Diseño Completamente Aleatorizado: ejemplo

Presentación del tema: "Diseño Completamente Aleatorizado: ejemplo"— Transcripción de la presentación:

1 Diseño Completamente Aleatorizado: ejemplo
El porcentaje de humedad relativa (HR) es determinante para el ataque de hongos en semillas. Para evaluar la susceptibilidad de las semillas de una forrajera al ataque de un hongo se realizó un ensayo en cámaras de cría con tres porcentajes de HR: 70%, 80% y 90%. Se tomaron cinco observaciones para cada porcentaje de HR, registrándose el número de semillas atacadas en un grupo de 100 semillas

2 Diseño Completamente Aleatorizado: ejemplo

3 Diseño Completamente Aleatorizado: ejemplo

4 Diseño Completamente Aleatorizado: ejemplo
Si =0.05 luego el punto crítico que delimita la zona de aceptación y rechazo de H0 es F(2,12; 0.95) = 3.88 Como F=21.91> Fcrítica se concluye, con un nivel de significación del 5%, que se rechaza la hipótesis nula de igualdad de medias, por lo tanto al menos una de las HR produce un grado de ataque de hongos diferente de los restantes

5 Comparaciones Múltiples
Si se rechaza la hipótesis nula del ANAVA, la pregunta que sigue es ¿cuál o cuáles de las medias poblacionales en estudio son las diferentes? Existe una gama muy amplia de alternativas para llevar adelante este tipo de pruebas, entre las que se destacan las pruebas de Tukey (Tukey, 1949), Scheffé (Scheffé, 1953), Duncan (Duncan, 1955), Dunnet (Dunnet, 1964) y la de Fisher (Fisher, 1966), entre otras

6 Prueba de Tukey Si existen a medias que comparar, luego el número de diferencias de medias es: El estadístico de Tukey es: Si n no es el mismo para cada tratamiento, reemplazar n por la media armónica :

7 Prueba de Tukey La DMS de la prueba de Tukey para el ejemplo es Luego, se debe observar que diferencias entre medias muestrales son mayores que 4.37, para concluir que las esperanzas que estiman difieren entre sí con un nivel de significación del 5%. Así se concluye: 1  2 , 1  3 y 2 = 3

8 Verificación de Supuestos
Los errores se suponen normales con esperanza cero, varianza común e independientes. Los predictores de los errores son los residuos Se llama residuo de la observación j-ésima correspondiente al i-ésimo nivel del factor tratamiento al predictor de ij, que se denota por eij y se obtiene como la diferencia entre el valor observado y el valor predicho por el modelo

9 Normalidad Seleccionando los residuos como variable de análisis, una de las técnicas más usadas es construir un Q-Q plot normal. Mediante esta técnica se obtiene un diagrama de dispersión en el que, si los residuales son normales y no hay otros defectos del modelo, entonces se alinean sobre una recta a 45°

10 Homogeneidad de Varianzas
Cuando los errores son homocedásticos, haciendo un gráfico de dispersión de residuos vs. valores predichos por el modelo se debe observar una nube de puntos sin patrón alguno. Un patrón típico que indica falta de homogeneidad en las varianzas, se muestra en la siguiente figura:

11 Para modelar es importante identificar DOS tipos de estructuras
Estructura de parcelas Aleatorización Estructura de tratamientos

12 Diseño en Bloques completos
aleatorizados

13 Diseño en Bloques completos
aleatorizados

14 Diseño en Bloques completos
aleatorizados

15 Diseño en Bloques completos
aleatorizados Homogeneidad dentro de bloques Heterogeneidad entre bloques

16 Diseño en Bloques completos aleatorizados: ejemplo
Se realizó un ensayo para evaluar el rendimiento en kg de materia seca por hectárea de una forrajera con distintos aportes de N2 en forma de urea. Las dosis de urea probadas fueron 0 (control), 75, 150, 225 y 300 kg/ha. El ensayo se realizó en distintas zonas, en las que por razones edáficas y climáticas se podían prever rendimientos diferentes. Las zonas en este caso actuaron como bloques.

17 Diseño en Bloques completos aleatorizados: ejemplo

18 Diseño en Bloques completos aleatorizados
Modelo lineal Yij = + i + j + ij, con i=1,...,a y j=1,..,b donde: Yij es la observación del i-ésimo tratamiento en el j-ésimo bloque  es la media general de las observaciones i es el efecto del i-ésimo tratamiento j es el efecto del j-ésimo bloque ij es una variable aleatoria normal, indep. distribuida con esperanza 0 y varianza 2 ij

19 Diseño en Bloques completos
aleatorizados

20 Diseño en Bloques completos aleatorizados: ejemplo

21 Diseño en Bloques completos aleatorizados
Supuestos del análisis: Normalidad Independencia Homogeneidad de varianzas No aditividad bloque-tratamiento Prueba validez de los supuestos: a través de los residuos eij

22 Diseño en Bloques completos aleatorizados
Supuesto: No aditividad bloque-tratamiento

23 Comentarios El DBCA es una estrategia experimental para disminuir el efecto de variaciones sistemáticas entre u.e. sobre la comparación de medias de tratamiento Tales variaciones son reconocidas antes de realizar el experimento Un bloque es un grupo de u.e.homogéneas El DBCA representa una restricción a la aleatorización. Los tratamientos son aleatorizados por bloques

24