INSTITUTO TECNOLÓGICO SUPERIOR DE
JESÚS CARRANZA
DOCENTE
ARMANDO VAZQUE RAMIREZ
MATERIA
DISEÑOS EXPERIMENTALES
ALUMNO
ENOC RAMIREZ PEREYRA
ACTIVIDAD
INVESTIGACION DE LA UNIDAD 6
GRUPO
505-c
SEMETRES
5
EXTENSIÓN SAYULA DE ALEMAN DEL 13 DE ENERO 2021
ÍNDICE
Tabla
de
contenido
INTRODUCCION ................................................................................... 3
6.1. EL ANÁLISIS FUNCIONAL DE VARIANZA O PRUEBAS DE F . 4
PLANEADAS. ..................................................................................... 4
6.2. PRUEBAS MÚLTIPLES DE SEPARACIÓN DE MEDIAS. .......... 6
6.2.1. DIFERENCIA MÍNIMA SIGNIFICATIVA (DMS). ...................... 8
6.2.2. PRUEBA DEL RANGO MÚLTIPLE DESIGNIFICACIÓN DE
DUNCAN (RMD). ................................................................................. 10
6.2.3. PRUEBA MÚLTIPLE DE SIGNIFICACIÓN DE TUKEY (DSH).
......................................................................................................... 11
6.3. COMPARACIONES DE CLASE O CONTRASTES
ORTOGONALES. ................................................................................ 13
6.4. COMPARACIONES O SUPERFICIES DE TENDENCIA. ......... 15
CONCLUSIÓN ..................................................................................... 17
BIBLIOGRAFÍA ................................................................................ 18
INTRODUCCION
En este presente trabajo de diseño experimental Pruebas de separación de
Medias aprendí a comprender Un uso más racional de la prueba de rango múltiple
de Scheffé, consiste en diseñar previamen- te para establecer contrastes de interés
científico para el investigador. En otras palabras, se pueden lograr resultados más
significativos cuando se evalúan simultáneamente varios niveles de factores que
inciden sobre alguna variable, esta materia me pareció importante porque entendí
lo que fue El diseño de programas de computación especializados para el análisis
estadístico de datos ayuda a realizar múltiples procesos de forma eficaz y eficiente.
Sin embargo, también puede suponer uno de los principales problemas de los
usuarios que carecen de las herramientas para la comprensión del significado de
los modelos relacionados con el diseño de experimen- tos, pues la falta de
información sobre los cálculos básicos supone una limitante en la correcta
aplicación de la estadística y, por lo tanto, en la interpretación de los resultados.
UNIDAD 6PRUEBAS DE SEPARACIÓN DE MEDIAS
6.1. EL ANÁLISIS FUNCIONAL DE VARIANZA O PRUEBAS DE F
PLANEADAS.
Un uso más racional de la prueba de rango múltiple de Scheffé, consiste en diseñar
previamen- te para establecer contrastes de interés científico para el investigador.
En otras palabras, se pueden lograr resultados más significativos cuando se evalúan
simultáneamente varios niveles de factores que inciden sobre alguna variable de
interés, pero la definición de tales niveles de estudio se ubican en el espectro de
respuesta “ideal”. Tal arreglo recibe el nombre de con- trastes ortogonales. Debe
recordarse que previamente se establecieron algunas condiciones básicas de los
contrastes para varios grupos de tratamientos y su respectiva ortogonalidad.
Además se establecieron conceptos como la varianza para los coeficientes de
contrastes y la forma de tipificar valores de los contrastes para luego ser
comparados con un valor crítico y hacer conclusiones e inferencias primero
estadísticas y luego al “mundo real”. Ahora es posible ilustrar a través de un ejemplo
clásico el gran potencial que ofrece la prueba de Scheffé.
EJEMPLO
En un estudio se evaluó el efecto de acetatos sobre la producción de leche en
cabras, para lo cual se usaron siete tratamientos, incluyendo un testigo, todos ellos
fueron distribuidos aleatoriamente sobre siete grupos experimentales (DCA) y cada
uno contenía seis cabras o repeticiones. Los análisis fueron hechos para medir la
actividad enzimática. Los tratamientos se diseñaron de la siguiente forma:
Un control o testigo (T1 = C0);; uso de Prolactina 0.1 a nivel bajo (T2 = P0.1);; uso de
Dexa- methasona 0.1 nivel bajo, efecto combinado de ambos productos a nivel bajo
0.1 (T3 = D0.1 y T4 =PD0.1);; Prolactina 0.5 nivel alto (T5 = P0.5);; Dexamethasona
0.5 nivel alto (T6 = D0.5), y combinación de ambos productos 0.5 nivel alto (T7 =
PD0.5).
Nota: para todo Ψi la suma lineal de los coeficientes de contrastes (Ci) es cero y
que la suma de los productos de los coeficientes para cualquier par Ψi, Ψj Ψi ≠ Ψj
t t
miembro a miembro también es cero, o sea y ∑ ∑ CC= 0, de lo cual se deduce que
es en un conjunto
de contrastes ortogonales.
∑tC=0 i=1j=1ij i=0 i
Por otra parte, la varianza de los contrastes se puede calcular de la siguiente
manera:
σ2
VarΨi = σ2Ψi = (∑tCi2) (σ2yi);; pero se sabe que Vyi = y por lo tanto σ2 = (∑t
2 σ2
C )( ), de donde.
6.2. PRUEBAS MÚLTIPLES DE SEPARACIÓN DE MEDIAS.
Una extensión al concepto de comparaciones ortogonales se da alrededor de t y
más particu- larmente de la DMS (ver ejercicio de la sección 6.1) visto previamente.
Es fácil comprender que el estadístico t y F tienen distribución igual cuando tenemos
t – 1 = 1 GL para tratamientos, es decir, cuando se comparan dos tratamientos.
Partiendo de tal postulado, es posible aplicar el enfoque de comparaciones
pareadas para contrastes ortogonales planeados utilizando el estadístico F con un
grado de libertad por contraste (Ψi).
Resignemos de nuevo Ψi por CK como se hizo anteriormente, de forma que ci
representan a los coeficientes asociados a las medias (yi) o totales (yi.) de cada
tratamiento, en cualquier CK dado. De forma que CK = ∑ciyi., tal que se cumple que
∑ci = 0, es decir, es un subconjunto de funciones lineales.
Si se tienen por ejemplo C1 y C2 de la forma C1 = ∑c1i y C2 = ∑c2i y se cumplen
las condiciones ∑c1ic2i = 0, se dice que ambos contrastes son ortogonales. El lector
recordará que, en el ejemplo de aplicación de acetatos sobre producción de leche
en cabras, el conjunto de los t – 1 con- trastes planeados fueron todos ortogonales,
es decir ∑cicj = 0 para ci y cj contrastes distintos. El lector puede acudir a tal material
y realizar la comprobación de ortogonalidad si lo desea.
Para el ejemplo que nos ocupa (utilización de acetatos en cabras lecheras)
utilizamos los tota- les de tratamientos de forma que:
Los totales de los tratamientos incluyendo el control, el lector puede consultarlos a
partir del primer cuadro concentrado de datos, de modo que no la transcribimos,
sino sólo desagrega- remos los datos que requerimos para nuestros cálculos
básicos.
T1 =9.90,T2 =21.07,T3 =18.47,T4 =21.76,T5 =24.14,T6 =20.52yT7=23.83 = CMe =
0.1382GLe = (t(r – 1) = 7(6 – 1) = 35
La tabla de contrastes ortogonales se deja como tal y a partir de ello haremos los
planteamien- tos hipotéticos.
Ho) para el resto de los contrastes planeados y la descripción de cada contraste
(CK) corres- ponde al establecido durante el desarrollo hecho anteriormente.
Se aclara además que se utilizarán las cantidades yi como estimadores de los μi en
los respec- tivos planteamientos hipotéticos.
6.2.1. DIFERENCIA MÍNIMA SIGNIFICATIVA (DMS).
Por definición esta es una prueba para todo tipo de contrastes ortogonales o no
ortogonales, aunque como en los casos anteriores en las pruebas DMS, Duncan y
Tukey “sólo son im- portantes” a lo sumo la τ(τ – 1)/2 comparaciones o contrastes
entre medias del conjunto de tratamientos. Dicha prueba semejante a lo que sucede
con la prueba de Tukey establece un valor crítico (significante) alto, lo cual quiere
decir que posee en principio baja sensibilidad en determinar diferencias
significativas entre las medias de tratamientos evaluados. Sin embargo, puede
tratarse de una característica deseable en el control de error tipo I y conferir mayor
rigor científico a la prueba de la hipótesis del tipo Ho: yi - yj = 0, a la vez que otorga
mayor validez práctica a las inferencias estadísticas derivadas de los protocolos
experimentales.
En las secciones antes indicadas se aplicó la prueba de Scheffé, el lector puede
acudir a dicho material. Ahora haremos una breve aplicación al ejemplo del uso de
acetatos sobre producción de leche en cabra, para dos contrastes no ortogonales
propuestos. El lector puede extender la aplicación a otros ejemplos si lo desea. Por
ahora retomaremos el ejemplo de la aplicación de acetatos a cabras lecheras.
Ψ1 P contra PD a dosis baja:
C=0.690/0.2146=3.21 ~ N Ind Ftab = (t-1)(Fα =?, GL t - 1 y error);; α = 0.05 y 6, 35
GL = 2.796,
por lo tanto Ftab = (6)(2.796) = 4.095
Como se puede apreciar, el estadístico calculado es inferior al valor crítico, por lo
que no existen diferencias significativas entre Prostaglandinas y la combinación
Prostaglandina-Dexa- methasona sobre producción de leche en cabras (P > 0.05).
Por otra parte, es evidente que tampoco existen diferencias significativas entre
dichos trata- mientos a dosis altas, de acuerdo a los valores promedios que
reportan, por lo que finalmente sólo resta comprobar.
Ψ2 Prolactina dosis baja contra alta:
T2 T5 -1 1
vs
De donde ∑tCiyi = -21.07 + 24.14 = 3.07
AdemásS(Ψ2)=0.2146,yFC =3.07/0.2146=14.30yFtab
=(α=0.01yGL=6,35)=3.38ypor
lo tanto Ftab =
(0.1382)(2) 6
6 x 3.38 = 4.50
Las evidencias muestran que la dosis alta de prolactina es superior a la dosis baja
en produc- ción de leche de cabra (P < 0.01).
Finalmente, los resultados indican que la aplicación de 0.5 de Prolactina es superior
al resto de los tratamientos.
6.2.2. PRUEBA DEL RANGO MÚLTIPLE DESIGNIFICACIÓN DE DUNCAN
(RMD).
Un procedimiento alternativo al uso de la prueba de comparación de medias para
todo tipo de contrastes propuesto por Scheffé consiste en utilizar los totales de
tratamiento yi. en lugar de las medias. Transcribimos para tal efecto el cuadro 6.5,
ya analizado previamente.
Supongamos que existe el interés de probar la significancia para Q1 = 70.39. Valor
crítico Scheffé SL = ft(Fα)(∑ci2)(r)
Donde: ƒt= GLtratamientos, Fα (GLt, GLe), r =
rep/T;; Se2 = CME
Para el caso que nos ocupa: Se2=0.1382,r=6,∑ci2=-
62+6(11)=36,ƒt=6,gle =35
Por lo tanto [Fα (6, 35), α = 0.05] = 2.49
SL1 = 6(2.49)(36)(6)(0.1382) = 21.19
Se concluye que Q1= 70.39> SL= 21.19, de modo que todos los tratamientos
superan al con- trol en producción de leche.
6.2.3. PRUEBA MÚLTIPLE DE SIGNIFICACIÓN DE TUKEY (DSH).
Cuando se tienen varios tratamientos, se presenta el problema de hacer la
comparación de las medias de los tratamientos, a fin de discriminar variables y
clasificar los tratamientos para elegir el mejor si es necesario.
Sin embargo, cuando la hipótesis nula (Ho) se ha rechazado a un nivel de error tipo
I, tan pe- queño como 5 % (α =0.05) o 1 % (α =0.01), e incluso a un valor aún más
pequeño, tenemos la certeza de que el planteamiento hipotético alternativo (Ha) es
verdadero y que las diferencias de los efectos promedios de los tratamientos
evaluados son verdaderos, que no corresponden a efectos del azar y que por lo
menos el promedio de uno de ellos difiere significativamente de la media poblacional
de donde proceden las muestras experimentales que fueron sometidas a
tratamientos. Ahora el problema radica en que la prueba de F cuando ha resultado
estadís- ticamente significativa, no especifica cuál o cuáles de los efectos promedio
de tratamientos difieren unos de otros de forma significativa más allá de los efectos
del azar. Más aún, nos encontramos ante la imposibilidad de saber con rigor
científico cuál o cuáles tratamientos son recomendables desde el punto de vista
práctico.
Ante tal situación los especialistas en el campo de la estadística crearon un conjunto
de proce- dimientos y métodos estadísticos que permiten realizar pruebas de
separación de medias, don- de se pueden comparar los efectos medios de los
tratamientos evaluados experimentalmente en niveles de contrastes, es decir, de su
respectivas desviaciones de sus medias aritméticas con respecto a la media de la
población de donde procedieron las muestras experimentales. Con los datos del
análisis de varianza se hacen las pruebas de significancia de las diferencias o las
comparaciones entre las medias de los tratamientos. Además de la prueba de
contrastes ortogonales y la prueba de Scheffé vistos previamente, existen otros
métodos.
a) Prueba de diferencia mínima significativa (DMS).
b) Prueba de Duncan.
c) Prueba de Tukey.
6.3. COMPARACIONES DE CLASE O CONTRASTES ORTOGONALES.
De acuerdo a los hallazgos de algunos especialistas en estadística el uso más
eficiente de esta prueba se obtiene cuando se han predeterminado algunas
comparaciones planeadas entre promedios de tratamientos, sin haber realizado
previamente un análisis estadístico de los datos obtenidos por el efecto de dichos
tratamientos después de haberlos aplicado a muestras experimentales, incluso
antes de la fase experimental. Equivale a decir que es una prueba más válida
cuando se dirige a comparaciones planeadas en función de las caracte- rísticas de
los tratamientos seleccionados, pero no es la más recomendable para comparar
todas las posibles diferencias de medias (contrastes) que pudieran generarse para
un con- junto de tratamientos evaluados.
El conjunto ideal de comparaciones planeadas es en el orden de t-1, es decir, el
número de tratamientos menos uno, o igual al número de grados de libertad de
tratamientos. Tal conjunto de contrastes reúne ciertas propiedades algebraicas (ver
secciones 4.5, 4.6, 4.7 y 6.1). Tam- bién se les denomina apropiadamente
comparaciones ortogonales o contrastes ortogonales;; entendiendo por “contraste”
cualquiera diferencia aritmética entre dos valores promedio de dos tratamientos
dados, pero en este caso bajo las restricciones de las propiedades de la or-
togonalidad. Así con T tratamientos habrá T - 1 comparaciones independientes u
ortogonales, mientras que podría haber:
τ (τ - 1)
Comparaciones múltiples, aunque no todas son independientes u
ortogonales. τ
Las comparaciones son independientes u ortogonales para un conjunto de
tratamientos si una media aparece sólo una vez en una comparación o contraste.
Desde luego se busca el con- traste que garantice la diferencia mínima significativa,
después de haber ordenado progresiva- mente los promedios de un conjunto de
tratamientos, siempre que el análisis de varianza previo haya arrojado diferencias
estadísticamente significativas, de otro modo carece de sentido. Si se parte
comparando las medias independientes de promedios más bajos o al contrario se
inicia con contrastes independientes de los promedios de tratamientos mayores,
teóricamente de- berá detenerse el proceso de separación de medias al momento
en que se detecte la mínima diferencia significativa entre dos medias dadas, lo cual
se discriminará al comparar su valor (calculado) con respecto al valor crítico,
La ventaja de este método consiste en su simplicidad para los cálculos y la
interpretación de resultados, tal y como se realizaba la prueba de “t de Student” para
muestras independientes. Además ofrece una protección para la comisión de los
errores tipo I y II intermedia entre las pruebas de Tukey y Duncan. Sin embargo,
tiene límites en cuanto a la cantidad de medias de tratamientos que deben ser
incluidas bajo la prueba de DMS, algunos autores sostienen que más de ocho
tratamientos pierden sensibilidad en el control de error tipo I, en cuyo caso otras
pruebas, sobre todo la de Tukey, es más recomendable.
EJEMPLO
Deseamos discriminar acerca de los métodos de corte del ejemplo para análisis de
varianza del diseño Cuadro latino (DCL) visto anteriormente en la sección 3.4.2
(cuadro 6.6a), y el paso si- guiente que consiste en ordenar los promedios de
tratamientos progresivamente (cuadro 6.6b).
6.4. COMPARACIONES O SUPERFICIES DE TENDENCIA.
comparaciones múltiples de Duncan brinda menos protección en la comisión de
error tipo I, lo que significa que tiene mayor sensibilidad para detectar significancia
para el efec- to de tratamientos, cuando se prueba un grupo de ellos. A su vez,
brinda una mayor protección en la comisión de error tipo II. Por lo tanto, cuando se
trabaja con procesos o fenómenos cuya variación de origen es alta, como por
ejemplo en los experimentos en praderas o en pastizales abiertos, quizás sea
deseable incrementar la sensibilidad para detectar significancia entre gru- pos de
tratamientos, de modo que esta prueba de medias podría ser la alternativa
adecuada. Sin embargo, no es recomendable cuando se requiere aumentar la
precisión y reducir al máxi- mo la comisión de error Tipo I durante la prueba de la
hipótesis. Esta prueba se conoce como prueba de Student o de t modificada.
τ (τ - 1)
La prueba de Duncan permite hacer las comparaciones múltiples posibles y
se utiliza 2
cuando el número de tratamientos es considerable aun cuando la prueba F no sea
significativa. La prueba se conoce también como prueba de t múltiple o de t
modificada porque se usa un valor de t tabulado por Duncan para α = 0.05 y α =
0.01 y para GL de error experimental mo- dificando la prueba de Student.
Quizás una de las ventajas de esta prueba es su sencillez. La prueba es menos
potente en la protección de la comisión del error tipo I, razón por la cual el uso de
intervalos de confianza como procedimiento alternativo complementario a la prueba
de hipótesis no es aconsejable como criterio de prueba estadística con miras a
hacer inferencias con mayor grado de generalización.
Fue desarrollada bajo el enfoque de prueba de amplitud múltiple y se le puede
identificar como una prueba de t de Student modificada. Introduce niveles de
protección para reducir el riesgo de detectar diferencias significativas erróneas entre
medias de tratamientos en diferentes contrastes, en función del número de medias
implicadas en dichos contrastes, entendiendo el contraste como CK = yi – yj para
toda yi ≠ yj pudiendo contener en el inter- valo {yi , yj } 2, 3, ..., τ tratamientos.
La prueba de medias del procedimiento Tukey utiliza un valor crítico para comparar
todos los pares de medias o contrastes que pudieran derivarse del conjunto de los
τ tratamientos evalua- dos en el análisis de varianza. Esta prueba hace uso de la
amplitud estudentizada y se aplica a pares de medias de modo que su valor crítico
es menor al exigido por Scheffé.
De nuevo, al igual que en el caso del método de Duncan, el valor tabulado estimado
por Tukey es un valor de t modificado por la expresión:
xmax - xmin S
qα = x
CONCLUSIÓN
En conclusión, comprendí la importancia de esta materia diseño experimental
Pruebas de separación de Medias aprendí a comprender Un uso más racional de la
prueba de rango múltiple de Scheffé, consiste en diseñar previamen- te para
establecer contrastes de interés científico para el investigador. Que para nosotros
como ingeniero agrónomo en un futuro vamos ocupar mediciones, diseño de
programas de computación especializados para el análisis estadístico de datos
ayuda a realizar múltiples procesos de forma eficaz y eficiente. Sin embargo,
también puede suponer uno de los principales problemas de los usuarios que
carecen de las herramientas para la comprensión del significado de los modelos
relacionados con el diseño de experimen- tos, pues la falta de información sobre los
cálculos básicos.
BIBLIOGRAFÍA
Méndez Ramírez I., Namihira Guerrero D., Moreno Altamirano L. y Sosa de Martínez
C. (1986). El protocolo de Investigación Lineamientos para su elaboración y análisis.
1a reimp., Ed. Trillas, México, 210 pp.
Montgomery Douglas, C. (1991). Diseño y análisis de experimentos. Grupo Editorial
Ibe- roamericana, S.A. de C.V., México, 589 pp.
Reyes Castañeda, P. (1987). Diseño de experimentos aplicados. Ed. Trillas, México,
348 pp. Segura Correa, J. C. (2000). Notas de diseños experimentales. Universidad
Autónoma de
Yucatán, Facultad de Medicina Veterinaria y Zootecnia, pp. 45-49.
