UNIVERSIDAD DE SUCRE

PROGRAMA: BIOLOGIA
ASIGNATURA: DISEO EXPERIMENTAL

CURSO preparado por:

MELBA LILIANA VERTEL MORINSN

E-mail: melba.vertel@unisucre.edu.co
Tema 1: Conceptos bsicos de calidad, Metodologa cientfica
y Diseo experimental

En esta seccin veremos los conceptos fundamentales de la

calidad y la productividad
14
13
proteina

12
11

8 9 10 11 12 13 14 15

peso
 La generacin de riqueza hoy

@ El conocimiento pasa ser la nueva fuente de generacin

de riqueza, y con ello:

La informacin la tecnologa
la investigacin el trabajo
la gestin administrativa el liderazgo.

@ Capital humano (gente que sabe, aprende y asume

retos)

@ El activo ms importante de una empresa del siglo XX

fue su aparato de produccin. En el siglo XXI sern sus
trabajadores del conocimiento y la productividad de los
mismos.
ESTE ES NUESTRO FUTURO
 ANTES DE COMENZAR
Traducido de Faraway Julian. 2002. Practical Regression and Anova using R

La ESTADSTICA empieza con un problema,

contina con la recoleccin de los datos,
procede con el anlisis de los datos y
finaliza con las conclusiones.

Es un error comn de Estadsticos inexpertos inmiscuirse en un anlisis

complejo sin la atencin debida a cules son los objetivos o igualmente si los
datos son apropiados para el anlisis propuesto. Mire antes de saltar!

Formulacin
La formulacin de un problema es a menudo ms esencial que su solucin
que puede ser meramente un resultado de la habilidad matemtica o
experimental.
Alberto Einstein
 CICLO DEL MTODO CIENTIFICO

FORMULACIN
OBSERVACIN HIPOTESIS
DEL PROBLEMA (H)

NUEVAS DISEO
EXPERIMENTAL
PREDICCIN
EXPERIMENTO
VERIFICACIN

ACEPTAR O
ANLISIS ESTADSTICO
RECHAZAR H

Las etapas que integran el Mtodo Cientfico son:

Observacin del fenmeno
Planteamiento del problema
Establecimiento de hiptesis, y
Verificacin de la hiptesis.


DISEO DE EXPERIMENTO DE CAMPO

DEFINA EL PROBLEMA

FORMULE LA PREGUNTA/ HIPTESIS CLAVE

PROPIEDADES
MTODO DE DISEO O RESPUESTAS
ANLISIS EXPERIMENTAL A ESTUDIAR
ESTADSTICO

TCNICA DE TAMAO DEL

UNIDAD EXPERIMENTO TRATAMIENTOS
EXPERIMENTAL

FACTORES A
CONTROLAR
R-project
R es un lenguaje y entorno de programacin para anlisis estadstico y grfico.
Se trata de un proyecto de software libre, resultado de la implementacin GNU del premiado
lenguaje S. R y S-Plus -versin comercial de S- son, probablemente, los dos lenguajes ms
utilizados en investigacin por la comunidad estadstica, siendo adems muy populares en el
campo de la investigacin biomdica, la bioinformtica y las matemticas financieras. A esto
contribuye la posibilidad de cargar diferentes libreras o paquetes con finalidades especficas de
clculo o grfico.

agricolae2.DBCA.pdf

Desarrollador: R Foundation

ltima versin: 2.10.1 (2010)

S.O.: Multiplataforma
Gnero: Estadstica
Licencia: GPL
Sitio web: www.r-project.org
 DIAGRAMA DE PROCESO
Generalmente existen tres versiones de un proceso

lo que realmente es lo que creemos que es

lo que desearamos que fuera

Es una herramienta que ayuda a comprender el proceso: sus lmites, las

entradas y salidas, las diferentes etapas y las interrelaciones entre ellas.
 DEFINICIN

DIAGRAMA DE CAUSA Y EFECTO

Las seis Ms

Medidas Materiales Mano de obra

Formulacin
(Diagrama de espina de pescado) del problema

Medio ambiente Mtodo Maquinaria

Es una herramienta que proporciona una visin grfica de todas las posibles
causas de un determinado problema.
 Variables controlables
x1 x2 . . . .xn
Medidas
y
Evaluaciones
Materias
primas

X Procesos y = f(X)
Componentes

Los experimento tienen tres componentes principales

(Elementos estructurales):
z1 z2 . . . .zn Las entradas, estmulos o tratamientos.
Variables incontrolables Las unidades experimentales.
Las salidas, respuestas o variables dependientes.
 Variable respuesta, o explicada, o dependiente: Variable
asociada al fenmeno que nos interesa estudiar

Variables experimentales o factores: Conjunto de variables

que influyen en la respuesta y que se fijan a ciertos niveles antes
del experimento

Unidades experimentales: Individuos que intervienen en el

experimento y que son observados a un nivel determinado de
cada uno de los factores.

Tamao del experimento: Nmero total de unidades

experimentales en el experimento
 Situacin 1: Diseo Completamente al azar. Tres tipos de
vinos (A: mango, B: corozo, C: manzana) fueron servidos en dos
condiciones de temperatura (1-Helado, 2-Ambiente) para cuatro
catadores que atribuirn las siguientes notas (promedio de tres
determinaciones) en una escala del 1 al 10.

1. Realice el diagrama de este proceso

(Entradas, salidas, tratamientos, factores controlados, factores no controlados).

Tratamientos
# Trat. = F1 x F2 = 6
F1: Tipos de Vinos = 3
F2: Temperaturas = 2
Factores controlados
Empaque
color del empaque
Almacenamiento
Respuesta
Nota o calificacin
U.Exp.= 1 litro de vino

Error
 Principios Bsicos de Experimentacin

REPETICIN

ALEATORIZACIN CONTROL LOCAL

MAYOR PRECISIN RESULTADOS VLIDOS

..\R_nuevo\Lewis_Silvin
a_Capacitacin
De modo general en la prctica se recomienda que: Estadstica Aplicada a
Datos Agronmicos.doc
Cada tratamiento tenga un mnimo de 3 repeticiones.
El experimento tenga un mnimo de 20 parcelas (tamao del experimento) con 10
grados de libertad para el error experimental.

Para 3 tratamientos 7 repeticiones (21 parcelas)

Para 5 tratamientos 4 repeticiones (20 parcelas)
Para 8 tratamientos 3 repeticiones (24 parcelas)

Para tener as un resultado ms general y confiable de una investigacin se

recomienda repetir el experimento:

En el tiempo (repetir el mismo en aos diferentes)

En el espacio (repetir el mismo ensayo en localidades diferentes).
Recoleccin de los datos. Es importante entender como fueron recolectados los
datos Determinacin del tamao de la muestra
SITIOS: Use suficientes sitios para describir la poblacin de inters
TRATAMIENTOS: Use el nmero que pueda manejar e interpretar
REPETICIONES: Use las suficientes para una buena
precisin.
SUBMUESTRAS: Use las suficientes
para obtener buenas estimaciones.

Son los datos observacionales o experimentales? Son los datos una muestra de
conveniencia o fueron obtenidos por un diseado estudio de la muestra. La
manera en que los datos fueron recolectados tendr un impacto crucial sobre que
conclusiones pueden ser hechas.

Son no respuesta? El dato que usted no ve puede ser tan importante como el
dato que usted ve.

Hay datos faltantes? Este es un problema muy molesto y consume mucho

tiempo para tratar con l.

Cmo son codificados los datos? En especial cmo son codificadas las variables
cualitativas.

Cules son las unidades de medicin? Muchas veces los datos son recolectados
con muchos ms dgitos que los necesarios. Considere el redondeo si esto puede
ser ayuda para la interpretacin o los costos de recoleccin.
 LA NATURALEZA DE LOS PROBLEMAS
ESTADSTICOS
Problemas con el centrado

situacin ideal situacin real

i o s Problemas con la dispersin

situacin ideal
situacin real

i o s
ESTRUCTURA GENERAL DEL CAMINO
DE ANLISIS ESTADSTICO
factor X tratado como:
* t test
continuo discreto * homogeneidad de
varianza
continua
* 1-Way ANOVA
Y (respuesta)

1 muestra 3 muestras
(1 poblacin/proceso) (3 poblaciones/procesos)
2 muestras
(2 poblaciones/procesos)
 ANLISIS
ESTRUCTURA GENERAL DEL CAMINO
DE ANLISIS ESTADSTICO
1 muestra 2 muestras 3 muestras
(1 poblacin/proceso) (2 poblaciones/procesos) (3 poblaciones/procesos)

datos emparejados?
no si
estudiar estudiar estudiar estudiar
estabilidad estabilidad estabilidad estabilidad

estudiar forma estudiar forma estudiar forma estudiar forma

estudiar estudiar estudiar

estudiar estudiar
dispersin centrado dispersin
dispersin centrado

estudiar centrado estudiar centrado

 Entender
Intervenir
Predecir
Caso ms sencillo de comparacin

Son normales

Mann-Whitney, Wilcoxon
Comparacin de poblaciones

A. Comparamos J tratamientos en UNA poblacin

B. Comparamos UN tratamiento en J poblaciones

Son normales

Mann-Whitney, Wilcoxon

Mann-Whitney, Wilcoxon
Comparacin de poblaciones
HIPTESIS QUE ASUMIMOS QUE CUMPLEN LOS ERRORES
Decir que los datos cumplen las hiptesis es lo
mismo que decir que los errores son:

HIPTESIS DEL MODELO

 ESTRUCTURA DE UN DISEO EXPERIMENTAL

ESTRUCTURA DE ESTRUCTURA DE
TRATAMIENTO DISEO

ALEATORIZACIN

Familia de diseos para comparar tratamientos

Factores
Diseo de bloque Tcnica Estadstica Modelo Estadstico
Diseo
ANOVA con UN (1)
Completamente
al Azar (DCA)
0 criterios de clasificacin Yij = + j + eij
Diseo de Bloques
ANOVA con DOS (2)
Completos al azar
(DBCA)
1 criterios de clasificacin Yij = + i + j + eij
Diseo en
ANOVA con TRES (3)
Cuadrado Latino
(DCL)
2 criterios de clasificacin Yij(k) = + i + j + ij(k)+ eij(k)
Diseo en ANOVA con CUATRO
Cuadrado (4) criterios de
Grecolatino (DCGL)
3 y i jk = + i + j + k +E ijk +EE
clasificacin
Para cada diseo comparativo se tienen al menos dos fuentes de variabilidad, a saber: los
tratamientos o niveles del factor de inters y el error aleatorio.
Ventajas
Cualquier nmero de repeticiones por tratamiento puede ser
utilizado.
El anlisis estadstico es simple. La prdida de parcelas no tiene
dificultades.
El nmero de grados de libertad para el error es lo mayor posible.

Desventajas
Por no tener control local toda variacin entre unidades
experimentales que recibieron el mismo tratamiento es incluido en el
error, aumentando la variacin residual, disminuyendo la precisin.
 Modelo matemtico:
Yij = + j + eij

Donde:
Yij : valor de la observacin del tratamiento j-simo
en la repeticin i-sima. i = 1,, r j

: media general.
j : efecto del tratamiento j-simo, el j = 1, 2, , t.
eij : error experimental asociado a Yij.
DCA.MODELO.doc
Lewis_Silvina_Capacitacin Estadstica Aplicada a Datos Agronmicos.doc
como hacer una investigacin. DISEO EXPERIMENTAL.doc
Aleatorizacin de un Diseo Completamente al Azar
A 177 (5) 051 (1) 993 (19) 402 (9) 673 (12)
B 176 (4) 859 (16) 998 (20) 268 (7) 205 (6)
C 115 (2) 945 (18) 819 (15) 737 (13) 493 (11)
D 901 (17) 452 (10) 285 (8) 163 (3) 783 (14)

Esquema de Aleatorizacin.

1 2 3 4 5 1, 2, 3, , 20 numeracin de las parcelas experimentales.

A, B, C, D Tratamientos Experimentales
6 7 8 9 10
11 12 13 14 15
16 17 18 19 20

Plan de campo
1(A) 2(C) 3(D) 4(B) 5(A)
6(B) 7(B) 8(D) 9(A) 10(D)
11(C) 12(A) 13(C) 14(D) 15(C)
16(B) 17(D) 18(C) 19(A) 20(B)
Al ordenar # aleatorios: 054(A), 115(C), , 998(B)
APLICACIN CIENCIAS BIOLOGICAS (PERFECTO)
(VERTEL, 2004)
Ejemplo: El objetivo es evaluar empaques usados en la conservacin de banano. Se
utiliz un Diseo Completamente Aleatorizado, con cinco repeticiones, veinte (20)
parcelas experimentales y cada parcela experimental se constitua de 10 pencas de
bananas, los tratamientos fueron los siguientes:

T1 = Polietileno + KMnO4 T2 = Polietileno

T3 = Saco T4 = Sin empacar

Midindose el porcentaje de prdida de peso en el perodo de almacenamiento,

consiguiendo los siguientes resultados:

REPETICIN (i)
1 2 3 4 5 Total (Y.j) Media ( Y .j)
T1 14.1 9.4 9.3 10.9 6.3 50.0 10.0
T2 10.0 7.1 14.2 14.8 18.9 65.0 13.0
T3 18.3 17.5 14.9 16.2 23.1 90.0 18.0
T4 21.0 18.0 17.3 16.8 21.9 95.0 19.0
300.0 15.0
t=4 r=5 n = r x t = 20 parcelas
 Modelo Matemtico e Hiptesis
Todo anlisis de varianza de un ensayo preside un modelo matemtico y algunas
hiptesis bsicas (ver Capitulo Anlisis de Varianza, Vertel (2004)).

En el caso de un ensayo en Diseo Completamente al Azar (DCA), el modelo matemtico, es el

siguiente:

= + +
Donde:
Yij : valor de la observacin del tratamiento j-simo en la repeticin i-sima.
: media general.
j : efecto del tratamiento j-simo, el j = 1, 2, , t.
eij : error experimental asociado a Yij.

Las hiptesis admitidas son:

a) Los diversos efectos son aditivos.
b) Los tratamientos tienen varianzas homogneas.
c) Los errores experimentales son independientes, normalmente distribuidos con media
cero y varianza 2 (Normalidad de errores).

Analysis of Variance Table

Response: perdpeso
Df Sum Sq Mean Sq F value Pr(>F)
trat 3 270.000 90.000 8.1911 0.001573 **
Residuals 16 175.800 10.987
---
 En el caso de un ensayo en Diseo Completamente al Azar, el esquema del ANAVA es el
siguiente:
Fuentes de E (CM)
variacin G.L S.C C.M Trats. aleat. Trats. fijo

Tratamientos (t1) 1 V1 2 r K2 r
r
Y. 2j F .C 2
t 1 j
2j

Error r(t1) Diferencia V2

2 2
Total (rxt) - 1 Yy
2
ij F .C

E (CM) Esperanza matemtica de CM

CM Estimacin de la Varianza
E (CM) Forma una expresin en trminos de la poblacin.
Todos los contrastes son nulos
H a H : i j (Para I j) (Existe diferencia entre los tratamientos. Por lo menos un
contraste no es nulo).

Esquema de la Distribucin F
La aplicacin de la prueba F es necesaria obtener un valor en la distribucin terica.

Curva de la
(Tabla F) tabla F al nivel V1 (gl trat.) Prueba
(Zona de Rechazo H

V2 (gl del error)

1- (Zona de Aceptacin H 0)
F(V1, V2)
0,0
V
Ft 1 (El menor valor posible de varianza es cero)
V2
 pokmno2 po saco nada
Varianzas 8.040 20.825 9.800 5.285

H o : 12 22 ... t2
V V j (rj 1) 4 4 4 4 16

V j ( 2j ) 4(8.04) 4(20.825) 4(9.8) 4(5.285)

2 10.9875
V 16
V j loge ( 2j ) 4 x ln(8.04) 4 x ln(20.285) 4 x ln(9.8) 4 x ln(5.285) 36.27

1 1 1 1 1 1 1 1 1
C 1 1 1.1042
3(t 1) V j V 3(4 1) 4 4 4 4 16

U
1
C

V loge ( 2 ) V j loge ( 2j )
1
1.1042
16x ln(10.9875) 36.27 1.88

Se rechaza H o : 12 22 ... t2 si U (2 ,t 1) (Tabla A.5, tomada del libro de

Montgomery) Cmo: 02.05,3 7.81 U 1.88

Conclusin: No se rechaza la hiptesis nula, por lo tanto las varianzas de

tratamientos son iguales.

Bartlett test of homogeneity of variances

data: perdpeso by trat

Bartlett's K-squared = 1.8809, df = 3, p-value = 0.5975
bartlett.test(perdpeso~trat,data=peso)
 Histogram of perdpeso

Normal Q-Q Plot

7
6

20
5

Sample Quantiles
Frequency

15
3
2

10
1
0

-2 -1 0 1 2
5 10 15 20 25
Theoretical Quantiles
perdpeso

Shapiro-Wilk normality test

data: perdpeso
W = 0.9613, p-value = 0.5704
 Prueba de Shapiro Wilks (W)
TRATAMIENTOS T1: Po+KMnO4 T2: Po T3: Saco T4: Nada
EJERCICIO: El objetivo es evaluar
empaques usados en la conservacin de Replicas (rj.) 1 14.1 (7) 10.0 (5) 18.3 (16) 21.0 (18)

banano. Se utiliz un DCA, con 5 2 9.4 (4) 7.1 (2) 17.5 (14) 18.0 (15)
repeticiones, veinte (20) UE y cada Unidad 3 9.3 (3) 14.2 (8) 14.9 (10) 17.3 (13)
experimental se constitua de 10 pencas de 4 10.9 (6) 14.8 (9) 16.2 (11) 16.8 (12)
bananas (Vertel,2004).
5 6.3 (1) 18.9 (17) 23.1 (20) 21.9 (19)

Pasos:
1. Promedio general del experimento: y.. 15
14.9 16.2
2. Mediana de los datos (ordenar < a > 6.3,7.1,9.3,9.4,10.0,..., 21.9,23.1 ): Me 15.55
2

SCTotal yij2 F .C 445.8

3. Encontrar la Suma de Cuadrados Total: i, j

donde: b ai ( yn i 1 yi )
2
4. Hallar el valor Shapiro-Wilks: Wcalc b
SCtotal

b 0.4734(23.1 6.3) 0.3211(21.9 7.1) ... 0.0140(16.2 14.9) 20.7

20.702
Wcalc 0.961 Wtab Wn, W20,0.05 0.905
445.8
Prueba de Shapiro Wilks (W) Pasos:
EJERCICIO: Giraldo y Vargas (1991) investigaron 1. Promedio general del experimento:
la morfometra de la sardina azulita (J. lamprotaenia)
en las islas del Rosario, Bolvar, Colombia. Entre otras
caractersticas midieron la longitud estndar de
sardinas hembras en tres estaciones de muestreo: 2. Mediana de los datos (ordenar < a > ):
fondo arenoso, manglar y pasto marino. Los
siguientes datos 8en cm9 representan parte de los
datos obtenidos por las investigadoras.

TRATAMIENTOS T1: Fondo arenoso T2: Manglar T3: Pasto marino

Repeticin (rj) 1 4.09 3.80 3.78

2 4.14 3.96 4.19 3. Encontrar la Suma de Cuadrados Total:

3 3.85 4.05 4.27

4 4.04 3.47 3.65 4. Hallar el valor Shapiro-Wilks:

5 3.21 3.89 3.99

6 4.27 3.46 3.61

donde:
7 3.81 3.94 3.55

8 4.02 3.58 3.41

9 3.08 4.03 3.82

10 4.72 3.68 4.11

5. Conclusin:
11 4.03 3.76 3.60

12 4.07 3.91 3.90

13 3.83 3.32 3.99

14 4.21 3.94

15 3.86 3.35

16 4.02
 Varianzas
V V j (rj 1)
H o : 12 22 ... t2
V j ( 2j )
2
V
V j loge ( 2j )

1 1 1
C 1
3(t 1) V j V

U
1
C

V loge ( 2 ) V j loge ( 2j )

Se rechaza H o : 12 22 ... t2 si U (2 ,t 1) (Tabla A.5, tomada del libro de

Montgomery) Cmo: 2 , gl ______ y U ______

Conclusin:

Bartlett test of homogeneity of variances

data: perdpeso by trat

Bartlett's K-squared = ______, df = ___, p-value = ______
bartlett.test(y~Trat,data=datos)
40

---

---
---
30

---

---
---
---
20

---

30
---
---
ab ab

25
b
10

20
0

A B E D C

15
10
5
0

A B E D C
La Prueba F del ANAVA permite saber si existen diferencias entre los
TRATAMIENTOS, ms no muestra donde est la diferencia, a no ser el caso
especfico de experimento de apenas dos (2) tratamientos.

Puede resultar:
F *: Diferencias significativas entre tratamientos, al nivel del 5%.
F **: Diferencias altamente significativas entre tratamientos, al nivel del 1%.
F n.s : No hay diferencias entre tratamientos.

Factores de
Diseo bloque Tcnica Estadstica Modelo Estadstico

DCA ANOVA con 1 criterio de clasificacin

0 Yij = + j + eij

DBCA ANOVA con 2 criterios de clasificacin

1 Yij = + i + j + eij

DCL ANOVA con 3 criterios de clasificacin

2 Yij(k) = + i + j + ij(k)+ eij(k)
Para cada diseo comparativo se tienen al menos dos fuentes de variabilidad, a saber: los tratamientos o niveles del
factor de inters y el error aleatorio.
Esto no permite recomendaciones especificas respecto a los tratamientos. Por
lo tanto, el anlisis completo de un experimento exige la aplicacin de
comparaciones entre medias de tratamientos para discriminar diferencias.

Para nuestro estudio se realizaran:

Comparaciones entre medias para factores CUALITATIVOS.

Comparaciones entre medias para factores CUANTITATIVOS

Seleccin de una prueba de Comparacin Mltiple:

DMS DUNCAN SNK BONFERRONI TUKEY SCHEFFE

Usar para un nmero Usar para un nmero

pequeo de comparaciones grande de comparaciones
(< 10 comparaciones) (> 10 comparaciones)
Analysis of Variance Table

Response: perdpeso
Df Sum Sq Mean Sq F value Pr(>F)
trat 3 270.000 90.000 8.1911 0.001573 **
Residuals 16 175.800 10.987
---

25
Study: a

20
a

LSD t Test for perdpeso

15
b

...... b

Alpha 0.050000

10
Error Degrees of Freedom 16.000000

5
Error Mean Square 10.987500
Critical Value of t 2.119905

0
nada saco po pokmno2

Treatment Means
trat perdpeso std.err replication
1 nada 19 1.028105 5
2 po 13 2.040833 5

25
3 pokmno2 10 1.268069 5 --- ---
4 saco 18 1.400000 5

20
---
---
Least Significant Difference 4.444224

15
---

Means with the same letter are not significantly different. ---

10
Groups, Treatments and means ---
---
a nada 19

5
a saco 18
b po 13
0
b pokmno2 10 nada saco po pokmno2
Analysis of Variance Table

Response: perdpeso
Df Sum Sq Mean Sq F value Pr(>F)
trat 3 270.000 90.000 8.1911 0.001573 **
Residuals 16 175.800 10.987
---

25
Study:
a

20
ab
HSD Test for perdpeso
......

15
bc
Alpha 0.050000
c
Error Degrees of Freedom 16.000000

10
Error Mean Square 10.987500
Critical Value of Studentized Range 4.046093

5
Treatment Means
trat perdpeso std.err replication

0
1 nada 19 1.028105 5 nada saco po pokmno2

2 po 13 2.040833 5

25
3 pokmno2 10 1.268069 5
4 saco 18 1.400000 5 --- ---

20
---
Honestly Significant Difference 5.997915 ---

15
---
Means with the same letter are not significantly different.
---

10
Groups, Treatments and means ---
a nada 19 ---

ab saco 18

5
bc po 13
c pokmno2 10
0 nada saco po pokmno2
R-project
R es un lenguaje y entorno de programacin para anlisis estadstico y grfico.
Se trata de un proyecto de software libre, resultado de la implementacin GNU del premiado
lenguaje S. R y S-Plus -versin comercial de S- son, probablemente, los dos lenguajes ms
utilizados en investigacin por la comunidad estadstica, siendo adems muy populares en el
campo de la investigacin biomdica, la bioinformtica y las matemticas financieras. A esto
contribuye la posibilidad de cargar diferentes libreras o paquetes con finalidades especficas
de clculo o grfico.

Desarrollado R Foundation
r:
ltima
versin: 3.1.1 (10-07-2014)
S.O.: Multiplataforma
Gnero: Estadstica
Licencia: GPL
Sitio web: www.r-
project.org
# Diseo Completamente al azar
# Script en R: Empaques

pokmno2<-c(14.1,9.4,9.3,10.9,6.3)
po<-c(10.0,7.1,14.2,14.8,18.9)
saco<-c(18.3,17.5,14.9,16.2,23.1)
nada<-c(21.0,18.0,17.3,16.8,21.9)

perdpeso<- c(pokmno2,po,saco,nada)
trat <- factor(rep(1:4,each=5), labels=c("pokmno2","po","saco","nada"))

# base de datos tipo SAS:

peso<-data.frame(perdpeso,trat)

#una forma de hallar la estadstica descriptiva de cada tratamiento

tapply(perdpeso, trat, summary); tapply(perdpeso, trat, var)

#grfico de boxplot
plot(perdpeso ~ trat)

library(agricolae)

modelo <-aov(perdpeso~trat, data=peso)

anova(modelo)
gle <- df.residual(modelo)
gle
cme <- deviance(modelo)/gle
Cme
#Prueba de la diferencia mnima significativa DMS, en Tukey se cambia LSD x HSD
comparacion <- LSD.test(perdpeso, trat, gle, cme)

bar.err(comparacion,std=TRUE,ylim=c(0,20),density=4,border="blue")
bar.group(comparacion,ylim=c(0,20),density=4,border="blue)
 SEROPREVALENCIA A Leptospira spp.
PATGENA EN ROEDORES URBANOS DEL
MUNICIPIO DE SINCELEJO SUCRE
Joven Investigadora COLCIENCIAS 2012-2013 UDES-Biomedicas
 Jussep Salgado Almario
Joven Investigador 2014-2015
COLCIENCIAS - UDES
 INTRODUCCIN

TOXOPLASM
OSIS
Hospederos Toxoplasmosis
definitivos congnita

Hospederos Toxoplasmosis en
Intermediarios inmunodeprimidos
 INTRODUCCIN

Ciclo biolgico de T. gondii.

Ooquistes

Taquizoitos

Quistes tisulares
 RESULTADOS Y DISCUSIN

Objetivo especfico 2.

Comparacin de los ensayos aplicados para la deteccin de IgG

anti-T. gondii
IFI ELISA (Ag crudos)
IFI
TOTAL
Positivos Negativos
IFI IgG Titulacin De N De Positivos 14 3 17
TOTAL
Anti-T. gondii Anticuerpos Gestantes Negativos 1 7 8
Negativo <1/16 10 40% TOTAL 15 10 25
1/128 6
1/256 5 IFI
Positivo 1/512 2 60% ELISA (SAG1) TOTAL
Positivos Negativos
1/1024 1 Positivos 14 1 15
1/2043 1 Negativos 1 9 10
Tabla 3. Frecuencia de gestantes segn la titulacin de anticuerpos IgG
anti-T. gondii detectados por IFI. TOTAL 15 10 25
Tabla 4. Tablas de contingencia para las ensayos serolgicos aplicados al panel
de 25 muestras suero sanguneo de gestantes.