Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                
Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 3 vistas

    Clase 8 DCA IA

    Cargado por

    angelasofiavergaraestupinan

    Copyright:

    © All Rights Reserved
    Descargue como PPTX, PDF, TXT o lea en línea desde Scribd

    Clase 8 DCA IA

    Cargado por

    angelasofiavergaraestupinan
    3 vistas24 páginas

    Título original

    Clase 8 DCA IA

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PPTX, PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Copyright:

    © All Rights Reserved
    Descargue como PPTX, PDF, TXT o lea en línea desde Scribd
    Descargar como pptx, pdf o txt
    3 vistas24 páginas

    Clase 8 DCA IA

    Cargado por

    angelasofiavergaraestupinan

    Copyright:

    © All Rights Reserved
    Descargue como PPTX, PDF, TXT o lea en línea desde Scribd
    Descargar como pptx, pdf o txt
    Está en la página 1de 24

    Clase diseño completamente al

    azar (DCA)

    Bioestadística y diseño experimental

    Helber Enrique Balaguera López


    I.A. M.Sc. Dr. Fisiología Vegetal
    DISEÑO COMPLETAMENTE AL AZAR
    • Es el diseño experimental mas sencillo que existe.

    • No ejerce ningún control sobre el error experimental y


    requiere que los tratamientos sean evaluados sobre UE
    homogéneas, es decir, que su variabilidad antes de iniciar el
    experimento sea mínima. Esta característica se constituye en
    la principal condición para utilizar este tipo de diseño.
    • Se utiliza con frecuencia en experimentos de laboratorio o
    invernadero, en donde las condiciones ambientales son
    controladas.
    • Y en donde las condiciones son las mismas para todas las UE.
    DISEÑO COMPLETAMENTE AL AZAR
    • La aleatorización se realiza asignando los tratamientos a las U.E. de una manera
    completamente al azar, sin ninguna restricción.

    • Cada U.E. tiene la misma probabilidad de recibir cualquier tratamiento.

    • El número de repeticiones por tratamiento puede ser diferente.


    Ventajas del DCA
    • Su facilidad de planeación.
    • Existe flexibilidad en cuanto al número de tratamientos y repeticiones, que solo se limita
    al número de UE disponibles.

    • El número de repeticiones puede ser diferente de un tratamiento a otro, pero esta situación
    no es recomendable sin una buena justificación.

    • El análisis estadístico es fácil de realizar, aunque los tratamientos no tengan el mismo


    número de repeticiones.

    • El análisis estadístico no presenta dificultad, aunque se hayan presentado pérdidas de


    unidades experimentales. La pérdida relativa de información debida a descarte de
    unidades experimentales es de menor importancia, comparada con otros diseños.
    Desventajas del DCA
    • La principal desventaja radica en su ineficiencia cuando no existe
    homogeneidad en las U.E.

    • Como la aleatorización no tiene ningún tipo de restricción, el error experimental


    incluye toda la variación entre las U.E.
    • Cuando el número de unidades experimentales es muy grande es difícil
    encontrar lugares grandes que presenten la homogeneidad requerida, o gran
    cantidad de individuos homogéneos.
    Ejemplos de experimentos con DCA
    Aleatorización en un DCA
    • Considerando un experimento con t = 5 tratamientos (A) y r = 4 repeticiones para cada
    tratamiento, se tiene que el número total de UE es t × r = 5 × 4 = 20.

    • Las (t × r) UE serán aleatorizadas sin restricciones, los t tratamientos en estudio con sus r
    repeticiones, conforme se muestra en el siguiente croquis.

    R1 R4 R1 R3 R2

    R2 R3 R4 R4 R3

    R4 R1 R1 R2 R2

    R3 R4 R1 R2 R3
    Modelo estadístico del DCA
    yij =  + j + ij
    j = 1, 2,…, t (t indica el número de tratamientos).
    i = 1, 2,…, rj (con rj como el número de repeticiones en el tratamiento j-esimo).

    Yij: Variable aleatoria observada en la i-ésima repetición del j-ésimo


    tratamiento.

     : Media general
    i : Efecto del j-ésimo tratamiento

    ij: Efecto del error experimental. Es la cantidad de variación no


    explicada por el Factor o tratamiento.

    =Tau
    Ejemplo

    Ejemplo: Efecto de cuatro dosis de fertilizante orgánico, sobre la altura


    inicial de una especie vegetal.

    Tratamiento Dosis de fertilizante


    (g/planta)
    1 0
    2 10
    3 20
    4 30

    Diseño experimental: Completamente azar, cuatro (4) tratamientos,


    cuatro (4) repeticiones
    NOTA: Los tratamientos se pueden denotar por un número consecutivo
    (1,2,3,4) o por el valor del tratamiento (0, 10, 20, 30)
    DISEÑO COMPLETAMENTE AL AZAR
    • 4 tratamientos x 4 repeticiones= 16 unidades experimentales (UE)
    • Cada UE es una parcela de 2*2m
    • Para aleatorizar se puede hacer utilizando una tabla de números al azar, por balotas,
    tirando un dado, o por cualquier otra operación que sirva para el mismo propósito.

    1 (T2R2) 2 (T1R4) 3 (T3R3) 4 (T3R4)

    5 (T2R2) 6 (T4R4) 7 (T4R2) 8 (T1R2)

    9 (T2R4) 10 (T4R3) 11 (T4R4) 12 (T3R2)

    13 (T3R3) 14 (T1R2) 15 (T4R1) 16 (T3R1)


    DISEÑO COMPLETAMENTE AL AZAR
    • 4 tratamientos x 4 repeticiones= 16 unidades experimentales (UE)
    • Cada UE es una parcela
    • Para aleatorizar se puede hacer utilizando una tabla de números al azar, por balotas,
    tirando un dado, o por cualquier otra operación que sirva para el mismo propósito.

    1 (T2R2) 2 (T1R4) 3 (T3R3) 4 (T3R4)

    5 (T2R2) 6 (T4R4) 7 (T4R2) 8 (T1R2)

    9 (T2R4) 10 (T4R3) 11 (T4R4) 12 (T3R2)

    13 (T3R3) 14 (T1R2) 15 (T4R1) 16 (T3R1)


    TRATAMIENTO REPETICION Leche Yij
    0 1 10 Y
    Resultados
    11

    0 2 12 Y21
    0 3 11 Y Este diseño de tabla para
    31
    toma de datos es el mas
    0 4 12 Y
    41 adecuado cuando el
    10000 1 15 Y análisis se hace con
    12
    software estadístico
    10000 2 18 Y22
    10000 3 17 Y
    32

    10000 4 18 Y
    42

    20000 1 25 Y
    13

    20000 2 30 Y23
    20000 3 28 Y
    33

    20000 4 27 Y
    43

    30000 1 28 Y14
    30000 2 27 Y24
    30000 3 27 Y
    j = 1, 2,…, t (t indica el número de tratamientos). 34

    i30000 4 el número de 29
    = 1, 2,…, rj (con rj como repeticionesYen
    44 el tratamiento j-esimo).
    Datos de la variable altura del ejemplo anterior

    Tomado de Arguelles, 2013


    Formulación de hipótesis
    • H0: No existe diferencia entre tratamientos (τ1 = τ2 = τ3 = τ4):
    • Hl: Existe diferencia entre los tratamientos. Al menos un par de
    dosis produce efectos diferentes.

    Cuando se tienen mas de dos tratamientos, las hipótesis se prueban con un análisis de
    varianza (ANAVA o ANOVA).

    Análisis de varianza
    • Un análisis de la varianza es la técnica estadística más usada por el investigador,
    permite determinar si diferentes tratamientos muestran diferencias significativas o
    por el contrario puede suponerse que sus medias poblacionales no difieren.

    • En general, el análisis de varianza descompone la variabilidad total de los datos en


    aquella que está relacionada con los factores controlados (bloques, tratamientos, etc.)
    y no controlados (error experimental).
    Fuente de Grados de Suma de Cuadrado
    variación libertad cuadrados medio Valor de F
    ANAVA

    F. V. G.L. S.C. C.M. F

    Tratamientos t-1 (Σ Y.j2)/r - FC SCt/GLt CMt/CMe

    Error t(r-1) Diferencia SCe/GLe


    Factor de
    Total rt-1 Σ Yij2 - FC corrección

    FC = (Σ Yij)2/rt

    • FC =factor de corrección. Tabla de análisis de varianza


    • SCt = Suma de cuadrados de los tratamientos.
    t:tratamiento
    • SCe = Suma de cuadrados del error. r: repeticiones
    • y.j = Total del i-esimo tratamiento (t). e: error
    • yij = Valor de la variable aleatoria en cada una de las unidades experimentales (tratamiento j-esimo de la
    repetición i-esima).
    • r = Numero de repeticiones (r) del j-esimo tratamiento.
    Tabla de análisis de varianza
    F. V. G. L. S. C. C. M. F Pr > F
    TRATAMIENTOS 3 795,25 265,08 129,8 < 0.0001
    ERROR 12 24,50 2,04
    TOTAL 15 819,75
    C. V. (%) 6,8
    Media 20,9
    Tener en cuenta: cuando Pr>F es menor a 0,05 ya hay
    diferencias estadísticas, pero cuando:
    • Pr>F esta entre 0,01 y 0,05, hay diferencias al 5% o
    P≤0,05 o se denota como *
    • Pr>F es menor a 0,01 hay diferencias al 1% o P≤0,01 o se
    denota como **

    Interpretación: se presentaron diferencias estadísticas significativas (P≤0,01) entre dosis


    de vitamina D.
    ANAVA en SPSS
    2
    1

    3
    Salida ANAVA experimento dosis de fertilizante
    orgánico en maíz, variable altura

    NOTA:
    Inter-grupos= tratamientos
    Intra-grupos=error

    Interpretación: se presentaron diferencias estadísticas significativas (P≤0,01) entre dosis


    de fertilizante.
    • Interpretar la
    significancia
    Coeficiente de variación en el ANAVA
    • Se le puede considerar como medida relativa de la variación que no es posible
    controlar en el experimento (error experimental).
    • Da una idea de la precisión del experimento, a un valor alto de CV corresponde
    un alto error experimental, lo cual indica que existe poca capacidad del
    experimento para detectar diferencias significativas entre los tratamientos.
    Coeficiente de variación en el ANAVA
    • “De modo general, altos coeficientes de variación indican experimentos mal
    manejados”, pero no siempre.
    • El hecho de que el coeficiente de variación sea alto puede deberse no solamente al mal
    manejo del experimento, sino también a:

    • Tipo de variable de respuesta (escala de medición)


    • Tipo de tratamientos.
    • Errores en el análisis de la información, etc.

    • El CV puede ser utilizado para comparar la precisión experimental de variables


    experimentales semejantes.
    • Es conveniente que el investigador revise bibliografía sobre los valores de CV obtenidos
    en cada cultivo y condición donde se realizó el experimento (por ejemplo, un valor de
    CV=10% puede ser considerado un valor bajo, pero para algunas condiciones no).
    Ejercicio 2
    • Una persona que se dedica a la producción de alfalfa quiso comparar los efectos de
    cinco dosis de un fertilizante comercial llamado 15-15-15 (0, 50, 100, 150 y 200 g/m 2)
    sobre el crecimiento inicial en altura de plántulas de alfalfa.
    • Dispuso de 25 parcelas y aplicó cada tratamiento a 5 parcelas escogidas al azar.
    Entonces, las parcelas se plantaron a mano y, al final de cinco meses, se midió la altura
    de todos los plantas y se calculó la altura promedio de cada parcela. Las medidas de las
    parcelas (en cm) fueron como sigue:

    Plantear hipótesis, número de repeticiones y de unidades experimentales

    Realizar análisis de varianza (ANAVA) e interpretar


    ANAVA del ejm anterior

    El valor es igual, solo que


    SPSS nos da 3 decimales

    ANOVA
    FV GL SC CM FC P>F
    Tratamiento 4 34,64 8,66 5,85 0,0028
    Error 20 29,60 1,48
    Total 24 64,24
    CV=9,17%
    Interpretación:
    Altura: se presentaron diferencias estadísticas significativas (P≤0,01) entre dosis de 15-15-15.

    También podría gustarte