Вы находитесь на странице: 1из 111

PRUEBAS DEHIPTESIS

Objetivos del tema

Conocer el proceso para contrastar hiptesis y su relacin


con el mtodo cientfico.

Diferenciar entre hiptesis nula y alternativa

Nivel de significacin

Significacin

Toma de decisiones, tipos de error y cuantificacin del error.

Contrastando una hiptesis

Son
demasiados...

Creo que la edad


media es 40
aos...

Gran
diferencia!
Muestra
aleatoria

Rechazo la
hiptesis

X 20 aos
3

Qu es una hiptesis?
Creo que el

Una creencia sobre la poblacin,


principalmente sus parmetros:

porcentaje de
enfermos ser el 5%

Media
Varianza
Proporcin/Tasa

OJO: Si queremos contrastarla,


debe establecerse antes del
anlisis.
4

Identificacin de hiptesis

Hiptesis nula Ho

Hiptesis. Alternativa H1

La que contrastamos

Los datos pueden refutarla

No debera ser rechazada sin una buena


razn.

Niega a H0
Los datos pueden mostrar evidencia a
favor
No debera ser aceptada sin una gran
evidencia a favor.

H0 :

H1 :

p 0.5

p 0.5

, ,
5

Quin es H0?

Problema: La osteoporosis est relacionada con el gnero?

Solucin:

Traducir a lenguaje estadstico:

Establecer su opuesto:

Seleccionar la hiptesis nula

p 0.5

p 0.5

H 0 : p 0.5
6

Quin es H0?

Problema: El colesterol medio para la dieta Trujillana es


mmol/l?

Solucin:

Traducir a lenguaje estadstico:

Establecer su opuesto:

Seleccionar la hiptesis nula

H0 : 6
7

Razonamiento bsico
Si supongo que H0 es cierta...

qu hace un
cientfico cuando
su teora no
coincide con sus
predicciones?

40
X 20

... el resultado del experimento sera improbable.


Sin embargo ocurri.
8

Razonamiento bsico
Si supongo que H0 es cierta...

Rechazo que H0
sea cierta.

40
X 20

... el resultado del experimento sera improbable.


Sin embargo ocurri.
9

Razonamiento bsico
Si supongo que H0 es cierta...
No hay evidencia contra H0
Si una teora
hace predicciones
con xito, queda
probado que es
cierta?

No se rechaza H0
El experimento no es
concluyente
El contraste no es significativo

40
X 38

... el resultado del experimento es coherente.

10

Regin crtica y nivel de


Regin crtica
significacin
Valores improbables si...

Es conocida antes de realizar el


experimento: resultados
experimentales que refutaran H0

Nivel de significacin:
Nmero pequeo: 1% , 5%
Fijado de antemano por el investigador
Es la probabilidad de rechazar H 0
cuando es cierta

=0.05

Reg. Crit.

Reg. Crit.

No rechazo H0
=40

11

Contrastes: unilateral y bilateral


La posicin de la regin crtica depende de la hiptesis
alternativa

Bilatera
l

Unilateral

H1: < 40

H1: 40

Unilater
al

H1:
>40

12

Significacin: p

H0: = 40

13

Significacin: p

No se rechaza
H0: = 40
H0: = 40

X 43

14

Significacin: p
Es la probabilidad que tendra una regin crtica que comenzase exactamente en el
valor del estadstico obtenido de la muestra.
Es la probabilidad de tener una muestra que discrepe an ms que la nuestra de H0.
Es la probabilidad de que por puro azar obtengamos una muestra ms extraa que
la obtenida.
p es conocido despus de realizar el experimento aleatorio
El contraste es no significativo cuando p>

No se rechaza
H0: =40

X 43

15

Significacin : p

Se rechaza H0: =40


Se acepta H1: >40

X 50
16

Significacin : p
El contraste es estadsticamente significativo cuando p <

Es decir, si el resultado experimental discrepa ms de lo tolerado a priori.

Se rechaza H0: =40


Se acepta H1: >40

X 50
17

Resumen: , p y criterio de
rechazo

Sobre

Sobre p

Es nmero pequeo,
preelegido al disear el
experimento

Conocido sabemos todo


sobre la regin crtica

Es conocido tras realizar el


experimento

Conocido p sabemos todo


sobre el resultado del
experimento

Sobre el criterio de rechazo

El contraste es significativo si p menor que


18

Riesgos al tomar decisiones


Ejemplo 1: Se juzga a un individuo por la presunta comisin de un delito
Los datos pueden refutarla

H0: Hiptesis nula

Es inocente

La que se acepta si las


pruebas no indican lo
contrario
Rechazarla por error tiene
graves consecuencias

H1: Hiptesis alternativa

Es culpable

No debera ser aceptada sin una


gran evidencia a favor.
Rechazarla por error tiene
consecuencias consideradas
menos graves que la anterior

19

Riesgos al contrastar hiptesis


Ejemplo 2: Se cree que un nuevo tratamiento ofrece buenos resultados
Ejemplo 3: Parece que hay una incidencia de enfermedad ms alta de lo normal

H0: Hiptesis nula

(Ej.1) Es inocente
(Ej.2) El nuevo tratamiento no tiene efecto
(Ej.3) No hay nada que destacar

H1: Hiptesis alternativa

No especulativa

(Ej.1) Es culpable
(Ej.2) El nuevo tratamiento es til
(Ej. 3) Hay una situacin anormal

Especulativa

20

Tipos de error al tomar una decisin


Realidad
Inocente

Culpable

Error
Inocente

veredicto

OK

Menos grave

Error
Culpable Muy grave

OK

21

Tipos de error al contrastar


hiptesisRealidad
H0 cierta

Correcto
No Rechazo H0

Rechazo H0
Acepto H1

El tratamiento no
tiene efecto y as se
decide.

H0 Falsa

Error de tipo II
El tratamiento si tiene efecto
pero no lo percibimos.
Probabilidad

Error de tipo I
El tratamiento no
tiene efecto pero se
decide que s.
Probabilidad

Pruebas de hiptesis

Correcto
El tratamiento tiene efecto y el
experimento lo confirma.

22

No se puede tener todo

Recordad lo que
pasaba con
sensibilidad y
especificidad

Para un tamao muestral fijo, no se pueden reducir a la vez


ambos tipos de error.

Para reducir , hay que aumentar el tamao muestral.

23

Conclusiones

Las hiptesis no se plantean despus de observar los datos.

En ciencia, las hiptesis nula y alternativa no tienen el mismo papel:

H0 : Hiptesis cientficamente ms simple.


H1 : El peso de la prueba recae en ella.

debe ser pequeo

Rechazar una hiptesis consiste en observar si p <

Rechazar una hiptesis no prueba que sea falsa. Podemos cometer error de tipo I

No rechazar una hiptesis no prueba que sea cierta. Podemos cometer error de tipo II

Si decidimos rechazar una hiptesis debemos mostrar la probabilidad de equivocarnos.

24

Qu hemos visto?

Hiptesis

Nivel de significacin

Probabilidad de error de tipo I

Significacin, p.

Nula
Alternativa

Criterio de aceptacin / rechazo.

Tipos de error

Tipo I
Tipo II

25

El anlisis de varianza y la
prueba de F nos indicar que
algunas
medias
de
tratamientos son diferentes, es
decir,
medias
que
difieren
La hiptesis nula que
en grupo.
este
significativamente
como
caso se prueba es:

Ho: 1 = 2 = n

vs

Ha: 1 2 n

Esta prueba falla al indicar cuales


medias de tratamientos difieren
significativamente unas a otras.
Frecuentemente
una
de
las
decisiones que se hacen en la
investigacin es que una media de
tratamientos es diferente de una o
El
mecanismo
mas
medias de comparaciones para

lograr este objetivo se denomina


MTODO
DE
COMPARACIONES

Entre los mtodos de comparacin


mltiple
comnmente
se
concluyen los siguientes:
Mnima

diferencia significativa
(DMS o DLS)
Mtodo
de
Duncan
Mtodo
de
Tukey
Mtodo Studen Newman
Keuls (SNK)
Mtodo
de
Sheffe
Mtodo
de
Dunnett

Esta prueba ideada por Fisher, no debe


utilizarse a menos que la prueba F sea
significativa.
La MDS solo se debe emplearse para
comparar medias adyacentes en un
arreglo ordenado.
Cuando
la
MDS
se
usa
indiscriminadamente para probar las
diferencias posibles entre diversas
medias,
ciertas
diferencias
sern
significativas pero no en el nivel de
significancia
que hemos
escogido
La MDS es adecuada
para
comparar un
tratamiento
estndar
con
otros
tratamientos (otros tratamientos con

La ventaja de esta prueba es que


resulta fcil de calcular y emplea un
estimador
nico
para
efectuar
La formula de MDS se deriva , a su
comparaciones
vez de la formula de la t en la prueba
de la significacin estadstica de la
diferencia entre
dos
MDS =
t medias:
CMe
r
En esta expresin
CMe es el cuadrado
medio del error, r es el nmero de
repeticiones, y t es el valor tabular de
t para los grados de libertad del error

Determinar el efecto de la implementacin


de una hormona, el Estilbestrol, sobre la
capacidad de aumentar el peso de ovejas
machos (M) y hembras (H). Los tratamientos
fueron un conjunto factorial , teniendo como
factores el sexo y el Estilbestrol; cada factor
tubo
dos niveles se expresa el aumento de
A continuacin
peso de ovejas agrupadas por tratamiento y
por tratamientos y por bloques (libras por
oveja 100 das).
TRATAMIENTO

II

III

IV

TOTAL MEDIA

HO

47 52 62 51

212

53

MO

50 54 67 57

228

57

H3

57 53 69 57

236

59

M3

54 65 74 59

252

63

3
3
9

208
576
70

1
5

854

69.
3
192
7.7
8

3
3

Se tiene del ANVA, y los respectivos


promedios de los tratamientos
MDS(0.05) = t0.05 x
CMe
MDS(0.05)
1.8333
r
1
x
=

(7.78
) 4

MDS(0.0 1.8 x
331 1.3946
5) =
MDS(0.05 2.52
88
) =

dij = | i - j
|
Si dij < MDSNS
i = j
Si dij > MDS*
i j

di

53

57
4NS

59
2NS

63
4NS

MDS(0.0 4.4
6
5) =

Si j comparamos medias adyacentes


ordenadas, concluimos que no hay
diferencias; pero el valor de F revela
que si existen.
Si empleamos la DMS para comparar
todas las medias, llegamos a la
conclusin de que el Estilbestrol
mejor la capacidad de aumento de
peso tanto en ovejas hembras como en
Las
diferencias
en
la
capacidad
de
los machos.
aumento de peso asociadas con el sexo

1
53

2
57

3
59

4
63

4 63
3 59

10
6* *

6*
2N

4*
0

2 57
1 53

4*
0

S
0

MDS(0.05 2.52
88
) =

CONCLUSI
ONES:
4 a
63
3
b
59
2
b
57
1
c
53

Los tratamientos con letras iguales


son estadsticamente no significativas
(P0.05) MDS. La magnitud del
tratamiento est en orden alfabtico

Esta prueba es la mas utilizada entre las


diversas
pruebas
de
rango
mltiple
disponible.
Su mtodo es de naturaleza secuencial,
esto es que utiliza un nuevo valor para cada
una de las comparaciones de medias
adyacentes.
Este procedimiento se utiliza con mas
amplitud cuando diversos tratamientos no
relacionados se incluyen en un experimento
(por ejemplo, para efectuar todas las
comparaciones
posibles
entre
las
capacidades de diversas variedades).
Adems, la prueba incluye el clculo de las
diferencias significativas mnimas entre las
medias del tratamiento cuando stas se
encuentran
dispuestos
en
orden
de

DMS = R . S
Donde R es el valor extrado de una tabla
especial de rangos estudentizados, con los
grados de libertad del error y con la
disposicin relativa de las medias en el
arreglo; S es el producto de CMe/r, donde
CMe es el cuadrado medio del error, y r es el
nmero de repeticiones.
3
3
9

208
576
70

15

854

69.3
192
7.78

3
3

http://www.docentes.unal.edu.co/jarueda/docs/Tablas

Se tiene el siguiente ANVA, y los


respectivos promedios de los tratamientos
RMS(0.05) = R0.05
CMe

S =
7.78
4

=
1.394

r
MDS(0.05)
de acuerdo con el nmero de
medias comparadas :
RMS(0.0
4
3
2
5) S
3.4
3.3
3.2
=
1.394

RMS(0.
05)

1
4.7
5

4
4.6
6

0
4.4
6

http://www.mty.itesm.mx/dia/profs/anavarro/

1
53

2
57

3
59

4
63

4 63

10*

6*

4NS

3 59

6*

2NS

2 57

4NS

RMS(0.05
)
RMS
(0.0

1 53

5)

4.7
5

4.4
6

4.6
6

CONCLUSIO
NES:
4 63 a
3 59 a b
2 57
1 53

bc

Los tratamientos con letras iguales son


estadsticamente no significativas (P0.05)
MDS. La magnitud del tratamiento est en

SNK = q . S

Se tiene el siguiente ANVA, y los respectivos


promedios de los tratamientos
S =
7.78
acuerdo 4con

SNK(0.05) = R0.05
CMe

SNK(0.05)
de
r
medias comparadas :
4
RMS(0.0
5) S
4.4
=

=
1.394

el nmero de
2

3.9
3.1
15
49
99
1.394
4.4
6.1
5.54
RMS(0.0
59
54
9
http://www.docentes.unal.edu.co/jarueda/docs/Tablas%20(Duncan
5)

%20y%20Tukey).pdf

1
53

2
57

3
59

4
63

4 63

10*

6*

4NS

3 59

6*

2NS

2 57

4NS

1 53

RMS(0.05)
RMS(0.05)

6.15
4

4.45
9

5.54
9

CONCLUSIO
NES:
4 63 a
3 59 a b
2 57
1 53

bc

Los tratamientos con letras iguales son


estadsticamente no significativas (P0.05)
MDS. La magnitud del tratamiento est en

Conocida como la prueba de la Diferencia


Mnima Significativa Honesta (DMSH)
El mtodo de Tukey es un procedimiento
basado en el rango estudentizado, pero no
secuencial, pues utiliza un solo valor de q
ordinario.
Sin embargo, el mtodo Tukey es til en
situaciones en que se desea hacer un
primer nfasis en el uso del experimento
con un total para determinar la significancia
de
los prueba
pares desolo
medias
Esta
es exacta cuando los
grupos tienen igual nmero de elementos y
para medias que no han sido ajustadas por
covarianza.

Su frmula es la
siguiente:
To = q . S
Donde q es el valor obtenido de tablas
especiales de rangos estudentizados, para
los grados de libertad del error y con la
disposicin relativa de las medias en el
arreglo;; S es el producto de CMe2/r, donde
CMe es el cuadrado medio del error, y r es el
nmero de repeticiones.
3
3
9

208
576
70

15

854

69.3
192
7.78

3
3

To = q .
S el siguiente ANVA, y los respectivos
Se tiene
promedios de los tratamientos
To(0.05) = q0.05
CMe
r
To(0.05) 4.4 7.7
84
=
2
To(0.05) 6.161
=

S =
7.78
4

=
1.394

1
53

2
57

3
59

4
63

4 63

10*

6NS

4NS

3 59

6NS

2NS

2 57

4NS

1 53

To(0.05) 6.161
=
CONCLUSIO
NES:
4 63 a
3 59 a b
2 57 a b
b
1 53

Los tratamientos con letras iguales son


estadsticamente no significativas (P0.05)
MDS. La magnitud del tratamiento est en

Este se considera un mtodo bastante


general que utiliza una D F de Snedecor.
El mtodo de Scheffe puede aplicarse para
probar la hiptesis general de que una
funcin lineal
Esta prueba solo es exacta cuando los
grupos tienen igual nmero de elementos
y para medias que no han sido ajustadas
por covarianza.

Su frmula es la
siguiente:
To = q . S
Donde q es el valor obtenido de tablas
especiales de rangos estudentizados, para
los grados de libertad del error y con la
disposicin relativa de las medias en el
arreglo;; S es el producto de CMe2/r, donde
CMe es el cuadrado medio del error, y r es el
nmero de repeticiones.
3
3
9

208
576
70

15

854

69.3
192
7.78

3
3

To = q .
S el siguiente ANVA, y los respectivos
Se tiene
promedios de los tratamientos
To(0.05) = q0.05
CMe
r
To(0.05) 4.4 7.7
84
2
=
To(0.05) 6.161
=

S =
7.78
4

=
1.394

1
53

2
57

3
59

4
63

4 63

10*

6NS

4NS

3 59

6NS

2NS

2 57

4NS

1 53

To(0.05) 6.161
=
CONCLUSIO
NES:
4 63 a
3 59 a b
2 57 a b
b
1 53

Los tratamientos con letras iguales son


estadsticamente no significativas (P0.05)
MDS. La magnitud del tratamiento est en

Ahora, recordemos que estamos


usando una muestra para
concluir sobre la poblacin
Es posible (poco probable, ojal)
que la decisin tomada de
rechazar o no Ho sea errnea

Qu error podramos
cometer?

Escenarios
posibles

EVIDENCIA/
DATOS DE
LA
MUESTRA

No diferencia
(No rechaza
H0))
Hay
diferencia
(Rechazar
H0 y aceptar
Ha)

ESTADO REAL (LA VERDA

ERROR

H0 es falsa y
Ha es
verdadera
Hay
Error
Tipo II
diferencia
()

Error Tipo I
()

NO HAY
ERROR

H0 es
verdadera,
No hay
diferencia
NO HAY

Escenarios
posibles

EVIDENCI
A
( DATOS)
observad
os

ESTADO REAL (VERDAD)


desconocido
Hay
No hay
Diferencia
diferencia

Diferencia
(Rechazar
H0)

NO HAY
ERROR

No diferencia
(No rechazar
H0)

Error Tipo II

()

Error Tipo I

()
NO HAY
ERROR

Errores en la toma de
decisiones
Al tomar una decisin basados
en un punto de corte se pueden
cometer uno de dos errores:
1. Rechazar Ho siendo esta cierta
(Error tipo I).
2. No rechazar Ho siendo esta falsa
(Error tipo II)

Error Tipo I ()

PUEDE ocurrir cuando la evidencia


(datos de la muestra) sugiere NO
RECHAZAR Ho

El error consiste en reportar una


diferencia o asociacin que realmente
no existe

Puede deberse a un tamao de


muestra muy grande que detecta
diferencias no biolgicas

Tambin puede darse por azar,


estimndose que puede ocurrir con

Error Tipo II ()

PUEDE ocurrir cuando la evidencia


sugiere RECHAZAR Ho

El error consiste en reportar que no hay


una diferencia o asociacin cuando si la
hay

Puede deberse a tener una muestra


pequea que no permite detectar
diferencias reales

Tambin puede darse por azar, aunque

Es un diseo experimental en el cual los


tratamientos
son
asignados
completamente al azar en las unidades
experimentales sin ninguna restriccin a
igual o desigual nmero de unidades
experimentales

Para realizar el protocolo descrito


anteriormente
se
requiere
del
procedimiento llamado aleatorizacin,
que permite, como se indic en el
captulo de aspectos generales del
diseo:
(i) La validacin del error experimental,
(ii) Evita sesgos y
(iii) Garantiza la independencia de los
errores.

1. Es fcil planear y analizar


2. Adems es flexible en cuanto al nmero de
y repeticiones
3.tratamientos
Los tratamientos
tengan el mismo nmero de
/ Tratamiento.
4. Repeticiones
Permite tener
en el anlisis de varianza el
mximo nmero de grados de libertad para la
sumatoria de cuadrados del error experimental.
5. No hay perdida de la simplicidad en el anlisis
si alguna de las unidades experimentales de uno
o mas tratamientos se pierden durante la
ejecucin del experimento

1.Solo es aplicable en situaciones en las que el


material experimental es homogneo
2. Debido a que la aleatorizacin es irrestricta al
error experimental incluye toda la variabilidad
existente entre las unidades experimentales la
cual se incrementa sino se utiliza materiales
experimentales homogneos.
1.No
existe
restriccin

ninguna

1. Como la homogeneidad es un supuesto importante para


la eficiencia de este diseo, se debe tener mucho
cuidado en la seleccin del material experimental.
2. Debe seleccionarse cuidadosamente los tratamientos a
estudiar y planear ante mano las comparaciones o
contrastes de inters
Si tengo 48 unidades
El nmero de
experimentales y 16
repeticiones ser = 3
tratamientos
Si tengo 4
El
nmero
de
tratamientos y 48
repeticiones ser = 12
unidades
3. Es experimentales
preferible trabajar con un grupo selecto de
tratamientos con el mayor numero de repeticiones que
trabajar con muchos tratamientos y pocas repeticiones.

Los tratamientos y observaciones se


asignan completamente al azar en el
campo, usando la tabla de nmeros al
azar
Suponer
una mesa de invernadero con 24
lugares para macetas de arcilla; se debe
asignar, 4 tratamientos con 6 repeticiones
cada una segn el esquema siguiente

El procedimiento para sortear el experimento es


elegir 2 columnas de la tabla de nmeros al azar,
anotar las cifras inferiores a 25 eliminando las
repetidas

Yij

Yij +
= =
Observacin
Ti

+ Eij

individual
= Es la media general (un
o parmetro)
Ti contraste
= Efecto
de
i = (1, 2, 3,
,2,T)
Eij tratamiento,
=
Error
j = (1,
3,
, T)
a.experimental
H o : 1 = 2 = 3 =
Hiptes
is:
Ha =
:
2 3
1 t

b.

Criterio
de
Prueba:
Mediante la prueba de F
de Fisher
Fc
=
CM
CM
Tratamient
Error

o
Se comparar
con el correspondiente valor tabular
de la distribucin F de Fisher, el numerador lleva
los grados de libertad de tratamiento y el
denominador los grados de libertad del error.
c. Clculo de estimuladores:

Se calculan los promedios de los tratamientos, las


suma de cuadrados y los grados de libertad, con
el cociente de sumas de cuadrados y grados de
libertad se calculan los cuadrados medios y el

d.
Dat
os
La informacin
numrica, se extrae del libro
de campo y se presenta en forma de matriz
de 2 dimensiones, los tratamientos se
asignan
lasRepresentacin
hileras y las observaciones
Cuadroa de
simblica de a
las columnas.
los datos Yij como matriz

e. Anlisis de Variancia
Este diseo permite partir la variacin
total
en
2
componentes.
Una atribuible a la variacin entre
tratamientos y la otra a la variacin de las
observaciones dentro de los tratamientos,
tal Cuadro
como se
en del
la total
ilustracin
02. presenta
Rompimiento
en
siguiente: dos componentes

La suma de los cuadrados corregidas y los


grados de libertad se calculan conforme a

Cuadro
03.
Anlisis
Varianza (ANVA)

de

FUENTE GRADOS
CUADR
DE
DE
SUMA DE
ADOS
VARIACIO LIBERTA CUADRADOS
MEDIOS
N
D
(SC)
(CM)
(FV)
(GL)
T1

Yi / n Y..2/ Tr

SCT /
GLT

Error

T (r-1)

Yij Yi. /r

SCE /
GLE

Total

Tr - 1

Yij Y..2/ Tr

Tratamie
ntos

f.

Nivel
de
Significancia

=
0.05

Fc
CMT /
CME

g.
Decisin
Si Fc > Ft ; es decir F de la tabla de Fisher
:

con (t-1) y t(n-1) GL; se detecta un


Si Fc resultado
< Ft ; se
declara al
el 5%
significativo
resultado
no
h. significativo.
Se Conclusi
rechaza o acepta la Ho con base en las
ones: desigualdades.
anteriores
El coeficiente de variacin para este
experimento
C.V. = es:
CM
E

100

Peso de la materia seca de 5 variedades de


frijol, a los 30 das de la germinacin y por
unidad experimental

1.Modulo Aditivo Lineal


Yij = + Ti
+ Eij
2.Anlisis de Variancia

1.

Anlisis de Variancia
a.
Calculo de la Suma de
Cuadrados
(Tratamientos)
SC
=
20.90 + 20.50
+ 20.90 + 20.50 + 43.90
2

SCt = 653.89

6
586.98

132.702
6x 5

SCt = 66.91

b.Calculo de la Suma de Cuadrados (Error


Experimental)
2
2
2
2
SCE = 2.9

+ 8.0

+ 7.0

_ 20.90

+ + 43.902
6

SCE = 659.27 -

SCE = 5.38

653.89

La
perdida
de
unidades
experimentales o desigualdad de
nmeros de observaciones no
complica el anlisis del Diseo
Completamente al Azar en efecto
se
utilizan
definiciones
generalizadas para la suma de

c. Calculo de la Suma de
Cuadrados (Total)
SCT =

2.92

+ 3.52

+ 8.02

+ 7.02

132.702
6x5

SCT = 659.27

653.89

SCT = 5.38
SCT = 5.38

d.Calculo del Cuadrado Medio


(Tratamiento)
SC
66.90
CMT =

GLT

17.73

e. Calculo del Cuadrado Medio


(Error)
CME =

SCE

GLE

5.38
25

= 0.22

1. Anlisis
Variancia
FUENTE DE

de
GRADOS DE
LIBERTAD
(GL)

SUMA DE
CUADRADO
S
(SC)

CUADRADOS
MEDIOS
(CM)

Fc

Tratamientos

T1

Yi / n Y..2/ Tr

SCT / GLT

CMT / CME

Error

T (r-1)

Yij Yi. /r

SCE / GLE

Total

Tr - 1

Yij Y..2/ Tr

VARIACION
(FV)

66.90

16.73

25

5.38

0.22

29

72.29

2.49

76.05

2.76

2.76

2. Clculo del Coeficiente


Variacin
Elde
coeficiente
de variacin para este
experimento es:
C.V. =

CME

100

C.V. =

0.22

100

= 10.61%

4.42

3. Prueba de Fisher
F:
Ho : TA = TB = TC = TD
Ha : TA TB TC TD

b.
Nivel
significancia
: 0.05

de

c.
Regiones
Crticas

d.
Criterio
de
Decisin
Fc < Ft 76.05, se acepta la Ho
Fc > Ft 76.05, se rechaza la Ha

e.
Conclusion
Existe
alta diferencia estadstica significativa entre los
Peso es
de la materia seca de las 5 variedades de frijol,
relacionado con los 30 das de la germinacin.

Peso de pollos con cuatro tipos de alimentos a los


45 das
de6engorde
Trat
A =
pollitos alimentados con maz y
20%
Trat
10%
Trat
Trat

de harina de pltano.
B = 6 pollitos alimentados con maz y
de harina de pltano.
C = 6 pollitos alimentados con purina.
D = 6 pollitos alimentados con maz.

1.

Datos Obtenidos

La perdida de unidades experimentales o


desigualdad
de
nmeros
de
observaciones no complica el anlisis del
Diseo Completamente al Azar en efecto
se utilizan definiciones generalizadas
para la suma de cuadrados y grados de
libertad.

Dato
La informacin
s

numrica, se extrae del libro de


campo y se presenta en forma de matriz de 2
dimensiones, los tratamientos se asignan a las
hileras y las observaciones a las columnas.

Cuadro de Representacin simblica de


los datos Yij como matriz

Anlisis
de
Variancia
Este
diseo permite partir la variacin
total
en 2 componentes.
Una atribuible
a la variacin entre tratamientos y
la otra a la variacin de las observaciones dentro
de los tratamientos, tal como se presenta en la
ilustracin
Cuadro de siguiente:
Anlisis de Varianza
FUENTE DE
VARIACION
(FV)

(ANVA)

GRADOS DE
LIBERTAD
(GL)

SUMA DE
CUADRADOS
(SC)

CUADRADOS
MEDIOS
(CM)

Fc

- Y.. /r

SCT / GLT

CMT / CME

SCE / GLE

Tratamientos

T1

Yi / ni

Error

r- T

Yij

- Yi. /ni

Total

r1

Yij

Y.. /r

t = total de tratamientos
t = total de parcelas en el experimento

Fc = Y2../n

Decisi
Si Fn:
c > Ft ; es decir F de la tabla de Fisher con (t1) y t(n-1) GL; se detecta un resultado
5%
Si Fc significativo
< Ft ; se aldeclara
el
resultado
no
Conclusi
significativo.
Se ones:
rechaza o acepta la Ho con base en las
anteriores desigualdades.
El coeficiente de variacin para
este experimento es:
C.V. =

CME

100

Peso de la materia seca de 5 variedades de frijol, a los


30 das de la germinacin y por unidad experimental

1.Modulo Aditivo Yij = + Ti


Lineal
2.Anlisis
de
Variancia

+ Eij

1.

Anlisis de Variancia
a.
Calculo de la Suma de
Cuadrados
(tratamientos)
2
2
2
2

SCt =

20.90
6

SCt = 409.65

+ 10.30
3

+ 21.10
6

+ 22.10
5

+ 16.102 _
2

372.28

SCt = 37.37

b. Calculo de la Suma de
Cuadrados
(error)
2
2
2
2
2
SCE = 2.9 + 3.5
SCE

412.49

=
SCE = 2.84

+ 8.1 + 8.0

409.65

_ 20.90 + + 16.102
6
2

90.502
22

c.Calculo de la Suma de
Cuadrados
(Total)2
2
2
SCT =

SCT =

2.9

+ + 8.1 + 8.0

412.49

90.502
22

372.28

SCT = 40.21

d. Calculo del Cuadrado Medio


(Tratamiento)
SCT
37.37
= 9.34
CM =
T

GLT

e.
Calculo del Cuadrado
MedioCM(Error)
SCE
= 2.84
=
=
T

GLE

17

0.17

1.

Anlisis de Variancia
FUENTE DE
VARIACION
(FV)

GRADOS DE
LIBERTAD
(GL)

SUMA DE
CUADRADOS
(SC)

CUADRADOS
MEDIOS
(CM)

Fc

Tratamientos

T1

Yi / ni Y.. /r

SCT / GLT

CMT / CME

Error

r- T

Yij Yi. /ni

SCE / GLE

Total

r1

Yij

Y.. /r

= 0.5

2. Clculo del Coeficiente


de
Variacin
El coeficiente de variacin para este
experimento es:
C.V. =

CME

C.V. =

100

4.58

3.

Prueba
Fisher F:

de

a.
Hiptesis Planteo
Ho : TA = TB a.
= TC = TD
de
Ha : TA TB TC TD
Hiptesis
b.
Nivel
de
significancia

: 0.05

0.17

100 = 09.00

c. Regiones
Crticas

d.
Criterio
de
Decisin
Fc < Ft 54.94, se acepta la Ho
Fc > Ft 54.94, se Rechaza la Ha

d.
Conclusion
Existe alta diferencia estadstica significativa entre
es
los Peso de la materia seca de las 5 variedades de
frijol, relacionado con los 30 das de la

Se quiere evaluar diferentes niveles de polvillos de


cacao en la alimentacin de cerdos en crecimiento
en los cuales se empleo 16 cerdos, separndolos
en
cuatro
Trat
I =tratamientos.
0% de polvillo de
cacao (Control).
Trat II = 5% de polvillo de
cacao.
Trat III=
10% de polvillo de
1.Datos
cacao. Obtenidos
Trat IV = 15% de polvillo de
cacao.

SUPUESTOS DEL ANALISIS DE


VARIANZA

Principales supuestos
Los trminos del error son aleatoria,

independiente y normalmente distribuidos.


Las varianzas de los diferentes grupos son
homogneas.
Las varianzas y los promedios de los grupos
no estn correlacionados.
Los efectos principales son aditivos.

Normalidad
Las desviaciones de la normalidad no afectan

seriamente la validez del anlisis.


Independencia significa que no hay relacin
entre el tamao de los trminos de error y el
grupo al cual pertenecen.

Homogeneidad de las varianzas


El anlisis de varianza utiliza un cuadrado

medio de error combinado, para obtener la


mejor estimacin de una varianza comn a
todos los grupos.
Si las varianzas entre los grupos son
diferentes no hay justificacin para
combinarlas.

Homogeneidad de las varianzas


Ejemplo
Varianzas iguales

Hiptesis nula verdadera

Hiptesis nula falsa

No existen problemas si las varianzas son iguales entre los grupos.

Homogeneidad de las varianzas


Ejemplo
Varianzas diferentes

Hiptesis nula verdadera

Hiptesis nula falsa

No existen problemas si las varianzas son iguales entre los grupos.

Ejemplo

Tabla de Anlisis de Varianza

LSD (diferencia mnima significativa, la menor diferencia entre dos grupos que
ser estadsticamente significativa.

1
1
LSD t CM ERROR

n1 n2

1 1
LSD 2.12 12.5 4.74
5 5

Conclusin
La

diferencia mnima significativa es razonable


para la diferencia entre los promedios de C y
D pero no lo es para los promedios Ay B.
La solucin es analizar los grupos AB y CD por
separado.

Independencia de medias y
varianzas
A

veces existe una relacin definida entre las


muestras y sus varianzas.
Generalmente involucra mayor varianza para
las muestras que tienen mayor promedio.

Independencia de medias y
varianzas

Ej. Aplicacin de insecticidas para el control de


garrapata en el perro

Dos tratamientos poco efectivos: 305 y 315 garrapatas


sobrevivientes
Dos tratamientos efectivos: 5 y 15 garrapatas
sobrevivientes.
Si las varianzas son homogneas y no relacionadas con
las medias, ambas diferencias tienen la misma
importancia dado que tienen la misma magnitud.

Independencia de medias y
varianzas
Otro ejemplo: un investigador desea probar el

efecto de una nueva vitamina sobre el peso


de animales y desea incluir varias especies
para darle amplitud a sus inferencias.
Las magnitudes de las diferencias de inters
en las diferentes especies son
completamente diferentes.

Supuesto de Aditividad

Cada diseo experimental tiene un modelo


matemtico denominado modelo lineal aditivo.
Ej. En un anlisis con un factor como causa de
variacin:
Yij = + Ai + eij
En un anlisis con dos factores (ej. Tratamiento y
bloque:
Yijk = + Ai + Bj + eijk

Modelo

lineal aditivo significa que la varianza


de
una
observacin
individual
(Y),
perteneciente a una estructura clasificada de
datos, es funcin de la media poblacional ,
MAS los efectos de las diferentes
clasificaciones y el error residual asociado a
las observaciones ya clasificadas

Por ejemplo, en un diseo en bloque al azar,

la linearidad implica que el efecto de un


tratamiento es el mismo en todos los bloques
y que el efecto de bloque es el mismo para
todos los tratamientos.

Transformaciones
Transformaciones

de escala de los datos


permiten corregir muchas de las violaciones
de los supuestos

Transformacin logartmica
Cada

vez que las desviaciones estndares


(NO LAS VARIANZAS) sean proporcionales
a los promedios, la transformacin ms
apropiada ser la logartmica.
Tambin en casos que exista evidencia de
efectos multiplicativos en lugar de aditivos.

Transformacin logartmica

Cualquier logaritmo sirve, base 10 es el ms


utilizado.
Cuando existen ceros, reemplazan por 1.
Si hay muchos ceros no es conveniente utilizar esta
metodologa.
Antes de la transformacin es posible multiplicar
todos los datos por una constante.

Transformacin de raz cuadrada

Normalmente se aplica cuando se trata de nmeros


que registran acontecimientos poco comunes.

Observaciones de animales en transectos.


Animales muertos en diferentes grupos.
Se calcula directamente la raz cuadrada y se hace el
ANOVA o bien se utiliza la siguiente expresin para
valores menores a 10

1
X
2

Transformacin angular o de Bliss


Se

efecta para analizar datos de


porcentajes, en los cuales, de modo natural,
la varianza no es homognea.

Se saca raz de la proporcin (no del porcentaje).


Se saca seno inverso del resultado.

Transformacin angular o de Bliss

Formula del seno inverso= ASENO(X)*180/PI()