Cursodebioestadsticaydiseosexperimentales 110925202657 Phpapp01

BIOESTADISTICA Y DISEOS EXPERIMENTALES
26/09 al 07/10/2011
Por: Ing. M.Sc. Francisco Martnez Solaris
Mgs. En Educacin Superior
martinezsolaris@cotas.com.bo
Cuenta en Skype.fmartinezsolaris

UNIVERSIDAD AUTONOMA GABRIEL
RENE MORENO
UNIDAD DE POSTGRADO DE CIENCIAS
DE LA SALUD

ESTADISTICA
Nociones Generales
Programa a Desarrollar
ESTADISTICA
Nociones Generales
Por qu se tiene que estudiar
Estadstica Diseos Experimentales?
ESTADSTICA
DESCRIPTIVA
PROPOSITO
METODOS
INFERENCIAL
PROPOSITO
METODO
TABULARES
GRAFICOS
NUMERICOS
PROBABILISTICO
Qu es?...
ESTADISTICA
Nociones Generales
Caractersticas
Ciencia encargada de la Recoleccin,
Manipulacin, Organizacin y
Presentacin de informacin de
manera tal que sta tenga una
Confiabilidad determinada
ESTADISTICA
Nociones Generales
Poblacin
N
Parmetros
,
2,
p,
etc
Muestra
n=?
Estadsticos
Estadgrafos
Deduccin
TECNICAS DE
MUESTREO
INFERENCIA
ESTIMACION
ESTADISTICA
Nociones Generales
CENSO
MUESTREO
ESTADISTICA
Nociones Generales
MUESTRA Tipos
Probabilstica
No Probabilstica
Azar
Arbitraria
MUESTREO
Probabilstico
No
Probabilstico
MAS, MAP y MAE
POBLACION
ESTADISTICA
Nociones Generales (Bsqueda de Informacin)
MUESTRA
Atributo (Informacin)
Variable
Cambiar
Nombre
Definicin
Rango de Valores
Clasificacin
Elementos
Tipos
Cualitativas
Cuantitativas
Categoras
Discretas
Continuas
ESTADISTICA
Nociones Generales
Variable
Nombre
Definicin
Rango de Valores
Clasificacin
Elementos
Medirse
Escalas de
Medicin
Nominal
De Razn
+
Ordinal
De Intervalo
ESTADISTICA
Mtodos Tabulares
DESCRIPTIVA
METODOS
TABULARES
Sea X y Y dos variables y sea x1, x2, xn y
y1, y2, yn, valores que toman las variables
X y Y, y sean a y b dos constantes.
Entonces:
Sumatoria
Propiedades
x1 + x2 + x3 + xn y1 + y2 + y3 + yn

=
n
i
yi
1
=
n
i
xi
1
ESTADISTICA
Propiedades de Sumatoria
ESTADISTICA
Mtodos Tabulares/Ordenamiento
17
18
18
16
21
15
17
19
20
18
16
18
Edad (aos)
Ordenndolo
15
16
16
17
17
18
18
18
18
19
20
21
Edad (aos)
Valores
extremos
Valores mas
frecuente
Valores
extremos
Desventaja
ESTADISTICA
Cuadro de Frecuencia
Edad
(aos)
fi fr Fia Fra
15 1 8.3 1 8.3
16 2 16.7 3 25.0
17 2 16.7 5 41.7
18 4 33.3 9 75.0
19 1 8.3 10 83.3
20 1 8.3 11 91.7
21 1 8.3 12 100
Total 12 100
Cuadros de
Frecuencia
ESTADISTICA
Lugar de realizacin del
Diplomado
n %
Extranjero 19 13.87
Universidad Objeto de Estudio 87 63.50
Otras universidades bolivianas 31 22.63
Total 137 100
ESTADISTICA
67.7 39.2 52.5 42.3 69.8 61.2
63.9 37.2 45.7 41.7 69.1 55.5
64.9 38.9 52.4 41.9 69.2 58.9
68.3 39.2 52.6 42.7 70.0 61.9
68.3 39.2 53.3 45.5 70.1 63.2
Cuadro de
Frecuencia
La Estadstica ofrece otra
alternativa Tablas de Frecuencias
Absolutas y Relativas
ESTADISTICA
Tabla de Frecuencia Absoluta y Relativa
Procedimiento
Definir el Nmero de
Intervalos
K = 1 + 3.33* log n
5 20 25
Sturges
Tipo de Intervalos
(Li - LS]
Ac = A/k
A = Valor Mx.- Valor Mn.
Ac = Ajustada
MD = (RI A)/2
RI = Ac*K > A
Construir la Tabla
ESTADISTICA
Tabla de Frecuencia
Intervalos de Clases
PMC fi fr Fia Fra
37.1 a 42.6 39.85 8 0.27 8 0.27
42.6 a 48.1 45.35 3 0.10 11 0.37
48.1 a 53.6 50.85 4 0.13 15 0.50
53.6 a 59.1 56.35 2 0.07 17 0.57
59.1 a 64.6 61.85 4 0.13 21 0.70
64.6 a 70.1 67.35 9 0.30 30 1
30 1
ESTADISTICA
Mtodos Grficos
Mtodos Grficos Clsicos
Diagrama de Puntos
Histograma
Polgono de Frecuencias
Ojiva
Diagrama de Sectores
ESTADISTICA
Diagrama de Puntos
15 16 17 18 19 20 21
Edad (aos)
ESTADISTICA
Histograma
ESTADISTICA
Polgono de Frecuencias
ESTADISTICA
Ojiva
ESTADISTICA
137-------360
19 ------- x
(19*360)
X= = 49.9
137
Lugar de realizacin de estudios
Postgraduales
fi Grados
Extranjero 19 49.927
Universidad de Inters 87 228.613
Otras universidades bolivianas 31 81.460
Total 137 360
ESTADISTICA
ESTADISTICA
Mtodos Numricos
Cuando se desea comparar dos o ms
poblaciones o bien muestras, y si las
variables de inters son de carcter
numrico
Los mtodos tabulares no son los ms
recomendables
La Estadstica oferta otra herramienta
llamada Mtodos Numricos
ESTADISTICA
Mtodos Numricos
Mtodos Numricos
Medidas de Tendencia
Central
Medidas de Dispersin
Localizan el centro de
una base de datos
numrica
Cuantifican cunto se
dispersan los datos
alrededor de una medida
de tendencia central
ESTADISTICA
Medidas de Tendencia Central
Medidas de Tendencia
Central
Promedio
Moda
Media Ponderada
Mediana
ESTADISTICA
Medidas de Tendencia Central/Promedio
Promedio
Poblacin
Muestra
Media
Poblacional
Es la sumatoria de las observaciones que
toma una variable dividido entre el total de
stas
Se interpreta como el punto de equilibrio de
una base de datos numricas
Media Muestral
x
Tiempo
(minutos)
52.6
38.9
68.3
67.2
63.9
64.9
68.3
39.2
42.3
61.9
567.5
56.75
Suma
Promedio
Desviaciones

-4.15
-17.85
11.55
10.45
7.15
8.15
11.55
-17.55
-14.45
5.15
0
Suma
Propiedad
ESTADISTICA
( ) 0
1
=
=
n
i
x xi
( ) x xi
ESTADISTICA APLICADA
Media en datos tabulados
Si la tabla no presenta clases abierta es
posible hacer una estimacin de la media
tomando en cuenta lo siguiente:
PMC es el promedio de las observaciones de las
observaciones que caben dentro del intervalos.
PMC*fi proporciona una estimacin de la suma de las
observaciones que caben en el intervalo y como una tabla
tiene k-simo intervalos entonces:
ESTADISTICA APLICADA
Intervalos
de Clases
PMC fi
37.1 a 42.6 39.85 8
42.6 a 48.1 45.35 3
48.1 a 53.6 50.85 4
53.6 a 59.1 56.35 2
59.1 a 64.6 61.85 4
64.6 a 70.1 67.35 9
30
PMC*fi

318.8
136.05
203.4
112.7
247.4
606.15
1624.5

1624.5
= = 54.15
30
x
ESTADISTICA
Cargo fi Salario
Rector 1 2000
Asesores 2 1200
Vic. Acadmico 1 1150
Vic. Administrativo 1 1250
Jefe de Carrera C.S 2 1000
Jefe de Carrera 5 800
Administrativo 2 600
Secretarias 9 120
Cuando los datos tienen diferente peso dentro de la
base de datos, si desea obtener el promedio, la media
aritmtica no es la ms indicada
ESTADISTICA
Cargo fi (wi)
Salario
(xi)
Rector 1 2000
Asesores 2 1200
Vic. Acadmico 1 1150
Vic. Administrativo 1 1250
Jefe de Carrera C.S 2 1000
Jefe de Carrera 5 800
Administrativo 2 600
Secretarias 9 120
Xiwi

2000
2400
1150
1250
2000
4000
1200
1080
15080

15080
= = 655.65
23

w x
ESTADISTICA
Mediana (Me)
Datos sin tabular
Datos tabulados
Si los datos no se distribuyen
simtricamente (curva simtrica) el
promedio no es la mejor medida para
localizar el centro de los mismos
(b-a)(0.5- c)
Me = a +
d
Me = x
n/2 + 0.5
Impar
Ordenar

Par
n
Me = (x
n/2
+

x
n/2 + 1
)/2
ESTADISTICA
Tiempo
(minutos)
39.2
38.9
52.6
42.3
61.9
63.9
68.3
67.2
64.9
Tiempo
(minutos)
38.9
39.2
42.3
52.6
61.9
63.9
64.9
67.2
68.3
n es impar
Me
Me = x
n/2 + 0.5
ESTADISTICA
Tiempo
(minutos)
38.9
39.2
42.3
52.6
61.9
63.9
64.9
67.2
68.3
68.3
Tiempo
(minutos)
38.9
39.2
42.3
52.6
61.9
63.9
64.9
67.2
68.3
68.3
n es par
Me = (x
n/2
+

x
n/2 + 1
)/2

61.9 + 63.9
Me = = 62.9
2
62.9
Mediana es aquella medida de
tendencia central que antes y
despus de ella no existe ms
del 50% de la informacin
ESTADISTICA
(b-a)(0.5- c)
Me = a +
d
a = Lmite inferior de la
clase de la Me
b = Lmite superior de la clase
de la Me
c = Fra una clase antes de la
clase de la Me (N
j-1
)
d = fr de la clase de la Me
Clase de la Mediana
Complete la columna Fia
Localice la menor Fia > n/2
La clase a la que pertenece
esta frecuencia es la clase
de la mediana (Nj)
La Clase antes de Nj es N
j -1

Intervalos
de Clases
PMC fi fr Fia Fra
37.1 a 42.6 39.85 8 0.27 8 0.27
42.6 a 48.1 45.35 3 0.10 11 0.37
48.1 a 53.6 50.85 4 0.13 15 0.50
53.6 a 59.1 56.35 2 0.07 17 0.57
59.1 a 64.6 61.85 4 0.13 21 0.70
64.6 a 70.1 67.35 9 0.30 30 1
ESTADISTICA
(b-a)(0.5- c)
Me = a +
d
a = Lmite inferior de la
clase de la Me
b = Lmite superior de la clase de
la Me
c = Fra una clase antes de la
clase de la Me (N
j-1
)
d = fr de la clase de la Me
n = 30
n/2 = 15
Nj = 17 (53.6 59.1)
Nj- 1 = (48.1 53.6)
(59.1-53.6)(0.5- 0.5)
Me = 53.6 + = 53.6
0.07
Ubicacin de la
clase de la Me
ESTADISTICA
Connotancia de Moda (Mo)
en Estadstica
En caso de existir es la
(s) observacin (nes) que
ms se repiten en una
base de datos
Tiempo
(minutos)
38.9
39.2
42.3
52.6
61.9
63.9
64.9
67.2
68.3
68.3
Distribuciones:
Unimodales
Bimodales
Etc.
Mo
ESTADISTICA
(ficmo- ficpremo)
Mo = Licmo + Acmo
(ficmo-ficpremo) + (ficmo ficpostmo)
Donde:
Licmo: Lmite inferior de la Clase Modal
Acmo: Ancho de clase de la Clase Modal
Ficmo: Frecuencia absoluta de la Clase Modal
Ficpremo: Frecuencia absoluta de la Clase Premodal
Ficpostmo: Frecuencia absoluta de la Clase Postmodal
Clase Modal es la (s) que tiene(n) la mayor (es) fi
Intervalos
de Clases
PMC fi
37.1 a 42.6 39.85 8
42.6 a 48.1 45.35 3
48.1 a 53.6 50.85 4
53.6 a 59.1 56.35 2
59.1 a 64.6 61.85 4
64.6 a 70.1 67.35 9
ESTADISTICA
(ficmo- ficpremo)
Mo = Licmo + Acmo
(ficmo-ficpremo) + (ficmo ficpostmo)
(9 - 4)
Mo = 64.6 + 5.5 = 66.56
(9 - 4) + (9 0)
ESTADISTICA
Rango/Distancia/Amplitud o Recorrido
Varianza (Variancia)
Desviacin Tpica o Estndar
Coeficiente de Variacin
Una medida de tendencia central por si sola no es tan
importante. Por esta razn debe estar acompaada de una
medida de dispersin
ESTADISTICA
Rango Rango = Valor Mximo Valor Mnimo
Varianza
Poblacin ( )
Muestra (S)
Es el promedio de las desviaciones al
cuadrado de las observaciones que
toma una variable respecto a su media
( )
2
1 2
N
xi
N
i
=

=

o
ESTADISTICA
xi (Desviaciones)
2
52.6 17.2225
38.9 318.6225
68.3 133.4025
67.2 109.2025
63.9 51.1225
64.9 66.4225
68.3 133.4025
39.2 308.0025
42.3 208.8025
61.9 26.5225
Sumatoria 567.5 1372.725
Promedio 56.75
1372.725
S = = 152.525mi/est
10 - 1
Desventaja
Desviacin Tpica S = S
S = 152.525 = 12.35 min/est
Interpretacin x S
56.75 12.35 min/est.
ESTADISTICA
Intervalos de
Clases
PMC fi
37.1 a 42.6 39.85 8
42.6 a 48.1 45.35 3
48.1 a 53.6 50.85 4
53.6 a 59.1 56.35 2
59.1 a 64.6 61.85 4
64.6 a 70.1 67.35 9
Si la tabla no presenta clases abierta es posible
hacer una estimacin de la varianza de la siguiente
forma:
2
=

=1
1

2
=

( )
2
1
=1
1

ESTADISTICA
Intervalos de
Clases
PMC fi
37.1 a 42.6 39.85 8
42.6 a 48.1 45.35 3
48.1 a 53.6 50.85 4
53.6 a 59.1 56.35 2
59.1 a 64.6 61.85 4
64.6 a 70.1 67.35 9
PMC*fi

PMC
2
*fi

318.8 12704.18
136.05 6169.8675
203.4 10342.89
112.7 6350.645
247.4 15301.69
606.15 40824.203
1624.5 91693.475
( )
5103448 . 128
1 30
30
5 . 1624
475 . 91693
2
2
=
= S
33624033 . 11 5103448 . 128 = = S
2
=

=1
1

ESTADISTICA
Todas las medidas de dispersin expuestas anteriormente
son dimensionales (toman las unidades de medidas de las
variables)
Existe otra medida de dispersin pero adimensional llamadas
Coeficiente de Variacin o Dispersin Relativa
|
.
|
\
|
=
x
S
V C. 100 * .
|
.
|
\
|
=
x
S
V C
ESTADISTICA
Deformacin de Curvas Unimodales
Las medidas de dispersin cuantifican cunto se dispersan
los datos alrededor de una medida de tendencia central,
pero, Para donde se desvan los datos?, a la izquierda de la
media, a la derecha o se distribuyen simtricamente.
Existen otras medidas aplicable solo a curvas unimodales que
tratan de las deformacin de curvas tanto de forma
horizontal como vertical
ESTADISTICA
Asimetra
Asimetra Negativa
Asimetra Positiva
Curvas Simtricas
> Me > Mo
x
< Me < Mo
x
= Me = Mo
x
ESTADISTICA
ESTADISTICA
Curtosis
Curva Platicrtica
Curva Leptocrtica
Curva Mesocrtica
Kur > 3
Kur < 3
Kur = 3
ESTADISTICA
Regresin Lineal Simple
Y
X
1
X
2
.
.
.

X
i
En el desarrollo de los eventos, puede
ser que una variable sea afectada por
el comportamiento de otra (s) variable
(s)
Es de inters poder cuantificar este
tipo de relacin de manera que se
pueda predecir una variable en funcin
de otra
En Regresin Lineal Simple es de
inters cuando una variable afecta el
comportamiento de otra variable
Y: Variable Dependiente
X: Variable Independiente
Y = f(X)
Propsito de la R.L.S: Prediccin
ESTADISTICA
Regresin Lineal Simple
Por anlisis de regresin se entiende al conjunto de mtodos
estadsticos que tratan con la formulacin de modelos matemticos
que describen la relacin entre variables y el uso de estas
relaciones modeladas con el propsito de predecir e inferir.
Por Regresin Lineal Simple se entiende
Supuestos del Anlisis
de Regresin Lineal
Simple
Y es una variable aleatoria cuya
distribucin probabilstica depende de
X
Modelo de la Lnea Recta
Homogeneidad de Varianza
Normalidad
Independencia
ESTADISTICA
Regresin Lineal Simple/Diagrama de Dispersin
Llamado tambin Ploteo de Datos, tiene como propsito 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)
Y
X
(x, y)
Rango de Sueldo (X) Inasistencias (Y)
11 18
10 17
8 29
5 36
9 11
9 26
7 28
3 35
11 14
8 20
7 32
2 39
9 16
8 26
6 31
3 40
ESTADISTICA
Regresin Lineal Simple/Diagrama de Dispersin
0
5
10
15
20
25
30
35
40
45
0 2 4 6 8 10 12
I
n
a
s
i
s
t
e
n
c
i
a

Rango de Salario
ESTADISTICA
Regresin Lineal Simple/Mtodos de Mnimos Cuadrados
El supuesto No 2 de RLS plantea que de existir una relacin entre
X y Y, sta es una lnea recta, por lo tanto se puede pensar en
una ecuacin de la siguiente forma:
De tal manera que se llegue a obtener una ecuacin de la siguiente
naturaleza:
Parmetros
Estimacin
ESTADISTICA
Regresin Lineal Simple/Mtodos de Mnimos Cuadrados
Uso de la Tcnica de Mnimos
Cuadrados (Carl Gauss)
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 Tcnica de
Mnimos Cuadrados minimiza la suma de cuadrado de las distancias
entre los valores observados y los estimados de tal manera que :
Y
X
ESTADISTICA
Regresin Lineal Simple/Recta de Estimacin
Estimada una vez la recta de Prediccin y teniendo en cuenta que el
propsito de la R.L.S es la prediccin, se hace necesario estar
seguro que la ecuacin estimada es capaz de predecir.
Por esta razn es necesario validar la ecuacin estimada
ESTADISTICA
Regresin Lineal Simple/Validacin de la Recta de Estimacin
Validacin
Clculo de Coeficiente
de Determinacin R
Anlisis de Varianza
de la Regresin ANARE
Cuantifica la cantidad de la
variabilidad de Y que puede
ser explicada por X
R 70%
ESTADISTICA
Regresin Lineal Simple/Validacin de la Recta de Estimacin/ANARE
Por anlisis de Varianza se entiende, de forma general, a la particin
de la variacin total en fuente de variacin conocida que en el caso
de R.L.S son de acuerdo al siguiente modelo aditivo lineal:
xi= Variacin debida a Regresin
i = Variacin debida al Error
FV gl SC CM Fc Ft (, 1 glerror)
Regresin 1 SCRegresin CMRegresin
CMRegresin/
CMError
Error n-2 SCError CMError
Total n.1 SCTotales
Regla de Decisin
NRHo : Fc Ft
RHo : Fc > Ft
ESTADISTICA
Regresin Lineal/Dibujo de la Recta de Estimacin
La Recta de Estimacin debe pasar por dos puntos obligados dentro
del rea de exploracin, Las coordenadas de estos puntos son las
siguientes:
y = -2.9274x + 47.348
R = 0.7896
0
10
20
30
40
50
0 5 10 15
I
n
a
s
i
s
t
e
n
c
i
a

Nivel Salarial
Diagrama de Dispersin y Recta de
Estimacin
Dispersin
Linear (Dispersin)
ESTADISTICA
Regresin Lineal Simple/Bandas de Confianza
Hasta dnde es capaz de predecir la recta de prediccin estimada?
0
10
20
30
40
50
60
0 5 10 15
I
n
a
s
i
s
t
e
n
c
i
a

Nivel Salarial
Diagrama de dispersin, recta de estimacin y
bandas de confianza
Diagrama de
Dispersin
Recta de Estimacin
Banda Inferior
Banda Superior
ESTADISTICA
Correlacin Lineal Simple
As como existen tcnicas que cuantifican los cambios de una
variable dependiente por un nico cambio de la variable
independiente, existen tcnicas que cuantifican la asociacin lineal
entre dos variables, esta tcnica es llamada Correlacin Lineal
Simple que se exprese como el coeficiente de correlacin (r)
Este coeficiente indica el sentido de la asociacin como tambin la
magnitud de sta, partiendo del hecho que el coeficiente de
correlacin lineal simple toma valores en el rango de: r es -1 r 1.
Entre ms se acerca a 1 el valor de r mayor es la asociacin entre
dichas variables.
ESTADISTICA
Regresin Lineal Simple Correlacin Lineal Simple
Mide la cantidad de cambios en Y
por un nico cambio en X.
Mide asociacin lineal
entre dos variables
Existe una variable dependiente y
otra independiente
Es indistinto x, y y, x
1 puede tomar cualquier valor en la
recta numrica
El coeficiente de
correlacin toma valores en
el intervalo -1 r 1
ESTADISTICA
-1 r < -0.8 Asociacin
fuerte y
negativa
0 r < 0.4 No hay
asociacin
-0.8 r < -0.4 Asociacin
dbil y
negativa
0.4 r < 0.8 Asociacin
dbil y
positiva
-0.4 r 0 No hay
asociacin
0.8 r 1 Asociacin
fuerte y
positiva
ESTADISTICA
=

( )
)(
()
)
= .
=

( )
)(
()
)

Probabilidad
PROBABILIDADES
Experimentos Aleatorios
Espacio Muestral,Eventos y Sucesos
Tipos de Experimentos Aleatorios
Relaciones entre Eventos
Enfoques de Probabilidad/Teoremas
Bsicos de Probabilidad
Eventos Dependientes/Independientes
Probabilidad Total/Teorema de Bayes
Experimentos
Determinsticos
No Determinsticos
Sus resultados se conocen con
anticipacin sin necesidad de
realizar el experimento
Sus resultados se conocen una
vez que el experimento ha
finalizado
Es un proceso planificado a
travs del cual se obtiene
una observacin (o una
medicin) de un fenmeno
Se pueden describir los
posibles resultados pero no se
puede decir cul de ellos
ocurrir
Experimentos Aleatorios
Son experimentos no
determinsticos cuyos resultados
estn regidos por el azar
PROBABILIDADES
Supngase que se lanzan dos monedas legales al mismo
tiempo y que a una cara de cada moneda se la llama
Cara a la otra Sol entonces:
={CC, CS, SC, SS}
Supngase ahora que se lanza un
dado legal. Entonces:
={1, 2, 3, 4, 5, 6,}
Experimentos
Aleatorios
Son aquellos experimentos no determinsticos
cuyos resultados estn regidos por la
casualidad (azar)
PROBABILIDADES
M = {CC, CS, SC, SS}
O bien en el caso del lanzamiento
del dado
M = {1, 2, 3, 4, 5, 6,}
Espacio Muestral
Retomando el caso del lanzamiento de las dos
monedas, hay otro posible resultado en este
experimento?.
Son todos los resultados
que estn asociados a un
experimento aleatorio
Supngase que el lanzamiento del
dado se est interesado en la
ocurrencia de una cara impar
A = {1,3,5} Evento
Es subconjunto del espacio
muestral, es decir, sus
resultados pertenecen al
espacio muestral
PROBABILIDADES
Espacio Muestral
Evento
2
1
3
4
5
6
M
A
Suceso (wi)
Letras
Maysculas del
Alfabeto
A= (wiA /wi M)
PROBABILIDADES
Experimentos
Aleatorios
Simples
Compuestos
Un solo experimento aleatorio
Cuando ocurren dos o ms
experimentos simples al mismo
tiempo o bien uno despus del
otro
Unidos por la
partcula (v)
Unidos por la
partcula y ( )
.
Los experimentos simples que
lo componen ocurren de
forma sucesiva
Los experimentos simples que
lo componen ocurren al mismo
tiempo
M = {M1M2Mi} M = {M1UM2UMi}
PROBABILIDADES
Experimentos
Aleatorios
Simples
Compuestos
Un solo experimento aleatorio
Cuando ocurren dos o ms
experimentos simples al mismo
tiempo o bien uno despus del
otro
M = {1, 2, 3, 4, 5, 6,}
M = {CC, CS, SC, SS}
PROBABILIDADES
M
2

M
1
C S
C CC CS
S SC SS
Experimentos compuestos
unidos por la partcula y
M
3

M
1*
M
2
C S
CC CCC CCS
CS CSC CSS
SC SCC SCS
SS SSC SSS
El espacio muestral es el
producto cartesiano de los
espacios muestrales simples
que lo conforman
PROBABILIDADES
Experimentos compuestos
unidos por la partcula y
C

S
C

S
C

S
C

S
C
S
C
S
C

S
M
CCC

CCS
CSC

CSS
SCC
SCS
SSC

SSS
Diagrama del rbol
Diagrama de Senderos
1ra Moneda
2da Moneda
3era Moneda
PROBABILIDADES
De acuerdo a cmo ocurren los eventos se pueden establecer
algunas relaciones entre ellos tales como:
AUB
A B M
AUB
A
B M
AB
A
B M
M
A
A
PROBABILIDADES
Enfoques de
Probabilidades
Clsico
Frecuencia
Relativa
Probabilidad A priori. Llamada
Tambin Probabilidad de
Laplace
Probabilidad A posteriore
Subjetivo
PROBABILIDADES
Probabilidad
Clsica
Supuesto
Frecuencia
Relativa
Probabilidad A posteriore
Subjetivo
Todos los sucesos de un
experimento aleatorio tienen
la misma posibilidad de
ocurrir, entonces:
| |
M
na
A P =
| | 1 0 s s A P
Si en la realizacin de
experimento aleatorio aparece
un evento A n veces
N,entonces:
| |
N
n
A P =
PROBABILIDADES
Teoremas Bsicos de
Probabilidades
P[AUB] = P [A] + P [B]
P[AUB] = P [A] + P [B] P[AB]
P[] = 0
P[M] = 1
| | | | % 100 0 / 1 0 s s s s A P A P
| | | | A P A P
c
=1
PROBABILIDADES
Cuando la ocurrencia de un evento est en dependencia de otro
evento, se dice que ste es dependiente.
Sea A y B dos eventos en el espacio muestral M, se dice que A
es un evento dependiente de B s;

Estas probabilidades se pueden calcular de dos formas:
Respecto al espacio muestral original
Respecto al espacio muestral del evento condicionante
| |
| |
| |
| | 0 ; =
= B P
B P
B A P
B
A
P
| |
| |
| |
| | 0 ; =
= A P
A P
A B P
A
B
P
PROBABILIDADES
Eventos Dependientes
En una institucin de Educacin Superior se tiene 300 docentes, de
los cuales 100 son casados y 30 divorciados. En dicha institucin hay
200 hombres, 85 de los cuales son casados y 95 son solteros.
Determinar cual es la probabilidad de seleccionar un docente al azar:
a. Que sea mujer
b. Que sea soltero (a)
c. Que sea un hombre y est casado (a)
d. Que sea una mujer divorciada
e. Dado que el docente es casado (a), cul es la probabilidad que
sea hombre?
f. Si el docente seleccionado es hombre, cul es la probabilidad que
sea casado?
PROBABILIDADES
En una universidad el 70% de los estudiantes son de Ciencias, 30% de
Letras. De los estudiantes de Ciencias el 60% son varones y los de
Letras son varones el 40%. Si se elige al azar un estudiante, calcule
la probabilidad que:
a. Sea mujer
b. Se estudiante varn dado si es de Ciencias
c. Sea estudiante de Ciencias dado que es varn
d. Sea estudiante de Ciencias y varn.
PROBABILIDADES
Cuando la ocurrencia de un evento no est en dependencia de la
ocurrencia de otro evento, se dice que stos son independientes.
Sea A y B dos eventos en el espacio muestral M, se dice que A
es un evento independiente de B s se cumple con cualquiera de
las siguientes condiciones:
| | | | | | B P A P B A P * =
| |
| |
| |
| | | | 0 ; = =
= A P B P
A P
A B P
A
B
P
| |
| |
| |
| | | | 0 ; = =
= B P A P
B P
B A P
B
A
P
PROBABILIDADES
Eventos Independientes
Sea A1, A2, , Ak, eventos que forman una particin del espacio
muestral M y sea B, un evento en M. Si las probabilidades P[A1],
P[A2], P[A3], P[Ak], si P[B/A1], P[B/A2], P[B/A3], P[B/Ak]
son probabilidades conocidas entonces:
| | | | | | ] / [ ] [ ... ] 2 / [ ] 2 [ 1 / 1 Ak B P Ak P A B P A P A B P A P B P + + =
Probabilidad Total = | | | | | | Ak B P Ak P B P
k
i
/
1
=
=
PROBABILIDADES
Probabilidad Total
Sea A1, A2, , Ak, eventos que forman una particin del espacio
muestral M y sea B, un evento en M. Si las probabilidades P[A1],
P[A2], P[A3], P[Ak], si P[B/A1], P[B/A2], P[B/A3], P[B/Ak].
Si B ya ha ocurrido y se est interesado en saber a cual de los
eventos que forman la particin muestral se ha debido su
ocurrencia, entonces se usa el denominado Teorema de Bayes
| |
| | | |
| | | |
=
=
k
i
Ak
B
P Ak P
Ak
B
P Ak P
B
Ak
P
1
PROBABILIDADES
Teorema de Bayes
28/05/2014
Ing.M.Sc. Francisco Martnez Solaris; Mgs. En
Educacin Superior
Experimento:
En s viene a ser aquel proceso intencionado
provocado por el investigador con el fin de
estudiar su origen, esencia e interrelacin
con otros procesos o fenmenos.
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, etc.
DISEOS EXPERIMENTALES
28/05/2014
Educacin Superior
Unidad Experimental
*Es el material o lugar sobre el cual se aplican los
tratamientos
Tamao 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.
28/05/2014
Educacin Superior
Factor
*Es un tratamiento que genera ms tratamientos (niveles
del factor)
Error Experimental
Es la variacin aleatoria (no explicada) ajena al control
razonable del investigador. Este trmino no es sinnimo de
error, si no que forma parte de las caractersticas propias
e innatas de la unidad experimental
28/05/2014
Educacin Superior
Testigo
*Es el tratamiento de comparacin
adicional, que no debe faltar en un
experimento; la eleccin del
tratamiento testigo es de gran
importancia en cualquier investigacin
Por: I ng. M.Sc. Francisco Martnez Solaris
Diseo de Investigacin
DISEOS EXPERIMENTALES PUROS
DISEOS CLASICOS DISEOS FACTORIALES
DCA
BCA
CL
FACTORIALES/DCA
FACTORIALES/BCA
FACTORIALES/CL
SIMPES COMPLEJOS
PARCELAS DIVIDIDAS
PARCELA SUBDIVIDIDAS
Diseos Experimentales
Diseos Experimentales Puros Cuasiexperimentos
28/05/2014
28/05/2014 Por: I ng. M.Sc. Francisco Martnez Solaris
Se Provoca
una Causa
Proceso
Se Mide
efecto
ANALISIS DE VARIANZA (ANDEVA)
QUE ES UN ANALISIS DE VARIANZA?
Homogeneida de varianzas
Normalidad
Linealidad y Aditividad
Independencia
Es un mtodo cientfico de investigacin que consiste en hacer
operaciones prcticas destinadas a demostrar, comprobar o descubrir
fenmenos o principios bsicos.
Tiene como propsito proporcionar la mxima cantidad de informacin
a un costo mnimo.
Principios Bsicos de la Experimentacin
Azarizacin
Repeticin
Control Local
Exigencias de la Experimentacin
Tipicidad
Uniformidad en el Manejo de las Unidades Experimentales
DISEO COMPLETAMENTE AL AZAR
(DCA)
= Efecto comn a todas las observaciones
= Efecto del i-simo tratamiento, i = 1, 2, t tratamientos
= ~ N (, ) y de forma independiente
Unidades Experimentales homogneas
Se utiliza en experimentos en:
Invernadero, Macetas, Galpones, Corrales,
Laboratorio
Cundo se utiliza este diseo?
Modelo Aditivo Lineal (MAL)
= + +
28/05/2014
(DCA)
= + +
F.V gl SC CM Fc Ft
Tratamiento t-1 SCTRAT.
.
1

.

(, . , )
Error t(r-1) SCError
( 1)

Total tr-1 SCTotales
28/05/2014 Por: Ing. M.Sc. Francisco Martnez Solaris
(DCA)
Salida de Varianza segn Modelo Aditivo Lineal (MAL)
= + +
F.V gl SC CM Fc Ft
Tratamiento t-1 SCTRAT.
.
1

.

(, . , )
Error n-t SCError
n t

Total n-1 SCTotales
(DCA)
Vaciamiento de Informacin
TRATAMIENTOS
REPETICIONES
Y
i.

1 2 3 j
1 Y
11
Y
12
Y
13
Y
1j
Y
1
.
2 Y
21
Y
22
Y
23
Y
2j
Y
2
.
3 Y
31
Y
32
Y
33
Y
3j
Y
3
.
i Y
i1
Y
i2
Y
i3
Y
ij
Y
i
.
Y
.j
Y
.1
Y
.2
Y
.3
Y
.j
Y..
(DCA)
Ecuaciones de Trabajo
=
Y. .
2

=
Y. .
2

=
2

=
.
2

=
.
2

=
(DCA)
Hiptesis
Ho:
1
=
2
=
3
=
i
(T
1
= T
2
= T
3
= T
i
)
Ho:
1
-
2
-
3
-
i
= 0 (T
1
- T
2
- T
3
- T
i
= 0)
Ha:
1
-
2
-
3
-
i
= 0 (T
1
= T
2
= T
3
= T
i
)
NRHo si Fc s Ft
Regla de Decisin
RHo si Fc > Ft
Ho
Verdadera
Falsa
(DCA)
Variedades
Repeticiones
1 2 3 4
Mart 656.3 718.4 586.6 746.2
Topacio 784.4 713.4 915.8 629.6
Estela 924.5 822.8 824.2 978.5
VF-134 534.4 685.1 567.2 655.5
UC - 82 640.7 658.8 532.7 614.4
Peso de jugo (gramos) de tomate obtenido de cinco
variedades de tomate industrial.
(DCA)
Resultados del Anlisis de Varianza a un =0.05
FV gl SC CM Fc Ft (0.05, 4, 15)
Variedades 4 218983.21 54745.8025 8.08634861 3.05556828
Error 15 101552.268 6770.15117
Total 19 320535.478
PRUEBAS DE RANGOS MULTIPLES, SEPARACION
DE MEDIAS O PRUEBAS OBLIGADAS POR LOS DATOS
Ho
NRHo
RHo
Entonces Ha
es verdadera
Cul (es) es o son los tratamientos que provocaron el RHo?
Pregunta que no responde el ANDEVA
Pruebas de Rangos Mltiples
Contrastes Ortogonales
Polinomios Ortogonales
Decisin
Obtener los promedios de las fuentes de variacin de inters
Procedimiento para realiza una Pruebas de Rangos Mltiples
Ordenar los promedios de forma descendente
Seleccionar la prueba de rangos mltiples a usar
Determinar el valor crtico de la prueba de seleccionada
Establecer las comparaciones a realizar segn la prueba
seleccionada
Determinar las diferencias de medias de acuerdo a las
comparaciones establecidas
Contrastar las diferencias de medias con el valor crtico de la prueba
Establecer el rango de mrito
Emitir conclusiones segn el rango de mrito
28/05/2014
Pruebas de Rangos Mltiples
Diferencia Mnima Significativa (DMS) (LSD)
Mtodo de Duncan
Mtodo de Student-Newman-Keuls (SNK)
Mtodo de Tukey (Diferencia Significativa Honesta)
Mtodo de Scheff
= /2
2
2

=
2

=

2

= 1 (
1
+
1
)
2

=

2

Cul Pruebas de Rangos Mltiples Utilizar?
Variedades
Prueba de Rangos Mltiples
DMS Duncan SNK Tukey Scheff
Estela a a a a a
Topacio b ab ab ab ab
Mart bc bc b b b
UC - 82 c c b b b
VF-134 c c b b b
DISEO EN BLOQUES COMPLETAMENTE AL AZAR
(BCA)
= Efecto comn a todas las observaciones
= Efecto del i-simo tratamiento, i = 1, 2, t tratamientos
= Efecto del j-simo bloque, j = 1, 2, r bloques
= ~ N (, ) y de forma independiente
Cuando el material experimental presenta un factor de
estorbo que no es de inters 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.
= +T + +
(BCA)
Deben existir tantas unidades experimentales dentro de cada
bloque como tratamientos se tenga, de manera que cada
tratamiento tenga una repeticin en cada bloque
Desventaja (cuando se pierde una unidad experimental en un
bloque) por que se pierde la simetra 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

Principio de bloqueo
Salida de Varianza segn Modelo Aditivo Lineal (MAL)
= +T + +
F.V gl SC CM Fc Ft
Bloque r-1 SCBloque CMBloque

(, . , )
Tratamiento t-1 SCTRAT. CMTRAT.
.

(, . , )
Error (t-1)(r-1) SCError CMError
Total tr-1 SCTotales
(BCA)
Concentracin de informacin
TRATAMIENTOS
BLOQUES
Y
i.

1 2 3 j
1 Y
11
Y
12
Y
13
Y
1j
Y
1
.
2 Y
21
Y
22
Y
23
Y
2j
Y
2
.
3 Y
31
Y
32
Y
33
Y
3j
Y
3
.
i Y
i1
Y
i2
Y
i3
Y
ij
Y
i
.
Y
.j
Y
.1
Y
.2
Y
.3
Y
.j
Y..
(BCA)
Ecuaciones de trabajo
=
2

=
Y. .
2

=
.
2

=
.
2

= ( + )
(BCA)
Produccin de cebadas sometidas a seis niveles de
fertilizacin nitrogenada (kg/unidad experimental)
(BCA)
Tratamientos I II III IV
1 32.10 35.60 41.90 35.40
2 30.10 31.50 37.10 30.80
3 25.40 27.40 33.80 31.10
4 24.10 33.00 35.60 31.40
5 26.10 31.00 33.80 31.90
6 23.20 24.80 26.70 26.70
Salida de varianza para produccin de cebadas
sometidas a seis niveles de fertilizacin nitrogenada
(kg/unidad experimental)
(BCA)
F.V gl SC CM Fc Ft (0.01)
Tratamientos 5 255.277083 51.0554167 17.1989014 4.55561398
Bloques 3 192.554583 64.1848611 21.6217822 5.41696486
Error 15 44.5279167 2.96852778
Total 23 492.359583
DISEO 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, stos no se deben repetir tanto
por hilera y por columna (principio de bloque con doble
bloqueo).
Yij
(k)
= + Hi + Cj + Tk(ij) + Eijk
DISEO CUADRADO LATINO (CL)
Salida de Varianza para un CL
FV gl SC CM Fc Ft
Hileras t-1 SCHileras CMHileras

(, 1, )
Columnas t-1 SCColumn CMColumn

(, 1, )
Tratamiento t-1 SCTRAT. CMTRAT.
.

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

Cursodebioestadsticaydiseosexperimentales 110925202657 Phpapp01

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Cursodebioestadsticaydiseosexperimentales 110925202657 Phpapp01

Încărcat de

Drepturi de autor:

Formate disponibile

BIOESTADISTICA Y DISEOS EXPERIMENTALES

S-ar putea să vă placă și