Beruflich Dokumente
Kultur Dokumente
CONTENIDO TEMATICO
BIOMETRIA
INDICE DE CONTENIDO
INTRODUCCIN
UNIDAD 1. BIOMETRIA
CAPITULO 1: LA BIOESTADSTICA EN LA INVESTIGACIN PECUARIA
HISTORIA DE LA BIOESTADSTICA
USOS E IMPORTANCIA DE LA BIOMETRA EN EL SECTOR AGROPECUARIO ...
MTODO CIENTFICO
CONCEPTOS
INVESTIGACIN CIENTFICA
CAPITULO 2: ESTADSTICA DESCRIPTIVA
MEDIDAS DE TENDENCIA CENTRAL
DISTRIBUCIN DE FRECUENCIAS
GRFICAS
PRINCIPIOS DE PROBABILIDAD
MUESTREO
CAPITULO 3: INFERENCIA ESTADSTICA
INFERENCIA PUNTUAL
PRUEBAS DE HIPTESIS
COMPARACIN DE DOS MEDIAS MUESTRALES
ANLISIS DE COVARIANZA
UNIDAD 2. DISEO DE EXPERIMENTOS
CAPITULO 4: DISEO DE EXPERIMENTOS
EL EXPERIMENTO Y SUS ELEMENTOS
ORIENTACIONES GENERALES EN LA EXPERIMENTACION AGRICOLA
DISEO EXPERIMENTAL
MODELO ESTADSTICO
TRANSFORMACIN DE DATOS
CAPITULO 5: CLASES DE DISEOS EXPERIMENTALES
DISEO COMPLETAMENTE AL AZAR
DISEO EN BLOQUES COMPLETOS AL AZAR
EXPERIMENTOS FACTORIALES
OTRAS CLASES DE DISEOS EXPERIMENTALES
BSQUEDA DE UNIDADES PERDIDAS (MTODO YATES)
CAPITULO 6: ANLISIS ESTADSTICO
USOS DE LAS COMPARACIONES MLTIPLES DE MEDIAS
PRUEBA DE TUKEY
PRUEBA DE RANGO MLTIPLE DE DUNCAN
ANLISIS DE REGRESIN Y CORRELACIN
ANLISIS DE VARIANZA PARA LA REGRESIN
FUENTES BIBLIOGRAFICAS
INTRODUCCIN
En el mundo se est tomando conciencia que todas las producciones, sin importar su
naturaleza y en especial las de principios biolgicos o ambientales deben ser analizadas
numricamente, no solo para determinar el estado de desarrollo, sino las proyecciones o
correcciones que se puedan hacer tanto para lograr beneficios econmicos como
sociales o ambientales. La bioestadstica como rama de la estadstica, es una
herramienta que se puede usar de manera sencilla sin necesidad de profundizar en ella,
ni de dedicar toda una carrera profesional al estudio de esta, no queriendo decir que no
se deben conocer algunos principios y procedimientos bsicos.
Por lo anterior, las profesiones relacionadas con el campo como Zootecnistas, Mdicos
Veterinarios, Ingenieros Agrnomos, Ingenieros Agrcolas, Forestales, Ambientales y
muchas otras, para cumplir satisfactoriamente con las tareas profesionales, implica el
uso de mtodos estadsticos que adems de hacerlo ms eficiente, le facilitan el trabajo.
La mayor ventaja que puede tener un profesional del campo que estudie y maneje la
estadstica como herramienta para el anlisis de variables biolgicas es que lo hace
nico en el entendimiento de la relacin que tiene estas dos ciencias y de la forma de
explicarse una con la otra.
Este modulo, pretende de forma resumida y con algunos ejemplos aplicados presentar a
los profesionales del campo la informacin que ensea y facilita el uso de la
bioestadstica como herramienta til. Es preciso aclarar que el modulo trata de dejar el
componente matemtico complicado de un lado y nicamente presenta los modelos
listos para reemplazar y hacer el clculo que interesa al profesional del campo; sin
profundizar en el origen de estos modelos. La estructura del mdulo se divide en dos
unidades; la primera se titula Bioestadstica y la segunda Diseo Experimental.
La unidad de Bioestadstica comprende desde los conceptos fundamentales, el manejo y
presentacin de datos, principios de probabilidades, muestreo e inferencia estadstica.
Todos los captulos anteriormente mencionados son de gran relevancia y su importancia
aumenta cuando se empieza a entender su uso, tal es el caso de las probabilidades que
son de gran ayuda para los procesos de mejoramiento gentico.
La segunda unidad de Diseo Experimental, muestra en sus captulos los diseos ms
usados en los procesos de investigacin biolgica y da las pautas para el anlisis de
datos. Conocimiento destacado en las personas que se dedican a los procesos
investigativos, tanto as, que para entender la mayora de la literatura cientfica es
imprescindible haberlo estudiado. Es preciso resaltar que la importancia de la
Bioestadstica o Biometra depende del uso y buena aplicacin que se le de a los
conceptos matemticos que implican, es as como, cuando se cometen equivocaciones
en la aplicacin, se pretende justificar que el error de los resultados dependen de la
ciencia como tal y no por la persona que la aplica; diciendo que la estadstica es
mentirosa.
Nombre de la Unidad
Introduccin
Intencionalidades Formativas
Denominacin de captulo 1
Denominacin de Leccin 1
Denominacin de Leccin 2
BIOMETRIA
La unidad de Bioestadstica comprende
desde los conceptos fundamentales, el
manejo y presentacin de datos, principios de
probabilidades,
muestreo
e
inferencia
estadstica. Todos los captulos anteriormente
mencionados son de gran relevancia y su
importancia aumenta cuando se empieza a
entender su uso, tal es el caso de las
probabilidades que son de gran ayuda para
los procesos de mejoramiento gentico..
1. Dar a conocer la historia, usos y conceptos
de la bioestadstica.
2. Ensear las principales formas de tomar,
resumir y presentar un conjunto de datos en
forma numrica o grfica.
3. Estudiar
los
principios
bsicos
de
probabilidades y la aplicabilidad de en reas
relacionados con variables biolgicas o
ambientales.
4. Estudiar las principales distribuciones de
probabilidades y el uso dentro de la
inferencia.
La Bioestadstica en la investigacin
pecuaria
Historia de la bioestadstica
usos
e importancia de la biometra en el
UNIDAD 1. BIOMETRIA
La Bioestadstica en la investigacin pecuaria
Historia de la bioestadstica
La estadstica que muchos creen como algo nuevo, es tan antigua como la misma
humanidad, ya que hay vestigios de su inicio antes de Cristo, como en China donde el
emperador Yao (2.238 a.c) dispuso la realizacin de un censo en su imperio. Algo similar
ocurri en la poca del Rey Herodes, relacionado con un empadronamiento cuando
naci Cristo.
La Estadstica como disciplina tuvo su inicio en Alemania a mediados del siglo XVII, en el
reinado de Godofredo de Achenwall (1719-1772), cuando utiliz la palabra Estadstica y
la separ de la Sociologa.
En Amrica precolombina se haba desarrollado notablemente la estadstica,
especialmente en Mxico y Per. La estadstica del imperio de los incas era tan
completa como la actual, aunque ese pueblo no usaba la escritura, empleaba para sus
cmputos un sistema de cordones de variados colores, armados y combinados para
conservar en ellos las cuentas extensas y complicadas; conocan as la poblacin
distribuida por localidades, sexos y condicin civil, averiguaban el nmero de
nacimientos y muertes, conocan el nmero de hombre aptos para la guerra y la cantidad
de provisiones con que contaban. En general conocan muchos aspectos sobre su
Imperio (Surez 1999).
La palabra Estadstica para algunos proviene de la palabra Status, cuyo significado es
Estado. Para otros se deriva del vocablo Griego Statera que significa balanza, o quiz la
ms confiable, proviene de la palabra Alemana Stara que significa Estado, encargado de
hacer Estadstica. (Martnez 2005).
En los tiempos modernos, donde la Estadstica tiene funciones importantes dentro de
otras ramas, no slo en lo social, en los censos o en la organizacin de cualquier
Estado, si no que hace parte fundamental de los procesos de investigacin, se ha
denominado la BIOESTADISTICA como la ciencia encargada de
analizar
datos
relacionados directamente con variables biolgicas, su importancia, influencia,
relacin o diferencia, etc y que permiten conocer o tomar decisiones acerca del
comportamiento de los seres vivos bajo condiciones estipuladas.
Charles Darwin (1809-1882), siendo un bilogo, dio gran importancia a la estadstica
dentro de la formulacin de sus teoras. Kart Pearson (1857-1936) dedic gran parte de
su vida al estudio de la estadstica y fund la biometra, impulsando as el uso de esta
herramienta. Fisher (1980-1962) inici la relacin entre los mtodos estadsticos y la
agricultura, gentica y biologa.
Planeamiento o preparacin.
2.
Recoleccin.
3.
Crtica y codificacin.
4.
Procesamiento.
5.
Anlisis e interpretacin.
6.
Publicacin.
El objeto de la investigacin
b.
La finalidad
c.
La fuente de informacin
d.
Los procedimientos
e.
El material
f.
El costo y financiacin.
Estadstica descriptiva
Medidas de tendencia central
En muchas ocasiones, si no son todas, no vemos obligados a representar un conjunto
o (poblacin) o un subconjunto de datos (muestra) con pocos valores que permitan dar
a conocer en forma resumida la descripcin de los mismos. Es as como se puede
hacer uso de las medidas descriptivas.
Las medidas descriptivas, son el resultado de clculos matemticos sencillos que
tienen como objetivo representar o describir en forma muy resumida un grupo de datos
que componen una variable. Dependiendo de los datos que se quieren representar;
estos toman el nombre de Parmetros si proviene de una poblacin o de
Estimadores si son originados por una muestra.
Medidas
Poblacin
Muestra
Parmetros
Estimadores
Debe ser objetiva y definida por una frmula algebraica, de tal manera que cualquiera
que sea la persona que trabaje con los datos, obtenga siempre el mismo valor.
Debe ser descriptiva de los datos en forma que su significancia sea fcil de entender.
No debe ser una abstraccin matemtica, que nicamente pueda ser entendida por
personas muy versadas en esta ciencia, ya que una de las funciones de la estadstica
es simplificar los datos y no hacerlos ms complejos.
Debe ser fcil de calcular.
Debe ser calculada con todos los elementos del grupo de datos.
Debe depender de todo el grupo de datos, de tal manera que si se altera uno de estos,
consecuentemente se altera el valor obtenido.
A pesar de que cada uno de los valores del grupo de datos, debe tener influencia sobre
la medida obtenida, sta debe ser de tal calidad que no vea influenciada en gran
medida por el cambio de algunos pocos datos.
Debe ser de uso fcil para clculos matemticos posteriores.
De otra forma, dependiendo su naturaleza y funcin, las medidas descriptivas se
pueden clasificar en:
Medidas de tendencia central
Medidas de dispersin
Medidas de forma
Medidas de posicin
Notacin Sigma.
Antes de iniciar la presentacin de las medidas descriptivas, se debe estar en
capacidad de de entender el uso del smbolo matemtico (sigma); el cual es uno de
los smbolos ms frecuentes en las frmulas estadsticas.
(sigma); significa sumatoria, es decir; que se debe sumar el grupo de datos con el
que se cuenta.
Medidas de tendencia central.
Es una forma til de describir mediante un solo dato, la totalidad de un grupo de datos.
Como su nombre lo indica es un dato hallado en el centro de la distribucin; es el punto
central o medio entre el conjunto de datos. En Bioestadstica se usan varios tipo de
datos como medida de tendencia central; cada una de ellas con sus ventajas y
desventajas si de compararlas se trata, las cuales marcan la confiabilidad o no del dato
obtenido.
Las principales medidas de tendencia central son:
Datos Xi
3
x1
x2
x3
x4
x5
x6
x7
x8
x9
x1
0
x1
1
5
7
8
4
5
6
3
8
7
5
5,55
Diferencia Diferencia
al
s
con s
cuadrado
el
D2
promedio
6,48
X
i - x
-0,55
0,30
1,45
2,45
-1,55
-0,55
0,45
-2,55
2,45
1,45
-0,55
0,00
2,12
6,02
2,39
0,30
0,21
6,48
6,02
2,12
0,30
32,73
diferencia
s con otro
valor
Xi 3
0
2
4
5
1
2
3
0
5
4
2
28,00
Diferencia
s
ala
cuadrado
D2
0
4
16
25
1
4
9
0
25
16
4
104,00
Clasificaci
n
A
B
C
D
Precio
(Kg)
WI
3.000
2.800
2.500
1.800
Produccin
(Kg)
ni
1.200
2.500
3.450
6.420
13.570
ni
wi x ni
3.600.000
7.000.000
8.625.000
11.556.00
0
30.781.00
wi
Esto indica que en promedio, el kilogramo de mango a esos precios (de acuerdo a las
clasificaciones) se vender a 2.268,31 pesos.
La mediana: es el valor que se ubica en el centro de un conjunto de datos, cuando las
observaciones est organizadas de forma ascendente o descendente (por magnitud).
De otra forma, se podra definir como el valor de la variable que supera a no ms de la
mitad de las observaciones y al mismo tiempo es superada por no ms de la mitad de
las observaciones.
Propiedades de la mediana:
Es el punto central de los datos cuando son ordenados por magnitud.
Se dan en las mismas unidades en que fue medida la variable.
No est influencia por valores repetidos. Ventajas de la mediana:
Para hacer el clculo de la mediana, como primera media se debe conocer el nmero
de datos con que se compone la variable a analizar (conocer n) y segundo, determinar
la posicin del dato central en toda la variable. Para cumplir con el primer requisito, es
indispensable contar los datos.
Cuando el nmero de observaciones es par, la mediana es igual al promedio aritmtico
de las dos observaciones centrales, es decir, el valor resultante de la suma de los dos
valores centrales, est dividida por dos.
La moda: cuando la frecuencia de un valor en una distribucin de frecuencias es mayor
que la de otros valores; dicho valor constituye la moda. En general, la moda (M o) de un
conjunto de datos, es el valor (si existe) que ms se repite. Cuando en un conjunto de
datos se encuentra que solo un dato tiene un mximo de repeticiones dentro del
conjunto, se llamara una distribucin unimodal, si se presentan dos datos con la
misma cantidad de veces que se repiten se denomina bimodal, y si es el caso de tres
datos que se repiten la misma cantidad de veces sera trimodal y as sucesivamente
para clasificarse como multimodal.
Ejemplo. En el caso de los datos (1, 4, 3, 1, 2, 5,), la moda sera 1; es el dato que ms
se repite en el conjunto y en este caso es una distribucin unimodal. Para el conjunto
(2, 4, 2, 3, 1, 5, 1), los nmeros 1 y 2 ocurren con la misma frecuencia y por tanto la
distribucin es bimodal.
Se debe tener en cuenta y como sucede en los ejemplos anteriores, la moda no
siempre es una medida de tendencia central y puede incluso, ubicarse en unos de los
extremos de la distribucin de datos. Es una medida fcil de hallar por qu no necesita
de clculos matemticos, pero si requiere de una persona que conozca la distribucin
de los datos y ms cuando el n es grande.
Medidas de dispersin
Las medidas que se han visto anteriormente carecen de validez para indicar si son
representativas para un conjunto de dato o no. Tal es el siguiente ejemplo, donde se
tiene el conjunto de datos (3, 6, 3, 45, 32, 80, 20, 5,), donde el promedio es 24,5, el
cual no es representativo por la variabilidad de los datos por esta razn se han
diseando los clculos de las medidas de dispersin. Estas medidas indican el grado
de variabilidad entre las observaciones, las ms comunes son:
Amplitud.
Varianza
Desviacin estndar.
Coeficiente de varianza.
Al calcular un promedio, por ejemplo la media aritmtica, no sabemos su
representatividad para ese conjunto de datos. Por esto se hace necesario determinar si
hay concentracin de datos alrededor del promedio, lo cual nos indicara una buena
aplicacin en su uso, por el contrario una gran dispersin estara indicando poca
Para calcularla, se resta la media a cada uno de los valores, se elevan al cuadrado las
diferencias. Estas diferencias se suman para dividirla entre el tamao de la muestras
(menos 1) o de la poblacin.
Desviacin tpica o estndar. La desviacin tpica es la raz cuadrada de la varianza,
considerada siempre con signo positivo. Es la medida de dispersin ms extensamente
aplicada. En el caso de una muestra se denota con la letra s y para una poblacin
Medidas de posicin
Deciles, Cuartiles y Percentiles. Cuanto la distribucin contiene un nmero alto de
intervalos o marcas de clase y se quiere obtener un promedio de una parte de ella, se
puede dividir la distribucin en cuatro, diez o cien partes. En el primer caso se
denominan Cuartiles, en el segundo se denomina Deciles y en el tercero Percentiles.
Cuartil. Se denomina a la medida central que divide la distribucin en cuatro partes
iguales, mostrando el comportamiento promedio de la cuarta parte de la poblacin o
muestra analizada; medida que es anloga a la mediana, variando simplemente los
puntos de referencia. El cuartil se simboliza con la letra Q i el subndice i que determina
el orden, a que pertenece.
Q1.
Representa el primer cuartil o el promedio del 25% de
analizada y su punto de referencia es n/4.
la poblacin
Estadgrafo de forma
Con estos estadgrafos se pretende determinar si una distribucin es simtrica o
asimtrica. Si la distribucin es simtrica se dice que corresponde a una distribucin
normal cuya curva representativa es la campana de Gauss.
Cuando una distribucin es normal, la media aritmtica, la mediana y la moda son
iguales. Cuando la media aritmtica es menor que la mediana y sta, a su vez, menor
que la moda, la distribucin es sesgada a la izquierda o asimtrica negativa. Si la
media aritmtica es mayor que la mediana y sta es mayor que la moda, decimos que
la distribucin es sesgada a la derecha o asimtrica positiva.
Dato menor = 40
R = 94 40
R = 50
2. Estimacin del nmero de clases (m). Para elaborar una tabla de frecuencias, se
establece cierto nmero de clases (denotada con la letra m) en los valores observados.
Dicho nmero por lo general vara entre 5 y 15 a mayor nmero de datos, debe
disponerse de mayor nmero de clases. Se debe tener en cuenta que si el nmero de
clases es muy pequeo, se podra estar encubriendo caractersticas importantes de los
h1 h2 h3 ... hm 1
i 1
Semilla viable
E2
Semilla no viable
VVV
E5
VNN
E2
NVV
E6
NVN
E3
VNV
E7
NNV
E4
VVN
E8
NNN
Esta definicin clsica o a priori, tiene serias limitaciones pues implcitamente contiene
el concepto de igualmente probable; queriendo decir que de un conjunto de
elementos donde se pretende seleccionar uno, todos tiene la misma probabilidad de
ser seleccionados. De la misma forma considera a priori que todos los eventos tienen
la misma probabilidad de ocurrir. Es as como muchos otros problemas quedaran sin
respuesta. Como por ejemplo: cul es la probabilidad de que un ro aumente su
caudal a ms de 1000 litros por segundo?,
cul es la probabilidad de que bovino aumente ms de 850 gramos por da?,
cul es la probabilidad de que un cultivo de arroz de una variedad especfica, en cierto
tipo de suelo, condiciones de manejo y fertilizacin produzca ms de 40 bultos por
hectrea?
La aproximacin de la frecuencia relativa a la probabilidad depende de la repeticin de
algn proceso y de la capacidad de contar el nmero de repeticiones, as como del
nmero de veces que ocurre algn evento de inters. En este contexto la probabilidad
de observar alguna caracterstica E, de un evento, puede definirse como probabilidad
frecuentista textualmente quedando:
Si un evento se repite n veces y hay m resultados a favor de un evento E, entonces una
estimacin de la probabilidad frecuentista de ese evento es
P(E)
n
Probabilidad bajo un concepto axiomtico. Este concepto fue formalizado por el ruso
A.N. Kolmogorov. La base de este concepto de probabilidad, se considera desde el
cumplimiento de tres axiomas relacionados con la teora de conjuntos:
1. Todos los eventos deben tener una probabilidad mayor o igual a cero, lo cual es
un argumento razonable en vista de la dificultad de obtener una probabilidad
negativa. Dicha probabilidad del evento tampoco puede ser mayor a 1.
P(E) O
0 P(E) 1
Una muestras probabilstica es una muestra que es extrada de una poblacin, de tal
manera que todo miembro de esta ltima tenga una probabilidad conocida de estar
dentro de la muestra.
En general todo muestreo que no cumpla con alguna de las condiciones enumeradas
anteriormente es un muestreo no probabilstico. Se cumplira lo siguiente:
1. La muestra se restringe a una parte de la poblacin que es fcilmente accesible.
2. La muestra es seleccionada teniendo en cuenta el azar, ms no la aleatoriedad (se
seleccionan los elementos que estn ms a la mano).
3. Con una poblacin heterognea y pequea, el muestrista inspecciona la poblacin
y selecciona una multar pequea de unidades tipo (cercanas a la impresin que
pueda tener de la media general o a un criterio justificado por la profesin).
4. La muestra se compone esencialmente de unidades voluntarias o impuestas.
Bajo condiciones apropiadas, cualquiera de los casos anteriores, pueden presentar
resultados tiles. Sin embargo, en ellos no se puede aplicar estrictamente la teora del
muestreo ya que ella se basa en el supuesto de seleccin aleatoria donde todas las
unidades tienen una probabilidad de ser seleccionadas.
Al muestrear poblaciones finitas hay tres maneras bien distintas de hacer la seleccin:
1. Muestreo aleatorio. Puede introducirse en e procedimientote muestreo de varias
maneras que nos dan diversos diseos de muestra. Gracias a la aleatorizacin
pueden obtenerse estimaciones validas del error. Se puede aplicar la teora de
probabilidades u se pueden sacar conclusiones vlidas.
2. Muestreo sistemtico. Se usa cuando cada uno de los individuos de una poblacin se
incluye en la muestra, tal procedimiento es fcil pero insatisfactorio si en la poblacin
se presentan tendencias o ciclos no reconocidos aun. Dado que las poblaciones se
deben enumerar antes del muestreo, pueden introducirse en forma inconsistente
ciertas relaciones entre una o ms caractersticas investigadas y orden de
numeracin. En general, no es seguro suponer que no existe tal relacin. El muestreo
sistemtico puede efectuarse en forma tal, que puede obtenerse una estimacin no
sesgada de error de muestreo. Esto requiere de ms de una muestra sistemtica.
3. Muestreo autoritario. Exige que una persona, bien familiarizada con el material que va
a muestrearse, extraiga la muestra sin tener en cuenta la aleatorizacin. Tal
procedimiento depende completamente del conocimiento y pericia de la persona que
hace el muestreo. Puede producir buenos resultados en algunos casos, pero rara vez
se recomienda.
Muestreo aleatorio simple.
Este esquema constituye la base de la mayora de todos los muestreos los muestreos.
Si se estudia una poblacin dividida en n unidades de muestreo (rboles, parcelas,
individuos, animales, etc.), el mtodo consiste en tomar a l azar n unidades de las n, de
tal manera que cada combinacin posible de las n unidades tengan la misma
La varianza del estimador nos indica el grado de dispersin de los diferentes valores
que pueden tomar alrededor del parmetro. Es por esto que la varianza es un indicador
de la eficiencia, deduciendo que entre menor sea la varianza, mayor es la eficiencia
que se tiene con el estimador. Este es quiz el mejor indicador para iniciar una
estimacin puntual.
Estimacin puntual del promedio.
Como se ha visto hasta el momento, el promedio es la medida ms susceptible de
trabajar para representar un grupo de datos sin importar si son de una poblacin o de
una muestra. Por eso la estimacin puntual se hace para el promedio pero no para la
varianza.
Si se tiene una poblacin de tamao N y de esta se toma una primera muestra de
tamao n1, se obtendra un promedio X1 , si se tomara una muestra de tamao n2
(que no puede ser del mismo tamao de n1), se obtendra un promedio X 2 y as
sucesivamente hasta tener Xn promedios; el promedio de todos estos promedios
sera la estimacin del parmetro de la poblacin .
En pocas palabras,
promedio de los promedios es una representacin puntual del parmetro.
el
Esquemticamente sera:
N
n1 X 1 n2 X 2 n3 X 3
.
.nn Xn
X
Xn
N
Ejemplo. Si se tiene una poblacin de 200 terneros de los cuales se requiere estimar el
promedio de peso al nacimiento, por facilidad de trabajo se toman muestras que se
promedian para luego calcular una estimacin puntual del parmetro.
De acuerdo a las muestras, los promedios obtenidos fueron: DATOS OBTENIDOS.
Muestra
Promedio
(Kg/animal)
Muestra 1 (n=10)
44
Muestra 2 (n=15)
40
Muestra 3 (n=10)
42
Muestra 4 (n=20)
44
Muestra 5 (n=12)
43
Promedio
de 42,6
Esto quiere decirpromedios
que el promedio para la poblacin es de 42,6 kilos/animal al
nacimiento. Se debe aclarar que para validar como apropiados los promedios
estadsticos
Es el coeficiente de confianza.
lmites de confianza para la varianza y as poder inferir desde una muestra en una
poblacin. Tal es el caso de las empresas productoras de farmacuticos, vacunas,
alimentos, y muchos otros, que deben garantizar baja variabilidad del resultado
obtenido por usar el producto. Para esto, se hacen las pruebas en una muestra y luego
se infiere sobre el total de la poblacin que usara el producto. En el caso de
procedimientos de mejoramiento gentico, son importantes ya que a pesar de la
influencia de muchos factores incluidos lo ambientales, los resultados a obtener en una
poblacin dependen de la variabilidad de los ensayos con las muestras.
Pruebas de hiptesis
Desde cuando se inici la inferencia estadstica se plante que la otra forma de
hacerla, es por medio de las pruebas de hiptesis. La inferencia est basada en el
supuesto de tomar muchas muestras, todas con igual probabilidad de ser
seleccionadas y a travs de una de ellas determinar aproximaciones de los parmetros
de la poblacin, permitiendo hacer aseveraciones, estableciendo un error, incluso en
algunos casos incorrectos. En esta parte del mdulo se prender a identificar, si el valor
del estimador obtenido en la muestra es representativo del parmetro o valor
estadstico poblacional de la cual se extrajo.
La prueba de hiptesis denominada tambin prueba de significancia, tiene como objeto
principal evaluar suposiciones o afirmaciones acerca de los valores estadsticos de la
poblacin, denominados parmetros.
Estas suposiciones se llaman hiptesis estadsticas, las cuales son supuestos acerca
de un parmetro o de algn valor estadstico de una poblacin. Esto quiere decir que
no todas las hiptesis son estadsticas. Se debe tomar un parmetro como referencia,
ya sea una media, una proporcin, una varianza, etc.
La hiptesis estadstica, tambin puede considerarse, como la afirmacin acerca de
una caracterstica ideal de una poblacin sobre la cual hay inseguridad en el momento
de formularla y que, a la vez, es expresada de forma que puede ser rechazada.
De esta forma, se puede aclarar que los investigadores tratan con dos tipos de
hiptesis: la hiptesis de investigacin y la hiptesis estadstica. La hiptesis de
investigacin es la conjetura o suposicin que motiva la investigacin. Puede ser el
resultado de aos de observacin por parte del investigador. Un Mdico Veterinario por
ejemplo, puede haber notado que ciertos equinos respondieron ms rpidamente a un
tratamiento para clico. Los proyectos de investigacin suelen resultar del deseo de los
profesionales para determinar si sus teoras o sus sospechas pueden ser apoyadas o
no cuando se someten a los rigores de la investigacin cientfica.
Las hiptesis de investigacin conducen directamente a hiptesis estadsticas. Las
hiptesis estadsticas se establecen de tal forma que pueden ser evaluadas a travs de
tcnicas estadsticas apropiadas. En este mdulo las hiptesis que se estudiarn sern
de este tipo.
Es importante, sin decir que es camisa de fuerza, tener en cuenta algunos pasos o
aspectos para poder aplicar pruebas de hiptesis estadsticas.
1. Datos. Debe comprenderse la naturaleza de los datos que forman la base de
los procedimientos de prueba, ya que estos determinan la particularidad que
debe utilizarse.
2. Suposiciones. Un procedimiento general se modifica, dependiendo las
suposiciones. Se ha visto que stas incluyen, entre otras, suposiciones de la
normalidad de la distribucin de la poblacin, igualdad de varianzas e
independencia de las muestras.
3. Hiptesis. En la prueba de hiptesis se trabaja con dos supuestos o hiptesis
estadsticas que deben enunciarse explcitamente. La primera es la hiptesis
que debe probarse, por lo comn conocida como hiptesis nula y que se
designa con el smbolo Ho. Esta hiptesis se conoce por algunos autores como
hiptesis de no diferencia, ya que es una proposicin de conformidad con (o no
diferencia respecto de) condiciones verdaderas en la poblacin de inters. En
general, la hiptesis nula se establece con el propsito expreso de ser
rechazada. En consecuencia, el complemento de la conclusin que el
investigador desea alcanzar se convierte en el enunciado de la hiptesis nula.
En el proceso de la prueba, la hiptesis nula se rechaza, o bien, no se rechaza.
Si la hiptesis nula no se rechaza, se dir que los datos sobre los cuales se
basa la prueba no proporcionan evidencia suficiente que provoque el rechazo.
Si el procedimiento del aprueba conduce al rechazo, se concluye que los datos
disponibles no son compatibles con la hiptesis nula, pero son apoyo de alguna
otra hiptesis. Esta otra hiptesis se conoce como hiptesis alternativa y puede
designarse con el smbolo Ha.
Debe sealarse que, en general, la prueba de hiptesis o la inferencia, simplemente
indican si esta es apoyada o no por los datos disponibles. Por lo tanto cuando no es
posible rechazar esta hiptesis nula, no se dice que es verdadera, si no que puede ser
verdadera.
4. Estadstica de prueba. Es alguna estadstica que puede calcularse a partir de
los datos de la muestra. Como regla, existen muchos valores posibles que
pueden tener la estadstica de prueba, dependiendo del valor particular
observado de la muestra particular extrada. La estadstica de prueba sirve
como un producto de decisin de rechazar o no la hiptesis nula. En forma
general, se puede representar bajo una frmula que resume cualquier tipo de
estadstica para aplicar en pruebas de hiptesis. Prueba de hiptesis para la
media de una poblacin.
= 0
HA:
o bien:
Ho:
= 0
HA:
< 0
Diseo de experimentos
El experimento y sus elementos
Qu es un experimento?
Experimento, tiene dos acepciones, una general y una particular. La regla general se
refiere a "tomar una accin" y despus observar las consecuencias. Se requiere la
manipulacin intencional de una accin para analizar sus posibles efectos y la
aceptacin particular (sentido cientfico). "Un estudio de investigacin en el que se
manipulan deliberadamente una o ms variables independientes (supuestas efectos),
dentro de una situacin de control para el investigador".
Cul es el primer requisito de un experimento puro?
El primer requisito es la manipulacin intencional de una o ms variables
independientes. La variable independiente es considerada como supuesta causa en
una relacin entre variables; es la condicin antecedente, y al efecto provocado por
dicha causa se le denomina variable dependiente (consecuente). El investigador no
puede incluir en su estudio a dos o ms variables independientes.
Un experimento se lleva a cabo para analizar si una o ms variables independientes
afectan a una o ms variables dependientes y por qu lo hacen. En un autntico
experimento, la variable independiente resulta de inters para el investigador por ser la
variable hipottica, que ser una de las causas que producen el efecto supuesto. Para
obtener respuesta de esta relacin causal supuesta, el investigador manipula la
variable independiente y observa si la dependiente vara o no. Manipular es hacer
variar o dar distintos valores a la variable independiente.
Esta clase de experimento, con tres caractersticas esenciales: repeticin bajo las
mismas condiciones, desconocimiento del resultado final y conocimiento de todos los
posibles resultados antes de la ejecucin del experimento, se conoce como
experimento aleatorio.
El propsito fundamental de la estadstica es el de proveer modelos matemticos para
estos experimentos aleatorios. Una vez que se provee el experimento aleatorio de tal
modelo, el estadstico y el investigador puede realizar la inferencia (induccin
deduccin), acerca del experimento aleatorio en cuestin. Un alto porcentaje de la
generacin de tecnologa en las ciencias agropecuarias est basado en experimentos
aleatorios. Con estas notas se buscar fundamentalmente, establecer los diferentes
modelos estadsticos que se adecuan a este tipo de experimentos.
Adems de la caracterizacin del experimento aleatorio. Se define el concepto de
experimento como tal. La palabra EXPERIMENTO, para nuestro propsito, es un
ensayo fsico, planeado con el fin de confirmar los resultados de experimentos
anteriores o como resultado de la formulacin de una hiptesis a ser probada mediante
procedimientos experimentales. Con los experimentos se genera la tecnologa, los
cuales contribuyen a la solucin de los problemas del sector agropecuario.
Los experimentos, en general se pueden dividir en tres amplias categoras, as:
bsicos, crticos y demostrativos. En un experimento bsico el investigador prueba un
gran nmero de tratamientos con el objetivo de tener gua para trabajos futuros o bien
es aquel que conduce a la obtencin de nuevos conocimientos a partir de los cuales se
desarrolla la investigacin aplicada.
En experimentos crticos, el investigador compara la respuesta diferentes tratamientos,
usa un mayor nmero de observaciones para asegurar mas la bondad de un conjunto
de tratamientos sobre otro conjunto particular, se busca obtener conocimiento de
origen: nuevos insumos, bienes o servicios, los cuales conducen a que se incorpore
una tecnologa y practicas adecuadas dentro de los diferentes sistemas de produccin.
Los demostrativos ocurren ya con agentes de extensin donde se compara lo obtenido
en una granja experimental contra un estndar regional de amplio uso; es una etapa
fundamental dinmica y se basa en adecuar la tecnologa bsica a nivel de los
sistemas de produccin local.
Se puede agregar que cada experimento es un conjunto de respuestas a una o ms
preguntas. Con esto en mente el investigador decide qu comparacin de tratamientos
produce la informacin ms relevante. Se conduce entonces un experimento para
medir o probar hiptesis sobre diferencias entre los tratamientos bajo condiciones
comparables, se toman observaciones y medidas sobre el material experimental.
En general, el objetivo de un experimento agropecuario o ambiental es obtener
informacin (datos) que resuelva un limitante tecnolgico en una especie animal,
vegetal parmetro ambiental o dar solucin a un interrogante ya planteado en
investigaciones anteriores. En consecuencia, un buen diseo experimental es el
b.
Ubicar el lugar adecuado para la realizacin de los experimentos, para lo cual se debe
elegir una localidad accesible y representativa de reas agrcolas, de suelo uniforme,
con unidades experimentales lo ms uniforme posible, y escoger el material
adecuado para experimentos, de manera que pueda estratificarse (agruparse
unidades experimentales con caractersticas homogneas) el terreno correctamente
para formar grupos uniformes y de fcil manejo.
c.
Reducir las fuentes de error, tanto del experimento como de aquellos errores o
equivocaciones operacionales. Es muy importante que en la seleccin de datos,
muestreo, etc., el personal responsable est constituido por tcnicos o personas con
entrenamiento.
d.
e.
f.
g.
Tener conocimiento de la tecnologa de campo y saber cules son los problemas del
productor.
En la planeacin o diseo de un experimento agronmico, es necesario aplicar un
conjunto de disciplinas y conocimientos biolgicos con el fin de encontrar una
respuesta correcta a un problema especfico. Por ejemplo, si se comparan diversas
variedades de trigo, todos los factores de la produccin que influyen en el
comportamiento de las variedades deben permanecer constantes y las nicas fuentes
de variacin o diferencias sern presentadas por las variedades de trigo, si tales
fuentes existen. Para lograr lo anterior, es necesario contar con ciertos conocimientos
sobre:
a) Suelos, a fin de elegir el terreno ms uniforme y adecuado para realizar el
experimento.
con
agrosilvo pastoriles y
3-
4-
Examinar los posibles resultados y revisar las razones del problema, para asegurarse
de que el experimento le provee de la informacin adecuada a sus interrogantes.
5-
6-
Realizar el experimento.
7-
8-
9-
2-
1-
2-
3-
1.
1.
Diseo experimental.
2.
Uso de informacin adicional.
3.
Tamao y forma de la unidad experimental.
El uso del diseo experimental como un medio de reducir el error experimental ha sido
ampliamente investigado desde los aos veinte del ao actual. Esta es una materia de
alta discusin y solo se presenta y solo se presentan principios bsicos. Para ver
Cochran y Cox, Federer y Kempthorne.
El control del error por medio del diseo consiste en planear de tal forma que la
variacin natural en las unidades experimentales no contribuyan a falsear la diferencia
debido a tratamientos cuando, por ejemplo, las unidades experimentales se agrupan en
bloques (un bloque que posea todos los tratamientos), de tal forma que la variacin
entre las unidades del bloque sea menor que entre bloques, la precisin del error
experimental incrementa. Tales bloques se denominan replicaciones. El error
experimental se basa el la variacin de las variacin de las unidades dentro del bloque,
puesto que la variacin entre bloques puede ser eliminada.
Cuando el nmero de tratamientos se aumenta, el nmero de unidades por bloque se
incrementa.
Ciertos diseos permiten dividir los bloques en sub-bloques los cuales poseen una
porcin total de tratamientos. Tales diseos se denominan diseos de bloques
incompletos donde la precisin de ciertas comparaciones se incrementa a expensas de
otras
2.
3.
Asegurarse en que los tcnicos ejecuten las medidas con la precisin necesaria.
Tomar las observaciones en el momento adecuado y preciso (las plantas y los animales
no tienen das festivos)
2.
Modelo estadstico
TIPOS DE MODELOS ESTADISTICOS
De acuerdo a la seleccin de los tratamientos y otros factores se tiene la siguiente
clasificacin:
Modelo I (Efectos Fijos):
Se presenta cuando los tratamientos y dems factores que intervienen en un
experimento son fijados por el investigador; es decir, no se efecta una eleccin
aleatoria. En estos casos las conclusiones del anlisis de variancia solamente son
vlidas para los tratamientos y otros factores usados en el experimento. En el presente
trabajo se ha considerado nicamente el caso de modelo de efectos fijos, por ser el que
se presenta con mayor frecuencia en la experimentacin agraria.
Modelo II (Efectos aleatorios):
observados
de
un
experimento
son
Transformacin de datos
La razn principal de la transformacin de datos es que de llevarse a cabo un anlisis
esta- dstico con resultados que no cumplan con los supuestos acerca del modelo
estadstico, se puede llegar a una conclusin equivocada.
Un cambio de escala puede variar la media y la variancia de la variable as como su
relacin con respecto a otras variables. La forma de la distribucin de una variable
cambia con la escala. Mediante una transformacin adecuada puede conseguirse que
un variable que no se distribuye normalmente pase a tener una distribucin casi
normal. Las poblaciones con variancias desiguales pueden convertirse en
homocedsticas (variancias homogneas) mediante una transformacin apropiada.
Las transformaciones ms usadas son:
a. Transformacin logartmica
El modelo lineal (por ejemplo Yij = + i + j + eij) indica que el efecto del bloque , el
efecto del tratamiento y el error experimental, son todos ellos aditivos. Si los bloques y
los tratamientos aumentan o disminuyen las mediciones en un determinado porcentaje
en lugar de una determinada cantidad, entonces se dice que los efectos son
multiplicativos y no aditivos. En estos casos, una transformacin logartmica
transformar en aditiva la relacin multiplicativa y en consecuencia el modelo lineal
podr ser aplicado a los nuevos datos.
Para ciertos tipos de anlisis, el investigador prefiere la escala que elimina las
interacciones mientras que para otras puede preferir la escala que restituye los efectos
lineales. Lo que hay que recordar es que la relacin entre las variables est muy
influenciada por las escalas con las que se miden dichas variables. Las
interpretaciones de los datos slo son vlidas en relacin con la escala particular
adoptada en un caso determinado.
b.Transformacin de la raz cuadrada
Cuando los datos estn dados por nmeros enteros procedentes del conteo de objetos,
como por ejemplo el nmero de manchas en una hoja o el nmero de bacterias en una
placa, los nmeros observados tienden a presentar una distribucin de Poisson ms
que una distribucin normal. Las consideraciones tericas conducen a la
transformacin de la raz cuadrada de los nmeros observados. Normalmente esta
transformacin determina que las variancias de los grupos sean ms iguales. Tambin
es aplicable a las distribuciones sesgadas puesto que acorta la cola larga.
Si y es el nmero observado, para el anlisis estadstico y la prueba de significacin
utiliza- remos y1/2 . Cuando los nmeros observados son pequeos (de 2 a 10), se
prefiere la transformacin (y+0.5)1/2, en especial cuando algunos de los nmeros
observados son cero.
=1,2,..,r
repeticiones
=
1,2,
j
t
tratamientos.
Representa la observacin de la repeticin i-sima en el tratamiento
Es la media global de las poblaciones
combinadas Es el efecto producido por el
tratamiento j-simo Es el error experimental
aleatorio en la observacin
j-simo.
eliminar las diferencias que resultan de la edad, pueden agruparse entonces los
individuos de acuerdo con su edad, de modo que una persona de cada edad reciba
cada tratamiento. El diseo en bloques completos aleatorizados puede utilizarse
tambin convenientemente cuando un experimento debe llevarse a cabo en ms de un
laboratorio (bloque), fincas, zonas, o cuando se requieren varios das (bloques) para
concluirlo.
Se pueden resumir las caractersticas en:
con
Los tratamientos se deben aplicar al mismo tiempo en cada bloque y el mismo nmero
de veces.
Una vez conformados los bloques es aconsejable manejar cada uno de ellos como una
unidad experimental para mantener su homogeneidad interna.
Es bueno diferenciar entre bloques, repeticiones o rplicas: Repeticiones: tiene que ver
con el nmero de repeticiones de los tratamientos en un experimento. Bloques:
implican la agrupacin de unidades y se debe procurar la menor variabilidad dentro de
cada uno.
Si faltan datos de unidades individuales pueden estimarse fcilmente de tal manera que
no se pierda la comodidad en los clculos.
de nutricin animal, los factores en consideracin pueden ser las cantidades y clases
de suplementos de protenas.
El termino nivel se refiere a los diferentes tratamientos dentro de un factor. Se deriva de
alguno de los primeros experimentos factoriales. Estos trataban de fertilidad de suelos
donde las combinaciones de diferentes cantidades, o niveles, de los diferentes
fertilizantes eran los tratamientos. Hoy esa palabra tiene un sentido ms general, que
implica una cantidad o estado dados de un factor. As, si se comparan 5 variedades de
un cultivo, usando tres diferentes practicas de manejo, el experimento se llama
experimento factorial 5 x 3, con cinco niveles del factor variedad y tres niveles del
factor manejo. El nmero de factores y niveles que pueden compararse en un solo
experimento solo se limita por consideraciones prcticas.
As, un experimento factorial es aquel en el que el conjunto de tratamientos consiste en
todas las combinaciones posibles de los niveles de varios factores. En la palabra
factorial est implicado el concepto de diseo de tratamientos.
Notacin y definiciones
Los sistemas de notacin que se usan en experimentos factoriales son similares, pero
presentan diferencias suficientes como para que el lector tenga que comprobar con
cuidado cuando utilice nuevas referencias. Se sigue una notacin parecida en muchos
aspectos a la sugerida por Yates (1933). Las tres letras maysculas se usan para
designar factores,
Arreglos Factoriales
A los diseos completamente aleatorios, bloques completos al azar, cuadrados latinos,
cuadrados grecolatinos, e hipergrecolatinos se pueden utilizar para estudiar el efecto
de un solo factor y eliminar el efecto de otros factores externos.
A un experimento, con la caracterstica anterior, se lo denominamos experimento
unifactorial. Cuando nos interesa estudiar el efecto simultaneo de dos o ms factores,
con diferentes niveles, a los cuatro diseos anteriores debemos agregarle lo que se
denomina arreglo factorial o simplemente factorial.
2.
B12 = total de las observaciones presentes en el bloque donde faltan x1 y x2. T1 =total
de las observaciones presentes en el tratamiento donde falta x1.
T2 = total de las observaciones presentes en el tratamiento donde falta x2
Si los datos faltantes corresponden diferente bloque y diferente tratamiento: Donde:
En muchas situaciones experimentales, la misma unidad experimental recibe dos o
ms tratamientos en periodos diferentes; cuando esto sucede, el diseo experimental
se conoce como crossover, el cual puede estudiarse en Jones & Kenward (2003).
Anlisis estadstico
usos de las comparaciones mltiples de medias
Cuando en el diseo se rechaza la hiptesis nula, parecera innecesario plantear ms
preguntas. Sin embargo, considerar solo con el ANAVA el conjunto de tratamientos en
el experimento, hace pensar que sta es una simplificacin exagerada. Por lo general,
el investigador se hara la pregunta dnde estn las diferencias reales?
Tradicionalmente, la tcnica frecuente del anlisis de los datos, recurre a un anlisis de
varianza con su correspondiente prueba de F. sin embargo, por s misma la prueba no
proporciona diferencia sobre comparaciones especficas entre los grupos que a
menudo son de inters. En la prctica, algunas de las comparaciones pueden ser
planeadas o preespecficadas (antes de observar los datos), mientras que otras pueden
ser no planeadas o seleccionadas luego de examinar los datos (seleccionadas posthoc).
Los diseos permiten comparar la diferencia entre tratamientos a nivel de un conjunto,
sin embargo, en ocasiones es conveniente hacer comparaciones particulares con el fin
de determinar la eficiencia precisa de los diferentes tratamientos aplicados en un
experimento, por tanto, se recurre al mtodo de comparacin mltiple de medias.
Este mtodo se puede efectuar aplicando varias pruebas realizadas por algunos
estadsticos. Se debe buscar la ms adecuada para cada uno de los casos. Las
recomendaciones para hacer comparaciones mltiples en pruebas de hiptesis son las
siguientes:
1.
2.
3.
1.
2.
Sxcon el
fin de obtener los valores de amplitudes lmites de significacin de Duncan A.L.S.; tal
como se presenta en la siguiente tabla.
Valores de A,E.S. y A.L.S. para efectuar la prueba de Duncan.
Valores de P.
A.E.S.
A.L.S. = A.E.S x Sx
3.
4.
2
tDuncan
Duncan
3
tDuncan
Duncan
4
tDunca
n
Dunca
n
Se organizan en orden creciente los promedios de los tratamientos, tal como se indica
a continuacin:
Se efectan las comparaciones en el siguiente orden: el promedio ms bajo con los
que estn a su derecha, luego el siguiente promedio con los que estn a su derecha y
as sucesivamente. En cada comparacin de promedios se evala si la diferencia (D)
entre el par de promedios supera al A.L.S. correspondiente. Si la diferencia D > A.L.S.,
entonces se concluye que los promedios difieren significativamente. Si D < A.L.S., la
diferencia no es significativa.
En cada comparacin el A.L.S. escogido tiene en cuenta la ubicacin de los promedios
en el arreglo ordenado, as:
A.L.S. con P = 2:
Cuando los promedios
consecutivos. Por ejemplo A vs B, B vs C, C vs D.
que
se
comparan
A.L.S. con P = 3.
Cuando entre los promedios que se comparan
tratamiento de por medio. Por ejemplo A vs C, B vs D.
A.L.S. con P = 4.
Cuando entre los promedios que se
dos tratamientos de promedio. Por ejemplo A vs D.
son
hay un
comparan existen
y as sucesivamente.
A continuacin se indica el detalle de la prueba para el ejemplo planteado:
COMPARACIN
A.L.S.
RESULTADO
A vs B
*, **
X1 X 2 = d
>, <
valor DUNCAN
NS
A vs C
X1 X 3 = d
>, <
valor DUNCAN A vs D
X1 X 4 = d
>, <
valor DUNCAN B vs C
X2 X 3 = d
>, <
valor DUNCAN
B vs D
X2 X 4 = d
vs D
>, <
X3 X 4 = d
valor DUNCAN
>, <
valor DUNCAN
Para indicar todas las comparaciones entre los promedios se puede utilizar una
notacin resumida a base de lneas o letras, as:
a. Utilizando lneas. Los promedios ordenados por magnitud se subrayan con lneas as:
Los promedios que no sean significativamente diferentes se subrayan con una lnea
comn; los promedios que difieren no aparecen unidos. Para el ejemplo anterior, la
notacin queda en la siguiente forma:
Tratamientos
A
Promedios
prom 1.
prom 2.
prom 3.
prom 4.
prom
B
Prom 2.
C
prom 3.
D
prom
4.
entre diversas
Caracterstica:
Slo se maneja una variable independiente, por lo que slo cuenta con dos
parmetros.
Determina la relacin de dependencia que tiene una variable respecto a otra.
Ecuacin:
y = a + bx
Donde:
y = valor esperado
a = intercepto entre la lnea proyectada en el eje y
b
pendiente
de
la
lnea
proyectada
FUENTES BIBLIOGRAFICAS
American Association for the Advancement of Science. La naturaleza de la
ciencia.
http://www.project2061.org/esp/publications/sfaa/online/chap1.htm. Accesado
Junio 2005.
Box, G.E.P., Hunter, W.G.S., y Hunter, J.S. 1993. Estadstica para
investigadores: Introduccin al diseo de experimentos, anlisis de datos y
construccin de modelos. Edit. Reverte, Espaa. 422 p.
Bunge, M. La ciencia, su mtodo, y su filosofa. Ediciones Siglo XX. Buenos
Aires. 1972.
Cabria, S. (1994). Filosofa de la estadstica. Servicio de Publicaciones de la
Universidad de Valencia
Chou, Ya-Lun. Anlisis estadstico. Edit. Mc Graw Hill, Mxico. 1992. 808 p.
Clarke, G and Kempson, R. E. 1997. Introduction to the design and analysis
of experiments, Arnod, London.
An