Maestría en Educación Superior Estadística y Diseños Experimentales Aplicados A La Educación Superior

MAESTRÍA EN EDUCACIÓN SUPERIOR
Estadística y Diseños Experimentales

Aplicados a la Educación Superior
Por: Ing. M.Sc. Francisco Martínez Solaris

Mgs. En Educación Superior
martinezsolaris@cotas.com.bo
fmartinezsolaris, cuenta de Skype
Por: Ing. M.Sc. Francisco Martínez Solaris 17/09/2013

Estadística Y Diseños Experimentales
Para tomar en cuenta

“Las teorías basadas en ideologías carecen de
experimentación, y por ello, no son ciencia, lo
que no se demuestra con experimento es
política. Lo que se demuestra con
experimentación, es ciencia” (Robert
Laughlin, Premio Nobel de Física 1998).
"La verdadera ignorancia no es la ausencia de
conocimientos, sino el hecho de rehusarse a
adquirirlos" (Karl R. Popper)

Estadística Y Diseños Experimentales
Programa a Desarrollar
Evaluación: Después de cada tema desarrollado

¿Por qué se tiene que estudiar
Estadística?
Según Mark Twain hay tres
clases de mentiras:
• La mentira
• La maldita mentira
• Las Estadísticas
Revisión
Observación Hipótesis
Aporte Estadística
Replanteo Toma de Información
de Hipótesis
Conclusiones Análisis de Información

REGRESION LINEAL SIMPLE
En el desarrollo de los eventos, puede ser

X1 que una variable sea afectada por el
comportamiento de otra (s) variable (s)
Y X2
.
.
.
Es de interés poder cuantificar este tipo de

Xi relación de manera que se pueda predecir
una variable en función de otra
Y: Variable Dependiente En Regresión Lineal Simple es de interés

cuando una variable afecta el
X: Variable Independiente comportamiento de otra variable
Y = f(X)
Propósito de la R.L.S: Predicción
Por análisis de regresión se entiende al conjunto de métodos

estadísticos que tratan con la formulación de modelos matemáticos
que describen la relación entre variables y el uso de estas
relaciones modeladas con el propósito de predecir e inferir.
Por Regresión Lineal Simple se entiende …
“Y” es una variable aleatoria cuya

distribución probabilística depende de
“X”
Supuestos del Análisis Modelo de la Línea Recta
de Regresión Lineal
Homogeneidad de Varianza
Simple
Normalidad
Independencia
Diagrama de Dispersión
Llamado también Ploteo de Datos, tiene como propósito mostrar la

posible tendencia (en caso de existir) entre las variables “X” y “Y”.
Consiste en llevar los pares de valores “x, y” a un sistema de

coordenadas (bidimensional)
(x, y)
X
Horas de Estudio por semana Promedio de notas
5 2.1
6 2.7
7 2.6
8 2.5
9 3.5
10 3.0
11 3.5
12 3.7
13 3.9
14 4.0
Diagrama de Dispersión
4.5
3.5
Promedio de notas
2.5
1.5
0.5
0
0 2 4 6 8 10 12 14 16
Horas de estudio por semana
Método de Mínimos Cuadrados
El supuesto No 2 de RLS plantea que de existir una relación entre

“X” y “Y”, ésta es una línea recta, por lo tanto se puede pensar en
una ecuación de la siguiente forma:
Métodos de Mínimos
𝒀 = 𝜷𝟎 + 𝜷𝟏 𝒙𝒊 Cuadrados
Estimación
(Carl Friedrich Gauss)
Parámetros
De tal manera que se llegue a obtener una ecuación de la

siguiente naturaleza:
𝒀 = 𝜷𝟎 + 𝜷𝟏 𝒙𝒊
A partir de muestras (x1, y1), (x2, y2), …(xi, yi) de las variables “X” y
“Y”, se trata de obtener los estimadores . Para ello la Técnica de
Mínimos Cuadrados minimiza la suma de cuadrado de las distancias
entre los valores observados y los estimados de tal manera que :
(𝒀𝒊 − 𝒀𝒊 ) = 𝟎
Y
𝒙 𝒚
𝒙𝒚 − 𝒏
𝜷𝟏 = 𝟐
( 𝒙𝒊)
𝒙𝒊𝟐 −
𝒏
(𝒀𝒊 − 𝒀𝒊 )
𝜷𝟎 = 𝒚 − 𝜷𝟏 𝒙
(𝒀𝒊 − 𝒀𝒊 ) = 𝟎
𝒀 = 𝜷𝟎 + 𝜷𝟏 𝒙𝒊
Estimada una vez la recta de Predicción y teniendo en cuenta que el
propósito de la R.L.S es la predicción, se hace necesario estar
seguro que la ecuación estimada es capaz de predecir.
Por esta razón es necesario validar la ecuación estimada

Validación de la Recta de Estimación
Validación
Cálculo de Coeficiente Análisis de Varianza

de Determinación R² de la Regresión “ANARE”
Cuantifica la cantidad de la
variabilidad de “Y” que puede
ser explicada por “X”
R² ≥ 70%
Regresión Lineal Simple/Validación de la Recta de Estimación/ANARE
Por análisis de Varianza se entiende, de forma general, a la partición

de la variación total en fuente de variación conocida que en el caso
de R.L.S son de acuerdo al siguiente modelo aditivo lineal:
xi= Variación debida a Regresión
εi = Variación debida al Error
FV gl SC CM Fc Ft (Pr>F)
CMRegresión
Regresión 1 SCRegresión CMRegresión
/CMError
Error n-2 SCError CMError
Total n.1 SCTotales
Regla de Decisión
𝐇𝐨: 𝜷𝟏 = 𝟎
NRHo : Fc ≤ Ft
𝐇𝐚: 𝜷𝟏 ≠ 𝟎 RHo : Fc > Ft
Dibujo de la Recta de Estimación
La Recta de Estimación debe pasar por dos puntos obligados dentro
del área de exploración, las coordenadas de estos puntos son las
siguientes:
4.5
y = 0.203x + 1.2212
4 R² = 0.8754
3.5
Promedio de Notas
2.5
1.5
0.5
0
0 5 10 15
Horas de Estudio
Bandas de Confianza
¿Hasta dónde es capaz de predecir la recta de predicción estimada?
Diagrama de Dispersión, Recta de Estimación, Banda Inferior, Banda

Superior
6
5
Promedio de Notas
4 Diagram de Dispersión
Recta de Estimación
3
Banda Inferior
2 Banda Superior
0
0 5 10 15
Horas de Estudio
CORRELACION LINEAL SIMPLE
Así como existen técnicas que cuantifican los cambios de una

variable dependiente por un único cambio de la variable
independiente, existen técnicas que cuantifican la asociación lineal
entre dos variables, esta técnica es llamada Correlación Lineal
Simple que se exprese como el coeficiente de correlación (r)
Este coeficiente indica el sentido de la asociación como también la

magnitud de ésta, partiendo del hecho que el coeficiente de
correlación lineal simple toma valores en el rango de: r es -1 ≤ r ≤ 1.
Entre más se acerca a los extremos valor de “r”, mayor es la
asociación entre dichas variables.
-1 ≤ r < -0.8 Asociación 0 ≤ r < 0.4 No hay

fuerte y asociación
negativa
-0.8 ≤ r < -0.4 Asociación 0.4 ≤ r < 0.8 Asociación
débil y débil y
negativa positiva
-0.4 ≤ r ≤ 0 No hay 0.8 ≤ r ≤ 1 Asociación
asociación fuerte y
positiva
Diferencias entre Regresión y Correlación Lineal Simple
Regresión Lineal Simple Correlación Lineal Simple

Mide la cantidad de cambios en “Y” Mide asociación lineal
por un único cambio en “X”. entre dos variables
Existe una variable dependiente y Es indistinto x, y ó y, x

otra independiente
β1 puede tomar cualquier valor en la El coeficiente de

recta numérica correlación toma valores en
el intervalo -1 ≤ r ≤ 1
Diseño de Investigación
Censo
No
Experimental No Probabilístico
Muestreo
Probabilístico
Cuasi experimental
Experimental
Experimentos Puros

Diseños Experimentales
Cuasiexperimentos Diseños Experimentales Puros
DISEÑOS EXPERIMENTALES PUROS
DISEÑOS CLASICOS DISEÑOS FACTORIALES
DCA SIMPES
BCA COMPLEJOS
CL FACTORIALES/DCA PARCELAS DIVIDIDAS

FACTORIALES/BCA PARCELA SUBDIVIDIDAS
FACTORIALES/CL

Se Provoca Se Mide
una Causa Proceso efecto
ANALISIS DE VARIANZA (ANDEVA)

¿QUE ES UN ANALISIS DE VARIANZA?
Homogeneidad (Homocedasticidad) de varianzas
Normalidad
Linealidad y Aditividad
Independencia

DISEÑOS EXPERIMENTALES
Experimento:
En sí viene a ser aquel proceso intencionado
provocado por el investigador con el fin de estudiar
su origen, esencia e interrelación con otros procesos
o fenómenos.
Tratamiento:
Viene a ser el conjunto de condiciones
experimentales que el investigador impone a las
unidades experimentales. Ejemplo: efecto de dosis
desparasitante, tipo de desparasitante, estrategia
pedagógica, organización del aula, etc.
Ing.M.Sc. Francisco Martínez Solaris; Mgs. En
17/09/2013
Educación Superior
Unidad Experimental
Es el material o lugar sobre el cual se aplican los
tratamientos
Tamaño de la Unidad Experimental
Depende depende mucho del tipo de material
experimental que se utilice y muchas veces de la
esperanza de vida en el caso de usar seres vivos.

17/09/2013
Educación Superior
Factor
Es un tratamiento que genera más tratamientos
(niveles del factor)
Error Experimental
Es la variación aleatoria (no explicada) ajena al
control razonable del investigador. Este término no
es sinónimo de error, si no que forma parte de las
características propias e innatas de la unidad
experimental

17/09/2013
Educación Superior
Testigo
Es el tratamiento de comparación adicional, que no
debe faltar en un experimento; la elección del
tratamiento testigo es de gran importancia en
cualquier investigación
Diseños Experimentales
Es un método científico de investigación que consiste
en hacer operaciones prácticas destinadas a
demostrar, comprobar o descubrir fenómenos o
principios básicos. Tiene como propósito proporcionar
la máxima cantidad de información a un costo mínimo.
17/09/2013
Educación Superior
Principios Básico de la Experimentación

Repetición
Azarización
Control Local

17/09/2013
Educación Superior
DISEÑO EXPERIMENTALES
Exigencias la experimentación
Tipicidad
Uniformidad

17/09/2013
Educación Superior
DISEÑO COMPLETAMENTE AL AZAR (DCA)
¿Cuándo se utiliza este diseño?
• Unidades Experimentales homogéneas
• Se utiliza en experimentos en:
• Invernadero, Macetas, Galpones, Corrales,
Laboratorio, aulas.
Modelo Aditivo Lineal (MAL)

𝑌𝑖𝑗 = 𝜇 + 𝑇𝑖 + 𝐸𝑖𝑗
𝜇 = Efecto común a todas las observaciones
𝑇𝑖 = Efecto del i-ésimo tratamiento, i = 1, 2, … t tratamientos
𝐸𝑖𝑗= ~ N (𝜇, σ²) y de forma independiente

DISEÑO COMPLETAMENTE AL AZAR
(DCA) balanceado
F.V gl SC CM Fc Ft
Tratamiento t-1 SCTRAT. 𝑆𝐶𝑇𝑅𝐴𝑇. 𝐶𝑀𝑇𝑅𝐴𝑇. 𝐹(∝, 𝑔𝑙𝑡𝑟𝑎𝑡. , 𝑔𝑙𝑒𝑟𝑟𝑜𝑟)

𝑡−1 𝐶𝑀𝐸𝑟𝑟𝑜𝑟
Error t(r-1) SCError 𝑆𝐶𝐸𝑟𝑟𝑜𝑟

𝑡(𝑟 − 1)
Total tr-1 SCTotales

(DCA) desbalanceado
Salida de Varianza según Modelo Aditivo Lineal (MAL)
F.V gl SC CM Fc Ft
Tratamiento t-1 SCTRAT. 𝑆𝐶𝑇𝑅𝐴𝑇. 𝐶𝑀𝑇𝑅𝐴𝑇. 𝐹(∝, 𝑔𝑙𝑡𝑟𝑎𝑡. , 𝑔𝑙𝑒𝑟𝑟𝑜𝑟)

𝑡−1 𝐶𝑀𝐸𝑟𝑟𝑜𝑟
Error n-t SCError 𝑆𝐶𝐸𝑟𝑟𝑜𝑟

n−t
Total n-1 SCTotales

(DCA)
Vaciamiento de Información
REPETICIONES
TRATAMIENTOS ΣYi.
1 2 3 …j
1 Y11 Y12 Y13 Y1j Y1.
2 Y21 Y22 Y23 Y2j Y2.
3 Y31 Y32 Y33 Y3j Y3.
…i Yi1 Yi2 Yi3 Yij Yi.
ΣY.j Y.1 Y.2 Y.3 Y.j Y..

(DCA)
Ecuaciones de Trabajo
ΣY..2
𝐹𝐶 = ; experimentos balanceados
𝑡𝑟
ΣY..2
𝐹𝐶 = ; experimentos desbalanceados
𝑛
𝑆𝐶𝑇𝑜𝑡𝑎𝑙𝑒𝑠 = 𝑌𝑖𝑗 2 − 𝐹𝐶
𝑌𝑖.2
𝑆𝐶𝑇𝑅𝐴𝑇 = − 𝐹𝐶; experimentos balanceados
𝑟
𝑌𝑖.2
𝑆𝐶𝑇𝑅𝐴𝑇 = 𝑟𝑖
− 𝐹𝐶; experimentos desbalanceados
𝑆𝐶𝐸𝑟𝑟𝑜𝑟 = 𝑆𝐶𝑇𝑜𝑡𝑎𝑙𝑒𝑠 − 𝑆𝐶𝑇𝑅𝐴𝑇

(DCA)
Hipótesis
Ho: µ1 = µ2 = µ3 =… µi (T1 = T2 = T3 = …Ti)
Ho: µ1 - µ2 - µ3 -… µi = 0 (T1 - T2 - T3 - …Ti = 0)
Ha: µ1 - µ2 - µ3 -… µi  0 (T1  T2 T3  …Ti)
Regla de Decisión
Verdadera
NRHo si Fc  Ft
Ho
RHo si Fc > Ft
Falsa

DISEÑO COMPLETAMENTE AL AZAR (DCA)
Ejemplo de DCA
Empleado Incentivo (Tratamientos)

(repeticiones) T1 T2 T3 T4 T5
1 30 19 15 43 40
2 26 21 18 47 38
3 28 16 23 43 42
4 31 23 18 42 41
5 25 23 20 43 35
6 30 23 18 41 41

(DCA)
Resultados del Análisis de Varianza a un α =0.01
FV gl SC CM Fc Pr < 0.01 Ft (0.01, 4, 25)

Tratamiento 4 2872.8667 718.2167 112.3384 1.3539E-15 4.1774
Error 25 159.8333 6.3933

Total 29 3032.7

PRUEBAS DE RANGOS MULTIPLES, SEPARACION
DE MEDIAS O PRUEBAS OBLIGADAS POR LOS DATOS
NRHo
Decisión
Ho
RHo Entonces Ha
es verdadera
¿Cuál (es) es o son los tratamientos que provocaron el RHo?
Pregunta que no responde el ANDEVA

Pruebas de Rangos Múltiples
Contrastes Ortogonales
Polinomios Ortogonales
Procedimiento para realiza una Pruebas de Rangos Múltiples
Obtener los promedios de las fuentes de variación de interés

Ordenar los promedios de forma descendente
Seleccionar la prueba de rangos múltiples a usar
Determinar el valor crítico de la prueba de seleccionada
Establecer las comparaciones a realizar según la prueba
seleccionada
Determinar las diferencias de medias de acuerdo a las
comparaciones establecidas
Contrastar las diferencias de medias con el valor crítico de la prueba

Establecer el rango de mérito
Emitir conclusiones según el rango de mérito
Pruebas de Rangos Múltiples
2 𝐶𝑀𝐸𝑟𝑟𝑜𝑟
2
• Diferencia Mínima Significativa (DMS) (LSD) 𝐷𝑀𝑆 = 𝑡𝛼/2
𝑟
• Método de Duncan
𝑅𝑀𝑆 = 𝑅∝
𝑟
• Método de Student-Newman-Keuls (SNK) 𝑆𝑁𝐾 = 𝑞 ∝
𝑟
• Método de Tukey (Diferencia Significativa Honesta) 𝑇𝑜 = 𝑞 ∝
𝑟
2 1 1
• Método de Scheffé 𝐹𝑜 = 𝑡 − 1 𝐹 ∝ 𝐶𝑀𝐸𝑟𝑟𝑜𝑟 ( + )
𝑖 𝑗

¿Cuál Prueba de Rangos Múltiples Utilizar?

DISEÑO EN BLOQUES COMPLETAMENTE AL AZAR
(BCA)

• Cuando el material experimental presenta un factor de
estorbo que no es de interés estudiar pero que si puede
afectar los resultados del experimento.
• Tiene como principio maximizar la variabilidad entre
bloques y minimizar la variabilidad interbloque o
variabilidad interna.

𝑌𝑖𝑗 = 𝜇 + T𝑖 + 𝐵𝑗 + 𝐸𝑖𝑗
 𝜇 = Efecto común a todas las observaciones
 𝑇𝑖 = Efecto del i-ésimo tratamiento, i = 1, 2, … t tratamientos
 𝐵𝑗 = Efecto del j-ésimo bloque, j = 1, 2, … r bloques
 𝐸𝑖𝑗= ~ N (𝜇, σ²) y de forma independiente
(BCA)
Principio de bloqueo
• Deben existir tantas unidades experimentales dentro de cada
bloque como tratamientos se tenga, de manera que cada
tratamiento tenga una repetición en cada bloque
• Desventaja (cuando se pierde una unidad experimental en un
bloque) por que se pierde la simetría del bloque (principio de
bloqueo.
• Cuando se pierde todo un tratamiento o bien todo un bloque, no
hay problema ni necesidad de estimar parcela o datos perdidos

(BCA)
Salida de Varianza según Modelo Aditivo Lineal (MAL)

𝑌𝑖𝑗 = 𝜇 + T𝑖 + 𝐵𝑗 + 𝐸𝑖𝑗
F.V gl SC CM Fc Ft
Bloque r-1 SCBloque CMBloque 𝐶𝑀𝐵𝑙𝑜𝑞𝑢𝑒𝑠 𝐹(∝, 𝑔𝑙𝑏𝑙𝑜𝑞. , 𝑔𝑙𝑒𝑟𝑟𝑜𝑟)

𝐶𝑀𝐸𝑟𝑟𝑜𝑟
Tratamiento t-1 SCTRAT. CMTRAT. 𝐶𝑀𝑇𝑅𝐴𝑇. 𝐹(∝, 𝑔𝑙𝑡𝑟𝑎𝑡. , 𝑔𝑙𝑒𝑟𝑟𝑜𝑟)

Error (t-1)(r-1) SCError CMError
Total tr-1 SCTotales

(BCA)
Concentración de información
BLOQUES
TRATAMIENTOS ΣYi.
1 2 3 …j
1 Y11 Y12 Y13 Y1j Y1.
2 Y21 Y22 Y23 Y2j Y2.
3 Y31 Y32 Y33 Y3j Y3.
…i Yi1 Yi2 Yi3 Yij Yi.
ΣY.j Y.1 Y.2 Y.3 Y.j Y..

(BCA)
Ecuaciones de trabajo
ΣY. .2
𝐹𝐶 =
𝑡𝑟
𝑆𝐶𝑇𝑜𝑡𝑎𝑙𝑒𝑠 = 𝑌𝑖𝑗 2 − 𝐹𝐶
𝑌. 𝑗 2
𝑆𝐶𝐵𝑙𝑜𝑞𝑢𝑒 = − 𝐹𝐶
𝑡
𝑌𝑖.2
𝑆𝐶𝑇𝑅𝐴𝑇 = − 𝐹𝐶
𝑟
𝑆𝐶𝐸𝑟𝑟𝑜𝑟 = 𝑆𝐶𝑇𝑜𝑡𝑎𝑙𝑒𝑠 − (𝑆𝐶𝐵𝑙𝑜𝑞𝑢𝑒 + 𝑆𝐶𝑇𝑅𝐴𝑇)

(BCA)
Ejemplo de BCA
Métodos de Enseñanza de las Matemáticas
Bloque (CI) A1 A2 A3
94 6 7 8
96 7 6 7
98 4 8 9
100 5 9 7
102 7 5 8
104 3 4 10
106 5 6 7
108 8 8 9
110 7 7 10
112 6 5 7

(BCA)
Salida de varianza para el ejemplo a α = 0.01
FV gl SC CM Fc Probabilidad Ft (0.01)
Bloques 9 19.5000 2.1667 1.0209 0.4601 2.4563
Tratamiento 2 30.4667 15.2333 7.1780 0.0051 3.5546
Error 18 38.2000 2.1222
Total 29 88.1667

DISEÑO CUADRADO LATINO (CL)
• Es considerado una variante del BCA, ya que bloquea en dos
sentidos, por hileras (filas) y por columna
• Se utiliza cuando existen dos factores de estorbo que no
interesan estudiar pero que si pueden afectar los resultados
• Para que los efectos de hieleras y columnas no se confundan
con el de los tratamientos, éstos no se deben repetir tanto por
hilera y por columna (principio de bloque con doble bloqueo).

Yij(k) = µ + Hi + Cj + Tk(ij) + Eijk

DISEÑO CUADRADO LATINO (CL)
Salida de Varianza para un CL
FV gl SC CM Fc Ft
Hileras t-1 SCHileras CMHileras 𝐶𝑀𝐻𝑖𝑙𝑒𝑟𝑎𝑠 𝐹(∝, 𝑡 − 1, 𝑔𝑙𝑒𝑟𝑟𝑜𝑟)

Columnas t-1 SCColumn CMColumn 𝐶𝑀𝐶𝑜𝑙𝑢𝑚𝑛 𝐹(∝, 𝑡 − 1, 𝑔𝑙𝑒𝑟𝑟𝑜𝑟)

Tratamiento t-1 SCTRAT. CMTRAT. 𝐶𝑀𝑇𝑅𝐴𝑇. 𝐹(∝, 𝑡 − 1, 𝑔𝑙𝑒𝑟𝑟𝑜𝑟)

Error (t-1)(t-2) SCError CMError
Total t²-1 SCTotales

DISEÑOS FACTORIALES
• No se habla de diseños propiamente dichos, sino de arreglos de

tratamientos bajo cualquier diseño clásico, es decir, DCA, BCA o
CL.
• Lo anterior indica que se pueden tener arreglos factoriales en

DCA, BCA y CL. Todo va a depender de las características de las
unidades experimentales.
• Un factor es un tratamiento que genera más tratamientos, a
éstos se les llama niveles del factor.
• Los experimentos factoriales se pueden dividir en experimentos
factoriales simples o experimentos factoriales complejos
• Los experimentos factoriales se pueden dividir en bifactoriales,

trifactoriales, etc.

DISEÑOS FACTORIALES EN ARREGLO
COMPLETAMENTE AL AZAR
Se utilizan cuando se tienen dos o más factoriales y las unidades
experimentales a usar son homogéneas, es decir, no existe factor
de “estorbo”
Modelo Aditivo Lineal para un Bifactorial en DCA.
𝒀𝒊𝒋𝒌 = µ + 𝑨𝒊 + 𝑩𝒋 + 𝑨 ∗ 𝑩 𝒊𝒋 + 𝑬𝒊𝒋𝒌; 𝒅𝒐𝒏𝒅𝒆:
𝒀𝒊𝒋𝒌 = Variable respuesta
µ = Efecto común a todas las observaciones
𝑨𝒊 = Efecto del i-ésimo nivel del factor A; i = a1, a2,…ai niveles A
Bj = Efecto del j-ésimo nivel del factor B.; j = b1, b2,…bj niveles B
A*Bij = Efecto del i-ésimo nivel del factor A con j-ésimo nivel del
factor B; ij = a1b1, a1b2, ,,,aibj interacciones
Eijk = Error del modelo

Arreglo combinatorio para un Bifactorial en DCA.
Factor B
Factor A
b1 b2 b3 …bj
a1 a1b1 a1b2 a1b3 a1bj
a2 a2b1 a2b2 a2b3 a2bj
…ai aib1 aib2 aib3 aibj

Vaciamiento de datos para un Bifactorial en DCA.
Repeticiones
Factor A Factor B ΣYij.
1 2 3 …k
b1 Y111 Y112 Y113 Y11k Y11.
b2 Y121 Y122 Y123 Y12k Y12.
a1
b3 Y131 Y132 Y133 Y13k Y13.
bj Y1j1 Y1j2 Y1j3 Y1jk Y1j.
b1 Y211 Y212 Y213 Y21k Y21.
b2 Y221 Y222 Y223 Y22k Y22.
a2
b3 Y231 Y232 Y233 Y23k Y23.
bj Y2j1 Y2j2 Y2j3 Y2jk Y2i.
b1 Yi11 Yi12 Yi13 Yi1k Yi1.
ai
…bj Yij1 Yij2 Yij3 Yijk Yij.
Vaciamiento de interacciones para un Bifactorial en
DCA.
Factor B
Factor A ΣYi..
b1 b2 b3 b4 …bj
a1 Y11. Y12. Y13. Y14. Y1j. Y1..
a2 Y21. Y22. Y23. Y24. Y2j. Y2..
…ai Yi1. Yi2. Yi3. Yi4. Yij. Yi..
ΣY.j. Y.1. Y.2. Y.3. Y.4. Y.j. Y…

Ecuaciones de trabajo
2
( 𝑌…)
𝐹𝐶 =
𝑎∗𝑏∗𝑟
𝑆𝐶𝑇𝑜𝑡𝑎𝑙𝑒𝑠 = 𝑌𝑖𝑗𝑘 2 − 𝐹𝐶
(𝑌1². . +𝑌2². . +𝑌3². . +𝑌𝑖. ². )

𝑆𝐶𝐴 = − 𝐹𝐶
𝑏𝑟
(𝑌. 12 . +𝑌. 22 . +𝑌. 32 . +𝑌. 𝑗. ². )

𝑆𝐶𝐵 = − 𝐹𝐶
𝑎𝑟
(𝑌11². +𝑌12². +𝑌13². + ⋯ 𝑌𝑖𝑗². )
𝑆𝐶𝐴𝐵 = − 𝐹𝐶 − (𝑆𝐶𝐴 + 𝑆𝐶𝐵)
𝑟
𝑆𝐶𝐸𝑟𝑟𝑜𝑟 = 𝑆𝐶𝑇𝑜𝑡𝑎𝑙𝑒𝑠 − (𝑆𝐶𝐴 + 𝑆𝐶𝐵 + 𝑆𝐶𝐴𝐵)

Salida de Varianza
F.V gl SC CM Fc Ft
Factor A a-1 SCA 𝑆𝐶𝐴 𝐶𝑀𝐴 F(,glA, gl Error)

𝑎−1 𝐶𝑀𝐸𝑟𝑟𝑜𝑟
Factor B b-1 SCB 𝑆𝐶𝐵 𝐶𝑀𝐵 F(,glB, gl Error)

𝑏−1 𝐶𝑀𝐸𝑟𝑟𝑜𝑟
𝑆𝐶𝐴𝐵 𝐶𝑀𝐴𝐵
A*B (a-1)(b-1) SCAB F(,glAB, gl Error)
𝑎 − 1 (𝑏 − 1) 𝐶𝑀𝐸𝑟𝑟𝑜𝑟
𝑆𝐶𝐸𝑟𝑟𝑜𝑟
Error ab(r-1) SCError
𝑎𝑏(𝑟 − 1)
Total abr-1 SCTotales

Ajuste de efectos principales y secundarios
Efecto Total Promedio Ajuste
ΣYi. . 2 𝐶𝑀𝐸𝑟𝑟𝑜𝑟
A ΣYi..
br 𝑏𝑟
ΣY. j. 2 𝐶𝑀𝐸𝑟𝑟𝑜𝑟
B ΣY.j.
ar 𝑎𝑟
ΣYij. 2 𝐶𝑀𝐸𝑟𝑟𝑜𝑟
AB ΣYij.
r 𝑟

Maestría en Educación Superior Estadística y Diseños Experimentales Aplicados A La Educación Superior

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Maestría en Educación Superior Estadística y Diseños Experimentales Aplicados A La Educación Superior

Diunggah oleh

Hak Cipta:

Format Tersedia

MAESTRÍA EN EDUCACIÓN SUPERIOR

Estadística y Diseños Experimentales

Por: Ing. M.Sc. Francisco Martínez Solaris

Por: Ing. M.Sc. Francisco Martínez Solaris 17/09/2013

Para tomar en cuenta

Por: Ing. M.Sc. Francisco Martínez Solaris 17/09/2013

Evaluación: Después de cada tema desarrollado

Por: Ing. M.Sc. Francisco Martínez Solaris 17/09/2013

Conclusiones Análisis de Información

Por: Ing. M.Sc. Francisco Martínez Solaris 17/09/2013

En el desarrollo de los eventos, puede ser

Es de interés poder cuantificar este tipo de

Y: Variable Dependiente En Regresión Lineal Simple es de interés

Por análisis de regresión se entiende al conjunto de métodos

Por Regresión Lineal Simple se entiende …

“Y” es una variable aleatoria cuya

Llamado también Ploteo de Datos, tiene como propósito mostrar la

Consiste en llevar los pares de valores “x, y” a un sistema de

El supuesto No 2 de RLS plantea que de existir una relación entre

De tal manera que se llegue a obtener una ecuación de la

Por esta razón es necesario validar la ecuación estimada

Cálculo de Coeficiente Análisis de Varianza

Por análisis de Varianza se entiende, de forma general, a la partición

xi= Variación debida a Regresión

εi = Variación debida al Error

Diagrama de Dispersión, Recta de Estimación, Banda Inferior, Banda

Así como existen técnicas que cuantifican los cambios de una

Este coeficiente indica el sentido de la asociación como también la

-1 ≤ r < -0.8 Asociación 0 ≤ r < 0.4 No hay

Regresión Lineal Simple Correlación Lineal Simple

Existe una variable dependiente y Es indistinto x, y ó y, x

β1 puede tomar cualquier valor en la El coeficiente de

Por: Ing. M.Sc. Francisco Martínez Solaris 17/09/2013

Cuasiexperimentos Diseños Experimentales Puros

DISEÑOS EXPERIMENTALES PUROS

DISEÑOS CLASICOS DISEÑOS FACTORIALES

CL FACTORIALES/DCA PARCELAS DIVIDIDAS

Por: Ing. M.Sc. Francisco Martínez Solaris 17/09/2013

ANALISIS DE VARIANZA (ANDEVA)

Por: Ing. M.Sc. Francisco Martínez Solaris 17/09/2013

Ing.M.Sc. Francisco Martínez Solaris; Mgs. En

Ing.M.Sc. Francisco Martínez Solaris; Mgs. En

Principios Básico de la Experimentación

Ing.M.Sc. Francisco Martínez Solaris; Mgs. En

Ing.M.Sc. Francisco Martínez Solaris; Mgs. En

Modelo Aditivo Lineal (MAL)

Por: Ing. M.Sc. Francisco Martínez Solaris 17/09/2013

Tratamiento t-1 SCTRAT. 𝑆𝐶𝑇𝑅𝐴𝑇. 𝐶𝑀𝑇𝑅𝐴𝑇. 𝐹(∝, 𝑔𝑙𝑡𝑟𝑎𝑡. , 𝑔𝑙𝑒𝑟𝑟𝑜𝑟)

Error t(r-1) SCError 𝑆𝐶𝐸𝑟𝑟𝑜𝑟

Por: Ing. M.Sc. Francisco Martínez Solaris 17/09/2013

Tratamiento t-1 SCTRAT. 𝑆𝐶𝑇𝑅𝐴𝑇. 𝐶𝑀𝑇𝑅𝐴𝑇. 𝐹(∝, 𝑔𝑙𝑡𝑟𝑎𝑡. , 𝑔𝑙𝑒𝑟𝑟𝑜𝑟)

Error n-t SCError 𝑆𝐶𝐸𝑟𝑟𝑜𝑟

Total n-1 SCTotales

Por: Ing. M.Sc. Francisco Martínez Solaris 17/09/2013

Por: Ing. M.Sc. Francisco Martínez Solaris 17/09/2013

𝑆𝐶𝐸𝑟𝑟𝑜𝑟 = 𝑆𝐶𝑇𝑜𝑡𝑎𝑙𝑒𝑠 − 𝑆𝐶𝑇𝑅𝐴𝑇

Por: Ing. M.Sc. Francisco Martínez Solaris 17/09/2013

Ho: µ1 = µ2 = µ3 =… µi (T1 = T2 = T3 = …Ti)

Ho: µ1 - µ2 - µ3 -… µi = 0 (T1 - T2 - T3 - …Ti = 0)

Ha: µ1 - µ2 - µ3 -… µi  0 (T1  T2 T3  …Ti)

Por: Ing. M.Sc. Francisco Martínez Solaris 17/09/2013

Empleado Incentivo (Tratamientos)

Por: Ing. M.Sc. Francisco Martínez Solaris 17/09/2013