado

Diseo aleatorio, en condiciones homogneas (tiempo, materias primas, procedimientos operativos, etc.) . Ejemplo con tres tratamientos:
N 1; 2; 3; 4; 5; 6; 7; 8; 9;10;11;12;13; 14; 15 Tr. A; A;C; B; B; A; C; B; B; C; B; C; C; A; A Res.y ,y ,y3, y4 ,y5,y6, y7, y8, y9,y10,y11,y12, y13, y14, y15 Anlisis: ANOVA a Un criterio
22
Tabla Anlisis
Rep Trat
1
YA1 YB1 YC1
2
YA2 YB2 YC2
3
YA3 YB3 YC3
4
YA4 YB4 YC4
5
YA5 YB5 YC5
Promedi o
A B C
YA. YB. YC. Y..
23
Anova A Un Criterio
Identidad de la suma de cuadrados
k j!1 n k 2 k j!1 n
i !1
(y ij y..) 2 ! n
j!1
(y.j y.. )
t !1
(y ij y.j ) 2
Esperanza de la suma de cuadrado tratamiento

k
E (CM trat ) ! ( k 1)W 2 n

Cuadrado medio del tratamiento
j!1
X2 j
Cuadrado medio del error
CM trat
SCtrat ! k 1
CM error
SCEE ! k (n 1)
24
Cuadro Anova Un Criterio

Fuentes Variacin Sumas Cuadrados Cuadrad F os Medios k-1 SCTrat/ Fo= g.l (I) I/II k(n-1) SCError/ g.l (II) n1 g.l
Entre SCTrat. Tratamientos Dentro Trat. SCError (Error) Total SCTotal
25
Anova Un Criterio
Fo F ((k-1) y k(n-1)) (kk(n Si Fo > F ((k-1) y k(n-1)) Rechazo la (kk(nHipotesis Nula
26
Analis Residual Y Verificacin Del Modelo

Anlisis Residual (Diferencia entre el valor observado y el estimado por el modelo) Normalidad (mediante Grficos de Pr.Normal y Kolmogorof, Shaphiro Wilks) Igualdad de Varianzas (Diagrama de Dispersin de residuos contra los promedios de tratamientos y prueba de homogeneidad de variancia de Levene)
Comparaciones Sobre Los Promedios

Si rechazo la Hiptesis Nula en el Modelo a Efectos Fijos
Contrastes Ortogonales Prueba de Dunnet Prueba de Tukey Intervalos de confianza Pruebas en caso de violaciones de los supuestos Otras
28
Comparaciones para factores cuantitativos

En un diseo completamente aleatorizado el factor bajo estudio puede sercualitativo o cuantitativo. Un factor cuantitativo es aquel cuyos niveles estn asociados con una escala numrica.En este caso, en lugar de estudiar niveles individuales del factor, como es el caso en el estudio de un factor cualitativo, se estinteresado en analizar el intervalo de valores utilizados. Es deseable predecir la respuesta a un nivel intermedio o, investigar si existe cierta tendencia en la respuesta. Es decir,el principal inters aques ajustar una ecuacin a los datos. Esto puede llevarse a cabo mediante el uso de la Tcnica de Anlisis de Regresin.
29
Curvas de Respuesta
Si los niveles del factor son equidistantes y si Y=f(x, x2, x3,,xp) es un polinomio en X, puede demostrarse que el puede ser escrito como:
Y=
0
P0(x) +
1P1(x)
+... + pPp(x) +
donde Pi es un polinomio de grado i, tales que Pi(x)y Pj(x)son ortogonales. Si se tienen k tratamientos, se pueden tener efectos polinomiales hasta de orden k-1
Curvas de Respuesta
Las sumas de cuadrados para los (k-1)efectos polinomiales del factor forman una particin de la suma de cuadrados de los tratamientoscada uno con un grado de libertad y su significacin estadstica, puede ser comprobada comparando sus sumas de cuadrados con el cuadrado medio del error.El grado del polinomio lo determina el grado mas alto que para el cual ste sea estadsticamente significativo. Se desea ajustar el polinomio de menor grado posible que describa adecuadamente a los datos. Y= Pi+
31
32
Polinomios Ortogonales
donde: d es la distancia entre los niveles de x k es el nmero total de niveles y j son constantes tales que los polinomios tienen valores enteros. Existen tablas que muestran los Pi(x) y los i Los estimadores para los coeficientes de regresin j se obtienen mediante el mtodo de mnimos cuadrados
Estimaciones En Modelos A Efectos Aleatorios

Si rechazo la Hiptesis Nula en el Modelo a Efectos Aleatorios Anlisis de componentes de la Varianza
34
Ventajas Y Desventajas
La mayor ventaja de experimentar bajo un esquema Completamente al Azar, esto es, sin restricciones, es la simpleza del anlisis y el recurso que significa aplicarlo cuando no hay otra posibilidad de anlisis. Es el paso consecutivo en uso de la regresin lineal en el anlisis de modelos lineales. Se presta por igual a estudios mediante tcnicas de muestreo o en experimentos planificados.
Ventajas Y Desventajas
Cuando ocurren accidentes en la operacin del experimento como la prdida de una cantidad de unidades experimentales que no pueda contrarrestarse mediante tcnicas de extrapolacin, el Modelo Completo al Azar permite el anlisis con las unidades remanentes sin importar que haya diferente nmero por tratamiento. La facilidad de clculo y manejo no compensan la baja precisin del diseo. Esto significa que es el modelo experimental menos eficiente. O dicho de otra manera: el diseo que mayor variacin presenta. Prefirindose otros con mayor precisin en el anlisis.
Aleatorizacion
Puede hacerse utilizando una tabla de nmeros al azar, por cartas, tirando un dado, o por cualquier otra operacin que sirva para el mismo propsito. Como ilustracin vamos a considerar un experimento que involucra 3 tratamientos: A, B y C cada uno replicado 4 veces. La aleatorizacin y disposicin de las unidades experimentales se lleva a cabo de la siguiente manera: Se determina en nmero total de UE. Para nuestro ejemplo 3x4=12. Se asigna una nmero a cada UE en una manera conveniente por ejemplo consecutivamente del 1 al 12.
Aleatorizacion Mediante una tabla de nmeros al azar:

1 paso: localizar el punto de comienzo en una tabla de nmeros al azar 2 paso: Utilizando el punto de comienzo obtenido en el 1 paso, seleccionar n nmeros de tres dgitos, donde n es el nmero total de UE (n=12). Se prefiere nmeros de tres dgitos porque es ms difcil encontrar valores iguales.
38

Nmero al azar 149 361 180 018 427 243 494 704 549 157 571 226 Secuencia 1 2 3 4 5 6 7 8 9 10 11 12
3 paso: Se ranquean los 12 nmeros seleccionados del menor al mayor.

Nmero al azar 149 361 180 018 427 243 494 704 549 157 571 226 Secuencia 1 2 3 4 5 6 7 8 9 10 11 12 Rango 2 7 4 1 8 6 9 12 10 3 11 5
4 paso: Asignar los tratamientos a las UE. Usar el rango como nmeros de UE y la secuencia con la cual se obtuvieron los nmeros aleatorios para referirse a los tratamientos. Por ejemplo el tratamiento A : al 2,7,4,1, el tratamiento B, al 8,6,9,12, etc. 1 A 2 A 3 C 4 A
5 9
C B
6 10
B C
7 11
A C
8 12
B B
39
Ejemplo 1: Engorde de Cerdos

Una empresa de alimentos ofrece a una empresa porcina un plan de alimentacin muy bueno. El dueo del establecimiento aceptara comprar un nuevo alimento si supera en aumento de peso al plan de alimentacin actual y a otros dos que le han ofrecido. La empresa de alimentos decide demostrar las bondades de su producto llevando a cabo un experimento planificado. Consulta al dueo sobre la cantidad de cerdos que podan usar en el experimento y las facilidades de las instalaciones. La respuesta fue: 52 cerdos que se van a engordar y los corrales que pueden ver.
Cuestionario Se trata de un experimento uni o multifactorial? Cules son los factores? Cules son los tratamientos? Cul es la variable respuesta? Cul es la unidad experimental? Cuntas replicaciones haramos? Cuntos animales necesitamos? Cmo haramos el diseo? En el caso de utilizar bloquizacin indicar y justificar. En el caso de utilizar tratamiento testigo indicar y justificar.
41
La Planificacin del Experimento

Se descartan del grupo de 52 cerdos, las hembras y animales extremos, muy pequeos o muy grandes y algunas cruzas, quedan 24 machos castrados de la misma raza y de tamao similar. El diagrama de los corrales disponibles se muestra a la derecha con una capacidad de hasta 10 cerdos. Cmo N asignaran los tratamientos?
Debido a que no es posible atender a los cerdos individualmente, se opt por usar los corrales que miran al Norte para usar cada uno de ellos con una de las 4 dietas por valorar. En cada chiquero se acomodaran 6 cerdos?.
42
Consideraciones Sobre El Manejo.

El proceso de asignacin aleatoria usualmente se elabora en la oficina para no manejar a los animales de ms. Incluso antes de su seleccin previa y numerado. De esta forma, un cerdo se atrapa, una sola vez, se pesa y se mide antes de ser introducido en el chiquero que le corresponda. Este valor se define como Y1, peso Inicial. Al final del periodo de la prueba, los cerdos se vuelven a pesar individualmente obteniendo la variable Y2. Finalmente, la diferencia de peso final con la inicial ser la variable Y3 o incremento de peso.
Diseo en Bloques Completos Aleatorizados DBCA
44
Diseo De Bloques Completos Aleatorizados

En muchos problemas de experimentos, es necesario
hacer un diseo de tal manera que la variabilidad proveniente de fuentes conocidas pueda ser sistemticamente controlada.
Se
pretende reducir el efecto de la variabilidad proveniente de causas propias del experimento pero independiente del efecto que se desea estudiar.
Para
los fines del anlisis de varianza el bloqueo introduce un efecto adicional ficticio, cuyo objetivo es separar del error experimental, alguna fuente de variabilidad conocida.
Ing. Felipe Llaugel
45
Anlisis De La Varianza: Clasificaciones segn dos Criterios

El Diseo en Bloque Completo al Azar es un plan en el cual las unidades experimentales se asignan a grupos homogneos, llamados bloques, y los tratamientos son, luego, asignados al azar dentro de los bloques. Objetivo del agrupamiento: lograr que las unidades dentro de un bloque sean lo ms uniformes posible con respecto a la variable dependiente, de modo que las diferencias observadas se deban realmente a los tratamientos. Al controlar la variacin dentro de los bloques reducimos la variabilidad del error experimental. Completo: todos los tratamientos estn incluidos en cada bloque.
Diseos En Bloques Aleatorizados

Cada bloque constituye una replicacin.
Todos los tratamientos aparecen una sola vez en cada bloque

Diseo En Bloques Completos Aleatorizados

Se divide el material experimental en tantos bloques como nmeros de replicaciones a utilizar. Cada bloque es luego dividido en tantas UE como tratamientos haya en estudio. Como el DBCA especifica que todos los tratamientos deben aparecer una vez en cada replicacin, la aleatorizacin se hace separadamente en cada bloque. La aleatorizacin es similar al DCA para cada bloque.
Ejemplo: Para el ensamble de un artculo se considera comparar 4 mquinas diferentes. Como la operacin de las mquinas requiere cierta destreza se anticipa que habr una diferencia entre los operarios en cuanto a la velocidad con la cual operen la maquinaria. Se decide que se requerirn 6 operarios diferentes en un experimento de bloques aleatorizado para comparar las mquinas. Entonces, el factor de inters es uno slo, pero se crea otro factor para controlar la variabilidad extraa y excluirla as del error experimental. Aleatorizacin: debemos asignar cada tratamiento, M1, M2, M3, y M4 a cada bloque. Operario 1 Bloque 2 Bloque 3 Bloque 4 Bloque 5 Bloque 6 84 76 5 75 22 16 45 27 2 M2 M4 M3 M1 31 70 86 M3 M1 M2 M4 25 98 85 M2 M1 M4 M3 51 10 78 M4 M2 M1 M3 79 36 95 M1 M3 M2 M4 44 29 14 M2 M4 M3 M1
49
Ventajas
Puede proveer resultados ms precisos que un DCA del mismo tamao si los agrupamientos son efectivos. Sirve para cualquier n de tratamientos y replicaciones. Los tratamientos no necesitan tener tamaos de muestras iguales.(Bloque Incompleto) El anlisis no se complica si se debe descartar, por alguna causa, un tratamiento o algn bloque. Se puede introducir, deliberadamente, variabilidad en las unidades experimentales para ampliar el rango de validez de los resultados sin sacrificar la precisin de los resultados.
Desventajas
Las observaciones faltantes dentro de un bloque requiere clculos ms complejos. Los grados de libertad para el error experimental no son tantos como en el DCA. Se requieran ms presunciones para el modelo: no interaccin entre tratamientos y bloques, varianza constante de bloque a bloque.
Si las mquinas no difieren en cuanto a la velocidad de ensamblado de la pieza, tendran igual velocidad promedio y las curvas se superpondran exactamente. H0 : 1= 2 = 3= 4 H0 = 1= 2= 3= 4=0
Pero si las mquinas difieren en cuanto a la velocidad de ensamblado de la pieza, pensaramos que las muestras provienen de poblaciones diferentes, e
H1: algn promedio es distinto de los restantes
4
51
EL MODELO (DE EFECTOS FIJOS)

Yij = +
i
+ eij
Modelo lineal aditivo: cada respuesta es la suma de los otros trminos.

Donde Y es la variable respuesta o dependiente, tiempo medido en segundos, e Yij es la observacin perteneciente al j-sima bloque bajo el tratamiento i; las observaciones son independientes. es la media general comn a todas las mquinas y a todos los operarios. es el efecto del tratamiento en el nivel i, propio de cada mquina.
i j
es el efecto del bloque en el nivel j, propio de cada operario.
eij es la variable aleatoria del error con distribucin normal, con media = 0 y varianza 2 N (0 ; 2 ) e independiente.
Cuando el modelo es aditivo quiere decir que la diferencia en respuestas medias entre dos operarios es la misma para todas las mquinas.
Medias marginales estimadas de Velocidad

48
BLOQUE Medias marginales estimadas

46 1 44 2 3 4 40 5 6 1 2 3 4
42
38
Tratamiento
53
Si aplicamos el Mtodo de los Mnimos Cuadrados, para estimar los parmetros

Q .. ! y..
1 b t = y ij bt i !1 j !1
Donde b son los bloques y t los tratamientos
E i = Q i. - Q.. = yi. - y..

F j = Q. j - Q.. = y. j - y..
eij = yij - Q.. - E i - F j = yij - yi. - y. j + y..

Cada componente del modelo contribuye a la variabilidad total. La particin de la Suma de Cuadrados Total involucrar tres fuentes de variacin.
Tabla de Anlisis de varianza para dos criterios de clasificacin

Fuente de variacin Tratamientos Bloques Error Experimental Total Suma de Cuadrados SCA SCB SCE SCT Grados de libertad t-1 b -1 (t - 1)(b-1) t.b -1 Cuadrados Medios CMA = SCA / t-1 CMB = SCB / b-1 CME = SCE / (t-1)(b-1) CMA / CME CMB / CME F calculada
( yij y..) 2 ! t ( yi . y..) 2 b ( y. j y..) 2 ( yij yi. y. j y.. ) 2

i j i j i j
Variacin total SCT
Variacin debida a los tratamientos SCA
Variacin debida a los bloques SCB
Variacin propia de las observaciones SCE

55
Tiempo en segundos para el ensamble del producto

Operario Mquina 1 2 3 4 Total Medias 1 42,5 39,8 40,2 42,3 164,8 41,2 2 39,3 40,1 40,5 43,2 163,1 3 39,6 40,5 41,3 44,5 165,9 4 39,9 42,3 43,4 45,2
Fc =
5 42,9 42,5 44,9 46,9 44,3
6 43,6 43,1 45,1 43,3 175,1
Total 247,8 248,3 255,4 265,4 1016,9
Medias 41,3 41,4 42,6 44,2 42,4
170,8 177,2 42,7
40,775 41,475
i j
43,775 254,225
Yij 2
Factor de Correccin =
1 Suma de Cuadrados Tratamientos = Ti.2 Fc b i 1 2 Suma de Cuadrados de Bloques = T. j Fc t j 2 Yij Fc Suma de Cuadrados Total =
i j
b.t
Suma de Cuadrados del Error = SCTotal SCTratamiento - SCBloque


D Experimentos

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

D Experimentos

Transféré par

Droits d'auteur :

Formats disponibles

Modulo II Principios del Diseo Experimental Anlisis de Asociacin

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

Principios del diseo Experimental

1) Tcnicamente planeado 2) Cuidadadosamente conducido 3) Adecuadamente analizado 4) Cautelosamente interpretado

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

Elementos Del Diseo De Experimentos

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

Principios Bsicos Del Diseo De Experimentos

2) Replicacin como un medio para estimar la variancia del error experimental

PRINCIPIOS BSICOS DEL DISEO DE EXPERIMENTOS

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

Anlisis de Asociacin Anlisis de Regresin vs. Anlisis de Varianza

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

Relaciones entre Anlisis de Regresin y Anlisis de la Variancia

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

Los Tipos de Modelos.

Los modelos experimentales de clasifican en tres tipos:

Modelo I o de efectos fijos

Modelo II o de efectos aleatorios

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

Los elementos bsicos del modelo II de ANVA

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

Diseo Completamente Aleatorizado DCA

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

La Planificacin del Experimento

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

Diseo Completamente Aleatorizado

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

YA. YB. YC. Y..

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

Esperanza de la suma de cuadrado tratamiento

E (CM trat ) ! ( k  1)W 2  n

Cuadrado medio del error

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

Cuadro Anova Un Criterio

Entre SCTrat. Tratamientos Dentro Trat. SCError (Error) Total SCTotal

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

Analis Residual Y Verificacin Del Modelo

Comparaciones Sobre Los Promedios

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

Comparaciones para factores cuantitativos

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

Estimaciones En Modelos A Efectos Aleatorios

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

Aleatorizacion Mediante una tabla de nmeros al azar:

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

3 paso: Se ranquean los 12 nmeros seleccionados del menor al mayor.

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

Ejemplo 1: Engorde de Cerdos

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

La Planificacin del Experimento

Consideraciones Sobre El Manejo.

Diseo en Bloques Completos Aleatorizados DBCA

Anlisis de Modelos Estadsticos y su aplicacin a Estudios Experimentales y Observacionales

Diseo De Bloques Completos Aleatorizados

Ing. Felipe Llaugel

E (CM trat ) ! ( k 1)W 2 n

( yij y..) 2 ! t ( yi . y..) 2 b ( y. j y..) 2 ( yij yi. y. j y.. ) 2