UNIVERSIDAD NACIONAL

FACULTAD DE INGENIERA DE MINAS, GEOLOGA Y METALURGIA SANTIAGO ANTNEZ DE

MAYOLO

I. DISEO COMPLETAMENTE ALEATORIZADO

1.1.MODELOS ESTADISTICOS PARA LOS DISEOS EXPERIMENTALES
Estimar la varianza poblacional
Completamente aleatorio o aleatorizado

1.2.INTRODUCCION
Hemos visto mtodos para decidir si la diferencia entre dos medias muestrales es o no
significativa. Muchas veces interesa compartir ms de dos media. Podramos pensar en
usar mltiples test t si se satisfacen los supuestos de Normalidad o las correspondientes
alternativas no paramtricas. Pero esto no es lo ms eficiente.
Si deseramos calcular por ejemplo el rea de un rectngulo lo hacemos el largo por el
ancho.

De acuerdo con su grado de complejidad, es un proceso matemtico, simple y exacto.

Esta es la funcin de la estadstica experimental, estudiar la variabilidad de experimento
o ensayos, donde se realiza el control local.
En cada experimento existen unidades o parcelas experimental que sern medidas y alas
cuales se les aplicaran lo mtodos en estudio que son los tratamientos.

1.3.ANALISIS DE VARIANZA

Se emplea para:
Ensayo de cultivares de maz pueden ser de 3 x 10
Ensayo de alimentacin de pollos pueden ser de 10 aves.
En caf, cacao y otros cultivos perennes.
VENTAJAS
1. Es flexible, el nmero de observaciones puede variar.
2. El anlisis estadstico es simple, aunque haya diferentes nmeros de
observaciones.
 UNIVERSIDAD NACIONAL
FACULTAD DE INGENIERA DE MINAS, GEOLOGA Y METALURGIA SANTIAGO ANTNEZ DE
MAYOLO

3. Los grados de libertad son mximos y en experimentos pequeos y repeticiones

representa una ventaja.
4. Es un diseo muy utilizado en investigaciones agrcolas, especialmente
encondiciones de laboratorio y casa de cultivo o invernaderos.
DESVENTAJAS
1. Es ineficaz en experimentos donde las unidades experimentales no son
homogneas.
2. La variacin es debida a la heterogeneidad de las parcelas experimentales y
como consecuencia es muy alto el cuadrado medio del error.
3. Si el error es muy alto es difcil detectar diferencias entre tratamientos y si las
obtiene las diferencias deben ser muy grandes.
CONCEPTO
Consiste en descomponer la variacin total de un material heterogneo en partes
atribuidas a causas conocidas e independientes (tratamientos) y una porcin residual de
origen desconocida y de naturaleza aleatoria(error).
Al realizar el anlisis de varianza deseamos comprara dos de estas estimativas de
varianza poblacional:
1. La influencia por el error experimental.
2. La influencia por el y tratamiento.
DISEO COMPLETAMENTE ALEATORIZADO

EJEMPLO: seis variedades de papa con cuatro repeticiones, en casa de cultivo. Valores
se refieren a kg.
Determinar el valor de G
 UNIVERSIDAD NACIONAL
FACULTAD DE INGENIERA DE MINAS, GEOLOGA Y METALURGIA SANTIAGO ANTNEZ DE
MAYOLO

1. Calculo del factor de correcion

2. Calculo de la suma de cuadrados totales

SCT = 2,842+ + 2,282 Factor de correlacin

STC = 96,29 89,99
STC = 6.30
3. Calculo de la suma de cuadrados de tratamientos

4. Cuadro de anlisis de varianza

 UNIVERSIDAD NACIONAL
FACULTAD DE INGENIERA DE MINAS, GEOLOGA Y METALURGIA SANTIAGO ANTNEZ DE
MAYOLO

F(tabla) = (5,13) 0,05 = 3,03

F(tabla) = (5,13) 0,01 = 4,86
F(cal) superar al F(tabla) hay diferencias significativas entre los tratamientos

5. Calculo del coeficiente de variacin

6. Comparacin de tratamientos. Calculo de error estndar para cualquier

diferencia entre dos medias.
 UNIVERSIDAD NACIONAL
FACULTAD DE INGENIERA DE MINAS, GEOLOGA Y METALURGIA SANTIAGO ANTNEZ DE
MAYOLO

II. PRUEBAS DE IGUALDAD DE VARIANZA

PRUEBA DE COMPARACIONES MLTIPLES

Intervalos de comparaciones mltiples para muestras k > 2

Sea Supongamos que k > 2 son muestras

independientes, donde cada muestra es independiente y est distribuida idnticamente
con la media y varianza . Y, supongamos que las muestras
provienen de poblaciones que tienen una curtosis comn.

Y sea sea un estimador de curtosis agrupada para el par de muestras ( i, j)

determinado como:

Sea sea el superior un punto del rango de las variables k que son independientes
y distribuidas idnticamente en una distribucin aleatoria normal estndar. Es
decir, satisface lo siguiente:

donde Z1, ..., Zk son variables aleatorias normales estndar independientes y distribuidas
idnticamente. Barnard (1978) proporciona un algoritmo numrico simple basado en
una cuadratura gaussiana de 16 puntos para calcular la funcin de distribucin del rango
normal.

El procedimiento de comparaciones mltiples rechaza la hiptesis nula de igualdad de

varianzas (tambin denominada homogeneidad de varianzas) si, y nicamente si, al
menos un par de los intervalos siguientes no se sobrepone:

donde

donde ri = (ni - 3) / ni .
 UNIVERSIDAD NACIONAL
FACULTAD DE INGENIERA DE MINAS, GEOLOGA Y METALURGIA SANTIAGO ANTNEZ DE
MAYOLO

Nos referimos a los intervalos arriba mencionados como intervalos de comparaciones

mltiples o Intervalos de CM. Los intervalos de CM de cada muestra no se deben
interpretar como intervalos de confianza para las desviaciones estndar de las
poblaciones parentales. Hochberg et al. (1982) hacen referencia a intervalos similares
para comparar medias como "intervalos de incertidumbre". Los intervalos de CM dados
aqu solo son tiles para comparar las desviaciones estndar o varianzas de los diseos
de mltiples muestras. Cuando la prueba general de comparaciones mltiples es
significativa, las desviaciones estndar que corresponden a los intervalos que no se
solapan son estadsticamente diferentes. (Para la derivacin detallada de estos
intervalos, vaya al artculo tcnico sobre Mtodos de comparaciones mltiples.)

Intervalos de comparaciones mltiples para muestras k = 2

Donde hay nicamente dos muestras, los intervalos de comparaciones mltiples son
determinados por:

donde z / 2 es el punto percentil / 2 superior de la distribucin normal estndar, ci =

ni / ni - z / 2 , y Vies determinado por la siguiente frmula:

Valor p para la prueba

Si hay 2 muestras en el diseo, entonces Minitab calcula el valor p para la prueba de
comparaciones mltiples utilizando el mtodo de Bonett para una prueba de 2 varianzas
y una relacin hipottica, Po , de 1.

Si hay muestras k > 2 en el diseo, entonces sea Pi j siendo el valor p de la prueba para
cualquier par (i, j ) de muestras. El valor p del procedimiento de comparaciones
mltiples como una prueba general de igualdad de varianzas es determinado por lo
siguiente:

Para obtener ms informacin, incluyendo las simulaciones y los algoritmos detallados

para calcular Pi j , consulte el Mtodo de Bonett, que es un artculo tcnico que tiene
simulaciones y otras informaciones sobre el Mtodo de Bonett.
 UNIVERSIDAD NACIONAL
FACULTAD DE INGENIERA DE MINAS, GEOLOGA Y METALURGIA SANTIAGO ANTNEZ DE
MAYOLO

Notacin

Trmino Description

ni el nmero de observaciones en la muestra i

Y il la Isima observacin en la muestra i

mi la media recortada de la muestra i con proporciones de recorte

de

K el nmero de muestras

Si la desviacin estndar de la muestra i

el nivel de significancia para la prueba = 1 - (el nivel de confianza

/ 100)

Ci

Z / 2 el punto percentil / 2 superior de la distribucin normal estndar

ri

ESTADSTICO DE PRUEBA DE LEVENE

Minitab muestra un estadstico de prueba y un valor p para la prueba de Levene. La

hiptesis nula es que las varianzas son iguales y la hiptesis alternativa es que las
 UNIVERSIDAD NACIONAL
FACULTAD DE INGENIERA DE MINAS, GEOLOGA Y METALURGIA SANTIAGO ANTNEZ DE
MAYOLO

varianzas no son iguales. Utilice la prueba de Levene cuando los datos provengan de
distribuciones continuas, pero no necesariamente distribuciones normales.

El mtodo de clculo de la prueba de Levene es una modificacin del procedimiento de

Levene (Levene, 1960) desarrollado por Brown y Forsythe (1974). Este mtodo
considera las distancias de las observaciones con respecto a la mediana de la muestra en
lugar de la media de la muestra. Al usar la mediana de la muestra en vez de la media de
la muestra, esto hace que la prueba sea ms slida para las muestras ms pequeas y
hace el procedimiento asintticamente libre de distribucin. Si el valor p es menor que
el nivel , se rechaza la hiptesis nula de que las varianzas son iguales.

Frmula

H. Levene (1960). Contributions to Probability and Statistics. Stanford University

Press, CA.
M. B. Brown y A. B. Forsythe (1974). "Robust Tests for the Equality of
Variance," Journal of the American Statistical Association, 69, 364367.

Notacin

Trmino Description

Vij

I 1, ..., k

J 1, ..., ni

mediana

ESTADSTICO DE PRUEBA DE BARTLETT

 UNIVERSIDAD NACIONAL
FACULTAD DE INGENIERA DE MINAS, GEOLOGA Y METALURGIA SANTIAGO ANTNEZ DE
MAYOLO

Minitab muestra un estadstico de prueba y un valor p para la prueba de Bartlett. Cuando

nicamente hay dos niveles, Minitab realiza una prueba F en lugar de la prueba de
Bartlett. Para estas pruebas, la hiptesis nula es que las varianzas son iguales y la
hiptesis alternativa es que las varianzas no son iguales. Utilice la prueba de Bartlett
cuando los datos provengan de distribuciones normales; la prueba de Bartlett no es
slida cuando los datos se apartan de la normalidad.

El estadstico de prueba de Bartlett calcula el promedio aritmtico ponderado y el

promedio geomtrico ponderado de cada varianza de muestra basada en los grados de
libertad. Mientras mayor sea la diferencia en los promedios, es ms probable que las
varianzas de las muestras no sean iguales. B sigue una distribucin 2 con k 1 grados
de libertad. Si el valor p es menor que el nivel , se rechaza la hiptesis nula de que las
varianzas son iguales.

Frmula

Notacin

Trmino Description

si 2

K nmero de muestras

vi ni 1

ni nmero de observaciones al i simo nivel del factor

ESTADSTICO DE PRUEBA F

Cuando nicamente hay dos niveles, Minitab realiza una prueba F en lugar de la prueba
de Bartlett. La hiptesis nula es que las varianzas son iguales y la hiptesis alternativa
 UNIVERSIDAD NACIONAL
FACULTAD DE INGENIERA DE MINAS, GEOLOGA Y METALURGIA SANTIAGO ANTNEZ DE
MAYOLO

es que las varianzas no son iguales. Utilice el estadstico F cuando los datos provengan
de distribuciones normales.

Si el valor p es menor que el nivel , se rechaza la hiptesis nula de que las varianzas
son iguales.

Frmula

Notacin

Trmino Description

S12 varianza de la muestra 1

S22 varianza de la muestra 2

n1 1 grados de libertad para el numerador

n2 1 grados de libertad para el denominador

DESVIACIN ESTNDAR (DESV.EST.)

Notacin

Trmino Description

yij observaciones al i simo nivel del factor

 UNIVERSIDAD NACIONAL
FACULTAD DE INGENIERA DE MINAS, GEOLOGA Y METALURGIA SANTIAGO ANTNEZ DE
MAYOLO

media de observaciones al i simo nivel factor del factor

ni nmero de observaciones al i simo nivel del factor

INTERVALOS DE CONFIANZA DE BONFERRONI

Minitab calcula los intervalos de confianza para las desviaciones estndar utilizando el
mtodo de Bonferroni. Un intervalo de confianza es un rango de valores que
probablemente incluya algunos parmetros de poblacin, en este caso, contiene la
desviacin estndar.

Los intervalos de confianza estndar se calculan utilizando un nivel de confianza 1

/ 2. El mtodo de Bonferroni utiliza el nivel de confianza 1 / 2p para cada intervalo
de confianza individual, donde p es el nmero de factor y las combinaciones de nivel.
El mtodo garantiza que el conjunto de intervalos de confianza tengan un nivel de
confianza de al menos 1 . El mtodo de Bonferroni proporciona intervalos de
confianza (ms amplios) ms conservadores, lo que reduce la probabilidad de error de
tipo 1.