DISEO DE

EXPERIMENTO

Diseo Estadstico de Experimento.- Es el

proceso de planificar el experimento de modo
que se obtengan datos apropiados para que
puedan ser analizados por mtodos estadsticos
que produzcan conclusiones vlidas y
objetivas.

Replicacin.- Se entiende por replicacin a la

repeticin del experimento bsico. Tiene por
objetivo:
Permitir que se obtenga un estimador del error
experimental
Permitir que se estime de mejor forma el
efecto de un factor, cuando se use la media
experimental.

Aleatorizacin.- Se refiere a que tanto la

localizacin del material experimental como
el orden en que se harn las pruebas se
determinan en forma aleatoria. Permite que
los errores sean v.a.independientes.

Fases del anlisis estadstico:

1. Reconocimiento y enunciado del problema en
trminos estadsticos. Es necesario desarrollar todas
las ideas acerca del objetivo del experimento, con el
fin de formular claramente el problema.
2. Eleccin de factores y niveles.

Factores: Son todas las v.a.i. involucradas en el

problema. Pueden ser cualitativas y cuantitativas y se
clasifican en experimentales (las que el investigador
impone al experimento) o de clasificacin (las que son
inherentes a las unidades bajo estudio, como sexo, raza,
etc.).
Niveles: Son los valores de las variables y se les llamar
tratamientos.

Fases del anlisis estadstico:

3. Seleccin de una variable de respuesta. Al
seleccionar esta v.a.d. se debe tener certeza
de que ella realmente provea informacin
acerca del problema bajo estudio.
4. Eleccin del diseo experimental
5. Realizacin del experimento.
6. Anlisis de los datos.
7. Conclusiones y recomendaciones.

Experimentos a un solo factor.

Estos modelos pueden ser de efecto fijo o al azar.
Modelo de efecto fijo: son aquellos en que interesa
estudiar slo algunos niveles del factor y las
conclusiones se remiten a ellos.
Modelo de efecto al azar: son aquellos en que interesa
generalizar las conclusiones a todos los niveles del
factor, pero el estudio se hace slo en algunos de
ellos, que se muestrean para tal efecto.Estos modelos
pueden ser de efecto fijo o al azar.

Tabla de datos para un nivel de

clasificacin:
Tratamiento

Observaciones
1
2 . ..

Total
n

.
y.

y11

y12

y1n

y1

2
.
.
.

y21

y22

....

y2n

.
.
.

ya1

ya2

yan

. a

Modelo:
yij = + eij
eij NID(0, 2)
E(yij) =
V(yij) = 2
yij NID(, 2)

i = 1,...,a

j = 1,....,n

Los supuestos bsicos entonces son:

1.
2.
3.
4.
5.

aditividad
linealidad
normalidad
independencia
varianzas homogneas (homocedasticidad)

Forma alternativa para el modelo

yij = + i + eij
Donde:
es la media general
i es el efecto del i-simo tratamiento
i = i -

Anlisis de varianza de un modelo de

efecto fijo
Como
se tiene que

i = i -
i = 0

Las hiptesis de inters son:

Ho: 1 = 2 = .......= a = 0
H1: i 0 para algn i

Ho: 1 = 2 = = a =
H1: i para algn i

El nombre de anlisis de varianza deriva de la

particin de la variabilidad total en sus
componentes. La suma de cuadrados corregida
se puede escribir por:

Distribuciones:
SCTot./2 2N 1
SCTrat./2 2a 1
S.C.E./2 2N - a

Teorema de Cochrane
Sea Zi NID(0, 1) para i = 1,....,
y Z 2i = Q1 + Q2 + ....+ Qs , donde s y Qi
tiene i grados de libertad (i = 1,...,s).
Entonces, las Qi son s v.a.i. con distribucin 2
y i g.l. respectivamente ssi = 1 + 2 + ......
+ s.

Aplicando este teorema se tiene que bajo H o

Fo = CMTrat./CME F(a 1; N a)
Se rechaza Ho si
Fo > F(1-), (a-1), (N-a)

Podemos rescribir las frmulas de la siguiente

manera:
SC Tot. = y2ij y2/N
SC Trat. = y2i/n - y2/N
Observacin: la expresin y2/N se suele
denominar trmino de correccin de manera
que a la SCTot se le suele llamar Suma de
Cuadrados Total Corregida.

ANDEVA para el modelo de efecto

fijo a un criterio de clasificacin
Fuente de
variacin

g.l.

Suma de
cuadrados

Cuadrados
Medios

Fo

Entre
Tratamientos

a1

y2i/n - y2/N SCTrat/(a 1) CMTrat./CME

Error (dentro
Tratamiento)

Na

SCTot. SCTrat. SCE/(N a)

Total

N-1

y2ij y2/N

Estimacin de Parmetros
Para estimar los parmetros se utiliza el mtodo
de mnimos cuadrados. Se obtiene lo siguiente:

Intervalos confidenciales para la

media del i-simo tratamiento
Como
eij NID(0, 2) yi NID(i, 2/n)
De modo que un I.C. del (1 - )* 100% para la
media del i-simo tratamiento es:
yi +/- t /2, (N a) CME/n

El I.C. del (1 - )* 100% para la diferencia de

las medias de dos tratamientos (i - j), es:
yi - yj +/- t /2, (N a) 2CME/n

El caso no-balanceado
Se dice que un diseo es no-balanceado si el
nmero de observaciones tomadas para cada
tratamiento es diferente.
Sea ni = N de observaciones tomadas bajo el
tratamiento i, entonces

N = n i

Las sumas de cuadrados queda:

S.C. Total = y2ij y2 /N
S.C. Trat. = y2i /ni y2 /N
Las restricciones a las ecuaciones normales
queda:
nii = 0
y en la ANDEVA no es necesario hacer ningn
otro cambio.

Test sobre las medias de los

tratamientos (caso balanceado)
Test t, para comparar dos medias:
H0: i = j ij
t0 = yi - yj / 2CME/n tN-a
porque
s(yi - yh) = 2CME/n
y se rechaza H0 si
yi - yj

t /2, (N a) 2CME/n

La cantidad
t /2, (N a) 2CME/n
se llama diferencia mnima
significativa o D.M.S.

Este test tiene la desventaja que el error de tipo

I puede crecer muchsimo si se desea comparar
simultneamente varias medias. Hay otros test
que eliminan este problema: Newman, Tukey,
Duncan. El de Tukey es el ms conservador
porque la probabilidad de error de tipo I es
realmente menor que . Sin embargo nosotros
vamos a estudiar el test de Duncan porque es el
ms adecuado, aunque requiere de n iguales.

Test de Duncan para comparaciones

mltiples de medias.
El mtodo contempla los siguientes pasos:
1. Determinar el error estndar de cada media
por:
Syi = CME/n

2. De la tabla de Duncan obtener los valores:

r(p,f)
para p = 2,3,,a
= nivel de significacin
p = rango (N de medias comprendidas)
f = grados de libertad del error

3. Calcular los factores de comparacin:

Rp = r(p,f) Syi
para p = 2,3,......,a
4. Ordenar las medias de mayor a menor y
calcular las diferencias comenzando por la ms
alta contra la ms baja, la que se compara con
Ra. Luego se calcula la penltima ms baja, la
que se compara con Ra-1. Esto se hace para
todas las medias, es decir, a(a-1)/2 veces. Si un
rango observado es mayor que el
correspondiente valor de comparacin, se
concluye que el par de medias es
significativamente diferente.

Observacin: para prever contradicciones, no

se considera significativa la diferencia entre un
par de medias si ellas dos quedan entremedio
de otras dos que no difieren
significativamente.

Test de Scheff para comparar

medias en un diseo no balanceado.
Cuando los ni son diferentes un test que es til
es el de Scheff, sin embargo Corner y
Swanson afirman que este test no acta muy
bien en detectar verdaderas diferencias entre
pares de medias y no debiera utilizarse en
comparaciones mltiples pareadas.

Mtodo
1. El estadstico de prueba para la hiptesis
H0 : i = h es
F0 = yi - yh /CME(1/ni + 1/nh)
2. El valor crtico es
F = (a-1) F(a-1); (N a);
3. Se rechaza H0 si F0 > F.

Modelos de efecto al azar

Este tipo de modelos son aquellos en que los
a niveles se seleccionan al azar de entre en
total de niveles que tiene el factor. Se va a
suponer que la poblacin de niveles del factor
es infinita o lo suficientemente grande como
para suponerla infinita.

El modelo es:
yij = + i + eij

i = 1,2,...,a
j = 1,2,.,n
donde i y eij son variables aleatorias,
V(i) = 2 y es independiente de eij.
Por lo tanto:
V(yij) = 2 + 2

2 y 2 se llaman componentes de varianzas y

el modelo dado anteriormente se llama modelo
de componentes de varianzas o modelo de
efectos al azar. Para probar las hiptesis del
modelo se requiere que:
eij NID(0, 2),
i NID(0, 2 ) i
eij y i son independientes

Observacin: el que las i sean v.a.i. implica que la

suposicin i = 0 no puede ser aplicada a este
modelo.
La particin :
S.C. Total = S.C. Tratamiento + S.C.E.
an es vlida, pero docimar efectos de tratamientos
no tiene sentido. A cambio de ello se docima:
H0: 2 = 0
vs
H1: 2 > 0

Como antes, bajo H0:

SCE/ 2 2 (N a)
y
SCTrat./ 2 2 a - 1
y son independientes, de modo que:
F0 = CMTrat/CME F(a - 1); (N a)