Evaluación diseño experimental

Cuando se determina significancia debido al efecto de algún factor en una respuesta experimental, se rechaza la hipótesis nula y se acepta la hipótesis alternativa; ante ello es necesario determinar cuáles tratamientos son diferentes, o cuáles de ellos provocan diferencia, Para esto se debe probar la igualdad de todos los posibles pares de medias, para lo cual se aplican diferentes métodos: Método LSD (diferencia mínima significativa), Método de Duncan, Método de Tukey, Método de Dunnet, Método de Sheffé entre los principales.

• Las metodologías de comparaciones o pruebas de rangos múltiples se diferencian entre sí por la capacidad para detectar diferencias entre los tratamientos planteados en el estudio a través del valor de sus varianzas; Se determinan las diferencias comparando los valores de las varianzas.

• Las metodologías de comparaciones o pruebas de rangos múltiples se diferencian entre sí por los valores de la prueba de Fischer, de probabilidad, de Chi cuadrado, de la Prueba Z o de t de sudent; si el valor es menor al 5% más potente es la prueba.

• Las metodologías de comparaciones o pruebas de rangos múltiples se diferencian entre sí por la significancia estadística que se obtiene en el Análisis de varianza al 5% de significancia; si el valor es superior al 5%, más potente es la prueba.

• Las metodologías de comparaciones o pruebas de rangos múltiples se diferencian entre sí por la capacidad para detectar diferencias entre las medias; mientras más pequeñas son las diferencias, más potente es la prueba.

Una hipótesis estadística es una afirmación sobre los valores de los parámetros de una población o proceso, que es susceptible de probarse a partir de la información contenida en una muestra representativa que es obtenida de la población. Probar una hipótesis consiste en investigar si lo afirmado por la hipótesis nula es verdad o no.

• H0 es verdadera, y si los resultados de la investigación contradicen en forma suficiente dicho supuesto, entonces se rechaza la hipótesis alternativa y se acepta la H0. En caso de que los resultados de la investigación no demuestren claramente la falsedad de la hipótesis alternativa, ésta no se rechaza. Es decir, la hipótesis alternativa es verdadera mientras no se demuestre lo contrario.

• H0 es verdadera, y si los resultados de la investigación contradicen en forma suficiente dicho supuesto, entonces se rechaza la hipótesis alternativa y se acepta la H0. En caso de que los resultados de la investigación demuestren claramente la falsedad de la hipótesis alternativa, ésta se rechaza. Es decir, la hipótesis alternativa es nula mientras no se demuestre lo contrario.

• H0 es verdadera, y si los resultados de la investigación contradicen en forma suficiente dicho supuesto, entonces se acepta la H0 y se rechaza la hipótesis alternativa. En caso de que los resultados de la investigación demuestren claramente la falsedad de H0, ésta se rechaza. Es decir, la hipótesis nula es falsa mientras no se demuestre lo contrario.

• H0 es verdadera, y si los resultados de la investigación contradicen en forma suficiente dicho supuesto, entonces se rechaza H0 y se acepta la hipótesis alternativa. En caso de que los resultados de la investigación no demuestren claramente la falsedad de H0, ésta no se rechaza. Es decir, la hipótesis nula es verdadera mientras no se demuestre lo contrario.

El análisis de varianza (ANOVA) es la técnica central en el análisis de datos experimentales. La idea general de esta técnica es separar la variación total en las partes con las que contribuye cada fuente de variación en el experimento. El objetivo del análisis de varianza en el Diseño Completamente Aleatorizado (DCA) es probar la hipótesis de igualdad de los tratamientos con respecto a la media de la correspondiente variable de respuesta:

donde t1 es el efecto del tratamiento i sobre la variable de respuesta

• Si se acepta H_O se confirma que los efectos sobre la respuesta de los k tratamientos son estadísticamente significativos (iguales a uno), y en caso de rechazar se estaría concluyendo que al menos un efecto es diferente a uno.

• Si se acepta H_O se confirma que los efectos sobre la respuesta de los k tratamientos son estadísticamente positivos (iguales o menores a uno), y en caso de rechazar se estaría concluyendo que al menos un efecto es igual o diferente a uno.

• Si se acepta H_O se confirma que los efectos sobre la respuesta de los k tratamientos son estadísticamente nulos (iguales a cero), y en caso de rechazar se estaría concluyendo que al menos un efecto es diferente de cero.

• Si se acepta H_O se confirma que los efectos sobre la respuesta de los k tratamientos son estadísticamente verdaderos (iguales o superiores a uno), y en caso de rechazar se estaría concluyendo que al menos un efecto es igual o superior a uno.

Probar una hipótesis estadística es una decisión probabilística, por lo que existe el riesgo de cometer un error tipo I o un error tipo II. El primero ocurre cuando se rechaza H_O cuando ésta es verdadera, y el error tipo II es cuando se acepta H_O y ésta es falsa. En toda prueba de hipótesis cada tipo de error tiene una probabilidad de ocurrir.

• α = P{error tipo I} = probabilidad de aceptar la H_O siendo verdadera, es decir se rechaza una H_O que es verdadera.

  β = P{error tipo II} = probabilidad de rechazar la H_O siendo falsa. Es cuando se acepta una H_O que es falsa.

• α = P{error tipo I} = probabilidad de rechazar H_O siendo verdadera, es decir se rechaza una H_O que es verdadera.

  β = P{error tipo II} = probabilidad de aceptar H_O siendo falsa. Es cuando se acepta una H_O que es falsa.

• α = P{error tipo I} = probabilidad de aceptar la H_O siendo falsa, es decir se acepta una H_O que es falsa.

  β = P{error tipo II} = probabilidad de aceptar H_O siendo falsa. Es cuando se acepta una H_O que es falsa.

• α = P{error tipo I} = probabilidad de rechazar la H_O siendo verdadera, es decir se rechaza una H_O que es verdadera.

  β = P{error tipo II} = probabilidad de rechazar la H0 siendo falsa. Es cuando se acepta una H_O que es falsa.

El diseño completamente al azar (DCA), es el diseño que se utilizan para comparar dos o más tratamientos, dado que sólo consideran dos fuentes de variabilidad: los tratamientos y el error aleatorio.

• Todas las corridas experimentales se realizan en orden jerárquico y ordenado. De esta manera, si durante el estudio se hacen en total N pruebas, éstas se corren jerárquicamente, de manera que los posibles efectos ambientales y temporales se vayan repartiendo equitativamente entre los tratamientos.

• Todas las corridas experimentales se realizan en orden sistemático completo. De esta manera, si durante el estudio se hacen en total N pruebas, éstas se corren ordenadamente, de manera que los posibles efectos ambientales y temporales se vayan repartiendo equitativamente entre los tratamientos.

• Todas las corridas experimentales se realizan en orden controlado completo. De esta manera, si durante el estudio se hacen en total N pruebas, éstas se corren controladamente, de manera que los posibles efectos ambientales y temporales se vayan repartiendo equitativamente entre los tratamientos.

• Todas las corridas experimentales se realizan en orden aleatorio completo. De esta manera, si durante el estudio se hacen en total N pruebas, éstas se corren al azar, de manera que los posibles efectos ambientales y temporales se vayan repartiendo equitativamente entre los tratamientos.

A los factores adicionales al factor de interés que se incorporan de manera explícita en un experimento comparativo se les llama factores de bloque. Éstos tienen la particularidad de que no se incluyen en el experimento porque interese analizar su efecto, sino como un medio para estudiar de manera adecuada y eficaz al factor de interés. Los factores de bloque entran al estudio en un nivel de importancia secundaria con respecto al factor de interés y, en este sentido, se puede afirmar que se estudia un solo factor, porque es uno el factor de interés.

En un diseño en bloques completos al azar (DBCA) se consideran tres fuentes de variabilidad: el factor de tratamientos, el factor de bloque y el error aleatorio, es decir, se tienen tres posibles “culpables” de la variabilidad presente en los datos.

• La palabra completo en el nombre del diseño se debe a que en cada bloque se prueban

  todos los tratamientos, o sea, los bloques están completos. La aleatorización se hace

  en conjunto y al mismo tiempo en todos los bloques; por lo tanto, no se realiza de manera total como en el diseño completamente al azar.

• La palabra completo en el nombre del diseño se debe a que en cada bloque se prueban

  todos los tratamientos, o sea, los bloques están completos. La aleatorización se hace

  de igual forma que el diseño completamente al azar; por lo tanto, no se realiza de manera total como en el diseño

  completamente al azar.

• La palabra completo en el nombre del diseño se debe a que en cada bloque se prueban

  todos los tratamientos, o sea, los bloques están completos. La aleatorización se hace

  en general en todos los bloques; por lo tanto, no se realiza de manera total como en el diseño completamente al azar.

• La palabra completo en el nombre del diseño se debe a que en cada bloque se prueban

  todos los tratamientos, o sea, los bloques están completos. La aleatorización se hace

  dentro de cada bloque; por lo tanto, no se realiza de manera total como en el diseño

  completamente al azar.