TRABAJO COLABORATIVO 1 Aporte individual

RODRIGO ELICER CANO RIVERA CODIGO: 8.323.644 PROGRAMA: AGRONOMIA

CURSO: DISEO EXPERIMENTAL

CODIGO GRUPO: 30156 _5

TUTOR: CAMPO RIANO

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA (UNAD) AGRONOMIA CEAD TURBO 09 DE OCTUBRE DEL 2013

Qu diferencias existen entre hacer un contraste de hiptesis con una prueba paramtrica con respecto a una no paramtrica?
prueba de hiptesis paramtrica Pruebas de hiptesis estadsticas que asumen cierto comportamiento de: Muestras obtenidas aleatoriamente Distribucin normal de las observaciones Existe un parmetro de inters que buscamos estimar Prueba de hiptesis no paramtrica No asumen lo anterior total o parcialmente

Cuando aplicar una prueba de hiptesis no paramtrica?. Una prueba no paramtrica se aplica cuando los dato de la muestra: 1. No siguen una distribucin normal, 2. No es posible aceptar las suposiciones de la estadstica paramtrica, o 3. Tienen una escala de medicin que no permite realizar operaciones aritmticas

Cmo se puede definir s los datos obtenidos deben ser evaluados mediante pruebas paramtricas o pruebas no paramtricas?
Las pruebas de hiptesis estadsticas paramtricas asumen cierto comportamiento: Muestras obtenidas aleatoriamente Distribucin normal de las observaciones Existe un parmetro de inters que buscamos estimar

Si no se cumplen, entonces hay otras pruebas.

Pruebas paramtricas Suposiciones que subyacen a la utilizacin de las pruebas paramtricas. 1. El nivel de medicin debe ser al menos de intervalo. Debemos tomar una decisin a cerca de nuestra variable dependiente. Es realmente un nivel de intervalo? Si es una escala no estandarizada, o si se basa en estimaciones o calificaciones con humanos. Frecuentemente aparecen como intervalo pero lo reducimos a nivel ordinal al darles rango.

2. Los datos de la muestra se obtienen de una poblacin normalmente distribuida. Este principio suele mal entenderse como: la muestra debe distribuirse normalmente, "no es as". La mayora de las muestras son demasiado pequeas para siquiera parecerse a una distribucin normal, la cual solo obtiene su caracterstica en forma de campana con la acumulacin de muchas puntuaciones. 3. La varianza de las 2 muestras no son significativamente diferentes, esto se conoce como el principio de homogeneidad de la varianza, Los especialistas en estadstica han investigado ms sobre ese requisito, el cual sabia exigir varianzas muy similares. Estos se ignoran cuando tratamos con muestras relacionadas sin gran riesgo de distorsionar nuestro resultado. Para muestras no relacionadas necesitamos ser ms cuidadosos cuando los tamaos de las muestras sean bastante diferentes. Pruebas no paramtricas Es mejor aplicar estas pruebas cuando no se cumplen los supuestos paramtricos Otra forma prctica se reflexionar si es que tiene sentido calcular un promedio y compararlo, o si el promedio realmente representa bien la tendencia central. Tambin son llamadas pruebas de rangos

En breve: No usan los valores, sino los rangos No se basan en la media sino en la mediana Pueden ser datos que estn en una escala ordinal

Defina homocedasticidad y explquela mediante un ejemplo aplicado a su profesin

La homocedasticidad es una propiedad fundamental del modelo de regresin lineal general y est dentro de sus supuestos clsicos bsicos.

En estadsticas se dice que un modelo predictivo presenta homocedasticidad cuando la varianza del error de la variable endgena se mantiene a lo largo de las observaciones. En otras palabras, la varianza de los errores es constante.

Caso particular

El diagnstico foliar es una tcnica utilizada en plantaciones citrcolas del mundo entero para reconocer y/o prevenir las carencias o excesos de nutrientes minerales, antes de que stos se manifiesten visualmente en los rboles, permitiendo as una mayor precisin en los programas de fertilizacin. En los trabajos de Investigacin Citrcola los contenidos foliares de nutrientes constituyen variables respuesta utilizadas frecuentemente y por lo tanto pasibles de anlisis estadsticos bajo modelos lineales. Los modelos de anlisis estadstico como el anlisis de varianza es sensible a las propiedades estadsticas de los trminos de error aleatorio del modelo lineal. Los supuestos del anlisis de varianza implican errores independientes, normalmente distribuidos y con varianzas homogneas para todas las observaciones, condiciones que muchas veces no se cumplen. Las distribuciones de los contenidos foliares de algunos nutrientes presentan fallas en algunos de los supuestos del anlisis de variancia, los ms graves son el apartamiento de la distribucin normal y la falta de homogeneidad entre las variancias de los tratamientos (homocedasticidad). Uno de los mtodos utilizados para corregir esas fallas es mediante la transformacin de los datos originales a una nueva escala, previa al anlisis de variancia.

La informacin utilizada proviene de 12 muestreos de ramas fructferas de limn, realizados durante las fases climticas que se presentan en nuestra zona de Urab

Las variables analizadas fueron concentraciones foliares N(g.Kg-1), P(g.Kg-1) y K(g.Kg1) y las resultantes de cada una de las familias de las transformaciones: logartmicas, races cuadradas y de potencia de Box y Cox (y -1) / . Para evaluar la normalidad se utiliz el test de Wilk- Shapiro y el de Wilk- Shapiro modificado por Manibbur y Govindarajulu, complementando el anlisis con herramientas descriptivas, entre ellas grfico de frecuencia y de Box Plot. La homogeneidad de variancias (homocedasticidad) se analiz por medio de los tests de Bartlett y Levene. La prueba de de Bartlett es una modificacin de la prueba de razn de verosimilitud de Neyman-Pearson, donde el estadstico final de significacin es X2, el cual se compara con un valor crtico de chi- cuadrado. El test de Levene consiste en realizar un anlisis de variancia (ANAVA), usando como variable dependiente el valor absoluto de los residuos. Si el valor p del factor tratamiento de este

ANAVA es menor al valor de significacin nominal se rechaza la hiptesis de varianzas homogneas, caso contrario el supuesto de igualdad de varianzas puede ser sostenido.

Mediante un ejemplo aplicado a su profesin explique: 1) dos muestras independientes o no apareadas y

Se eligen al azar e independientemente n nmero de plantas de un cultivo, se visitan bien temprano en la maana y se mide la variable que deseamos estudiar. Se tendr entonces la muestra:

Luego, se eligen al azar e independientemente otras n nmero de plantas de cultivo, se las visita bien tarde en la noche y se mide la variable que deseamos estudiar. Se tendr entonces la muestra:

Notar que estas dos muestras son tambin independientes entre s, o sea

Como se quiere un IC para insesgados de

son buenos estimadores a

respectivamente, se propone como estimador de

Usando el teorema de combinacin lineal de normales.

Recordando que

se lo estima mediante el pool

Entonces

estima al

de inters, con un error de estimacin

Si se quiere un IC para

, estandarizando (4) resulta

y finalmente

Otro ejemplo.

Se trata a un grupo de pantas de un cultivo con mata maleza para evitar que estas no se atrasen en su crecimiento, mientras que a un segundo grupo de plantas separadas del primero se les aplica urea. Estos dos grupos mustrales son independientes, puesto que las plantas en el grupo de tratamiento no estn en ninguna forma apareados o asociados con miembros correspondientes en el grupo de las que se le aplico urea.

2) Dos muestras dependientes o apareadas.

Para hacer inferencias estadsticas sobre dos plantaciones de cultivos, se necesita tener una muestra de cada plantacin de cultivo. Las dos muestras sern dependientes o independientes de acuerdo a la forma de seleccionarlas. Si la seleccin de los datos de uno de los cultivos no est relacionada con la de los datos de la otra, son muestras independientes. Si las muestras se seleccionan de manera que cada medida en una de ellas pueda asociarse naturalmente con una medida en la otra muestra, se llaman muestras dependientes. Cada dato sale de alguna fuente; una fuente es algo, una planta del cultivo o un objeto, que produce datos. Si dos medidas se obtienen de la misma fuente, se puede pensar que las medidas estn apareadas. En consecuencia dos medidas que se obtienen del mismo conjunto de fuentes son dependientes. Note que si dos muestras son dependientes, entonces necesariamente tienen el mismo tamao.

Muchas aplicaciones prcticas requieren hacer comparaciones entre dos plantaciones de cultivos con base en datos apareados o en muestras dependientes. Las aplicaciones que pueden involucrar muestras dependientes incluyen: Poner a prueba los efectos de dos fertilizantes en la produccin de frijol de soya comparando la produccin de parcelas similares en las mismas condiciones.

Qu es una anlisis post hoc? Cundo y para qu se efecta?

En el diseo y anlisis de experimentos, anlisis post-hoc (de Amrica post hoc, despus de esto) consiste en mirar a los datos-despus de que el experimento ha concluido los patrones que no se especificaron a prior. A veces se llama por los crticos dragado de datos para evocar el sentido de que cuanto ms se busca se puede encontrar la ms probable algo. De manera ms sutil, cada vez que un patrn en los datos se consideran, una prueba estadstica se realiza efectivamente. Esto infla en gran medida el nmero total de pruebas estadsticas y requiere el uso de mltiples pruebas de procedimientos para compensar. Sin embargo, esto es difcil de hacer con precisin y, de hecho, la mayora de los resultados de los anlisis post-hoc se informan como son sin ajustar con p valores. Estos p -valores deben ser interpretadas a la luz del hecho de que son un pequeo subconjunto seleccionado y de un grupo potencialmente grande de p -valores. Resultados de los anlisis post-hoc se deben etiquetar explcitamente como tal en informes y publicaciones para evitar lectores engaosos.

En la prctica, los anlisis post-hoc se encuentran preocupados con la bsqueda de patrones y / o relaciones entre los subgrupos de poblacin muestra que de otro modo permanecen sin ser detectados y sin descubrir son una comunidad cientfica que depender estrictamente de a priori mtodos estadsticos. Las pruebas post-hoc tambin conocido como a posteriori pruebas - ampliar considerablemente la gama y la capacidad de los mtodos que se pueden aplicar en la investigacin exploratoria. El examen post-hoc fortalece induccin al limitar la probabilidad de que los efectos significativos se parecen haber sido descubierto entre los subgrupos de una poblacin que realmente exista ninguno. As las cosas, muchos artculos cientficos se publican sin el control post-hoc adecuada, preventiva del tipo I tasa de error El anlisis post-hoc es un procedimiento importante, sin la cual la prueba de hiptesis multifactorial sufrira mucho, haciendo que las posibilidades de descubrir los falsos positivos inaceptablemente altos. En ltima instancia, las pruebas post-hoc crea

cientficos mejor informados que por lo tanto pueden formular mejor y ms eficiente a priori hiptesis y diseos de investigacin.

Nombre al menos 4 pruebas post hoc.

Mnima diferencia significativa de Fisher (LSD) Correccin de Bonferroni (Esto se utiliza adecuadamente planificadas, no post hoc, contrastes). Nueva prueba de rangos mltiples de Duncan Mtodo de Newman-Keuls El mtodo de Rodger El mtodo de Scheff Prueba de rangos de Tukey Prueba de Dunnett