R.C.
R.R./Ho:
Aceptar
Ho:
R.R./Ho:
ANLISIS Y DISEO DE
EXPERIMENTOS
PREPARADO POR:
VLADIMIRO IBAEZ QUISPE, Dr.
- ii -
PRESENTACIN
- iv -
NDICE
Pg.
CAPTULO 1: ANLISIS DE REGRESIN
1.1. Regresin Lineal Simple (RLS)......................................................... 02
Propiedades del modelo....................................................................
Diagrama de dispersin....................................................................
Estimacin de la ecuacin de regresin..........................................
Interpretacin del coeficiente de regresin $ 1 ...............................
Prueba de hiptesis para ( 1 ).........................................................
Intervalo confidencial (IC) para ( 1 )..............................................
Intervalo de confianza para la prediccin........................................
i) Intervalo de confianza para la respuesta media E ( Yh ) ...................
ii) Intervalo de Confianza para la prediccin o futura
03
03
04
07
10
11
11
11
Yh ( New ) ......... 12
1.2. Correlacin........................................................................................
Coeficiente de correlacin de Pearson .............................................
Prueba de hiptesis para la correlacin ( )...................................
Intervalo confidencial (IC) para ( )..............................................
Coeficiente de Determinacin R2, R2ajustado ........................................
Anlisis grfico de residuos ............................................................
Ejercicios .......................................................................................
28
28
29
30
30
31
36
41
42
46
46
48
49
49
- vi -
95
96
96
96
96
97
103
103
104
104
105
105
105
106
107
115
122
i j ........................................ 124
Ejercicios.....................................................................................
3.3. Diseo completo al azar con igual numero de subunidades
por unidad experimental...............................................................
Caractersticas .............................................................................
Casos ilustrativos .........................................................................
129
131
131
131
132
132
133
137
137
143
151
151
153
154
155
155
157
164
170
180
185
192
224
225
225
225
226
227
- viii -
245
246
246
246
247
247
248
238
252
265
267
269
274
276
277
287
298
306
356
357
357
358
361
363
380
387
395
397
398
399
400
415
421
426
1
ANLISIS DE REGRESIN
El trmino regresin viene del Latn regresio: que significa regreso, vuelta, retroceso y fue usado por primera vez como concepto estadstico en 1877 por Sir Francis
Galtn, quin efectu un estudio demostrando que la altura de los hijos de padres
altos tenda a retroceder o regresar, hacia la talla media de la poblacin; regresin
fue el nombre que le di al proceso general de predecir una variable (la talla de los
nios) a partir e otra (la talla de los padres). Ms tarde, los estadsticos acunaron la
expresin regresin mltiple para describir el proceso en virtud del cual se emplean
algunas variables para predecir otra.
Los mtodos de regresin, se utiliza para analizar datos que provienen de experimentos que no fueron diseados, este es el caso del estudio de fenmenos no controlados o de registros histricos. Los mtodos de regresion se usan para determinar la
mejor relacin funcional entre las variables, mientras que los mtodos de correlacin se utilizan para medir el grado de asociacin de las distintas variables. En pocas
palabras, regresin es la cantidad de cambio de una variable asociado a un cambio
nico de otra variable.
El principal objetivo del anlisis de la regresin es realizar predicciones. La regresin permite determinar si existe relacin entre las variables en estudio (X e Y),
para lo cual se utiliza el comportamiento de una variable (X = independiente), para
predecir el comportamiento de otra variable (Y = dependiente). Las dos caractersticas son medibles.
-2-
Usos de la Regresin:
- Para hacer predicciones futuras de Y, teniendo como base la X.
- Para ver si la variable (Y) depende de otra (X), estimando por consiguiente la
medida de dicha relacin o asociacin.
- Para determinar la forma de la curva de la regresin.
- Para conocer el error real implicado en un experimento, despus que haya sido
descontado el efecto de una variable relacionada.
- Sirve de base para el anlisis estadstico.
Como se manifest el objeto principal de la regresin es realizar predicciones
como:
- Predecir el tiempo meteorolgico basado en los datos del pasado.
- Predecir la performance de un toro basado en sus antepasados.
- Predecir la produccin de lana/ao, basado en los aos anteriores.
- Predecir la calidad gentica de una vaca, basado en sus antepasados.
- Predecir la produccin de semen en carneros basado en el tamao testicular.
- etc..
1.1. REGRESIN LINEAL SIMPLE (RLS).
Consideremos una variable dependiente Y con una sola variable independiente
X. Representemos una muestra aleatoria de tamao n de (X,Y) por el conjunto de
pares de datos: {(xi,yi)/i = 1,2,...,n}. La relacin entre variables es aquel que se considera nicamente dos variables, a estas designamos por Y y X, donde Y es la
variable dependiente variable de respuesta y X la variable independiente
predictor. El modelo de regresin lineal consiste en especificar la forma de la relacin lineal, es decir:
Yi = 0 + 1X i + i ,
i = 1,2,..., n
Donde:
Yi = Variable dependiente.
Xi = Variable independiente.
Yi
E(Y) = 0 + 1Xi
Yj
UV
W
.
UV
W
Yi
X1
X2
X3
X4
Xi
Suposiciones en regresin
Diagrama de dispersin.
Una vez recopilada la serie de n observaciones bidimensionales, cada par
de valores (X,Y) en el plano cartesiano o rectngular est representado por un punto,
y habra tantos puntos como parejas de observaciones que tenga. Esta representacin
da origen a una nube de puntos que se denomina diagrama de dispersin esparcimiento; este diagrama puede tener diferentes formas. Esta es la forma ms usual para
detectar si la funcin es lineal, exponencial, potencial, cuadrtica, cbica, etc. al cual
el experimentador ajustar su informacin recopilada, de tal forma que describa adecuadamente
la
relacin
entre
las
variables
en
estudio.
Eje Y
Eje Y
Eje Y
Eje Y
-4-
Eje X
Eje X
Eje X
Eje X
Lineal positiva
Lineal negativa
No Lineal
Ninguna relacin
0 y 1 de la ecuacin de regresin muestral, de manera que la suma de los cuadrados de todos los residuos i (suma de cuadrados del error: SCE) alrededor de la
lnea de regresin sea mnima. Para estimar los parmetros se partir del modelo
original, que est expresada en la siguiente ecuacin:
Yi = 0 + 1X i + i ,
i = 1,2,..., n
i = Yi 0 1X i
2i = Yi 0 1X i elevando al cuadrado.
= bY
n
2
i
i =1
1 X i
i =1
g aplicando sumatoria.
2
Para encontrar las Ecuaciones Normales se usan las derivadas parciales con
respecto a los parmetros desconocidos 0 y 1 , entonces tenemos:
n
2i
a)
i=1
=0
2i
y
b)
i=1
=0
1X i
i =1
De a)
n
LM bY
N
g OPQ
2
mera ecuacin normal, pero por la propiedad de la sumatoria de una constantes es:
n
= n$ 0
i =1
i =1
i =1
n$ 0 + $ 1 X i = Yi
De b)
LM bY
N
n
1X i
i =1
g OPQ
2
L i)
= 0 , 2 Yi 0 1X i ( X i ) = 0 , igual que la
i =1
i =1
i =1
i =1
$ 0 Xi +$ 1 X2i = Xi Yi
L ii)
i =1
i =1
n$ 0 + $ 1 X i = Yi
n
i =1
i =1
i =1
$ 0 X i +$ 1 X i2 = X i Yi
El objetivo de estas ecuaciones normales es despejar los parmetros 0 y 1 ,
esto se consigue de la siguiente forma:
De a) n$ 0 + $ 1
X = Y , despejando
i
i =1
i =1
i =1
i =1
n$ 0 = Yi $ 1 X i y
n
i =1
$ 1
X
i =1
-6-
$ 0 = Y $ 1X
$ 0 = Y $ 1X en la segunda Ecuacin Normal se tiene:
Reemplazando
Y $ 1 X
j
n
i =1
X i +$ 1 X 2i =
XY
i
i =1
i =1
, y haciendo ope-
$ 1 =
X Y Y X
i
i =1
n
X
i =1
cX
i =1
i =1
n
X Xi
2
i
$ 1 =
, $ 1 =
X Y
i =1
hc
cX
n
i =1
i =1
F I
G X J
H K
2
i
i =1
i =1
i =1
X Yi Y
X Y
i =1
X Y nXY
i
i =1
n
2
i
nX 2
i =1
U|
V|
= X Y
|W
i =1
n
$ 0 X i +$ 1 X
i =1
i =1
i =1
n
2
i
i =1
n
n$ 0 + $ 1 X i = Yi
n
$ 1 =
X X Y
i
i =1
i =1
Xi
i =1
X
i =1
n
X2i
i =1
i =1
n
n X i Yi
i =1
n X 2i
i =1
$ 1 =
X iYi
i =1
n
X i2
i =1
X Y
i
i =1
i =1
FG X IJ
H K
n
i =1
$ 1 =
x y
i
i =1
n
2
i
Cov( X, Y) S XY
= 2
V ( X)
SX
i =1
$ = $ + $ X
Y
i
0
1 i
$ = ( Y $ X) + $ X = Y + $ X $ X = Y + $ ( X X)
Y
i
1
1 i
1 i
1
1
i
$ Y = $ (X X)
Y
i
1
i
Esta es otra forma expresar la recta de regresin. Observar que la recta de
regresin contiene al punto ( x , y ) cuyos componentes son las medias X y de Y,
respectivamente.
Interpretacin del coeficiente de regresin $ 1
El valor constante $ 0 de la ecuacin de regresin muestral, es la ordenada
con el origen. El valor de la pendiente $ 1 es el cambio en
una unidad de medicin.
$ cuando Xi cambia
Y
i
-8-
Si $ 1 >0, entonces, la tendencia lineal es creciente, es decir, a mayores valores de X corresponden mayores valores de Y. Tambin, a menores valores de X corresponden menores valores de Y.
Si $ 1 <0, entonces, la tendencia lineal es decreciente, es decir, a mayores
valores de X corresponden menores valores de Y. Tambin, a menores valores de X
corresponden mayores valores de Y.
Si $ 1 =0, entonces, Y$ i = $ 0 , luego, Y permanece estacionario para cualquier
valor de X. Es decir, no hay regresin. Esta misma interpretacin es vlida para la
pendiente $ 1 en la ecuacin de regresin poblacional.
Grficamente se puede representar de la siguiente maner
Yi
$
i = Yi Y
i
(X,Y)
U| |V|
V| W
W
R
11
UV
W
Y2
UV
W
Y1
$0
UV
W S cX, Yh
RS
T
X1
UV
W
UV
W
UV
W
X2
X3
X4
X5
$ = $ + $ X
E(Y)
0
1 i
tg() =
$ 1 $
= 1
1
UV T 14243
W
1
10
U|
U| ||
|| |V Y U|
V| Y$ || ||
|| || V||
W W |W
U|
V|
W
U| $
V|
W
$ Y = $ X
Y
i
1 i
Xi
Esta grfica es una representacin que permite visualizar mejor la interpretacin de los parmetros estimados, la variable dependiente (Y) y la variable independiente (X), los errores o perturbacin, los valores de los errores se deben compensar
con los puntos que estn encima de la recta de regresin y los puntos que estn
debajo de la recta de regresin, el promedio de la variable (X) con el promedio de la
variable (Y) coinciden en un punto por donde pasa la lnea de regresin estimada.
Xi
i =1
FG X IJ
H K
n
i =1
FG Y IJ
H K
n
n =
FG X IJ FG Y IJ
H KH K
n =
i =1
i i
i=1
XY
i =1
Yi
i =1
i =1
FGX IJFGY IJ
H KH K =
x y = XY
n
2
i
2
i
i =1
i =1
FG X IJ
H K
2
i
i =1
= X 2i
i=1
FG Y IJ
H K
y = Y
2
i
i=1
i=1
i =1
i =1
i =1
i i
i i
2
i
i =1
i =1
i =1
G.L.
LM
FGX IJFGYIJ OP
H KH K P = $ x y
$ MXY
1
MM
PP
n
N
Q
LM F Y I OP L
FGX IJFGYIJ OP
G
JK M
H
P$ MXY H KH K P = y $ x y
M
n - 2 MY
PP
n
n P M
PP MN
MM
Q
Q
N
FGY IJ
n- 1
H K
n
Regresin
Error
i=1
2
i
i=1
i=1
Y
i=1
2
i
Fobs.
i=1
i=1
i i
i=1
i=1
i=1
SCR
1
CMR
CME
i i
Total
i=1
i=1
i i
i=1
C.M.
= y2i
i=1
2
i
i=1
i i
SCE
n2
- 10 -
H 0 : 1 = 0
H a : 1 0
1. Hiptesis Estadstica:
t=
$ 1 1
~ t ( n2)
s. e($ )
1
1-
t 2 ,( n 2 )
RR/Ho:
t 2 ,( n 2 )
RR/Ho:
RA/Ha:
Valor
crtico
Valor
crtico
RA H o : - t 2 ,( n 2 ) t c t 2,(n-2)
tc =
$ 1 1 s.e.($ ) =
,
1
s. e($ )
1
s2
FGX IJ
H K
X
n
2
i
i=1
i=1
Pr $ 1 t ,( n 2 ) s. e.($ 1 ) 1 $ 1 + t ,( n2 ) s. e.($ 1 ) = 1
2
1 $ 1 t ,( n 2 ) s. e.($ 1 )
2
Xh
LM
MN
OP
PQ
Xh
1 ( X h X )2
S 2 ( Y$h ) = MSE +
n X i2 nX 2 , la distribucin muestral es:
LM
MN
2
Y$h Yh
$ ) = MSE 1 + ( X h X )
S
(
Y
~ t( n 2 ) ;
tc =
h
n X i2 nX 2
s( Y$h )
OP
PQ
- 12 -
E ( Yh ) ,
Yh ( New ) .
Yh ( New ) de la variable
LM
MN
OP
PQ
LM
MN
OP
PQ
1 ( X h X )2
1 ( X h X )2
+
= S 2 1+ +
2
2
n X i nX
n X i2 nX 2 , la
tc =
LM
MN
1 ( X h X )2
S ( Y$h( New ) ) = S 2 1 + +
n X i2 nX 2
OP
PQ
Luego el intervalo confidencial del (1- )x100% para una sola respuesta o futura
EJEMPLO:
En la tabla siguiente se presenta los resultados promedio de la evaluacin sensorial de la naranja Valencia control a travs del tiempo de almacenamiento,
para este caso se establece el lmite de aceptabilidad del producto, considerando
un puntaje de 3.5 en la escala de: 6 (Excelente), 5 (Muy buena), 4 (buena), 3
(regular), 2 (mala) y 1 (inaceptable). Se presentan datos para el anlisis sensorial
de la naranja Washington Navel Hipobrico en s apariencia general externa.
35
3.75
50
3.40
61
2.25
68
1.75
86
1.25
93
1.00
X = 47 .89;
Y = 3.017
a) Diagrama de dispersin.
6.00
5.00
4.00
3.00
2.00
1.00
0.00
0
20
40
60
Tiempo (das)
9$ 0 + 431$ 1 = 27.15
431$ + 28909$ = 913.25
0
80
100
- 14 -
$ 1 =
X Y X Y
i i
i =1
i =1
2
i
i =1
n
=
i =1
FG X IJ
H K
9
i =1
$ 0 = Y $ 1 X =
27 .15
9
b g = 5.257958559
0.046793872
431
9
$ = $ + $ X , reemplazando
Y
i
0
1 i
se tiene:
6.00
0.04679 Xi
Y$i = 525796
.
5.00
4.00
3.00
2.00
1.00
0.00
0
20
40
60
Tiempo (das)
80
100
SSRm =
X Y d X id Y i
X d X i n
i i
2
i
913.25 (431)(27.15) 9
b g
28909 431
= 18.10610911
n=9
n =9
( Yi )2
i =1
SSTm = Yi 2
i =1
= 100.6225
( 27.15 )2
= 18.72
14
S.S.
18.106109
0.613891
18.720000
M.S.
18.10611
0.08770
2.34000000
Fc.
206.46
Signif
**
R2 =
18.10610911
SSRm
x100 =
x100 = 96.72%
18.72
SSTm
MSE
0.087698699
~2
Rajust
x100 = 1x100 = 96.25%
. = 1
MSTm
2.34
- 16 -
~2
Rajust
. es alto por lo que existe una bondad
de ajuste bueno, es decir el modelo es confiable para realizar las predicciones hacia el
futuro, recomendar que el modelo se puede usar en diferentes lugares para este tipo
de evaluacin sensorial de la naranja, tal como afirma Gutierrez, H. y De la Vara, R.
(2004), para fines de prediccin se recomienda el coeficiente de determinacin ajustado
al menos de 0.7 para que el modelo sea aceptable y confiable.
Es importante indicar, si el modelo ajustado es confiable o no, para esto se realiza
la validacin del modelo ajustado y existen varias formas: i) la primera es realizar el
ANOVA en la cual debe ser significativo F(Regresin), ii) Se prueba a travs de la
prueba de hiptesis, y iii) se calcula el intervalo confidencial (IC).
f) Prueba de hiptesis para ( 1 ).
1. Hiptesis Estadstica:
H 0 : 1 = 0
H a : 1 0
t=
$ 1 1
~ t ( n2)
s. e($ )
1
RA Ho : - 2.365 t c 2.365
1-
-2.365
t0.025,7 = 2.365
RR/Ho:
RA/Ha:
Valor
crtico
Valor
crtico
tc =
$ 1 1 0.046793872 0
=
= 14.36865 ,
0.003256664
s. e( $ 1 )
s 2 = CME = MSE = 0.087698699
RR/Ho:
s2
2
i
d X i
=
n
0.087698699
= 0.000010605
8268.888889
s.e( $ 1 ) = 0.003256664
6. Estadstica de decisin: Si tc =14.37 > t0.025,7 =2.365, entonces cae en la regin
de rechazo, y se rechaza H0: y se acepta la Ha:
7. Conclusin. Se puede interpretar que 1 es diferente de cero, es decir el
modelo tiene pendiente positiva.
g) Intervalo Confidencial (IC) para ( 1 ).
Pr $ 1 t ,( n 2 ) s. e.($ 1 ) 1 $ 1 + t ,( n 2 ) s. e.($ 1 ) = 1
2
LM
MNn
OP
PQ
LM
N9
OP
Q
2
2
ii) S 2 ( Y$35 ) = MSE 1 + ( X 352 X ) 2 = 0.087698699 1 + ( 35 47.89 ) = 0.011506486
Xi nX
S ( Y$35 ) = 0.10726829
.
8268888889
- 18 -
LM
MN
1
n
OP
PQ
LM
N
( X h X )2
1 (100 47.89 )2
= 0.087698699 1 + +
2
2
.
9 8268888889
Xi nX
OP
Q
= 0.12624271
Yh ( New ) es:
PROGRAMA EN SAS.
DATA AGROI;
OPTIONS NODATE NOCENTER NONUMBER;
INPUT X Y;
DATALINES;
0
13
25
35
50
61
68
86
93
5.50
4.25
4.00
3.75
3.40
2.25
1.75
1.25
1.00
;
PROC PRINT; RUN;
PROC REG;
MODEL Y = X/XPX I COVB CLB CLI CLM P;
RUN;
/* CALCULA EL COEFICIENTE DE CORRELACIN
PROC CORR;
VAR X Y;
RUN;
*/
- 20 -
Variable
Intercept
X
Y
Source
Model
Error
Corrected Total
Root MSE
Dependent Mean
Coeff Var
Variable
Intercept
X
Variable
Intercept
X
Y
27.15
913.25
100.6225
DF
1
1
Analysis of Variance
Sum of
Mean
Squares
Square
18.10611
18.10611
0.61389
0.08770
18.72000
R-Square
0.9672
Adj R-Sq
0.9625
DF
1
7
8
0.29614
3.01667
9.81678
Parameter
Estimate
5.25757
-0.04679
F Value
206.46
Parameter Estimates
Standard
Error
t Value
Pr > |t|
0.18457
28.49
<.0001
0.00326
-14.37
<.0001
Pr > F
<.0001
Covariance of Estimates
Intercept
X
0.0340672087
-0.000507903
-0.000507903
0.0000106059
Output Statistics
Dep Var Predicted
Std Error
Obs
Y
Value Mean Predict
95% CL Mean
1
5.5000
5.2576
0.1846
4.8211
5.6940
2
4.2500
4.6493
0.1505
4.2933
5.0052
3
4.0000
4.0877
0.1237
3.7952
4.3802
4
3.7500
3.6198
0.1073
3.3661
3.8734
5
3.4000
2.9179
0.0990
2.6839
3.1519
6
2.2500
2.4031
0.1076
2.1488
2.6575
7
1.7500
2.0756
0.1185
1.7955
2.3557
8
1.2500
1.2333
0.1586
0.8583
1.6083
9
1.0000
0.9057
0.1770
0.4872
1.3243
Sum of Residuals
0
Sum of Squared Residuals
0.61389
Predicted Residual SS (PRESS)
0.97864
The CORR Procedure
Pearson Correlation Coefficients, N = 9
Prob > |r| under H0: Rho=0
X
Y
X
1.00000
-0.98347
<.0001
Y
-0.98347
1.00000
<.0001
95% CL Predict
4.4324
6.0827
3.8637
5.4348
3.3288
4.8466
2.8750
4.3646
2.1796
3.6562
1.6581
3.1482
1.3214
2.8298
0.4390
2.0276
0.0899
1.7215
Residual
0.2424
-0.3993
-0.0877
0.1302
0.4821
-0.1531
-0.3256
0.0167
0.0943
2
2.0
5
3
2.0
6
4
3.0
6
5
3.0
8
6
3.5
7
7
4.0
8
8
4.0
6
9
4.5
7
10
4.5
8
11
5.0
9
12
5.5
8
13
5.5
9
14
6.0
10
SOLUCIN:
= 535
. , Yi = 101, X iYi = 414.5, X i2 = 233.25, Yi 2 = 765
a) Diagrama de dispersin.
DIAGRAMA DE DISPERSIN
11
10
9
8
7
6
5
4
3
2
1
0
0
14 $ 0 + 535
. $ 1 = 101
535
. $ + 233.25$ = 414.5
0
- 22 -
$ 1 =
X Y nX Y
i i
i =1
13
2
i
b gb g = 28.53571429 = 0.990700558
28.80357143
233.25 14b g
414.5 14
nX 2
53.5
14
101
14
53.5 2
14
i =1
$ 0 = Y $ 1 X =
101
14
b g = 3.428394296
0.990700558
53.5
14
$ = $ + $ X , reemplazando
Y
i
0
1 i
Calificacin (Y)
11
10
9
8
7
6
5
4
3
2
1
0
0
SSRm = $ 1 xi yi = $ 1
i =1
d X Y X Y ni
i i
SSTm =
n =14
( Yi )2
i =1
Yi 2
i =1
= 765
1012
= 36.35714286
14
R2 =
M.S.
28.27035
0.67390
2.79670330
Fc.
41.95
Signif
**
28.270348
SSRm
x100 =
x100 = 77.76%
36.35714286
SSTm
MSE
0.673899566
~2
Rajust
x100 = 1x100 = 75.90%
. = 1
MSTm
2.796703297
H 0 : 1 = 0
H a : 1 0
t=
$ 1 1
~ t ( n2)
s. e($ )
1
1 -
2.179
t0.025,12 = 2179
.
RR/Ho:
RR/Ho:
RA/Ha:
Valor
crtico
Valor
crtico
- 24 -
tc =
$ 1 1 0.990700558 0
=
= 6.4769 ,
015295878
.
s. e( $ 1 )
V ( $ 1 ) =
s2
2
i
d X i
.
s2 = CME = MSE = 0673899566
=
0.673899566
= 0.023396
28.80357143
s.e( $ 1 ) = 0152958
.
6. Estadstica de decisin: Si tc = 6.48 > t0.025,12 =2.179, entonces cae en la regin
de rechazo, y se rechaza H0: y se acepta la Ha:
7. Conclusin. Se puede interpretar que 1 es diferente de cero, es decir el
modelo tiene pendiente positiva.
g) INTERVALO CONFIDENCIAL (IC) PARA ( 1 ).
Pr $ 1 t ,( n 2 ) s. e.($ 1 ) 1 $ 1 + t ,( n 2 ) s. e.($ 1 ) = 1
2
Pr 0.6574 1 132399
.
= 0.95
LM
MN
OP
PQ
LM
N
OP
Q
. )2
1 ( X7 X )2
1 ( 7 382
S2 ( Y$7 ) = MSE +
.
.
=
+
= 02847293
06738996
n Xi2 nX 2
.
14 2880357
S( Y$7 ) = 0.53360037
cuando X h = 7 .
Pr 10.3629 ( 2.179 )( 0.5336 ) E ( Y7 ) 10.3629 + ( 2.179 )( 0.5336 ) = 0.95
Pr 9.2 E ( Y7 ) 1153
. = 0.95
Yh ( New ) .
Ser posible decir con una confianza del 95% de la calificacin obtenida de 11
puntos; si el nmero de horas de estudio fuese 8?. Entonces X = 8.
LM
MN
OP
PQ
LM
N
OP
Q
. )2
1 ( X 7 X )2
1 ( 8 382
S 2 ( Y$h( New ) ) = MSE 1 + +
.
= 0.6738996 1 + +
= 11308
2
2
n X i nX
.
14 2880357
S ( Y$8( New ) ) = 1063403
.
Luego el intervalo confidencial del (1- )x100% para la prediccin futura Yh ( New )
es:
- 26 -
PROGRAMA EN SAS.
DATA AGRO;
OPTIONS NODATE NOCENTER NONUMBER;
INPUT X Y;
DATALINES;
1.0
4
2.0
5
2.0
6
3.0
6
3.0
8
3.5
7
4.0
8
4.0
6
4.5
7
4.5
8
5.0
9
5.5
8
5.5
9
6.0
10
;
PROC PRINT; RUN;
PROC REG;
MODEL Y = X/XPX I COVB CLB CLI CLM P;
RUN;
/* CALCULA EL COEFICIENTE DE CORRELACIN
PROC CORR;
VAR X Y;
RUN;
*/
Variable
Intercept
X
Y
Variable
Intercept
X
Y
Source
Model
Error
Corrected Total
Root MSE
Dependent Mean
Coeff Var
Variable
Intercept
X
Variable
Intercept
X
Obs
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Y
101
414.5
765
DF
1
1
Analysis of Variance
Sum of
Mean
DF
Squares
Square
F Value
Pr > F
1
28.27035
28.27035
41.95
<.0001
12
8.08679
0.67390
13
36.35714
0.82091
R-Square
0.7776
7.21429
Adj R-Sq
0.7590
11.37900
Parameter Estimates
Parameter
Standard
Estimate
Error
t Value
Pr > |t|
95% Confidence Limits
3.42839
0.62434
5.49
0.0001
2.06807
4.78871
0.99070
0.15296
6.48
<.0001
0.65743
1.32397
Covariance of Estimates
Intercept
X
0.3898005549
-0.08940763
-0.08940763
0.0233963891
Output Statistics
Dep Var Predicted
Std Error
Y
Value Mean Predict
95% CL Mean
4.0000
4.4191
0.4841
3.3643
5.4739
5.0000
5.4098
0.3546
4.6371
6.1824
6.0000
5.4098
0.3546
4.6371
6.1824
6.0000
6.4005
0.2528
5.8496
6.9514
8.0000
6.4005
0.2528
5.8496
6.9514
7.0000
6.8958
0.2248
6.4060
7.3857
8.0000
7.3912
0.2211
6.9095
7.8729
6.0000
7.3912
0.2211
6.9095
7.8729
7.0000
7.8865
0.2427
7.3577
8.4154
8.0000
7.8865
0.2427
7.3577
8.4154
9.0000
8.3819
0.2840
7.7632
9.0006
8.0000
8.8772
0.3377
8.1414
9.6131
9.0000
8.8772
0.3377
8.1414
9.6131
10.0000
9.3726
0.3990
8.5033
10.2419
Sum of Residuals
Sum of Squared Residuals
Predicted Residual SS (PRESS)
0
8.08679
10.46913
95% CL Predict
2.3426
6.4956
3.4614
7.3582
3.4614
7.3582
4.5290
8.2720
4.5290
8.2720
5.0414
8.7503
5.5388
9.2435
5.5388
9.2435
6.0214
9.7517
6.0214
9.7517
6.4893
10.2745
6.9432
10.8113
6.9432
10.8113
7.3839
11.3613
Residual
-0.4191
-0.4098
0.5902
-0.4005
1.5995
0.1042
0.6088
-1.3912
-0.8865
0.1135
0.6181
-0.8772
0.1228
0.6274
- 28 -
1.2. CORRELACIN.
Coeficiente de correlacin de Pearson.
La correlacin viene del latn cum: con y relatus: relacionado, la correlacin
lineal permite medir si hay asociacin entre dos variables o medir la intensidad de
dicha asociacin. Para ello es importante que la muestra bivariado sea tomada al
azar, tanto para la variable X como para la variable Y.
El coeficiente de correlacin de Pearson, se ajusta al tipo de informacin cuantitativa, esto con la finalidad de detectar y medir la asociacin entre variables o de
razn. Los valores del coeficiente de correlacin oscilan entre +1 y -1, y se explica de
la siguiente manera:
a) El valor de r = +1, indica una correlacin positiva perfecta o correlacin directa, cuando al aumentar disminuir el valor de la variable independiente, aumenta disminuye tambin el valor de la variable dependiente (pendiente positiva).
b) El valor de r = -1, expresa una correlacin inversa o relacin negativa perfecta:
cuando al aumentar disminuir el valor de la variable independiente, disminuye aumenta el valor de la variable dependiente (pendiente negativa).
c) El valor de r = 0, indica la ausencia absoluta de correlacin, es decir las dos
variables no estn correlacionadas o relacionadas.
El coeficiente de correlacin est definido por.
n
rxy =
X Y nXY
i i
LM X
N
i =1
i =1
2
i
nX 2
OP LM Y
QN
n
i =1
nY 2
OP
Q
r = 0.4 a r = 0.5
r = 0.6 a r = 0.7
r = 0.8 a r = 1.0
H 0: = 0
Ha: 0
H0 : = 0
Ha : 0
t=
r - r n -2
,
=
Sr
1- r 2
1- r 2
n-2
Sr =
RA H o : - t 2 ,( n 2 ) t c t 2,(n-2)
1 1+ r
, donde
ln
2 1 r
FG
H
IJ
K
1 1+
madamente normal, con: E ( Z r ) = = Z = ln
,
2 1
V(Z r ) =
1
n3
Para probar la hiptesis nula (Ho:) que indica que es igual a un valor diferente de cero, la estadstica de prueba es: Z c =
Z r Z
1
n3
- 30 -
Pr tanh( Z r E 0 ) tanh( Z r + E 0 ) = 1
Donde:
FG IJ
H K
1 1+ r
Z r = ln
,
2 1 r
tanh( x) =
E0 =
eX e X
,
eX + eX
Z 2
n3
COEFICIENTE DE DETERMINACIN: R2 r2
El coeficiente de determinacin, R2, es el valor cuadrado del coeficiente r de
Pearson, y representa la proporcin de la varianza explicada por una variable respecto a la varianza total, tambin se conoce con el nombre de determinacin porque se
considera como la medida del grado de influencia de una variable frente a la otra
variable. El coeficiente de determinacin mide la proporcin de la variacin que se
explica por la variable independiente en el modelo de regresin, y est definido por:
R2 = r2 =
Varianza Explicada
SSRm
x100 =
x100
SSTm
Varianza Total
El valor complementario del coeficiente de determinacin, 1-R2, recibe el nombre de coeficiente de no determinacin coeficiente de alineacin, que indica la
varianza de una variable no explicada por otra.
~2 )
COEFICIENTE DE DETERMINACIN AJUSTADO ( R
El coeficiente de determinacin ajustado, se puede expresar con las siguientes
frmulas:
MSE
~
R2 = 1
MSTm
X Y ( X )( Y ) n
( X ) n Y ( Y )
i i
2
i
91325
. ( 431)( 2715
. )9
( 28909 ( 431)2 9 )(1006225
.
. )2 9 )
( 2715
.
= 0983
R2 =
18.106109
SSRm
x100 = 96.72%
x100 =
18.72
SSTm
El 96.25% indica que el modelo tiene buen ajuste y es confiable para realizar
las predicciones futuras, asimismo se puede recomendar el uso de este modelo para
los estudios en otros lugares.
- 32 -
tra predicios ( i vs Y$i ) . Si el modelo es adecuado, se espera que en esta grfica los
puntos no sigan ningn patrn, y que por tanto estn distribuidos ms o menos
aleatoriamente a lo largo y ancho de la grfica. Cuando esto ocurre significa que el
modelo se ajusta de igual manera a lo largo de los valores de Y, si esto no ocurre
habr que ver cul es el tipo de patrn que se observa en la grfica y diagnosticar cul
es la falla que registra el modelo. La grfica que se muestra en seguida no muestra
ninguna anomala, por lo que esto es una evidencia ms en favor del modelo de
regresin lineal simple para nuestro ejemplo.
0
H 0: = 0
H a: 0
= 0.05
r n-2
1- r 2
~ t n2 ,
RA Ho : - 2.365 t c 2.365
RR Ho : t c < -2.365 t c > 2.365
5. Clculo del valor experimental.
t=
r n-2
1- r
0.98347 7
1- (-0.98347) 2
= 14.36865
6. Decisin:
Como tc =14.37 > t0.025,7 =2.365, entonces cae en la regin de rechazo,
aceptndose la Ha: y se rechaza la H0:.
7. Conclusin:
Existe suficiente evidencia para afirmar que 0 , es decir que la correlacin es diferente de cero. Esto corrobora a los resultados de la correlacin encontrada.
Calcular el intervalo confidencial para .
Para encontrar el Intervalo Confidencial, se utiliza la transformacin de
Fisher del (1- )x100 para . Cuya frmula es el siguiente:
Pr tanh( Zr E0 ) tanh( Zr + E0 ) = 1
Calcular el Intervalo Confidencial al 95% de confianza para con la informacin del ejmplo 1.
FG
H
IJ
K
1 1 + ( 0.98347 )
Zr = ln
= 2.3937 ,
2 1 ( 0.98347 )
E0 =
Z 2
n3
.
196
= 0.80
6
- 34 -
Pr tanh( 31937
.
) tanh( 15937
.
) = 0.95
tanh( 31937
.
)=
tanh( 15937
.
)=
e 1.5937 e1.5937
4.71875
=
= 0.9207
1.5937
1.5937
e
51250989
.
+e
XY (X )(Y ) n
X (X ) n Y (Y )
i i
2
i
4145
. (535
. )(101) 14
( 23325
. (535
. )2 14)(765(101)2 14)
= 08818
.
R2 =
28.270348
SSRm
x100 =
x100 = 77.76%
36.35714286
SSTm
Anlisis y Diseo de Experimentos - 35 Se puede interpretar que el modelo tiene buen ajuste. El 77.76% de la variacin
en la calificacin obtenida (puntos) est explicado por la variacin del nmero de
horas de estudio para preparar un examen de matemticas, y 22.24% est explicado
por otros factores ajenos al modelo.
Calculamos el Coeficiente de Determinacin Ajustada:
MSE
0.673899566
~2
Rajust
x100 = 1x100 = 75.90%
. = 1
MSTm
2.796703297
0
H 0: = 0
Ha: 0
= 0.05
r n-2
1- r 2
RA Ho : - 2.179 t c 2.179
RR Ho : t c < -2.179 t c > 2.179
5. Clculo del valor experimental.
0.95
-2.179
RR/Ho:
r n-2
1- r
08818
.
12
1-0.88182
2.179
t
RR/Ho:
RA/Ha:
Valor
crtico
t=
0.05 2
0.05 2
Valor
crtico
.
= 647688
6. Decisin:
Como tc =6.477 > t0.025,12 =2.179, cae en la regin de rechazo, entonces se
acepta la Ha: y se rechaza la H0:.
7. Conclusin:
Se puede concluir que existe diferencia significativa entre la variable horas de estudio para preparar el examen y la calificacin obtenida en el
examen.
- 36 -
Zr =
FG
H
IJ
K
1 1 + 0.8818
= 13838
ln
.
,
2 1 0.8818
E0 =
Z 2
n3
196
.
= 0.59096
11
Pr tanh( Zr E0 ) tanh( Zr + E0 ) = 1
Pr tanh ( 1.3838 0 .59096 ) tanh ( 1.3838 + 0 .59096 ) = 0 .95
tanh( 197476
.
)=
e1.97476 e 1.97476
7.0660956
=
= 0.9622
1.97476
1.97476
e
7.34368489
+e
0 al nivel
1380
54
1425
63
1425
54
1450
48
1300
46
1400
62
1510
61
1575
64
1650
71
Anlisis y Diseo de Experimentos - 37 2.- En la tabla siguiente se muestran los tiempos requeridos de atencin a clientes en
las cajas de un supermercado y los valores de las compras. D un punto e intervalo de estimacin de 99% para Y si X = 3.0.
Tiempo requerido
de atencin (en minutos)
Valor de las compras (en $)
3.6
30.6
4.1
30.5
0.8
2.4
5.7
42.2
3.4
21.8
1.8
6.2
4.3
40.1
0.2
2
2.6
15.5
1
2
3
4
5
6
7
8
9
10 11
275 142 168 197 215 188 241 295 125 266 200
6.8 3.3 4.1 4.2 4.8 3.9 4.9 7.7 3.1 5.9 5
A
24
B
16
C
23
D
15
E
32
F
25
G
18
H
18
I
35
J
34
K
15
L
32
10
15
11
13
12
5.- En una regresin de inversiones sobre la tasa de inters, se observaron los resultados que se muetran en la tabla siguiente, para un perodo de 10 aos. Podemos
pronosticar la inversin anual si la tasa de inters dentro de 5 aos es del 4%?
Inversin anual (miles de dlares)
Tasa promedio de inters (%)
1060 940 920 1110 1590 2050 2070 2030 1780 142
4.8 5.1 5.9 5.1 4.8 3.8 3.7 4.5 4.9 6.2
6.- Los siguientes datos muestran la densidad ptica de cierta substancia en diferentes niveles de concentraicn.
Nivel de concentracin (X) 80 120 160 200 240 280 320 360 400 440 480
Densidad ptica (Y)
0.08 0.12 0.18 0.21 0.28 0.28 0.38 0.40 0.42 0.50 0.52
1
2
3
4
5
6
7
105 102 104 100 97 101 95
8
93
9
97
- 38 -
73
90
67
76
52
74
73
82
68
91
71
93
47
62
57
73
60
63
86
82
71
78
76
88
67
60
91
97
80
89
69
80
86
82
87
87
91
105
77
95
9. Los siguientes valores representan 15 lecturas que indican el volumen del trfico y
la concentracin de monxido de carbono tomados en un laboratorio para determinar la calidad del aire de cierta ciudad.
Volumen del trfico
(autos/hora) "X"
100 110 125 150 175 190 200 225 250 275 300 325 350 375 400
CO(PPM)
(Y)
8.8 9.0 9.5 10.0 10.5 10.5 10.5 10.6 11.0 12.1 12.1 12.5 13.0 13.2 14.5
10. Se espera que, por lo general, el nmero de horas de estudio (X) en la preparacin de un examen tenga una correlacin directa (positiva) con la calificacin (Y)
alcanzada en tal examen. En la tabla siguiente se presentan las horas de estudio as
como las calificaciones obtenidas por diez estudiantes seleccionados al azar de un
grupo.
Estudiante 1
Horas de estudio (X)
10
Calificacin en el examen (Y) 51
2
6
36
3
15
67
4
11
63
5
7
44
6
19
89
7
17
80
8
3
26
9
13
50
10 TOTAL
17
118
85
591
3
80
5
110
2
50
8
190
6
160
9
230
3
70
4
110
77
82.00
50
66.00
71
78.00
72
34.00
81
47.00
94
85.00
96
99.00
99
99.00
67
68.00
4
19
16
19
20
24
13
36
22
27
21
26
15
25
20
28
19
17
16
27
18
21
17
24
8
18
6
18
5
14
20
28
18
21
11
22
19
20
14
21
14. Los datos siguientes hacen referencia al nmero de horas invertidas para preparar un examen (X) y la calificacin recibida en este ltimo (Y) (esta ltima expresa en decenas).
X
Y
2
5
3
5
3
7
4
5
4
7
5
7
5
8
6
6
6
9
6
8
7
7
7 7 8 8
9 10 8 9
1
5
3
10
5
15
5
20
7
15
7
25
8
20
10
25
10
35
12
35
16. Se obtuvieron los siguientes datos para determinar la relacin entre cantidad de
fertilizante y produccin de papa por hectrea.
Sacos de fertilizante por hectrea
Rendimiento en quintales
3
45
4
48
5
52
6
55
7
60
8
65
9
68
10
70
11
74
12
76
2
3
4
30 20 40
300 250 400
5
30
--
6
7
8
9 10 11
50 70 60 80 70 80
550 750 630 930 700 840
- 40 -
Y = 0 + 1 X 1 + 2 X 2 +
Donde:
Y = Representa la variable dependiente.
X1 y X2 = Son las variables independiente o regresoras.
Yi = 0 + 1 X i 1 + 2 X i 2 + L + k X ik + i ; Y = X
Anlisis y Diseo de Experimentos - 41 Se denomina modelo de regresin lineal mltiple con k-variables
independientes. Los parmetros j , j = 0,1,K , k , se llaman coeficientes de regresin.
Este modelo describe un hiperplano en el espacio k-dimensional de las variables
regresoras Xi.
El trmino lineal del modelo de regresin se emplea debido a que la ecuacin
anterior es funcin lineal de los parmetros desconocidos 0 , 1 ,K , k . La
interpretacin de stos es muy similar a lo ya explicado para el caso de regresin
lineal simple: 0 es la ordenada al origen, y j mide el cambio esperado en Y por
cambio unitario de Xj cuando el resto de las variables regresoras se mantienen fijas o
constantes.
Estimacin de los parmetros del modelo.
Para estimar los parmetros de la regresin lineal mltiple se necesita contar
con n datos (n>k). El mtodo de Mnimos Cuadrados puede utilizarse para estimar
los coeficientes de regresin. Supngase que se dispone n>k observaciones, y djese
que Xij denote la observacin isima o el nivel de la variable Xj.
En trminos de los datos, el modelo de regresin lineal mltiple puede escribirse
de la siguiente manera:
Yi = 0 + 1 X i1 + 2 X i 2 + L + k X ik + i
k
= 0 + j X ij + i
i = 1,2 ,...., N
j =1
j =1
parcial con respecto a los parmetros del modelo para encontrar las ecuaciones
normales.
- 42 -
e j
n
i =1
2
i
= 2i =1 (Yi 0 j X ij )(-1) = 0
n
j =1
$ 0 ,$ 1 ,L,$ k
i =1
i =1
i =1
i =1
n$ 0 + $ 1 X i1 + $ 2 X i 2 +L+$ k X ik = Yi
.................. (1)
e j
n
2
i =1 i
, ,3,..., k .....(2)
= 2i =1 (Yi 0 j Xij )(-Xij ) = 0; j = 12
n
j =1
$ 0 ,$ 1 ,L,$ k
$ 0Xi1 +
i=1
$1Xi21
+ $ 2Xi1Xi2 + L + $ k Xi1Xik =
i=1
n
i=1
$ 2Xi2
+ L +
i=1
n
i=1
i=1
i=1
$ k Xik
i=1
n
M M M
M
M
M
M
M
M M M
n
n
n
$ X + $ X X + $ X X + L +
0 ik
1 i1 ik
2 i2 ik
i=1
$1Xi1
i=1
M
n
$ X2
k ik
i=1
Y
i
i=1
n
X Y
i1 i
i=1
(3)
X Y
ik i
i=1
Ntese que hay p = k+1 ecuaciones normales, una para cada uno de los
coeficientes de regresin desconocidos. La solucin para las ecuaciones normales
sern los estimadores de mnimos cuadrados ordinarios de los coeficientes de regresin,
$ 0 , $ 1 ,K , $ k .
LMY OP
Y
Y=M P
MM M PP
NY Q
LM X
X
X =M
MM M
NX
10
20
N Nx1
N0
LM OP
=M P
MM M PP
N Q
OP
PP
PQ
LM OP
=M P
MM M PP
N Q
OP
PP
PQ
N( k+1)
LM
MM
MN
y
( k +1 ) x 1
Propiedades:
a) E( ) = 0, E( Y ) = X, Y = E( Y ) + , = Y E( Y )
b) Var ( ) = E E ( ) E ( ) ' = E ( ' ) = 2 I N
c)
Cov( ei , e j ) = 0, i j
2
i
=' = Y E ( Y ) ' Y E ( Y )
i =1
= ( Y X )' ( Y X )
= ( Y' ' X ' )( Y X )
= ( Y' Y
Y' X
123
- 44 -
( X ' Y )'
= X' Y
b) ( X ' AX ) = 2 AX ,
X
( ' X ' X )
= 2 X ' X
Simplificando se tiene que X ' X$ = X ' Y , que son las ecuaciones normales de
mnimos cuadrados. Para resolver las ecuaciones normales, multiplquense ambos
lados de la ecuacin X ' X$ = X ' Y por la inversa de X'X. De tal modo, el estimador de
mnimos cuadrados de es:
LM n
MM
MM X
MM M
MN X
X i1
i =1
n
i1
i =1
i =1
i =1
X
n
ik
Xi2
2
i1
i =1
Xi1 Xik
i =1
X
i =1
n
i1
Xi 2 L
Xi 2 Xik L
i =1
X
i =1
i =1
i1
X ik
M
n
Xik2
i =1
OP
L YO
$ O M P
L
PP M $ P M
PP
M
X
Y
PP MM M PP = M P
PP MMN$ PPQ MM M PP
MM X Y PP
PQ
Q
N
n
ik
i =1
i1 i
i =1
n
ik i
i =1
de X ' X$ = X ' Y puede ser escrito en trminos de una inversa generalizada de X ' X .
Este es el caso de modelo de rango no completo. Por la naturaleza de X mostrada
anteriormente la matriz X ' X es cuadrada de orden (k+1), con los elementos que son
suma de cuadrados y productos, como se presenta a continuacin:
LM X
MM
X X
X' X = M
MM M
MMX X
N
n
2
i0
i =1
i0
i0
i =1
i=1
ik
i =1
n
2
i1
i =1
i0
i0
i1
Xi1
i =1
i1
i=1
i1
i2
i=1
i0
LMX Y OP L
MM PP MM Y
X' Y = M X Y P = M X Y
MM M PP MM
MMX Y PP MMNX Y
N Q
n
Xik
i =1
n
Xi2 L
i1
ik
i =1
Xik
OP
PP
X
X
PP,
M
P
X PPQ
n
Xi 2 L
i=1
n
i1 i
i =1
i =1
n
2
ik
i =1
i1 i
Xik L
i0 i
ik i
ik i
i =1
i =1
i =1
X i 0 = 1, i =1,2 ,...., N ,
LM n
MX
X' X = MX
MM M
MNX
i1
i2
ik
X
X
X X
X X X
X X X
i1
2
i1
i1 i2
M
Xi1Xik
i2
i1 i2
2
i2
2
i0
= N,
i0
Y = Yi = Y .
X i1 = X i1 = X .1
i1 i
L
L
L
M
Xi2 Xik L
X
X OP LM n X
X
X
X
X
X
X
P M
P
M
X
X
X
X
=
X
X
P M
.1
ik
i1 ik
i2
M
Xik2
ik
.1
.2
PP M M
Q MNX
.k
.2
2
i1
i1 i2
M
X
i1Xik
i1 i2
2
i2
L
L
L
M
X
i2 Xik L
X X PP
X X PP
X.k
i1 ik
i2
M
Xik2
ik
PP
Q
- 46 -
Consecuencias de la Estimacin.
-1
A continuacin presentamos algunas propiedades de $ = (X' X) X' Y , bajo el
supuesto de que ~ N ( 0 , 2 I n ) ,
E( ) = 0 , v( ) = 2 In .
E( $ ) = .
En
m
= E m[(X' X)
m
= E m[(X' X)
r
]r
Anlisis y Diseo de Experimentos - 47 nal de que los errores deben distribuirse en forma normal, independientes, con medio cero y varianza constante
1. Hiptesis Estadstica: H0 : 1 = 2 =L = k = 0
= 0.05
3. Estadstico de prueba.
F (Re g ) =
SSRm r 1 MSRm
=
~ Fnrr1,
SSE n r
MSE
RA H0 :
RR H0 :
Suma de Cuadrados
Cuadrados Medios
Regresin
r-1
SSRm
= MSRm
r 1
Error Residual
n- r
SSE
= MSE
r n
Total
n- 1
SSTm =Y' Y nY 2
Fobs.
F(Reg)=
MSRm
MSE
MSTm = SSTm n 1
SSRm
MSE
~2
x100 , R Ajust
)x100
. = (1
SSTm
MSTm
2
2
lo. Se cumple que 0 < R Ajust
. R < 1 ; en general para hablar de un modelo que tiene
un ajuste satisfactorio es necesario que ambos coeficientes tengan valores superiores
- 48 -
2
2
al modelo, el R Ajust
. tiende a ser menor que el R . Por ello es deseable depurar el
modelo y para ello las pruebas de hiptesis son de mucha utilidad.
j = 0,1,2,3,.., k
(X' X) -1 2 .
Entonces, en resumen:
tc =
$ j j
MSE C j +1, j +1
$ j j
~ tn r
$
V( )
j
Se rechaza la hiptseis H o si tc > t 2,n r o en forma equivalente si pvalue= P( T > t c ) . A continuacin se presenta el resumen del anlisis sobre el
modelo de regresin basado sobre coeficientes individuales del modelo.
PARMETRO ESTIMACIN
ERROR ESTNDAR
Intercepcin
)
0
)
MSEC11 = V (0 )
)
1
)
MSEC22 = V(1)
)
2
)
MSEC33 = V (2 )
.
.
.
.
.
.
)
k
ESTADSTICO "t"
)
)
0
0
=
)
MSE C11
V ( 0 )
)
)
1
1
=
)
MSE C22
V ( 1 )
)
)
2
2
=
)
MSE C33
V ( 2 )
.
.
.
.
.
.
)
MSE Ck +1,k +1 = V ( k )
)
)
k
k
=
)
MSE Ck+1,k+1
V(k )
VALOR-p
Pr(T > tc )
Pr(T > tc )
Pr(T > tc )
.
.
.
Pr(T > tc )
$ j j
2 C j+1, j+1
SSE
~ n2 r entonces:
2
SSE ( n r )$ 2
SSE ( n r )$ 2
$ 2 =
,
;
~ n2 r
=
nr
2
2
2
Se realiza el cambio de variable
cial para
t=
u=
(nr )$ 2
para obtener un intervalo confiden2
2
2
2 , es decir tendremos: Pr[ 2 u 1 2 ] = 1 .
$ j j
( n r )$ 2
2
2 C j+1, j+1
nr
$ j j
C j+1, j+1
$ 2
2
$ j j
$ C j+1, j+1
~ tnr
- 50 -
Pr t
2 ,n r
LM
MN
t t
Pr t 2 ,n r
= 1
2 ,n r
$ j j
$ C j+1, j+1
OP
PQ
t 2 ,n r = 1
LM $
C
Pr t
MMN14442$444
3
2 ,n r
j+1, j+1
En resumen:
LM
N
j $ j t 2 ,n r$ C j+1, j+1
OP
PPQ
$ j + t 2 ,n r $ C j+1, j+1 =
144424443
j $ j t 2 ,n r V( $ j )
OP
Q
X'0
Sean los valores de X 1 , X 2 , X 3 ,L , X k denotado por X 01 , X 02 , X 03 ,L , X 0 k
la respuesta media est denotado por E ( Y0 ) . Para estimar la respuesta media en este
punto defnase el vector X 0 como sigue:
X 0' = 1 X 01
X 02 L
X 0k
Y$0 = X 0' $
Y$0 .
X '0 $ X '0
X '0 ( X ' X )1 X 0
SSE
entonces:
nr
~ N ( 0,1 ), pero: $ 2 =
( n r )$ 2
SSE
SSE
; entonces
~ 2n r
=
2
2
2
( n r )
2
nr
Pr t
LM
MN
2 ,n r
Pr t 2,nr
X '0 $ X '0
t t
X '0 ( X ' X )1 X 0
$2
2 ,n r
X'0 $ X'0
$ X'0 ( X' X )1 X0
X '0 $ X '0
$ X '0 ( X ' X )1 X 0
= 1
OP
PQ
t 2,nr = 1
- 52 -
LM
MN
Lmite Superior
OP
PQ
LM
MN
Y$0
OP
PQ
LM
MN
Y0 X '0 $ t 2 ,n r S ( Y$
123
Y$0
X h1
X h2 L
yh ~
yh = yh X h' $ = X h' + eh X h' $ = X h' ( $ ) + eh , pero
cov( $ ,eh ) = 0
3) La varianza es:
v( yh ~yh ) = v( yh X h' $ )
= v [ X h' ( $ )] + v( eh ) = X h' v( $ ) X h ] + 2
= X h' v ( $ ) X h + 2 = X h' ( X ' X )1 2 X h + 2
~ N ( 0,1 ) estandarizada.
( n r )$ 2
SSE ( n r )$ 2
;
~ 2n r . Luego formamos la t, de
=
2
2
2
la siguiente manera:
X'h $ X'h
t=
X'h ( X' X )1 Xh + 1
$2
( nr )
2
nr
X 'h $ X 'h
X'h ( X ' X )1 Xh +1
$2
X'h $ X'h
$ X'h ( X' X )1 Xh
Pr t
LM
MN
2 ,n r
Pr t 2 ,n r
t t
2 ,n r
= 1
X 'h $ X 'h
$ X 'h ( X ' X )1 X h + 1
OP
PQ
t 2 ,n r = 1
- 54 -
LM
MN
O
Q
Lmite Superior
En forma resumida:
Pr Xh' $ t 2,nr S( Y$h( new ) ) Yh( new ) Xh' $ + t 2,nr S( Y$h( new ) ) = 1
S 2 ( Y$h( New ) ) = MSE 1 + X h' ( X ' X )1 X h
S ( Y$h( New ) ) =
LM
MN
OP
PQ
Y$h
LM
MN
Produc.
Q
3250
1675
1450
2450
3608
2350
2250
1800
3580
7345
3880
3880
3220
6860
3608
6450
Nro.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
TOTAL
Tierra
(Xi1)
1.00
0.70
0.60
1.00
1.00
0.50
0.50
0.50
1.00
2.00
1.00
1.00
1.00
2.00
1.00
2.00
Y = X
i
57656
i1
16.80
Semilla
(Xi2)
1500
780
800
1500
1600
810
820
750
1560
3130
1670
1620
1650
3200
1600
3240
i2
26230
Xi12
Xi22
1.00
0.49
0.36
1.00
1.00
0.25
0.25
0.25
1.00
4.00
1.00
1.00
1.00
4.00
1.00
4.00
2250000
608400
640000
2250000
2560000
656100
672400
562500
2433600
9796900
2788900
2624400
2722500
10240000
2560000
10497600
2
i1
21.60
2
i2
53863300
Xi1Xi2
Xi1Yi
Xi2Yi
3250
1172.5
870
2450
3608
1175
1125
900
3580
14690
3880
3880
3220
13720
3608
12900
4875000
1306500
1160000
3675000
5772800
1903500
1845000
1350000
5584800
22989850
6479600
6285600
5313000
21952000
5772800
20898000
1500
546
480
1500
1600
405
410
375
1560
6260
1670
1620
1650
6400
1600
6480
Yi2
10562500
2805625
2102500
6002500
13017664
5522500
5062500
3240000
12816400
53949025
15054400
15054400
10368400
47059600
13017664
41602500
X X = X Y = X Y = Y =
2
i1 i2
34056
i1 i
74028.5
i2 i
117163450
257238178
~2
R 2 , R Ajust
.
f) Calcular V ( $ ) = ( X ' X )1 2
g) Estimar los errores: e$ = Y Y$
h) Estimar los intervalos confidenciales para
- 56 -
1
1
X = 1
M
1
1.0 1500
0.7 780
1
1
1 L
1
0.6 800
0.7 0.6 L 2.0
X' = 1.0
M
M ,
1500 780 800 L 3240
2.0 3240
LM
MM
N
1
1
1 L 1 1
1
X ' X = Xi1
Xi2
OP
PP
Q
1.0 1500
16.8
26230
0.7 780 16
34056
0.6 800 = 16.8 21.6
M
M 26230 34056 53863300
2.0 3240
X
X
X X X
X X X
16
16.8
26230
21.6
34056
i1 i 2 = 16.8
,
2
i1
2
i1
i1
i2
i2
Yi 57656
16.8
26230 0 57656
16
16.8 21.6
34056 1 = 74028.5
A11
Adj ( X ' X ) = A12
A13
A21
A22
A23
( X ' X )1 =
Adj( X ' X )
det( X ' X )
A31
a11 a12
A32 X ' X = a21 a22
,
a31 a32
A33
a13
a23
a33
21.6
34056
16.8
26230
16
16.8
21.6
34056
)
0.394023562 1.258588853 0.000603885 57656 0 = 299.68
)
= 1.258588853 18.83348287 0.011294894 74028.5 = 1 = 1699.
)
0.000603885 0.011294894 0.000006865 117163450 2 = 3.1038
- 58 -
16
117163450
57656
SSTm = Y ' Y nY 2 = 257238178 16
= 49474782
16
.
SSRm
4735566514
100 =
100 = 95.72%
SSTm
49474782
~2 )
Coeficiente de Determinacin ajustado ( R
MSE
163008.9892
~
R2 = 1
) 100 = 95.06%
= (1
MSTm
3298318.8
f) Calcular V ( $ ) = ( X ' X )1 2
LM
MM
N
OP
PP
Q
LM
MM
N
OP
PP
Q
LM3250 OP LM1
1675
MM1450
PP MM11
M P M
e$ = M 2450 P M1
MM M PP MMM
MM3608 PP MM1
N6450 Q N1
LM 5.8807 OP
OP
M 144 .0144 P
P
800 P L 299 .682028 O M 313.0177 P
M M PP
P
1500 P M 1699 .5543 P = M
M
P
PP
M P MN 3 .10383528 PQ M
M
M
P
1600 P
MM 41.7358 PP
3240 PQ
N 506 .9998 Q
1.0
1500
0 .7
780
0 .6
1.0
M
1.0
2 .0
LM
N
OP
Q
Pr $ i t ,( n r ) V ( $ i ) i $ i + t ,( n r ) V ( $ i ) = 1
2
LM
N
0:
OP
Q
Pr $ 0 t ,( n r ) V ( $ 0 ) 0 $ 0 + t ,( n r ) V ( $ 0 ) = 1 0.05
2
Pr 299.682028 ( 216
. ) 64229.38257 0 299.682028+ ( 216
. ) 64229.38257 = 095
.
LM
N
1:
OP
Q
Pr $ 1 t ,( n r ) V ( $ 1 ) 1 $ 1 + t ,( n r ) V ( $ 1 ) = 1 0.05
2
LM
N
2 :
OP
Q
Pr $ 2 t ,( n r ) V ( $ 2 ) 2 $ 2 + t ,( n r ) V ( $ 2 ) = 1 0.05
2
X h' = 1 15
. 1640
- 60 -
LM
MM
N
OP
PP
Q
299.682028
$
Y$h = X = 1 15
. 1640 -1699.5543 = 2840.640437
3.10383528
'
h
LM
MM
N 98.43868346
OP LM OP
P M P
-1841.169254 1.119056711 QP MN1640PQ
L 1 OP
828.0621915 MM 15
. = 630447.3382
MN1640PPQ
= 8207312176
.
1380361636
.
S ( Y$h ) = 794.0071399
El intervalo Confidencial para la respuesta Media es:
Pr 2840.64 - (2.16)(794.007) E ( Yh ) 2840.64 + (2.16)(794.007) = 0.9
LM
MM
N
OP
PP
Q
299.682028
' $
$
Yh = X h = 1 0.25 400 -1699.5543 = 1116.327565
3.10383528
S 2 ( Y$h( New ) ) = MSE [1 + X 'h (X' X) -1 X h ] = MSE + X 'h (X' X) -1 MSE X h = MSE + X 'hV ( $
LM64229.38257
MM98.43868346
N
OP LM 1 OP
PM P
1.119056711 PQ MN400PQ
L1O
85.76905 MM0.25P = 206100.581
MN 400 PPQ
-205161.2968 98.43868346
.
. 400] -205161.2968 3070027.006 -1841.169254 025
.
S2(Y$h( New) ) =1630089892
+[1 025
-1841.169254
Correlaciones Parciales:
r123 =
r132 =
r12 r13r23
(1 r )(1 r )
2
13
2
23
r13 r12r23
( 1 r )( 1 r )
2
12
2
23
.
.
)( 099327
.
)
096375
( 097676
2
2
(1 097676
.
)(1 099327
.
)
.
= 0259
= 0.63089
Correlacin Mltiple:
R1223 = 1
2119116.86
SSE
= 1
= 0.957 en forma equivalente.
49474782
SSTm
2
2
1 R1223 = 1 (1 r122 )(1 r1322 ) = 1 (1 096375
.
)(1 0630897
.
) = 1 004285
.
.
= 095714
H0 : 20 ,1 = 0
Ha : 10 ,2 0
Ha : 20 ,1 0
numerador
Fc FglglError
Si
numerador
Fc > FglglError
, entonces se rechaza la Ho: y se acepta la Ha:
5) Clculo de ANOVA.
Adj( x' x )
SCRe g . ( 1 , 2 0 ) = $ ' x' y , $ = ( x' x )1 x' y ; ( x' x )1 =
x' x
- 62 -
LM x
MN x x
x x
x
2
i1
i1 i 2
2
i2
i1 i 2
( X i1 )2
xi21 = X i21
x
2
i2
= X i22
( X i 2 )2
x = X i1 X i 2
= 216
.
( 16.8 )2
= 3.96
16
( X i1 )( X i 2 )
n
( Yi )2
n
OP
10862493.75Q
6514.5
= 53863300
i1 i 2
yi2 = Yi 2
OP = L 3.96
PQ MN6514.5
( 26230 )2
= 10862493.75
16
= 34056
= 257238178
( 16.8 )( 26230 )
= 6514.5
16
( 57656 )2
= 49474782
16
x' y =
LM
MN
1
xi 2
x' x xi1 xi 2
xi1 xi 2
xi21
OP = L 18.83348287
PQ MN0.011294894
0.011294894
0.000006865
LM x y OP = L 13489.7 O
MN x y PQ MN22643645PQ
OP
Q
i1 i
i2
y = X i1Yi
y = X i 2Yi
i1 i
i2 i
( X i1 )( Yi )
n
( X i 2 )( Yi )
n
= 74028.5
= 117163450
LM
N
( 16.8 )( 57656 )
= 13489.7
16
( 26230 )( 57656 )
= 22643645
16
OP LM OP
Q MN PQ
1699.55431
$
$ = ( x' x )1 x' y =
= 1
.
310383527
$ 2
k
$ 0 = Y $ j X j =Y $ 1 X 1 $ 2 X 2
j =1
SCRe g ( 1 , 2
0 )
.
= 1699.55431 310383527
LM 13489.7 OP = 473556
N22643645Q
SCR ( 2
0 )
( xi 2 yi )2
2
i2
( 22643645 )2
= 47202297.25
10862493.75
SCR ( 1
0 )
SCR ( 2
0 , 1 )
( xi1 yi )2
2
i1
= SCR ( 1 , 2
0 )
( 13489.7 )2
= 45952526.79
3.96
SCR ( 1
0 )
= 47355666.22 45952526
= 1403139.43
RESUMEN EN ANOVA:
F. de V.
GL:
R( 1 , 2 0 )
47355665.14
R( 2 0 )
47202297.25
R( 1 0 , 2 )
153368.97
R( 1 0 )
R( 2 0 ,1 )
Error Residual
Total
SC.
CM.
Fc
Signif. Tabla-F
153368.97
0.94
ns.
4.67
45952526.79
1
13
15
1403139.43 1403139.43
2119116.86 163008.9892
49474782.00
8.61
4.67
10 ,2 = 0 ,
R( 1 0 , 2 )
ii) Para
- 64 -
Y$ = $ 0 + $ 2 X i 2 , $ 2 =
x y
x
i2 i
2
i2
22643645
= 2.08457
10862493.75
Y$ = 186.10558 + 2.08 X i 2 ,
R =
2
( xi 2 yi )2
2
i
2
i2
SCR( 2 / 0 )
SSTm
( 22643645 )2 10862493.75
=9
49474782
Se puede interpretar que el modelo tiene una buena bondad de ajuste y es confiable,
es decir el 95.41% de la variacin de la produccin de papa depende de la variacin
de semilla, y el 4.59% est explicado por otros factores ajenos al trabajo.
RESULTADOS CON EL SAS.
The REG Procedure
Model: MODEL1
Variable
Intercept
T
S
Q
XX Inverse,
Intercept
0.3940235625
-1.258588853
0.0006038855
299.68202648
Variable
Intercept
T
S
Q
Source
Model
Error
Corrected Total
Root MSE
Dependent Mean
Coeff Var
Variable
Intercept
T
S
Model Crossproducts XX XY YY
Intercept
T
S
16
16.8
26230
16.8
21.6
34056
26230
34056
53863300
57656
74028.5
117163450
DF
1
1
1
Analysis of Variance
Sum of
Mean
DF
Squares
Square
2
47355667
23677833
13
2119115
163009
15
49474782
403.74355
R-Square
0.9572
3603.50000
Adj R-Sq
0.9506
11.20421
Parameter
Estimate
299.68203
-1699.55426
3.10384
Parameter Estimates
Standard
Error
t Value
Pr > |t|
253.43506
1.18
0.2582
1752.14853
-0.97
0.3498
1.05792
2.93
0.0116
F Value
145.25
Q
57656
74028.5
117163450
257238178
Q
299.68202648
-1699.554261
3.1038352709
2119115.0975
Pr > F
<.0001
Covariance of Estimates
Intercept
T
64229.329229
-205161.1262
-205161.1262
3070024.4537
98.438677327
-1841.167854
S
98.438677327
-1841.167854
1.1191994321
Dependent Variable: Q
Output Statistics
Dep Var Predicted
Std Error
Obs
Q
Value Mean Predict
95% CL Mean
1
3250
3256
118.0793
3001
3511
2
1675
1531
324.4160 830.1275
2232
3
1450
1763
171.7940
1392
2134
4
2450
3256
118.0793
3001
3511
5
3608
3566
111.1248
3326
3806
6
2350
1964
170.3108
1596
2332
7
2250
1995
175.5158
1616
2374
8
1800
1778
151.3477
1451
2105
9
3580
3442
101.4901
3223
3661
10
7345
6616
230.5909
6117
7114
11
3880
3784
156.6888
3445
4122
12
3880
3628
121.3095
3366
3890
13
3220
3721
141.2293
3416
4027
14
6860
6833
217.5864
6363
7303
15
3608
3566
111.1248
3326
3806
16
6450
6957
221.2190
6479
7435
Sum of Residuals
0
Sum of Squared Residuals
2119115
Predicted Residual SS (PRESS)
3547767
95% CL Predict
2347
4165
412.0594
2650
815.1056
2711
2347
4165
2662
4471
1017
2911
1044
2946
846.2766
2709
2543
4341
5611
7620
2848
4719
2718
4539
2797
4646
5842
7824
2662
4471
5962
7952
Residual
-5.8807
144.0144
-313.0177
-805.8807
41.7358
385.9885
254.9502
22.2187
137.8892
729.4221
96.4673
251.6591
-501.4560
27.1536
41.7358
-506.9998
EJEMPLO:
Se tiene la informacin anual de trigo en una regin agrcola que se han registrado en los ltimos 10 aos, a las siguientes variables: Xi1: Area sembrada de trigo
en una regin agrcola (miles de has); Xi2: Lluvia cada en los meses de setiembre y octubre (mm); Y: Produccin de trigo de la regin (miles de tn).
Nro.
1
2
3
4
5
6
7
8
9
10
Total
Xi1
Yi
X i12
X i22
Xi1 Xi 2
X i 1Yi
X i 2Yi
43.127
16.653
92.322
38.084
61.939
92.376
24.373
74.029
70.772
68.749
582.424
615.5361
246.8041
212.5764
1158.7216
733.8681
2470.0900
414.9369
663.0625
1302.4881
786.8025
8604.8863
2116
1225
18225
121
3249
196
144
9216
1024
2025
37541
1141.26
549.85
1968.30
374.44
1544.13
695.80
244.44
2472.00
1154.88
1262.25
11407.350
1069.98087
261.61863
1346.05476
1296.37936
1677.92751
4591.0872
496.47801
1906.24675
2554.16148
1928.40945
17128.3440
1983.8420
582.8550
12463.4700
418.9240
3530.5230
1293.2640
292.4760
7106.7840
2264.7040
3093.7050
33030.5470
Xi2
24.81
46
15.71
35
14.58
135
34.04
11
27.09
57
49.70
14
20.37
12
25.75
96
36.09
32
28.05
45
276.19 483.00
SOLUCIN:
a) Y$ = $ 0 + $ 1 X i 1 + $ 2 X i 2
Yi 2
1859.938129
277.322409
8523.351684
1450.391056
3836.439721
8533.325376
594.043129
5480.292841
5008.675984
4726.425001
40290.2053
- 66 -
X ' X = Xi1
Xi2
( X ' X )1 =
Adj( X ' X )
det( X ' X )
X X
X X X
X X X
i1
2
i1
i1
10
276.19
483
11407.35 37541
i2 483
i2
i2
Yi 582.424
A11
Adj ( X ' X ) = A12
A13
A21
A22
A23
A31
A32
,
A33
276.19
483
10
276.19 8604.886 11407.35
276.19
483
10
276.19 8604.886 11407.35
( X ' X )1 =
)
1.901089215 0.047881894 0.009909714 582.424 0 = 40.22083
)
= 0.047881894 0.001400585 0.000190458 17128.34402 = 1 = 2.3930792
)
0.009909714 0.000190458 0.000096262 33030.547 2 = 0.6701611
c)
10
33030.547
582.424
SSTm = Y 'Y nY 2 = 40290.20533 10
= 6368.433752
10
SSRm
5777.920352
100 =
100 = 90.73%
SSTm
6368.4337522
~2 )
Coeficiente de Determinacin ajustado ( R
MSE
84 .359057
~
R2 = 1
) 100 = 88.08 %
= (1
MSTm
707 .60375
e) Calcular V ( $ ) = ( X ' X )1 2
- 68 -
V ( $ ) =
LM160.3740938
MM 4.03927
N 0.8359741
4.03927
0.118152
OP
P
0.00812057 PQ
0.8359741
0.01606686
0.01606686
e$ = Y Y$ =
61.939
92.376
24.373
74.029
70.772
68.749
X$
e$
49.9788697
20.83007573
85.14201192
48.61135074
-6.851869704
-4.177075732
7.179988085
-10.52735074
46.94811844
17.44796167
51.5522289
110.8251136
- 62.80686314 = -0.867863143
0.753186434
4.278544621
18.30594407
7.804881551
60.91617602
-11.70742208
137.0637317
3.181452478
10.12163987
11.68671466
136.5792995
0.000000 SSE= 590.51340
88.09745538
16.56811845
85.73642208
67.59054752
57.06228534
LM
N
e2
OP
Q
Pr $ i t ,( n r ) V ( $ i ) i $ i + t ,( n r ) V ( $ i ) = 1
2
0:
1:
2 :
X h' = 1 49 .7 14
LM
MM
N
OP
PP
Q
40.2208399
$
Y$h = X = 1 49 .7 14 2 .393079257 = 88.359057
0.670161157
'
h
LM160.3740938
MM 4.03927
N 0.8359741
4.03927
0118152
.
0.01606686
OP
P
0.00812057QP
0.8359741
LM 1 OP
MM PP
N 14 Q
0.01606686 49.7
= 51.25975347
S ( Y$ ) = 7 .1595917
h
X h' = 1 22.35 64
LM
MM
N
OP
PP
Q
40.2208399
' $
$
Yh = X h = 1 22.35 64 2.393079257 = 56154796
.
0.670161157
S 2 ( Y$h( New ) ) = MSE [1+ X 'h (X' X) -1 X h ] = MSE + X 'h (X' X) -1 MSE X h = MSE + X 'hV ( $
LM
MM 08359741
N .
OP
PP
.
000812057
Q
LM OP
MM 64 PP
N Q
.
.
.
403927
08359741
1603740938
1
.
. 64 403927
.
.
.
.
S2(Y$h( New) ) = 8435905718
+ 1 2235
2235
0118152
001606686
.
001606686
= 95.41857384
S ( Y$
) = 9 .76824313
h ( New )
- 70 -
Correlaciones Parciales:
r123 =
r132 =
r12 r13r23
( 1 r132 )( 1 r232 )
r13 r12 r23
( 1 r122 )( 1 r232 )
= 0.93478
= 0.94215
H0 : 20 ,1 = 0
Ha : 10 ,2 0
Ha : 20 ,1 0
numerador
Fc FglglError
Si
numerador
Fc > FglglError
, entonces se rechaza la Ho: y se acepta la Ha:
5) Clculo de ANOVA.
Adj( x' x )
SCRe g . ( 1 , 2 0 ) = $ ' x' y , $ = ( x' x )1 x' y ; ( x' x )1 =
x' x
x' x =
LM x
MN x x
x x
x
2
i1
i1 i 2
2
i2
i1 i 2
xi21 = X i21
x
( X i 1 )2
n
x = X i1 X i 2
i1 i 2
yi2 = Yi 2
OP = L976.79469
PQ MN1932.627
= 976.79469 ,
( X i1 )( X i 2 )
n
( Yi )2
n
x' x = 10147256.69
1932.627
14212.100
2
i2
OP
Q
= X i22
( X i 2 )2
n
= 1932.627
= 40290.2053
( 582.424 )2
= 6368.433723
10
= 14212.1
x' y =
LM
MN
1
xi 2
x' x xi1 xi 2
xi 1 xi 2
xi21
OP = L0.001400585
PQ MN0.000190458
0.000190458
0.0000962619
LM x y OP = L1042.375564O
MN x y PQ MN 4899.4678 PQ
OP
Q
i1 i
i2 i
y = X i1Yi
y = X i 2Yi
( X i 1 )( Yi )
i1 i
i2 i
( X i 2 )( Yi )
n
= 1042.375564 ,
= 4899.4678
LM
N
OP
Q
LM
MN
2.393079257
$
$ = ( x' x )1 x' y =
= 1
0.670161157
$ 2
OP
PQ
$ 0 = Y $ j X j =Y $ 1 X 1 $ 2 X 2 = 40.2208399
j =1
SCR ( 2
0 )
( xi 2 yi )2
2
i2
LM1042.375564OP = 5777.9
N 4899.46780 Q
( 4899.4678 )2
= 1689.038546
14212.1
SCR( 1 0 ) =
SCR ( 2
0 , 1 )
( xi1 yi )2
= SCR ( 1 , 2
2
i1
0 )
= 4665.56089
(1042.375564 )2
= 1112.359463
976.79469
SCR ( 1
0 )
= 5777.920352 1112.3594
- 72 -
RESUMEN EN ANOVA:
F. de V.
GL:
R( 1 ,2 0 )
5777.92
R( 2 0 )
1689.038546
R( 1 0 ,2 )
4088.881806 4088.881806
R( 1 0 )
1112.359463
R( 2 0 ,1 )
1
7
9
Error Residua
Total
SC.
CM.
4665.56089 4665.56089
590.5134 84.35905717
6368.43
Fc
Signif. Tabla-F
48.47
**
12.2
55.31
**
12.2
Ho:, esto es
R( 1 0 , 2 ) o aporta al modelo.
ii) Para
acepta la Ha:
lo R( 2 0 , 1 ) . Luego el modelo final queda con los dos variables independientes en estudio, ya que aportan al modelo.
Variable
Intercept
X1
X2
Y
Model Crossproducts XX XY YY
Intercept
X1
X2
10
276.19
483
276.19
8604.8863
11407.35
483
11407.35
37541
582.424
17128.34402
33030.547
XX Inverse,
Intercept
1.9010892146
-0.047881894
-0.009909714
-40.22083991
Y
582.424
17128.34402
33030.547
40290.20533
Y
-40.22083991
2.3930792572
0.6701611574
590.51340023
DF
2
7
9
9.18472
58.24240
15.76981
Squares
5777.92035
590.51340
6368.43375
R-Square
Adj R-Sq
Square
2888.96018
84.35906
F Value
34.25
Pr > F
0.0002
0.9073
0.8808
Parameter Estimates
Parameter
Standard
Variable
DF
Estimate
Error
t Value
Pr > |t|
Intercept
-40.22084
12.66389
-3.18
0.0156
-70.16618
-10.27550
X1
2.39308
0.34373
6.96
0.0002
1.58028
3.20588
X2
0.67016
0.09011
7.44
0.0001
0.45707
0.88325
Variable
Intercept
X1
X2
Covariance of Estimates
Intercept
X1
160.37409376
-4.039271472
-4.039271472
0.1181520674
-0.835974104
0.0160668638
X2
-0.835974104
0.0160668638
0.0081205671
Output Statistics
Dep Var Predicted
Std Error
Obs
43.1270
49.9789
42.6452
57.3125
27.0557
72.9020
-6.8519
16.6530
20.8301
5.6319
7.5126
34.1475
-4.6463
46.3064
-4.1771
92.3220
85.1420
7.2965
67.8886
102.3954
57.4045
112.8795
7.1800
38.0840
48.6114
4.1121
38.8878
58.3349
24.8156
72.4071
-10.5274
61.9390
62.8069
2.9893
55.7384
69.8754
39.9671
85.6466
-0.8679
92.3760
88.0975
7.1596
71.1677
105.0272
60.5601
115.6348
4.2785
24.3730
16.5681
5.8138
2.8206
30.3156
-9.1356
42.2719
7.8049
74.0290
85.7364
4.9458
74.0416
97.4313
61.0695
110.4034
-11.7074
70.7720
67.5905
3.8256
58.5446
76.6365
44.0636
91.1175
3.1815
10
68.7490
57.0623
2.9156
50.1680
63.9565
34.2759
79.8487
11.6867
Sum of Residuals
Sum of Squared Residuals
Predicted Residual SS (PRESS)
95% CL Mean
0
590.51340
1401.80989
95% CL Predict
Residual
- 74 -
EJEMPLO:
En un estudio diseado para descubrir qu factores podran estar relacionados
con el peso al nacer, se obtuvieron los siguientes datos en 10 nios recin nacidos.
Peso al nacer Calificacin de condicin
Orden
en gramos (Y) socioeconmica (X1)
de nacimiento (X2)
1361
8
4
1588
7
3
1815
4
4
2087
5
3
2268
5
2
2404
4
2
3402
3
2
3629
3
1
3765
2
1
4083
1
1
X ' X = X i1
X i 2
X
X
X X
i1
2
i1
i1
X
X X
X
i2
Yi 26402
X i 2Yi 51354
A11
Adj ( X ' X ) = A12
A13
A21
A22
A23
10 42 23
218 114
i1 i 2 = 42
2
23 114 65
i2
i2
10 42 23
42 218 114
10 42 23
42 218 114
a11 a12
X ' X = a21 a22
a31 a32
a13
a23
a33
(X ' X )1 =
26402
SSTm = Y ' Y NY 2 = 78536258 10
= 8829697.6
10
- 76 -
SSRm
8247389.51
x100 =
( 100 ) = 93.41%
SSTm
8829697.6
~2 )
Coeficiente de Determinacin ajustado ( R
V ( $ ) = ( X ' X )1 MSE
MSE
83186.87
~
R 2 = 1
. %,
= 1
= 9152
MSTm
981077.51
LM
MM
N
OP
PP
Q
LM
MM
N
OP
PP
Q
LM
N
OP
Q
Pr $ i t ,( N r ) V ( $ i ) i $ i + t ,( N r ) V ( $ i ) = 1
2
LM
N
0:
OP
Q
Pr $ 0 t ,( N r ) V ( $ 0 ) 0 $ 0 + t ,( N r ) V ( $ 0 ) = 1 0.05
2
LM
N
1:
OP
Q
Pr $ 1 t ,( N r ) V ( $ 1 ) 1 $ 1 + t ,( N r ) V ( $ 1 ) = 1 0.05
2
LM
N
2 :
OP
Q
Pr $ 2 t ,( N r ) V ( $ 2 ) 2 $ 2 + t ,( N r ) V ( $ 2 ) = 1 0.05
2
X h' = 1 6 5
LM
MM
N
OP
PP
Q
4639.559322
' $
$
Yh = X h = 1 6 5 -244.4322034 = 1058.305085
-422.9322034
LM
MM-0.112662014
N
OPLM OP
PM P
0.207377866 QPNM5PQ
S ( Y$h ) = 283.1979873
Pr 1058.305085-(2.365)(283.1979873) E( Yh ) 1058.305085+(2.365)(283.1979873) =
LM
MM
N
OP
PP
Q
4639.559322
Y$h = X h' $ = 1 7 6 -244.4322034 = 390.940678
-422.9322034
R|
S|
T
LM
MM
N
OPLM OPU|
PPMM PPV|
QN QW
- 78 -
PROGRAMA EN SAS.
DATA REGG;
OPTIONS NODATE NOCENTER NONUMBER;
INPUT Y X1 X2;
DATALINES;
1361 8
4
1588 7
3
1815 4
4
2087 5
3
2268 5
2
2404 4
2
3402 3
2
3629 3
1
3765 2
1
4083 1
1
;
PROC PRINT; RUN;
PROC REG;
MODEL Y = X1 X2/XPX COVB CLB CLI CLM I P;
RUN;
PROC CORR;
VAR Y X1 X2;
RUN;
PROC CORR;
PARTIAL X2;
VAR Y X1;
RUN;
Variable
Intercept
X1
X2
Y
XX Inverse,
Intercept
0.5852442672
-0.053838485
-0.112662014
4639.559322
Variable
Intercept
X1
X2
Y
Source
Model
Error
Corrected Total
Root MSE
Dependent Mean
Coeff Var
Variable
Intercept
X1
X2
Variable
Intercept
X1
X2
Obs
1
2
3
4
5
6
7
8
9
10
DF
1
1
1
X2
23
114
65
51354
Y
26402
93361
51354
78536258
Y
4639.559322
-244.4322034
-422.9322034
582308.09322
Analysis of Variance
Sum of
Mean
DF
Squares
Square
2
8247390
4123695
7
582308
83187
9
8829698
288.42134
R-Square
0.9341
2640.20000
Adj R-Sq
0.9152
10.92422
Parameter
Estimate
4639.55932
-244.43220
-422.93220
Parameter Estimates
Standard
Error
t Value
Pr > |t|
220.64596
21.03
<.0001
70.83610
-3.45
0.0107
131.34350
-3.22
0.0147
Covariance of Estimates
Intercept
X1
48684.639043
-4478.65504
-4478.65504
5017.7524056
-9372.000361
-7215.610897
F Value
49.57
Pr > F
<.0001
X2
-9372.000361
-7215.610897
17251.115709
Output Statistics
Dep Var Predicted
Std Error
Y
Value Mean Predict
95% CL Mean
1361 992.3729
193.4039 535.0454
1450
1588
1660
166.8104
1265
2054
1815
1970
251.5586
1375
2565
2087
2149
109.0945
1891
2407
2268
2572
128.6318
2267
2876
2404
2816
95.9486
2589
3043
3402
3060
109.0945
2802
3318
3629
3483
148.9494
3131
3836
3765
3728
143.1283
3389
4066
4083
3972
169.7674
3571
4374
95% CL Predict
Residual
171.2252
1814 368.6271
871.8787
2448 -71.7373
1065
2875 -155.1017
1419
2878 -61.6017
1825
3318 -303.5339
2097
3535 -411.9661
2331
3790 341.6017
2716
4251 145.6695
2966
4489
37.2373
3181
4764 110.8051
- 80 -
EJERCICIOS.
Para cada uno de los siguientes ejercicios: a) Fijar el modelo de regresin mltiple,
b) Estimar la ecuacin de regresin, c) Calcule los errores e = Y Y$ , d) Realice el
~2
ANVA, R2, Rajust . e) Probar la hiptesis bi 0 , f) Calcule los intervalos confidenciales para bi , g) Intervalo confidencial del 95% para la respuesta media, h) Intervalo
confidencial del 95% para la prediccin.
1. A Jennifer Dahl, supervisora de la cadena Circle O, le gustara pronosticar el
tiempo que toma atender a un cliente en caja. Para ello, decide utilizar las siguientes variables independientes: monto de las compras y nmero de artculos
comprados. Jennifer rene una muestra de datos para 18 clientes. Calcule el punto de estimacin del tiempo de atencin si el cliente compra 14 artculos por un
monto de $70 dlares.
Cliente
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
X' h= [1 40 18]
2. Un investigador reuni los siguientes datos sobre 15 nios. Estime para [1 3 35]
Calificacin de
Orden de
Edad de la madre al
inteligencia (Y) nacimiento (X1) nacimiento del producto (X2)
110
1
25
115
1
24
120
1
22
118
1
24
110
2
20
108
2
20
105
2
20
104
3
24
98
3
25
99
4
30
98
4
24
100
5
29
90
5
30
93
5
30
90
6
28
3. En un estudio acerca de los factores que se pensaba estaban relacionados con los
patrones de admisin a un hospital general grande, el administrador del hospital
obtuvo los siguientes datos de 10 comunidades dentro del rea de trabajo del
hospital. Estime para [1 6.5 7.5]
- 82 -
4. El administrador de un hospital general obtuvo los siguientes datos de 20 pacientes para ciruga durante un estudio para determinar qu factores parecen estar
relacionados con la duracin de la estancia. Estime la respuesta media [1 5 6]
(Y) 6 6 11 9 16 16 4 8 11 13 13 9 17 17 12 6 5 12 8
(X1) 1 2 2 1 3 1 1 3 2 3 1 1 3 2 4 1 1 3 1
(X2) 1 1 2 3 3 5 1 1 2 2 4 2 3 4 1 1 1 2 2
Y (Tiempo de hospitalizacin postoperatorio); X1 (Nmero de problemas mdicos actuales);
X2 ( Tiempo de hospitalizacin preoperatorio)
9
2
2
Paciente
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Y
105
115
116
117
112
121
121
110
110
114
114
115
114
106
125
114
106
113
110
122
X1
47
49
49
50
51
48
49
47
49
48
47
49
50
45
52
46
46
46
48
56
X2
85.4
94.2
95.3
94.7
89.4
99.5
99.8
90.9
89.2
92.7
94.4
94.1
91.6
87.1
101.3
94.5
87.0
94.5
90.5
95.7
X3
1.75
2.10
1.98
2.01
1.89
2.25
2.25
1.90
1.83
2.07
2.07
1.98
2.05
1.92
2.19
1.98
1.87
1.90
1.88
2.09
X4
5.1
3.8
8.2
5.8
7.0
9.3
2.5
6.2
7.1
5.6
5.3
5.6
10.2
5.6
10.0
7.4
3.6
4.3
9.0
7.0
Anlisis y Diseo de Experimentos - 83 Estime para la respuesta media y prediccin [1 55 88.5 1.99 8.5], usando software
estadstico disponible o adecuado.
7. El Seor Mike Wilde es presidente de una organizacin de profesores en el distrito escolar de Otsego. Al prepararse para futuras negociaciones. a Mike le gustara
investigar la estructura de sueldos de los profesores del distrito. Considera que
existen dos factores que afectan el sueldo de un profesor: aos de experiencia,
calificacin de la efectividad de la enseanza dada por el director. Una muestra
de 20 profesores di como resultado los datos que siguien:
Sueldo (miles de $): Y
Aos de exp. X1
Calific. Del Director X2
21.1 23.6 19.3 33.0 28.6 35.0 32.0 26.8 38.6 21.7 15.7 20.6 41.8 36.7 28.4 23.6 31.8 20.7 22.8 32.8
8
5
2 15 11 14 9 7 22 3 1 5 23 17 12 14 8 4 2 8
35 43 51 60 73 80 76 54 55 90 30 44 84 76 68 25 90 62 80 72
Xh = [1 24 92]
LogY
= nLog a + Log b
i=1
n
i=1
X LogY = Log a X
i
i=1
i=1
- 84 -
LogY
= nLog a + Log b
i=1
i=1
LogY
i=1
Log a =
Log b X
................................................. (b)
F Log Y
I
G
J
X Log Y = G n X Log bJ X + Log b X
GGH
JJK
n
i=1
i =1
i=1
2
i
i =1
X LogY X LogY
i
Log b =
i=1
i=1
n
X LogY
i
X2i X X i
i=1
Log b =
i=1
i=1
i=1
FG X IJ
H K
i=1
X LogY
2
i
i=1
i=1
FG X IJ
H K
12
911.77
= 399.82
n
i=1
L o g Yi
=14132535.29
Log a =
= 49.18
R2 = 0.9359
i=1
12
Log X
i=1
Log b X
Anlisis y Diseo de Experimentos - 85 Aplicando las frmulas dadas anteriormente se puede encontrar los parmetros
estimados:
Log b = 0.00031
Log a = 2.29584
Antilog(Log b) =
Antilog(Log a) =
1.000714 = b
197.625060 = a
$ = 197.625060x1.000714X
Y
i
Total
Nro.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
17
sem. (Y) g.
203
203
266
266
294
336
336
371
406
406
448
490
532
532
560
574
574
Cons. Alim.
17
Log X
2.39
2.48
2.56
2.64
2.71
2.78
2.83
2.89
2.94
2.99
3.03
3.08
3.11
3.15
3.18
3.20
3.23
17
XLog Y
566.72
698.50
887.02
1056.71
1260.09
1506.20
1711.09
1978.49
2261.33
2527.14
2868.15
3204.56
3549.95
3827.40
4122.83
4401.02
4650.70
17
2
i
X
60319.36
91633.34
133809.64
189904.21
260610.25
355454.44
458735.29
592946.20
751515.61
938573.44
1170291.24
1418957.44
1695985.29
1971440.65
2250600.04
2544663.04
2841584.49
17
i=1
i=1
i=1
i=1
i=1
i=1
17
(X) g.
245.60
302.71
365.80
435.78
510.50
596.20
677.30
770.03
866.90
968.80
1081.80
1191.20
1302.30
1404.08
1500.20
1595.20
1685.70
Peso Vivo
Y = aXb
Primeramente hay que linealizar aplicando logartmos, y resulta de la siguiente
forma:
Log Y = Log a + b Log X
............................................................ a)
Log Yi = n Log a + b
i=1
Log X
i=1
i =1
i =1
i =1
Log Yi = n Log a + b
i=1
n Log a = Log Yi b
i=1
Log X
i=1
n
Log X
i=1
- 88 -
Log Y
Log a =
i=1
b Log X i
................... 1)
i=1
i =1
i =1
LogXi + b LogX i
F LogY b LogX I
J
G
LogX LogY = G n n J LogX + bbLogX g
JJ
GG
K
H
n
i =1
i =1
i =1
i =1
LogX
i =1
LogYi =
LogY LogX
i =1
i =1
n
n
i =1
b LogX i
i =1
LogY LogX
i =1
LogXi LogYi =
i =1
i =1
2
n
+b Log
i =1
+b LogX2i
b LogX
i =1
i =1
b$ =
LogX LogY
i
i =1
i =1
LogYi LogXi
i =1
bLogX g
n
LogX
i =1
2
i
i =1
Y = aX b
Adems se puede calcular el Coeficiente de Determinacin (R2) con la siguiente
frmula:
O
LM
LogX LogY P
PP
MM LogX LogY
n
PQ
MN
=
LM
FG LogX IJ OP LM
FG LogY IJ
H
K
K
MM LogX
PP MM LogY H
n
n
MM
PP MM
N
QN
n
i =1
i =1
i =1
2
i
i =1
i =1
2
i
i =1
i =1
OP
PP
PP
Q
Total
Nro.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
17
Cons. Alim.
sem.(Y)g.
203
203
266
266
294
336
336
371
406
406
448
490
532
532
560
574
574
17
LogX
2.39
2.48
2.56
2.64
2.71
2.78
2.83
2.89
2.94
2.99
3.03
3.08
3.11
3.15
3.18
3.20
3.23
17
LogY
2.31
2.31
2.42
2.42
2.47
2.53
2.53
2.57
2.61
2.61
2.65
2.69
2.73
2.73
2.75
2.76
2.76
17
LogXxLogY
5.52
5.72
6.22
6.40
6.68
7.01
7.15
7.42
7.66
7.79
8.04
8.28
8.49
8.58
8.73
8.84
8.90
17
2
i
LogX
5.713
6.155
6.570
6.966
7.333
7.703
8.013
8.332
8.632
8.918
9.206
9.462
9.701
9.906
10.088
10.258
10.412
17
2
i
LogY
5.3245
5.3245
5.8801
5.8801
6.0927
6.3824
6.3824
6.6017
6.8044
6.8044
7.0293
7.2372
7.4306
7.4306
7.5525
7.6116
7.6116
i=1
i=1
i=1
i=1
i=1
i=1
i=1
X =15500.10 Y =6797.00 LogX =49.18 LogY =43.83 LogXLogY= 127.43 LogX =143.37 LogY = 113.38
17
PesoVivo
(X)g.
245.60
302.71
365.80
435.78
510.50
596.20
677.30
770.03
866.90
968.80
1081.80
1191.20
1302.30
1404.08
1500.20
1595.20
1685.70
17,
X = 2.89
Y = 2.58,
LogY
Log a =
i=1
R2 = 0.9873723,
R2x100 = 98.74%
F LogX I
G
JJ
bG
GG n JJ
H
K
n
i=1
$ = 8.396772X0.57185
Y
C) CASO PARABLICO (Funcin de Segundo Grado).
La forma general de una ecuacin polinomial es:
(Y Y ) debe ser un
2
i =1
2 2
, un mnimo; luego
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
Total
Nro.
17
sem.(Y)g.
203
203
266
266
294
336
336
371
406
406
448
490
532
532
560
574
574
Cons. Alim.
17
i i
XY
49856.80
61450.13
97302.80
115917.48
150087.00
200323.20
227572.80
285681.13
351961.40
393332.80
484646.40
583688.00
692823.60
746970.56
840112.00
915644.80
967591.80
17
2
i
X
60319.36
91633.34
133809.64
189904.21
260610.25
355454.44
458735.29
592946.20
751515.61
938573.44
1170291.24
1418957.44
1695985.29
1971440.65
2250600.04
2544663.04
2841584.49
17
2
i i
XY
12244830.08
18601568.85
35593364.24
50514519.43
76619413.50
119432691.84
154135057.44
219983040.53
305115337.66
381060816.64
524290475.52
695289145.60
902264174.28
1048806423.88
1260336022.40
1460636584.96
1631069497.26
17
3
i
X
14814434.82
27738329.59
48947566.31
82756455.94
133041532.63
211921937.13
310701411.92
456586363.08
651488882.31
909289948.67
1266021063.43
1690262102.53
2208681643.17
2768060382.80
3376350180.01
4059246481.41
4790058974.79
17
4
i
X
3638425190.81
8396669750.95
17905019756.93
36063608368.03
67917702405.06
126347858915.71
210438066291.38
351585197161.74
564775712073.67
880920102273.43
1369581586420.74
2013440216531.35
2876366103896.38
3886578222278.05
5065200540048.00
6475309987142.04
8074602413808.56
i=1
i=1
i=1
i=1
i=1
i=1
i=1
17
(X)g.
245.60
302.71
365.80
435.78
510.50
596.20
677.30
770.03
866.90
968.80
1081.80
1191.20
1302.30
1404.08
1500.20
1595.20
1685.70
PesoVivo
Anlisis y Diseo de Experimentos - 93 En la tabla anterior aparecen los resultados en forma detallada, segn las
ecuaciones normales, para luego sustituir los valores de las constantes: a, b y
c.
n
i =1
i =1
i =1
Yi = na + b X i + c X 2i .............................. (1)
n
X Y = a X
i
i =1
i =1
X Y = a X
2
i
i =1
i =1
2
i
+ b X + c X 3i .................. (2)
2
i
i =1
i =1
i =1
i =1
+ b X 3i + c X 4i .................. (3)
(1)
(2)
(3)
Se resuelven 1 y 2
-15500.1 -105354179.7 = -263501.7a 240253100.01b - 274770644234.3c
17 121804365.9 = 263501.7a + 301359407.4866b + 391101450738.85c
========================================================
16450186.2 = 0
61106307.4766b + 116330806504.55c
(4)
se resuelven 1 y 3
-17727023.9698 -120490581922.73 = -301359407.49a - 274770644234.3 b - 3.1424737882586E+14c
17 151231880390.13 = 301359407.49a+391101450738.85b+5.4449414634932E+14c
=============================================================
30741298467.40 =
0.00
116330806504.55b + 230246767523454.80 c (5)
Se resuelve 4 y 5
-116330806505
61106307.4766
c = -6.55E-05
- 94 -
Despejamos:
b = 0.3939868
$ = a + bX + cX2
Y
Finalmente encontramos el Modelo Estimado:
2
CONCEPTOS BSICOS DEL
DISEO
2.1. Qu es un experimento?
Es el planeamiento que nos lleva a la obtencin de resultados sobre una ms
caractersticas de una poblacin o tambin a resultados que nos permitan comparar
con otros resultados anteriores.
2.1.1. Experimentos preliminares.- Son los experimentos en los cuales se
consideran todos los posibles tratamientos a ser aplicados a una poblacin con el objeto de seleccionar los mejores. Ejemplo: Productor de
papa (seleccionar el mejor).
2.1.2. Experimento crtico.- Son los experimentos en los cuales se considera
un nmero reducido de tratamientos que fueron seleccionados previamente a travs de un experimento preliminar.
Ejemplo: Variedades de papa, quinua, cebada, etc. (comparar con cualquiera de ellos).
2.1.3. Experimento demostrativo.- Son aquellos elementos que se usan para
comparar un nuevo lote de tratamientos para compararlos con trata-
- 96 -
2.2.
Objetivos de un experimento.
Fundamentalmente son para alcanzar dos objetivos: a) Para probar hiptesis
entre dos o ms tratamientos, b) Para obtener resultados. Es la estimacin de
parmetros sobre los diferentes tratamientos de un experimento.
2.3.
2.4. Qu es un tratamiento?.
Es una caracterstica cuyo efecto se quiere medir y comparar.
Ejemplo: Raciones, fertilizantes, dosis de un pesticida, diferentes mtodos
educativos, diferentes tipos de estmulos de un tratamiento psicolgico, tipos
de mquina.
Anlisis y Diseo de Experimentos - 97 adolecen de la misma enfermedad y son tratadas con la misma terapia para su
recuperacin. Estas diferencias grandes o pequeas contribuyen a enmascarar los verdaderos efectos de los tratamientos bajo estudio. Fuentes de errores
experimentales.
1. Causas del error experimental.- Entre otras las principales son:
a) Variabilidad propia del material experimental.
b) Efecto combinado de factores extraos que no fueron controlados por
el experimentador.
c) Error en la conduccin del experimento, falta de uniformidad en la
conduccin del experimento.
d) Error de medicin y/u observacin.
2. Cmo reducir el Error Experimental?. La magnitud del error experimental se puede reducir utilizando:
a) En lo posible, material homogneo, o estratificado en grupos homogneos si el material es heterogneo.
b) Informacin disponible sobre otros factores no includos en el estudio.
c) Diseo experimental ms adecuado.
d) Conduciendo cuidadosamente el experimento.
El trmino error experimental no solo se refiere a las equivocaciones
involuntarias, sino que incluye todos los tipos de variacin extraa.
- 98 -
A1
A2
11
21
U.E
U.E.
A1
A2
11
12
21
22
U.E.
A1
A2
11
12
13
14
21
22
23
24
Donde el primer sub-ndice identifica al alimento y el segundo sub-ndice a la U.E. En este caso tenemos un experimento con dos tratamientos y
cuatro repeticiones por cada uno.
A esto es lo que se refiere la repeticin o reproduccin del experimento:
es la aplicacin de los tratamientos en tantas U.E. como sea posible. Las
conclusiones sern ms confiables en sta ltima con cuatro repeticiones
por cada tratamiento.
Se justifica repetir un experimento porque:
a) Provee una estimacin del error experimental: 2 , el cual es una unidad bsica de medida de la variabilidad de las observaciones.
b) Cualquiera que sea la fuente del error experimental, a mayor nmero
de repeticiones ms preciso ser el estimado del efecto de los tratamientos debido a que la variabilidad de medias de tratamientos est
2
dada por: , y =
2 2
=
donde: 2 representa el error experin
r
2. Aleatorizacin.
Para que las pruebas de significacin (pruebas de hiptesis) sean vlidas,
es necesario que se cumplan ciertas condiciones, siendo la ms importante el obtener observaciones distribudas independientemente entre s.
Esta condicin puede considerarse como un hecho insatisfecho al no to-
- 100 -
ALEATORIZACION
REPETICION
Estimar el
Error
Experimental
CONTROL
LOCAL
Disminuir el
Error
Experimental
Hacer vlidas
las estimaciones
conseguir
eficiencia en el
experimento
- 102 -
3
DISEO COMPLETAMENTE
AL AZAR (DCA, DIA)
3.1. DISEO COMPLETAMENTE AL AZAR (Balanceado o equilibrado)
El Diseo Completamente al Azar, es aquel en el cual los tratamientos son
asigandos en forma aleatoria a las unidades experimentales, o viceversa, sin
ninguna restriccin; por lo tanto, se considera que es un diseo eficiente cuando
las unidades experimentales de los que se dispone son muy homogneas. Debido
a su simplicidad, el Diseo Completamente al Azar es usado frecuentemente.
Caractersticas:
a) Los tratamientos se distribuyen en forma aleatoria en todas las unidades experimentales, y el nmero de repeticiones o unidades por tratamiento puede ser
igual o diferente.
b) Este diseo es til cuando las unidades experimentales tienen una variabilidad uniformemente repartida.
c) El diseo completamente al azar proporciona el mximo nmero de grados de
libertad para la estimacin del error experimental; adems, no requiere esti-
- 104 -
Arreglo de Campo:
Supongamos que se desea evaluar cuatro variedades de avena en un campo homogneo, con cuatro repeticiones. Al sortear aleatoriamente las cuatro variedades (A, B, C y D), cada una tiene la mismas posibilidades de ocupar cualquiera
de las unidades experimentales en que se divide el lote. Por ejemplo.
C
A
D
D
B
B
A
C
D
C
B
A
A
D
C
B
Yij = + i + ij
donde:
1
Y11
Y12
Y13
....
....
....
Y1r
Y1.
n1.
2
Y21
Y22
Y23
....
....
....
Y2r
Y2.
n2.
Tratamientos (i)
3
Y31
Y32
Y33
....
....
....
Y3r
Y3.
n3.
....
....
....
....
....
....
....
....
....
....
t
Yt1
Yt2
Yt3
....
....
....
Ytr
Yt.
nt.
Total
Y.1
Y.2
Y.3
....
....
....
Y.r
Y..
n..
VENTAJAS:
a) Es simple de planificar.
b) El nmero de repeticiones puede variar de tratamiento a tratamiento.
c) Existe ms grados de libertad para estimar el error experimental.
d) Es flexible en cuanto al nmero de repeticiones y tratamientos.
e) Es til cuando las unidades experimentales tienen una variablidad uniforme
repartida.
f) Cuando se pierde alguna parcela experimental se puede considerar que se
tena diferente nmero de repeticiones por tratamiento.
g) El Error Experimental puede obtenerse separadamente para cada tratamiento
para comprobar la suposicin de Homogeneidad del Error.
DESVENTAJAS:
a) Es ms apropiado para pequeo nmero de tratamientos y para un material
experimental homogneo y uniformemente distribuido.
b) No se puede controlar el Error Experimental, por lo tanto, no es un Diseo
muy preciso.
c) Cuando se tiene diferente nmero de repeticiones por tratamiento, es necesario calcular un Error estndar por cada pareja de medias si se quiere comparar
sus diferencias.
- 106 -
Yij = + i + ij ,
i = 1,2,3,..., t; j = 1,2,3,...,r
Poblacin
Muestra
i = i
$ i = Yi Y
ij = Yij i
$ ij = Yij Yi
Yij = + ( i ) + ( Yij i )
Yij = Y + ( Yi Y ) + ( Yij Yi )
Yij = Y + ( Yi Y ) + ( Yij Yi )
Yij Y = ( Yi Y ) + ( Yij Yi ) elevando al cuadrado ambos miembros.
(Y Y ) = (Y Y ) +2(Y Y )(Y Y )+ (Y Y )
ij
i =1 j =1
i =1 j =1
i =1
ij
j=1
ij
i =1 j =1
= r ( Yi Y )2 + ( Yij Yi )2 + 2( Yi Y )( Yij Yi )
i =1
i =1 j =1
j =1
1
1i =4444
24444
3
0
( Yij Y )2 = r ( Yi Y )2 + ( Yij Yi )2
i =1 j =1
i =1 j =1
1
4244
3 1
1
442443 1i =4
442443
SCTRATAMIENTOS
SCTOTAL
Demostrar que:
t
( Yij Y )2 = Yij2
i =1 j =1
i =1 j =1
Y2
tr , en efecto
SC ERROR
= [Yij2 2Yij Y + Y2 )]
i =1 j =1
t
= Yij2 2 YijY + Y2
i =1 j =1
i =1 j =1
i =1 j =1
= Yij2 2Y
i =1 j =1
SCTOTAL = Yij2
i =1 j =1
FG Y IJ + tr// FG Y IJ
H tr K H tr/ K
= Yij2 2
i =1 j =1
Y2 Y2
+
tr tr
Y2
tr
ANALISIS DE VARIANZA.
Es una tcnica matemtica que nos permite descomponer una Fuente de Variacin
Total en sus Componentes atribuibles a Fuentes de Variacin conocida.
TABLA ANVA: Frmulas:
F. de V.
G.L.
Tratamientos
t-1
S.C.
Yi .2
Y2
..
r
tr
i=1
Total
CV =
CM error
Y..
C.M.
Yi.2
i =1 r
Yij2
i =1 j =1
i =1
j =1
2 + r
S C erro r
t ( r 1)
i =1
Y..2
tr
tr-1
2
ij
.100 ,
TC =
Y..2
,
tr
SC trat .
t 1
C.M.E.
Modelo I
Modelo II
i2
t 1
2 + r 2
2
- 108 -
OBSERVACION:
a) MODELO I: Llamado tambin modelo de anlisis de variancia o de efectos fijos. Este modelo supone que los ti de una determinada subpoblacin son una
cantidad fija que el investigador fija a su criterio representa una variable no
aleatoria.
b) MODELO II:Llamado modelo de componentes de variancia o de efectos al azar.
Los tratamientos considerados dentro de un experimento se asumen como una
muestra al azar extrada desde una poblacin de tratamientos.
Procedimiento para la Prueba Estadstica.
i) La Hiptesis a probarse es:
H0 : i = 0
= 005
.
= 001
.
Fc =
CM trat .
CM error
b) Si
1
2
3
4
5
6
7
Yi.
Promedio
T2
76
85
74
78
82
75
82
552
78.86
T3
57
67
55
64
61
63
63
430
61.43
T4
84
82
85
92
87
79
90
599
85.57
3039
108.54
SOLUCIN:
1. Hiptesis:
Respecto a tratamientos:
2. Nivel de significacin:
H0 : i = 0 versus Ha : i 0
= 0.05
CM Tratam.
CM Error
5. Clculos:
a) Grados de libertad.
Tratamientos (muestras)
Error experimental
Total
:t-1
= 4-1
: t(r - 1) = 4x(7 - 1)
: tr - 1
= 4x7 - 1
=3
= 24
= 27
- 110 -
Y..2 ( 3039 )2
=
= 329840.0357
tr
4 x7
i) SC Tratam . =
4
ii)
CM error
Y..
100 =
Signif.
**
20.32143
100 = 4.15%
108.54
3
GLError = 24 , p = 3, t( DN ) = 2.53
ALS ( DN ) = SY t( DN ) = 2.40959 2.53 = 610
. ,
2CM Error
2 20.32143
=
= 2.409589
r
7
Promedios
T1
208.29
T2
78.86
T3
61.43
T4
85.57
4. Regla de decisin:
S Yi Yj ALS ( DN ) = 6.1 , entonces se acepta la Ho:
Diferencia
ALS(DN) Hiptesis
Significacin
208.29 78.86
129.43
>
6.1
T1 T 2
.
208.29 6143
146.86
>
6.1
T1 T 3
.
208.29 8557
122.72
>
6.1
T1 T 4
- 112 -
Number of observations
Sum of
DF
Squares
Mean Square
3
95041.25000
31680.41667
24
487.71429
20.32143
27
95528.96429
Root MSE
COCCION Mean
4.507930
108.5357
28
F Value
1558.97
Pr > F
<.0001
TRAT
Comparison
T4
T2
T3
- T1
- T1
- T1
Difference
Between
Means
-122.714
-129.429
-146.857
Simultaneous 95%
Confidence Limits
-128.754
-135.469
-152.897
-116.674
-123.388
-140.817
***
***
***
CONTROL FERT_A
23
30
20
32
22
29
20
35
21
33
106
159
21.20
31.80
Yi.
Promedio
FERT_B
28
36
31
32
34
161
32.20
FERT_C
27
25
24
28
26
130
26.00
Y.. = 556
27.80
SOLUCIN:
1. Hiptesis:
H0 : i = 0 versus Ha : i 0
2. Nivel de significacin: = 0.05
Respecto a tratamientos:
5. Clculos:
a) Grados de libertad (GL).
Fertilizantes
Error experimental
Total
b)
:t-1 = 4-1=3
: t(r - 1) = 4x(5-1) = 16
: tr - 1
= 4x5 - 1 = 19
TC =
Y..2 ( 556 )2
=
= 15456.800
4x5
tr
- 114 -
=1
=1
ii) SCTotal =
i
j
ANALISIS DE VARIANZA
F. de V.
G.L.
S.C.
Entre Fertilizantes 3
410.8
Error experimental 16
76.4
Total
19
487.2
C.M.
136.933333
4.775000
3
Fc.
28.68
Signif.
**
SY =
A LS(D)
Fertilizantes
F_B
F_A
F_C
CONTROL
Promedios
32.20
31.80
26.00
21.20
Duncan (P 0.05)
a
a
b
c
4. Regla de decisin:
S Yi Yj ALS ( D ) , entonces se acepta la Ho:
S Yi Yj > ALS ( D ) , entonces se acepta la Ha:
5. Realizar las comparaciones:
Yij = + i + ij ,
i = 1,2 ,L , t
j = 1,2 ,L , ri
donde:
Yij =
Es la variable de respuesta de la j-sima observacin sujeto al i-simo
tratamiento.
= Media general o poblacional.
i =
ij =
- 116 -
G.L.
S.C.
Y i .2
TC
ri
Tratamientos
t-1
i=1
ri
i =1 j =1
Y..
i =1
i =1
S C erro r
g l erro r
i2
t 1
2e + r0 2
2e
2e
i =1 j =1
F YI
GH JK
TC =
ri
i =1 j =1
ri
i
L r OP
1 M
Mr PP
r =
t 1M
MN r PQ
t
ij
.100,
2e + ri
TC
2
ij
CV . =
2
i.
CMerror
2
ij
C.M.E.
Modelo I
Modelo II
SC trat .
t 1
(r 1) Y Yr
Error Experimental
Total
C.M.
i =1
t
i =1
i =1
Frmulas de Clculo:
F YI
GH JK
a) Trmino o Factor de Correccin: TC =
t
ri
ij
i =1 j =1
ri
SCtotal = Yij2 TC
i =1 j =1
Yi .2
=
TC
r
i =1
i
t
SCtrat .
Repetic.
1
2
3
4
5
6
7
Yi.
Promedio
100
21.8
21.9
21.7
21.6
21.7
21.5
21.8
152.00
21.71
Temperaturas F
125
150
21.7
21.9
21.4
21.8
21.5
21.8
21.5
21.6
21.5
86.10
21.53
108.60
21.72
175
21.9
21.7
21.8
21.7
21.6
21.8
130.50
21.75
477.20
21.69
SOLUCIN:
1. Hiptesis: H0 : i = 0 versus Ha : i 0
2. Nivel de significacin:
= 0.05
CM Tratam.
CM Error
1
F ( Tratam . ) FgltError
,0 .05 entonces se acepta la Ho:
1
F ( Tratam . ) > FgltError
,0 .05 , entonces se acepta la Ha:
5. Clculos:
a) Grados de Libertad:
GLtrat. = t -1 = 4 - 1 = 3
t =4
GLError = ( ri 1 ) = ( r1 1 ) + ( r2 1 ) + ( r3 1 ) + ( r4 1 ) = 6+3+4+5=18
i =1
t =4
GLTotal = ( ri ) 1 = ( r1 + r2 + r3 + r4 ) 1 = (7 + 4 + 5 + 6) - 1 = 21
i =1
- 118 -
TC =
Y2
t =4
i =1 i
477.2 2
= 10350.90182
22
Yi2
. 2 108.62 1305
.2
1522 861
TC =
+
+
+
TC = 1035104093
.
TC = 013911039
.
r
7
4
5
6
i =1 i
4
i)
SCTrat . =
4
ri
2
. 2 + 219
. 2 +L+218
. 2 TC = 1035136
. TC = 0.458182
ii) SCTotal = Yij TC = 218
i =1 j =1
SCtrat 0.13911039
=
= 0.04637013
3
t 1
v) CM Error Exp. =
vi) Fc =
SCError Exp.
18
0.31907143
= 0.01772619
18
CM Trat .
0.04637013
=
= 2.62
CM Error Exp. 0.01772619
G.L.
S.C.
C.M.
Fc Pr > F
3 0.139110390 0.04637013 2.62 0.08
18 0.319071430 0.01772619
21 0.458181820 0.02181818
CM Error
0.01772619
100 =
100 = 0.613%
Y ..
2169
.
Conclusin:
La prueba F de la tabla ANOVA nos muestra que la Fc = 2.62 F 3
=3.16,
18 ,0 .05
entonces se acepta la hiptesis nula (Ho:), es decir no existe diferencia estadstica
entre las temperaturas, para mejorar hay que aumentar el nivel de espaciamiento o
ampliar el intervalo entre las temperaturas.
Sum of
DF
Squares
Mean Square
3
0.13911039
0.04637013
18
0.31907143
0.01772619
21
0.45818182
Root MSE
DENSIDAD Mean
0.133140
21.69091
F Value
2.62
Pr > F
0.0827
- 120 -
EJEMPLO:
Se ensay un experimento con cuatro raciones alimenticias para el engorde de cerdos
(incremento de peso en kg), dos de los tratamientos (B y C) tiene tres animales de
ensayo; mientras que el resto de los tratamientos tiene 5 animales por tratamiento.
La informacin se presenta a continuacin:
rep.
1
2
3
4
5
Total
ni
Raciones alimenticias
B
C
40
40
45
35
30
25
A
20
30
15
25
35
125
5
115
3
100
3
D
25
15
10
20
30
100
5
440
16
SOLUCIN:
1. Hiptesis: H0 : i = 0 versus Ha : i 0
2. Nivel de significacin:
= 0.05
1
F ( Tratam . ) FgltError
,0 .05 entonces se acepta la Ho:
1
F ( Tratam . ) > FgltError
,0 .05 , entonces se acepta la Ha:
5. Clculos:
a) Grados de Libertad:
GLRACIONES = t -1 = 4 - 1 = 3
t =4
GLError = ( ri 1 ) = ( 5 1 ) + ( 4 1 ) + ( 4 1 ) + ( 5 1 ) = 4+2+2+4=12
i =1
t =4
GLTotal = ( ri ) 1 = ( 5 + 3 + 3 + 5 ) 1 = 15
i =1
TC =
Y2
t =4
i =1 i
Y2 440 2
=
= 12100
16
N
Yi2
1252 1152 1002 1002
TC =
+
+
+
TC = 1286666667
TC = 766.666666
.
r
5
3
3
5
i =1 i
4
i)
SCRaciones =
4
ri
2
2
2
2
ii) SCTotal = Yij TC = 20 + 30 +L+30 TC = 13600 TC = 1500
i =1 j =1
G.L.
S.C.
C.M.
Fc Signif.
3 766.6666660 255.55555533 4.18
*
12 733.3333330 61.11111108
15 1500.0000000 100.00000000
CM Error
100 =
Y ..
6111111
.
100 = 28.43%
27 .5
Conclusin:
Se ha encontrado que la prueba Fc = 4.18> F 3
=3.49, entonces se rechaza la
12 ,0 .05
hiptesis nula (Ho:), es decir existe diferencia estadstica significativa entre las raciones alimenticias en el incremento de peso vivo (kg) en cerdos, esto nos obliga a
realizar la prueba post-test (comparaciones mltiples), para encontrar las mejores
raciones que han tenido efecto sobre el incremento de peso en cerdos.
- 122 -
OP
LM
0
P0P
MM
P
MM
0P
MM
0P
P0P
M
0P L O M
P
M
0P M P M
M P+
0P M P M
P M P M
0P N Q M
MM
0PP
MM
1P
P1P
MM
P1P
M
1P
MM
P1Q
N
11
0 0 0
11
12
0 0
12
13
0 0
14
0 0
15
0 0
21
1 0
22
1 0
23
1 0
31
0 1
32
0 1
33
0 1
41
0 0
42
0 0
43
0 0
44
0 0
45
0 0
13
14
15
21
22
23
31
32
33
41
42
43
44
45
OP
PP
PP
PP
PP
PP
PP
PPP
PP
PP
PP
PQ
Las ecuaciones normales generadas a partir del anterior modelo son: ( X ' X )b = X ' Y
LM16
MM 53
MM 3
MN 5
OP LM OP LMY OP
0P P Y P
M M
0P M P = MY P
P M P M P,
0P M P MY P
5PQ MN PQ MNY PQ
5 3 3 5
5 0 0
0 3 0
0 0 3
0 0 0
LM16
M5
X' X = M 3
MM 3
NM 5
5
5
0
0
0
3
0
3
0
0
3
0
0
3
0
LY OP LM440OP
PP MM125
P
= 115P
PP MM100PP
N PQ MN100PQ
OP
MMY
PP X ' Y = MY
PP ,
MMY
QP
MY
5
0
0
0
5
2
3
LM5
0
M =M
MM0
N0
0
3
0
0
0
0
3
0
OP
PP
PQ
LM
MM
MN
0
15
0
0
1
0 , encontrar la inversa de M. M =
0
5
0
sa generalizada es:
LM0
M0
G = M0
MM0
MN0
OP
PP
PP ,
PQ
0 0 0 0
15 0 0 0
0 13 0 0
0 0 13 0
0 0 0 15
entonces: b 0
LM0
0
M
= GX ' Y = M0
MM0
NM0
0
13
0
0
0
0
13
0
15
13
0
0
0
0
13
0
LM
N
LM
N
= 0
1252
5
1152
3
1002
3
OP
Q
OP
PP
PQ
0
0
, entonces la inver0
15
OP LM440OP LM 0 OP
125 5
125
P
P
P
M
M
0 P M115P = M115 3P
P M P M P
0 P M100P M100 3P
1 5QP NM100QP NM100 5QP
0
LM440OP
125
100O M P
F 440I
M115P 16G J
P
H 16 K
5 Q M P
100
MM PP
N100Q
1002
12100 = 766.666666
5
SSTm = Y' Y NY 2 = 20 30 L 20
LM20OP
30
M
P F 440I
30 M M P 16G
MM20PP H 16 JK
MN30PQ
G.L.
S.C.
C.M.
Fc Signif.
3 766.6666660 255.55555533 4.18
*
12 733.3333330 61.11111108
15 1500.0000000 100.00000000
- 124 -
iv) Estimar:
$ A =
$ i = Yi Y
125 440
115 440
$ B =
$ C =
100 440
= 33.33 27 .5 = 5.83 ,
3
16
100 440
$ D =
n $
i
i =1
i j
LM
MN
F 1 + 1 I
GH n n JK
i
LM
MN
F 1 + 1 I OP = 1
GH n n JK P
Q
i
1 2
FG IJ
H K
FG IJ OP = 095
H K PQ .
1 1
1 1
Pr ( 25 38333
. ) 2179
.
61111
.
+ 1 2 ( 25 38333
. ) + 2179
.
61111
.
+
5 3
5 3
LM
MN
FG 1 + 1IJ
H 5 3K
Pr ( 25 3333
. ) 2179
.
61111
.
FG 1 + 1IJ OP = 0.95
H 5 3K PQ
3 ( 25 3333
. ) + 2179
.
61111
.
LM
N
1 3
Pr ( 25 20 ) 2.179
1 4
OP
Q
2 61111
.
2 61111
.
1 4 ( 25 20 ) + 2 .179
= 0.95
5
5
LM n
MMnn
X' X = M
MMn
MNnM
OP
PP
P
0P ,
MP
P
nQ
n1 n2
n3 L nt
n1 0
0 n2
0
0
n3 L
M
0
M
0
M
0
L
L
O
L
0
0
LMY OP
Y
P
M
X ' Y = MY P
MM M PP ,
MNY PQ
LM0
M0
G = M0
MM M
MN0
L 0
L 0
L 0
O M
L 1 nt
0
0
1 n1
0
0 1 n2
M
M
0
0
OP
PP
PP
PQ
LMn
0
M =M
MM M
N0
b0
OP
PP
PQ
LM
MM
MN
0 L 0
1 n1 0
n2 L 0
0 1 n2
M O M ,encontrar la inversa de M. M 1 =
M
M
0 L nt
0
0
LM0
M0
= GX ' Y = M0
MM M
MN0
0
1 n1
0
M
0
L
L
L
0
1 n2
M
O
0 L
OP LMY OP LM 0 OP LM 0 OP
0 P M Y P M Y n P MY P
0 P MY P = MY n P = MY P
P M P M P M P
M P MMP M M P MM P
1 n PQ MNY PQ MN Y n PQ MNY PQ
0
LMY OP
MY P Y Y Y Y
MY P = + +L+ =
MM M PP n n n n
MNY PQ
2
1
2
2
2
t
2
i
i =1
OP
PP
PQ
L 0
L 0
,
O M
L 1 nt
- 126 -
b) SSR = SSR nY 2 =
m
FG IJ
H K
Yi 2
Y
n/
n/
i =1 ni
t
ni
c)
ni
Yi 2 Y2
n
i =1 ni
t
Y2
n
Yi 2
i =1 ni
t
Yij2
i =1 j =1
F ( Rm ) =
SSRm t 1
SSE n t
LM0 0
M0 1 n
H = GX' X = M0 0
MMM M
MN0 0
R|b = G X' Y
|b = G X ' Y
S
||b = G X' Y
T M M
0
0
1 n2
M
0
0
1
0
2
0
3
L
L
L
O
L
1
2
OP
PP
PP
PQ
LM
MM
MM
MM
N
n
0
n1
0
n2
0
n3
M
M
1 nt
nt
n1
n1
0
0
M
0
n2
0
n2
0
M
0
L
L
L
L
O
L
n3
0
0
n3
M
0
OP
PP
PP
PP
Q
LM
MM
MM
MM
N
nt 0 0 0
0 1 1 0
0 1 0 1
=
0 1 0 0
M
M M M
nt 1 0 0
0
0
0
1
M
0
L
L
L
L
O
L
OP
PP
PP LMN
PP
Q
0
0
0
0 01t
=
0 0t1 Itt
M
1
OP
Q
LM
MN
F 1 + 1 I
GH n n JK
i
F 1 + 1 I OP = 1
GH n n JK P
Q
i
EJEMPLO:
En los invernaderos del Programa de Papa, se llev a cabo un ensayo con tres
variedades de papas mejoradas, plntulas in vitro sembradas en macetas de 8 de
dimetro con la finalidad de evaluar el rendimiento de semilla pre-bsica (V1: variedad
Anlisis y Diseo de Experimentos - 127 Mara Huanca, V2: Molinera, y V3: Mariva). Rendimiento de tubrculo (g/planta)
de tres variedades de papa, plntulas in vitro, bajo condiciones de invernadero. La
informacin se presenta a continuacin:
rep.
1
2
3
4
5
6
7
8
9
10
Total
Promedio
ni
V1
225
225
250
250
200
150
200
150
150
200
2000
200.0
10
Variedades
V2
125
150
150
150
150
75
125
100
125
1150
127.8
9
V3
125
125
175
125
175
150
150
1025
146.4
7
4175
160.577
26
SOLUCIN:
1. Hiptesis: H0 : i = 0 versus Ha : i 0
2. Nivel de significacin:
= 0.05
1
F ( Varied . ) FgltError
,0 .05 entonces se acepta la Ho:
1
F ( Varied . ) > FgltError
,0 .05 , entonces se acepta la Ha:
G.L.
S.C.
C.M.
Fc Signif.
2 26625.0763100 13312.53815500 13.71 **
23 22341.2698400 971.35955826
25 48966.3461500 1958.65384600
97135956
.
100 = 19.41%
160.5769
- 128 -
F
GH
CM Error 1 1
+
2
ni n j
I
JK
i = j versus Ha: i j
2. Nivel de Significacin: = 0.05.
1. Hiptesis: Ho:
3. Buscar en la Tabla de Duncan, los valores de AES(D) con los grados de libertad del error. En nuetro ejemplo: GLerror = 23.
p
2
3
AES(D)
2.92
3.07
4. Ordenar los promedios en forma descendente.
Variedades
Mara Huanca (V1)
Mariva (V3)
Molinera (V2)
n
10
7
9
Promedio
200.00
146.43
127.78
Duncan (P 0.05)
a
b
b
FG
H
IJ
K
.
97135956
1 1
+
= 3171
.
2
10 7
FG
H
IJ
K
.
97135956
1 1
+
= 32.43
2
7 9
Lote 2
23.59
23.46
23.42
23.49
23.50
Lote 3
23.51
23.64
23.46
23.52
23.49
Lote 4
23.28
23.40
23.37
23.46
23.39
Lote 5
23.29
23.46
23.37
23.32
23.38
a) Hay variacin significativa en el contenido de calcio de un lote a otro?. b) Interprete los resultados obtenidos.
2.- Se pide a cuatro qumicos que determinen el porcentaje de alcohol metlico en un
compuesto qumico. Cada uno realiza 3 determinaciones y los resultados son los
siguientes:
Qumico
1
2
3
4
a) Difieren significativamente los resultados obtenidos por los qumicos?. Use = 0.05
b) Interprete los resultados encontrados en base al problema dado.
3.- En una forja se utilizan varios hornos para calentar muestras de metal. Se supone
que todos los hornos operan a la misma temperatura, aunque se sospecha que
quizs esto probablemente no es cierto. Se seleccionan aleatoriamente tres hornos y se anotan sus temperaturas en tres calentamientos sucesivos. Los datos se
muestran a continuacin:
Horno
1
2
3
491.50
488.50
490.10
498.30
484.65
484.80
Temperatura
498.10
493.50
479.90
477.35
488.25
473.00
493.60
471.85
478.65
- 130 -
A
1 4 .2 9
1 9 .1 0
1 9 .0 9
1 6 .2 5
1 5 .0 9
1 6 .6 1
1 9 .6 3
M to do de e m pa qu e
B
2 0 .0 6
2 0 .6 4
1 8 .0 0
1 9 .5 6
1 9 .4 7
1 9 .0 7
1 8 .3 8
C
2 0 .0 4
2 6 .2 3
2 2 .7 4
2 4 .0 4
2 3 .3 7
2 5 .0 2
2 3 .2 7
Proporcionan estos datos la suficiente evidencia para indicar, a un nivel de significacin de 0.01, que hay una diferencia entre los mtodos de empaque?.
Anlisis y Diseo de Experimentos - 131 3.3. Diseo completo al azar con igual numero de subunidades por unidad experimental.
Este diseo es usado cuando se demandan unidades experimentales muy grandes debido a ello es posible dividirla en subunidades y ser estudiadas a partir de
muestras pequeas, tambin cuando se presentan experimentos donde es muy tedioso tomar toda la unidad experimental, siendo por esto necesario sacar subunidades
de cada unidad. En estas situaciones es permisible modificar el modelo original, lo
cual nos permitir cuantificar el efecto mediante muestras de cada unidad experimental. Lgicamente, la modificacin en la recoleccin de datos acarrear un error
extra al ya mencionado en el modelo; le denominaremos error de muestreo (EM).
Caractersticas:
Se debe tener claro que en este tipo de diseos existen dos tipos de anlisis:
referente a las unidades y otro referente a las subunidades. Los cuales generan dos
fuentes de variabilidades que contribuyen a formar la variancia para las comparaciones entre los promedios de los tratamientos, estas son:
- La variabilidad entre las subunidades de una misma unidad experimental.
El cuadrado medio de esta variabilidad se denomina Error de Muestreo
(EM).
- La variabilidad entre las unidades experimentales de un mismo tratamiento.
El cuadrado medio de esta variabilidad se denomina Error Experimental
(EE).
Casos ilustrativos:
Caso 1: Sea el experimento donde se evalan 4 tratamientos de ellos se pudieron
registrar varias observaciones por batera mediante la conexin de varios
medidores a cada batera. Estas observaciones por batera son llamados
"muestras dentro de unidades experimentales".
Caso 2: En un experimento de campo, el investigador puede no tener tiempo para
cosechar totalmente cada parcela experimental. De esta manera, podr seleccionar al azar varios cuadros por parcela y cosechar el grano en cada
cuadro seleccionado, de nuevo se describir esas observaciones como muestras dentro de unidades experimentales.
Caso 3: Tomemos parcelas de 20 surcos x 40 m de largo, por falta de tiempo para
cosechar, se realiza el muestreo para cada parcela (5 secciones de surco de 5
m).
- 132 -
malmente.
El modelo estadstico apropiado estar dada por:
Y ijk = +
ij
ijk
i = 1,2 , L , t
j = 1,2 , L , r
k = 1,2 , L , s
donde:
Yijk = Es la variable respuesta de la k-sima muestra (subunidad) de la j-sima
unidad experimental sujeta al i-simo tratamiento.
ij
ijk ~ D N I ( 0 , e2 )
G.L.
S.C.
t
Entre grupos
t-1
i =1
Yij2.
i =1 j =1
r
Yi ..2
j =1 rs
r
tr(s-1) Yijk
2
i =1 j =1 k =1
Total
Yi ..2
Y2
...
rs
trs
s
t
Error de muestreo
C.M.
trs-1
i =1 j =1
2
ijk
i =1 j =1 k =1
Fc.
S C tr a t .
t 1
CM t
C M ee
S C e .e x p
CM
CM
t ( r 1)
Yij2.
s
CME.
ee
em
SC em
tr ( s 1)
2 + n e2 + rs
2
i
t 1
2 + s 2e
Y...2
trs
EJEMPLO:
Los datos que se muestran a continuacin se refieren a producciones parciales de
forraje de maz en verde, tomadas como muestras ante la imposibilidad de medir la
produccin total de cada unidad experimental. Los tratamientos consisten en cantidades diferentes de estircol incorporado al suelo como mejorador.
D o s is
0
Y ij.
4 to n /h a
Y ij.
6 to n /h a
Y ij.
2 to n /h a
Y ij.
I
24
23
21
68
25
28
30
83
56
65
58
179
24
19
23
66
II
19
21
24
64
31
24
32
87
62
60
59
181
21
22
24
67
III
18
19
22
59
28
32
36
96
61
60
64
185
23
18
22
63
IV
23
22
20
65
34
33
29
96
62
60
61
183
19
21
23
63
Y...
Y i. .
256
362
728
259
1 6 05
- 134 -
Hiptesis:
Ha:
Suma de cuadrados.
SCt =
= 0
= 12469.895
12
48
SCe.exp. =
12469.895 = 67.916
3
48
16052
= 12765.812
48
S.C.
12469.896
67.917
228.000
12765.813
C.M.
4156.632
5.660
7.125
Fc.
734.42**
0.79ns.
Con base en lo anterior, y debido a que Fc = 734.42 > F(3,12,0.01) = 5.95, podemos
afirmar que rechazamos la hiptesis de igualdad de tratamientos, pero ser necesario
aplicar otro tipo de pruebas a fin de establecer conclusiones especficas acerca de este
trabajo en particular. Por otra parte, el ANVA slo indica una diferencia entre tratamientos, pero no especifica entre cul; as que efectuaremos una particin de la suma
de cuadrados de tratamientos, considerando los totales de tratamientos en funcin de
su peso.
Yi.
256
259
362
728
SC. = 12/2
C 1 : T1 v s . T 2
-1
1/9
C2 : T1 T2 vs. T3 T4
-1
-1
330625
C 3 : T3 vs. T4
-1
133956
24
5581.500
SCtratam. = 12469.896
2/24
0.375
48
6888.021
FG C
H
t
ij
Y i ..2
i =1
IJ
K
CM =
SCC j
gl
Fc =
CM Ci
CM ee
F 112 ,
2 rs C ij2
i =1
0.375
6888.021
5581.500
0.066ns.
0.05
0.01
1219.12**
987.87**
- 136 -
DF
15
32
47
Coeff Var
7.982862
Source
ESTIER
PRODUC(ESTIER)
Sum of
Squares
12537.81250
228.00000
12765.81250
Root MSE
2.669270
DF
3
12
Mean Square
835.85417
7.12500
F Value
117.31
Pr > F
<.0001
Mean Square
4156.63194
5.65972
F Value
583.39
0.79
Pr > F
<.0001
0.6530
MAIZ Mean
33.43750
Type I SS
12469.89583
67.91667
Tests of Hypotheses Using the Type III MS for PRODUC(ESTIER) as an Error Term
Source
DF
Type III SS
Mean Square
F Value
Pr > F
ESTIER
3
12469.89583
4156.63194
734.42
<.0001
MAIZ LSMEAN
21.3333333
21.5833333
30.1666667
60.6666667
Standard
Error
0.7705518
0.7705518
0.7705518
0.7705518
Pr > |t|
<.0001
<.0001
<.0001
<.0001
LSMEAN
Number
1
2
3
4
1
2
3
4
4
<.0001
<.0001
<.0001
1
78
61
75
Mquina 1
2
96
76
65
3
47
58
55
Mquina 2
2
86
80
90
1
93
100
90
3
74
66
80
1
88
75
67
Mquina 3
2
52
55
50
3
43
54
63
G.L.
S.C.
F YI
GH JK
rij
ri
t-1
j =1 k =1
SC trat .
gl trat .
TC
ri
i =1
ij
j =1
F YI
GH JK
rij
Error experimental ( ri
1)
i =1
F YI
GH JK
rij
ri
g l e .e xp .
ij
F Y I
GH JK
rij
Error de muestreo
(r
ij
i =1 j =1
Total
ri
ri
Yijk2
i =1 j =1 k =1
ri
ij
i =1 j =1
1)
rij
ri
ri
i =1 j =1
rij
2
ijk
i =1 j =1 k =1
CM t
C M ee
S C e .e xp
j =1 k =1
i =1
j =1
CME.
2e + k 2 2D + k 3 2t
ijk
k =1
i =1 j =1
rij
ri
ijk
ri
Fc.
ijk
Tratamientos
C.M.
ijk
k =1
rij
TC
CM
CM
ee
em
2e +k12D
S C em
g lem
2e
- 138 -
F r I
G J
r GG JJ
n
r
GH JK n.. n..
=
k =
ri
F
I
GH Y JK
TC =
t
rij
ri
ijk
i =1 j =1 k =1
t
ri
ri
ij
i =1 j =1
2
ij
i =1 j =1
(r 1)
i
i =1
F r I r
G JJ
GG
J
GH r JK r
=
ri
ri
2
ij
2
ij
j =1
ri
ri
F I
GH r JK
ri
i =1
j =1
ij
i =1 j =1
t 1
ri
i =1 j =1
ij
j =1
ij
ri
i =1 j =1
ij
k2
ri
j =1
i =1 j =1
i =1
i =1
j =1
ri
ij
(Y ) 2
= ... ,
n..
ij
2
ij
ij
i =1 j =1
k3 =
t 1
EJEMPLO:
Se ha registrado la informacin que corresponde a las llamas del CIP - La Raya, para
lo cual se ha empadrado 7 hembras con 4 padres, registrndose el peso vivo al nacimiento. La informacin se presenta a continuacin.
Padres
Madres
1
2
3
P1
M1
8.0
9.3
Yij.
17.30
Yi..
17.30
M1
8.0
9.5
9.0
26.50
P2
M2
11.0
10.7
M3
8.5
9.5
M1
12.5
12.3
P3
M2
12.0
10.0
10.0
P4
M1
10.0
10.7
9.0
21.70
18.00
24.80
32.00
29.70
170
29.70
170
17
66.20
56.80
nij = rij
ni. = ri.
17
ni = ri
r1 = 1
r2 = 3
r3 = 2
r4 = 1
1. Hiptesis: H 0 : i = 0 Vs. H a : i 0
2. Nivel de significacin:
= 0.05
3. Estadgrafo de contraste: F =
CM Padres
1
~ FgltError
CM EE
GLEE = ( ri 1 ) = ( 1 1 ) + ( 3 1 ) + ( 2 1 ) + ( 1 1 ) = 3
i =1
t =4 ri
r1 =1
r2 =3
r3 =2
r4 =1
i =1 j =1
j =1
j =1
j =1
j =1
GLEM = ( rij 1) = ( r1 j 1) + ( r2 j 1) + ( r3 j 1) + ( r4 j 1)
= ( r11 1) + ( r21 1) + ( r22 1) + ( r23 1) + ( r31 1) + ( r32 1) + ( r41 1)
= (2-1)+(3-1)+(2-1)+(2-1)+(2-1)+(3-1)+(3-1) = 10
t =4
ri
GLTotal = ( rij ) 1 = 2 + 3 + 2 + 2 + 2 + 3 + 3 1 = 17 1 = 16
i =1 j =1
TC =
t =4
ri
2
Y
1702
=
= 1700
r
17
ij
i =1 j =1
i)
F YI
GH JK
=
ri
t =4
SCTrat .
rij
ijk
ri
rij
r21 =3
11k
k =1
k =1
r11
j =1 k =1
j =1 k =1
r1 =1
r2 =3
r3 =2
r22 =2
r23 =2
r2 j
k =1
k =1
r31=2
k =1
j =1 k =1
r4 =1
r32 =3
31k + Y32k
k =1
r31 + r32
TC
4j
j =1
IJ FG Y
K +H
4jk
r3 j
j =1
r4 =1 r4 j
3jk
j =1 k =1
r3 =2 r3 j
2jk
j =1
FG Y IJ FG Y
H K +H
=
r2 =3 n2 j
r1 j
j =1
r11 =1
r1 =1 r1 j
1jk
j =1 k =1
i =1
F YI F YI F YI F YI
GH JK GH JK GH JK GH JK
TC =
+
+
+
j =1
IJ FG Y IJ
K + H K TC
2
r41=3
41k
k =1
r41
( Y111 + Y112 )2 (Y211 + Y212 + Y213 + Y221 + Y222 + Y231 + Y232 )2 (Y311 + Y312 + Y321 + Y322 + Y323 )2 (Y411 + Y412 + Y413 )2
+
+
+
TC
r11
r21 + r22 + r23
r31 + r32
r41
= 14.9858571
- 140 -
F YI
GH JK
=
rij
t =4
ii) SCEE
F YI
GH JK
ijk
ri
rij
ijk
t =4
k =1
i =1 j =1
rij
ri
j =1 k =1
ri
i =1
ij
j =1
F YI
GH JK
=
r1j
1jk
r1 =1
r2j
r1 j
2jk
r2 =3
k =1
j =1
F YI
GH JK
+
k =1
r2 j
j =1
F YI
GH JK
+
43j
3jk
r3 =2
r4j
r3 j
4jk
r4 =1
k =1
j =1
F YI
GH JK
+
k =1
1714.985857
r4 j
j =1
FGY IJ FGY IJ FG Y IJ FG Y IJ FG Y IJ FG Y IJ FG Y IJ
H K +H K +H K +H K +H K +H K +H K 1714985857
=
.
2
r11=1
11k
k=1
r22 =2
21k
k=1
r23
r32 =3
31k
k=1
r22
r31=2
23k
k=1
r21
r23=2
22k
k=1
r11
r21=3
32k
k=1
r31
r32
n41=3
41k
k=1
r41
(Y111 +Y112 )2 (Y211 +Y212 +Y213 )2 (Y221 +Y222 )2 (Y231 +Y232 )2 (Y311 +Y312 )2 (Y321 +Y322 +Y323 )2 (Y411 +Y412 +Y413 )2
+
+
+
+
+
+
1714985857
.
r11
r21
r22
r23
r31
r32
r41
F YI
GH JK
rij
ri
rij
ri
i =1 j = 1
ijk
k =1
rij
iv) SCTotal =
ri
rij
Y
i =1 j =1 k =1
2
ijk
GL.
3
3
10
16
SC.
14.985857
9.070810
6.703333
30.760000
CM.
4.9952857
3.0236032
0.67033334
Fc
1.65
4.51
F r I
G J
r GG JJ r
GH r JK
k =
=
2
ij
r1 =1
j =1
ri
ij
i =1 j =1
i =1
1j
j =1
r2 =3
r3 =2
r41 =1
j =1
j =1
j =1
+r2 j +r3 j + r4 j
ij
j =1
r1 =1
j =1
j =1
LMF r I F r
G JJ + GG
MG
MMG r J G r
MNGH JK GH
r1 =1
ri
t =4
ri
r2 =3
2
1j
j =1
r2 =3
1j
j =1
2
2j
2j
I F r I F r
JJ + GG JJ + GG
J G J G
KJ GH r JK GH r
r3 =2
r4 =1
2
3j
j =1
r3 =2
j =1
r4 =1
3j
j =1
j =1
( r1 1) + ( r2 1) + ( r3 1) + ( r4 1)
( r 1)
2
4j
4j
IO
JJ
JJ
KQ
i =1
LMr
Nr
OP
Q
k1 =
2
11
OP
Q
F r I F r I
F r I
GG JJ GG
G
JJ .
JJ
10 02857143 G
G
GG r JJ
GH r JJK GGH r JJK
H
K
=
=
ri
ri
2
ij
j =1
bi
i =1
i =1 j =1
ri
t
ij
ij
ij
i =1 j =1
i =1 j =1
t 1
F r +r
G
1002857143
.
G
GG r +r
H
==
r1 =1
r2 =3
2
1j
2
2j
j =1
r1 =1
j =1
r2 =3
1j
2j
j =1
j =1
4 1
I
JJ
F 2 + 3 +2 +2 + 2 +3 +3 IJ
+r +r JJ 1002857143
G
K= .
H 2+ 3+2 +2 + 2 +3+3 K = 249971989
.
r3 =2
r41 =1
j =1
r3 =2
j =1
r41 =1
+r32j +r42j
3j
j =1
ri
i =1
ij
i =1 j =1
ij
ri
rij
i =1 j =1
LMF I F I F I F I OP
GHr JK + GHr JK +GHr JK +GHr JK P
M
N
Q
17
2
r1
j =1
t ri
t 1
4j
j =1
F I
GHr JK
r
t
k3 =
2
ij
i =1 j =1
ri
t
j =1
ri
2
ij
t =4
k2
LM
N
22 32 + 22 + 22 22 + 32 32
r212 + r222 + r232 r312 + r322 r412
17
+
+
+
+
+
2
3+ 2 + 2
2+3 3
r21 + r22 + r23 r31 + r32 r41
11
= 2.3238095
=
3
(1 1) + ( 3 1) + ( 2 1) + (1 1)
17
1j
j =1
r2i
2j
j =1
r4
3j
j =1
17
4 1
r3
4j
j =1
- 142 -
17
17
22 + ( 72 ) + 52 + 32
17
3
= 3960784
.
Sum of
DF
Squares
Mean Square
6
24.05666667
4.00944444
10
6.70333333
0.67033333
16
30.76000000
Root MSE
PENAC Mean
0.818739
10.00000
Source
PADRE
MADRE(PADRE)
DF
3
3
Source
DF
PADRE
3
MADRE(PADRE)
3
Tests of Hypotheses Using the
Source
DF
PADRE
3
The GLM Procedure
Least Squares Means
PADRE
P1
P2
P3
P4
PENAC LSMEAN
8.6500000
9.5611111
11.5333333
9.9000000
Type I SS
14.98585714
9.07080952
Mean Square
4.99528571
3.02360317
F Value
5.98
Pr > F
0.0069
F Value
7.45
4.51
Pr > F
0.0066
0.0301
Type III SS
Mean Square
F Value
Pr > F
16.14253525
5.38084508
8.03
0.0051
9.07080952
3.02360317
4.51
0.0301
Type III MS for MADRE(PADRE) as an Error Term
Type III SS
Mean Square
F Value
Pr > F
16.14253525
5.38084508
1.78
0.3238
Standard
Error
0.5789358
0.3151327
0.3737015
0.4726991
Pr > |t|
<.0001
<.0001
<.0001
<.0001
LSMEAN
Number
1
2
3
4
30.760000
14.985857
9.070810
6.703333
PENAC Mean
Standard Error of PENAC Mean
1.922500
4.995286
3.023603
0.670333
2.135836 100.0000
0.452825 21.2013
1.012678 47.4136
0.670333 31.3851
10.00000000
0.57133540
FORMA MATRICIAL
a) Modelo:
Yijk = + i + ij + ijk
nij obser-
- 144 -
b) Ecuaciones normales:
LMY
MMYY
MMY
MMY
MMY
MMYY
MMY
MMY
MMY
MMYY
MMY
MMY
MMYY
N
111
112
211
212
213
221
222
231
232
311
312
321
322
323
411
412
413
OP LM1
PP MM11
PP MM1
PP MM1
PP MM1
PP MM11
PP = MM1
PP MM1
PP MM1
PP MM11
PP MM1
PP MM1
PP MM11
Q N
OP
LM
0
P0P
MM
P LO M
0P M P M
0P M P M
P M P M
0P M P M
0P M P M
P M P M
0P M P M
0P MM PP + M
P M
0P M P M
P M P
0P M P MM
0P M P M
P M P M
0P M P M
0P M P M
P M P M
1P N Q M
MM
1P
P1P
MN
Q
1 0 0 0 1 0 0 0 0 0 0
111
1 0 0 0 1 0 0 0 0 0
112
0 1 0 0 0 1 0 0 0 0
0 1 0 0 0 1 0 0 0 0
0 1 0 0 0 1 0 0 0 0
0 1 0 0 0 0 1 0 0 0
0 1 0 0 0 0 1 0 0 0
0 1 0 0 0 0 0 1 0 0
0 1 0 0 0 0 0 1 0 0
0 0 1 0 0 0 0 0 1 0
0 0 1 0 0 0 0 0 1 0
0 0 1 0 0 0 0 0 0 1
0 0 1 0 0 0 0 0 0 1
0 0 1 0 0 0 0 0 0 1
0 0 0 1 0 0 0 0 0 0
0 0 0 1 0 0 0 0 0 0
0 0 0 1 0 0 0 0 0 0
211
212
213
221
222
231
11
232
21
311
22
312
23
321
31
322
32
323
411
412
413
OP
PP
PP
PP
PP
PP
PP
PP
PP
PP
PP
PP
PP
Q
LM17
MM 27
MM 5
MM 3
MM 2
MM 23
MM 2
MM 2
MM 3
N3
OP LM
P0P MM
P M
0P M
3P M
P M
0P M
0P M
P M
0P M
0P M
P M
0P M
M
0PP M
3PQ MN
2
2
7
0
5
0
3 2
0 2
3 2
0 0
2
0
2
0
3 3
0 0
0
0
0
7
0
0
0
5
0
0 0
0 0
3 0
3 2
0 0
0 0
2
0
0
0
2
0
0
3
0
2
0
0
3
0
0
0 2
0 0
0 0
3 0
0
0
0
0
0
0
0
0
0
0
2
2
0
0
0 0 0
0 0 0
2 0 0
3 0 0
0
0
0
0
2
0
0
0
0
2
0
0
0
0
2
0
0
0
0
3
0 0
3 0
0
1
0
2
0
3
0
4
0
11
0
21
0
22
0
23
0
31
0
32
0
41
OP L 170 O
PP MM17.3 PP
.2 P
PP MM66
P
.8 P
56
M
PP M29.7 P
PP = MM17.3 PP
26.5 P
PP MM 21
P
.7 P
M
PP M18.0 P
PP MM24 .8 PP
PP MM32.0PP
Q MN29.7 PQ
Los puntos representan ceros. La forma general de la ecuacin est dada por:
LMn
MMnn
MMn
MMn
MMn
MMnn
MMn
MMn
MMn
Nn
32
n1
n1
n11
41
2
3
4
11
21
22
23
31
OP
PP
PP
PP
PP
PP
PP
PP
PP
Q
LM
MM
MM
MM
MM
MM
MM
MM
MM
N
OP
PP
PP
PP
PP
PP
PP
PP
PP
Q
LM
MM
MM
MM
MM
MM
MM
MM
MM
N
Y
n2 n3 n4 n11 n21 n22 n23 n31 n32 n41
0
0
n11
Y1
1
0
Y2
n2 n21 n22 n23
2
n3 n31 n32
Y3
03
0
n4 n41
Y4
4
0
n11
Y
11
= 11
0
Y21
n21 n21
21
0
Y
n22 n22
22
22
Y23
n23 n23
023
n31 n31
Y31
031
0
n32 n32
Y32
32
0
n41 n41
Y41
41
OP
PP
PP
PP
PP
PP
PP
PP
PP
Q
N de madres
- 146 -
p = 1 + a + b = 1 + 4 + 7 = 12 , p r = 1 + a = 1 + 4 = 5
ij0 = Yij i , j b 0' = 0'1( 1+ a ) Y ' , donde Y ' = Vector de filas de promedio.
Y ' = Y11
b 0' = 0'1( 1+ 4 )
Y31 Y32
G=
LM0
N0
OP
Q
0
D( 1 nij ) para i = 1,2,...,a; j = 1,2,.., bi Donde D( 1 nij ) .
1 1 1 1 1 1 1
, , , , , y
2 3 2 2 2 3 3
FG 170IJ
H 17 K
= 1700, TC =
2
Y
1702
=
= 1700
n
17
a bi
Yij2 b1 Y12j b2 Y22j b3 Y32j b4 Y42j
R( ,,: ) = SSR = b0' X' Y = = + + +
i=1 j=1 nij
j=1 n1j
j=1 n3 j
j=1 n2 j
j=1 n4 j
. 2 265
. 2 217
. 2 182 248
. 2 322 297
.2
Y112 Y212 Y222 Y232 Y312 Y322 Y412 173
+ +
+ + + +
=
+
+
+ +
+
+
n11 n21 n22 n23 n31 n32 n41
2
3
2
2
2
3
3
= 1724.056667
bi
nij
G.L.
SS.
R( )=1700
R( ,: ) =24056666
.
Modelo
GLModelo = b 1= 6
Error Residual
SSE = 6.70333
N = 17
SST = 1730.76
Total
MS.
Fc
MSM = 1700
F(M)= 2536.05
MSRm =4009444
.
.
F( Rm ) =598
MSE = 0.670333
R( )
14 .9858571
=
= 7.45
( a 1 ) MSE 3 0.670333
F ( Madres: Padres ) = F ( : , ) =
F. de V.
Padres
G.L.
a-1 = 3
R( : , )
9.0708099
=
= 4.51
( b a ) MSE 3 0.670333
SS.
SSPadres =14.985857
Madres/Padres
.
GLM:P =b a = 74 = 3 SSM:P = 90708099
Error Residual
GLError = Nb =177=10
SSE = 6.70333
Total corregido
N - 1 = 16
SSTm = 30.76
MS.
Fc
MSPadres = 49952857
.
F(Padres) =7.4
MSM:P = 30236033
.
MSE = 0.670333
F(M:P) = 4.51
- 148 -
EJEMPLO:
En el Centro Experimental Chuquibambilla de la Universidad Nacional del Altiplano, se evaluaron los pesos de destete (kg) en ovinos criollos de la progenie de 8
hembras, las cuales fueron apareados a 3 padres. Cada padre fue apareado al azar
con diferente nmero de madres, de los cuales cada madre tiene diferente nmero de
cras (1984 - 1989). Con la informacin obtenida se estimaron los componentes de
varianza y la heredabilidad para esta caracterstica. Informacin de peso al destete
(kg) en ovinos criollos del Centro Experimental Chuquibambilla - UNA - Puno.
Padres
Madres
1
2
3
4
5
6
Yijk
nij
Yi..
M602
15
17
14
13
15
74
5
P1
M270
16
15
13
44
3
196
M694
17
19
18
24
78
4
P2
M268 M278
22
22
15
19
19
18
20
15
17
93
5
167
74
4
M246
15
17
18
22
20
17
109
6
P3
M249
16
17
20
18
71
4
290
M603
25
16
16
20
15
18
110
6
653
37
/* PROGRAMA EN SAS */
DATA CRIOLLO;
OPTIONS NODATE NOCENTER NONUMBER;
TITLEDISEO ANIDADO O JERARQUICO;
INPUT PADRE MADRE CRIA PEDE;
CARDS;
1 1 1 15
1 1 2 17
1 1 3 14
1 1 4 13
..................(ingrese los datos siguiente....)
3 3 3 16
3 3 4 20
3 3 5 15
3 3 6 18
;
PROC PRINT; RUN;
PROC GLM;
CLASS PADRE MADRE CRIA;
MODEL PEDE = PADRE MADRE(PADRE);
TEST H = PADRE E =MADRE(PADRE);
RUN; /* PRESIONE UD. F3 PARA EJECUTAR EL PROGRAMA */
Sum of
DF
Squares
Mean Square
7
92.8490991
13.2641570
29
205.5833333
7.0890805
36
298.4324324
Root MSE
PEDE Mean
2.662533
17.64865
Source
PADRE
MADRE(PADRE)
DF
2
5
Type I SS
31.79354354
61.05555556
Mean Square
15.89677177
12.21111111
F Value
1.87
Pr > F
0.1113
F Value
2.24
1.72
Pr > F
0.1243
0.1610
Tests of Hypotheses Using the Type III MS for MADRE(PADRE) as an Error Term
Source
DF
Type III SS
Mean Square
F Value
Pr > F
PADRE
2
30.34375550
15.17187775
1.24
0.3647
PEDE LSMEAN
16.3222222
18.5500000
18.0833333
Standard
Error
0.7855015
0.8930406
0.6778477
Pr > |t|
<.0001
<.0001
<.0001
LSMEAN
Number
1
2
3
- 150 -
4
DISEO BLOQUE
COMPLETO AL AZAR
(DBCA)
4.1. DISEO BLOQUE COMPLETO AL AZAR (DBCA)
Caractersticas:
Este diseo es uno de los ms ampliamente conocidos y difundidos de los diseos
experimentales, tambin se conoce como Diseo Bloque Completamente Aleatorizado,
y se caracteriza porque los tratamientos se distribuyen en forma aleatoria, a un grupo
de unidades experimentales denominado bloque, la finalidad es que las unidades
experimentales dentro de un bloque sean lo ms homogneas posibles, es decir el
nmero de unidades experimentales en cada bloque debe ser igual al nmero de
tratamientos que se quiere estudiar.
Los bloques pueden estar formados por reas homogneas de un terreno, grupo
de animales que puedan manipularse en forma uniforme (misma raza, misma edad,
mismo peso, etc.)
En resumen, en este diseo de bloques completos al azar los tratamientos son
aleatoriamente asignados a las unidades experimentales (homogneos) dentro de cada
- 152 -
(a)
(b)
(c)
Anlisis y Diseo de Experimentos - 153 formacin de bloques. Obsrvese el balance que existe en este diseo. Cada observacin se clasifica de acuerdo con el bloque que contiene la unidad experimental y al
tratamiento aplicado, dando lugar a una clasificacin de dos vas. Cada tratamiento
aparece un nmero igual de veces, generalmente una vez, en cada bloque y cada
bloque contiene todos los tratamientos. Bloques y tratamientos son ortogonales entre
s. Esta propiedad es la que lleva a los sencillos clculos aritmticos que entran en el
anlisis de los datos resultantes. Este diseo se usa con mayor frecuencia que cualquier otro y si da precisin satisfactoria, no hay objeto de usar otro diferente.
EJEMPLO.
Si se tiene un terreno con diferentes niveles de pendiente, para instalar un
experimento se podra distribuir del siguiente modo, en un ensayo de 4 tratamientos.
Bloque I
T1
T2
T3
T4
Bloque II
T3
T1
T4
T2
Bloque III
T4
T3
T1
T2
T1
T2
T3
T4
Bloque II
T3
T1
T4
T2
Bloque III
T4
T3
T1
T2
VENTAJAS:
1) Precisin: este diseo ha resultado ms preciso que el diseo completamente al
azar, para la mayora de los tratamientos experimentales. La eliminacin de la
suma de cuadrados de bloques desde la suma de cuadrados del error usualmente
resulta en un decrecimiento en el cuadro medio del error a pesar de la prdida de
grados libres para estimar este error. Permite ganar mayor precisin en el
experimento, principalmente cuando existe diferencias significativas entre bloques.
Flexibilidad: no existe una restriccin en relacin al nmero de tratamientos y
de repeticiones, sin embargo, el aumento en el nmero de tratamientos conlleva a
- 154 -
i =1
= 0,
=0
j =1
i ~ (0, 2 ),
j ~ (0, 2 )
Anlisis y Diseo de Experimentos - 155 Esquema del diseo bloque completo al azar.
Tabla de valores de la muestra para DBCA.
Tratamientos
(i )
1
2
3
.
i
.
t
Y.j
1
Y11
Y12
Y13
....
Yi1
....
Y1r
Y.1
2
Y21
Y22
Y23
....
Yi2
....
Y2r
Y.2
Repeticiones (j = 1,2,3,..,r)
3
....
j
Y31
....
Y1j
Y32
....
Y2j
Y33
....
Y3j
....
....
....
Yi3
....
Yij
....
....
....
Y3r
....
Ytj
Y.3
....
Y.j
....
....
....
....
....
....
....
....
....
Total
Yi.
Y1.
Y2.
Y3.
....
Yi.
....
Yt.
Y..
r
Yr1
Yr2
Yr3
....
Yir
....
Yrt
Y.r
Yij = + i + j + ij ;
i = 12
, ,L, t (t = tratamientos)
j = 12
, ,L, r (r = bloques)
donde :
Yij
= Variable de respuesta observada en la unidad experimental ubicada en el jsimo bloque que recibe el tratamiento "i".
= Constante comn para toda la observacin o media de la poblacin.
ij
~ D N I (0,
2
e
).
- 156 -
HIPOTESIS:
Modelo I
Respecto a tratamientos:
Respecto a bloques:
Modelo II
H 0 : i = 0
H0 : 2 = 0
H a : i 0
H a : 2 0
H0 : j = 0
H 0 : 2 = 0
Ha : j 0
H a : 2 0
ANALISIS DE VARIANZA
De acuerdo al modelo estadstico lineal el anlisis de varianza tiene tres fuentes de
variacin: Tratamientos, bloques y error experimental que juntos constituyen la
variabilidad total.
Yij = + i + j + ij
Poblacin:
Yij = + ( i ) + ( j ) + ( Yij i j + )
Yij Y = ( Yi Y ) + ( Y j Y ) + ( Yij Yi Y j + Y )
[Yij Y ]2 = [( Yi Y ) + ( Y j Y ) + ( Yij Yi Y j + Y )]2
(Yij Y ) 2 = (Yi Y ) 2 + (Y j Y ) 2 + (Yij Yi Y j + Y ) 2
Aplicando sumatorias a ambos miembros, se tiene:
t
(Y Y ) = (Y Y ) + (Y
ij
i=1 j =1
i=1 j =1
(Y Y )
ij
i=1 j =1
i=1 j =1
i=1
j =1
Y )2 + (Yij Yi Y j + Y )2
i=1 j =1
= r(Yi Y )2 + t (Y j Y )2 + (Yij Yi Y j + Y )2
i=1 j =1
t(r-1)
tr-1
FORMULA:TABLADEANLISISDEVARIANZAPARAELDISEOBLOQUECOMPLETOALAZAR(DBCA).
SUMADECUADRADO
Gradosde
FuentesdeVariacin Libertad
Definicin
Operacional
r
t(Yj Y)
Bloques
r-1
j=1
Tratamientos
t-1
r(YiY)2
r 2
j
CVE(CM)
Fc
Mode
ModeloI
r
SCBloque = TC
j=1 t
SCBloque CMBloque
CMBloque=
r1 CMError
2e +
Y2
SCTrat. =i TC
i=1 r
SC CMTrat.
CMTrat. = Tratam.
t1 CMError
i=1
Cuadrado
Medio
2
j
j =1
r 1
t
2
e
ri2
i=1
2e+
t r
t r
t 2 r 2
(Yij YiYj +Y)2 SC = Y Yi Yj +TC CM = SCError
ErrorExperimental (t-1)(r-1)
Error
ij
Error
i=1 j=1
(t1)(r1)
i=1 r j=1 t
i=1 j=1
t r
Total
tr-1
(YY)
i=1 j=1
ij
t r
SCTotal =Yij2 TC
i=1 j=1
2e
2e
t 1
2e+
- 158 -
TC =
Y..2
, SCerror = SCtotal ( SCtrat . + SCbloque ), CV . =
tr
CM
EJEMPLO
Un trabajo experimental de elaboracin de nctar de carambola es conducido bajo
DBCA, con el que se busca comparar diferentes diluciones del jugo de este fruto.
Para el anlisis sensorial se utiliz un jurado entrenado, compuesto por 10 personas
que categorizaron las muestras haciendo uso de una escala de 10 cm., marcando una
pequea lnea vertical sobre la escala en el punto que define su calificacin segn el
SABOR. Los resultados fueron los siguientes:
Jueces
1
2
3
4
5
6
7
8
9
10
Yi.
Promedio
A
4.2
6.3
5.3
6.1
5.4
5.3
4.8
5.3
5.2
4.8
52.7
5.27
B
4.0
4.2
5.4
7.0
5.6
4.3
5.4
7.2
5.8
5.3
54.2
5.42
C
5.0
5.6
6.3
6.8
4.8
5.7
6.7
6.7
6.3
6.2
60.1
6.01
D
6.3
5.1
7.8
7.3
6.8
5.5
6.9
6.8
7.2
7.6
67.3
6.73
E
7.2
6.2
8.4
7.6
7.4
6.2
6.5
7.8
7.6
8.9
73.8
7.38
Y.j
26.7
27.4
33.2
34.8
30.0
27.0
30.3
33.8
32.1
32.8
308.1
Promedio
5.34
5.48
6.64
6.96
6.00
5.40
6.06
6.76
6.42
6.56
6.162
SOLUCIN:
1. Hiptesis:
Respecto a tratamientos:
H0 : i = 0 versus Ha : i 0
Respecto a bloques:
H0 : j = 0 versus Ha : j 0
2. Nivel de significacin:
= 0.05
CM Bloque
CM Error
, F ( Tratam. ) =
CM Tratam.
CM Error
b)
Grados de libertad.
Bloques
Tratamientos (muestras)
Error experimental
Total
:r-1
= 10 - 1 = 9
:t-1
= 5-1=4
: (r-1)(t-1) = 9 x 4 = 36
: tr - 1
= 5x10 - 1 = 49
TC =
Y..2 ( 308.1 )2
=
= 1898.5122
5x10
tr
i) SCBloques =
ii) SCTratam. =
10
2
2
. 2 +L+8.92 ) TC = 1962.83 TC = 64.3178
iii) SCTotal = Yij TC = ( 4.2 + 63
i =1 j =1
ANALISIS DE VARIANZA
F. de V.
G.L.
S.C.
Bloques (Jueces)
9
16.0298
Entre muestras
4
31.7548
Error experimental 36 16.5332
Total
49 64.3178
C.M.
1.781089
7.938700
0.459256
Fc.
3.88
17.29
Signif.
**
**
- 160 -
p:
AES(D)
SY =
0.45925556
10
2
2.86
ALS(D)
3
3.01
4
3.1
0.63
0.65
0.21
0.60
ALS ( D ) = SY AES ( D ) , SY =
0.45925556
CM Error
=
= 0.2143
10
r
Tratamiento
E
D
C
B
A
Promedios
7.38
6.73
6.01
5.42
5.27
Duncan (P 0.0
a
b
c
cd
d
4. Regla de decisin:
S Yi Yj ALS ( D ) , entonces se acepta la Ho:
S Yi Yj > ALS ( D ) , entonces se acepta la Ha:
5. Realizar las comparaciones:
7.38 - 6.73 = 0.65 > 0.6, entonces es significativo
E D
D C
C = B
C A
B = A
0.45925556
CM Error
=
= 0.2143 , ALS ( T ) = S Y AES ( T )
,
10
r
= 0 .2143 4 .04 = 0 .86577
Promedios
7.38
6.73
6.01
5.42
5.27
Tukey (P 0.05)
a
ab
bc
c
c
4. Regla de decisin:
S Yi Yj ALS ( T ) , entonces se acepta la Ho:
S Yi Yj > ALS ( T ) , entonces se acepta la Ha:
5. Realizar las comparaciones:
7.38 - 6.73 = 0.65 0.87, entonces no es significativo
7.38 - 6.01 = 1.37 > 0.87, entonces es significativo
E C
E = D
D = C
D B
C = B
C = A
- 162 -
PROGRAMA EN SAS.
DATA AGROIND;
OPTIONS NODATE NOCENTER NONUMBER;
INPUT TRAT $ JUECES SABOR;
DATALINES;
A
1
4.2
A
2
6.3
A
3
5.3
.
.
...
B
1
4.0
B
2
4.2
B
3
5.4
.
.
...
C
1
5.0
C
2
5.6
C
3
6.3
.
.
...
D
1
6.3
D
2
5.1
D
3
7.8
.
.
...
E
1
7.2
E
2
6.2
E
3
8.4
.
.
...
E
9
7.6
E
10
8.9
;
PROC PRINT; RUN;
PROC ANOVA;
CLASS TRAT JUECES;
MODEL SABOR = JUECES TRAT;
MEANS JUECES TRAT/DUNCAN TUKEY;
RUN;
R-Square
0.742945
Coeff Var
10.99779
DF
13
9
4
36
49
Sum of
Squares
47.78460000
16.02980000
31.75480000
16.53320000
64.31780000
Root MSE
0.677684
Mean Square
3.67573846
1.78108889
7.93870000
0.45925556
F Value
8.00
3.88
17.29
Pr > F
<.0001
0.0016
<.0001
SABOR Mean
6.162000
- 164 -
i = 1,2,L , t
j = 1,2,L , r
k = 1,2,L , s
donde:
Yijk = Es la variable respuesta de la k-sima muestra (subunidad) de la j-sima
unidad experimental sujeta al i-simo tratamiento.
= La media general poblacional o constante comn.
i = Es el verdadero efecto del i-simo tratamiento.
j = Es el verdadero efecto del j-simo bloque.
ij = Es el efecto verdadero de la j-sima unidad experimental sujeta al i-simo
tratamiento.
ijk = Es el verdadero efecto aleatorio del error muestral en la k-sima subunidad,
de la j-sima unidad experimental sujeta al i-simo tratamiento.
ij ~ D N I ( 0 , e2 ),
ijk ~ D N I ( 0 , e2 )
G.L.
S.C.
r
Y . 2j .
j =1
ts
Bloques
r-1
Tratamientos
t-1
trs-1
Fc.
CME.
Y ...2
tr s
SC bloque
CM bloque
r 1
CM ee
2s + s e2 + ts 2
Yi ..2 Y...2
rs
trs
S C tr a t .
t 1
CM t
C M ee
2s + s2e + rs2
Total
i =1
C.M.
GH Y
2
ijk
i, j
I
s JK
Yij2.
2
ijk
i =1 j =1 k =1
SCe.exp
(t 1)(r 1)
SC em
tr ( s 1)
CM
CM
ee
em
2s + s 2e
2s
Y...2
trs
EJEMPLO:
Veamos un caso ilustrativo al respecto con el objeto de investigar la bondad de 5
dosis alimentarias, en el crecimiento de peces ornamentales de cierta especie, se
plane un experimento en el cual se dispone de 20 acuarios conteniendo 15 peces
cada uno. El experimentador advierte cierta heterogeneidad en el tamao de los
acuarios, por lo que decide utilizar el D.B.C.A. para el anlisis de resultados, surgiendo de pronto el inconveniente de que no se utilizar todos los peces de cada
acuario sino a lo sumo 3 peces por razones de costos, recurrindose entonces a obtener muestras de tamao 3 de cada pecera y determinar el ellos la(s) caracterstica(s)
a ser estudiadas, una de las cuales fue incrementos de peso en gramos y cuyos resultados luego de cierto tiempo de iniciado el experimento se presentan en el cuadro
siguiente.
- 166 -
Unidades SubUnidades
(acuarios)
(peces)
1
1
2
3
2
1
2
3
1
2
3
1
2
3
Yi..
VITAMINAS
T2
T3
T4
2.1
2.3
3.5
2.9
2.5
3.8
3.5
2.6
4.2
8.5
7.4
11.5
2.9
2.6
3.5
2.6
2.6
3.4
2.8
2.4
3.6
8.3
7.6
10.5
2.6
2.3
3.9
2.8
2.8
3.7
2.5
2.7
3.8
7.9
7.8
11.4
3.1
3.1
4.8
3.5
3.0
4.9
3.6
3.2
4.6
10.2
9.3
14.3
34.9
32.1
47.7
T1
3.5
4.2
4.1
11.8
4.1
4.0
4.3
12.4
4.0
4.2
4.1
12.3
4.6
4.5
4.8
13.9
50.4
T5
4.5
4.6
4.5
13.6
3.9
4.3
4.4
12.6
4.5
4.8
4.5
13.8
5.1
5.3
5.4
15.8
55.8
Y.j
52.8
51.4
53.2
63.5
Y...= 220.9
SOLUCIN:
Ho:
Ho:
Para bloques
i
j
= 0 versus
Ha:
= 0 versus
Ha:
0
0
GLTrat . = t 1 = 5 1 = 4
GLEE = ( r 1 )( t 1 ) = 3 4 = 12
GLEM = tr ( s 1 ) = 5 4 2 = 40
GLTotal = trs 1 = 5 4 3 1 = 59
2
Y
( 220.9 )2
=
= 813.2801667
trs 5 4 3
4
Y2j
j =1
ts
SCBloque =
TC =
. 2 + 53.2 2 + 635
.2
52.82 + 514
TC = 6.20583334
15
SCTrat . =
SCTot Unidad =
Yij2
s
i =1 j =1
TC =
. 2 + 8.52 +L+158
.2
118
TC = 4194983334
.
3
SCTot Unidad =
i =1 j =1
Yij2
s
4 Y
Yi 2
Y2
j
Otra forma:
5
SCEM = Yijk2
i =1 j =1 k =1
i =1 j =1
Yij2
s
C.M.
2.0686
8.7114
0.0749
0.0610
Fc. Signif.
27.63 **
116.37 **
1.23
CONCLUSION: Respecto a bloques, se ha logrado controlar el error experimental al establecer bloques en el presente experimento. Referente a tratamientos, los promedios de incremento de peso de las cinco vitaminas en estudio en
peces ornamentales son diferentes en forma altamente significativa, pues se ha
rechazado la hiptesis nula (Ho:). Para interpretar mejor se debe realizar la prueba de comparacin de medias Duncan, y se deja como ejercicio al estudiante.
- 168 -
/* PROGRAMA EN SAS */
DATA PECES;
OPTIONS NODATE NOCENTER NONUMBER;
INPUT TRAT BLOQ REP PESO;
CARDS; /* Estos datos estn dados anteriormente en la matriz de datos */
1 1 1 3.5 1 3 1 4.0 2 1 1 2.1 2 3 1 2.6 3 1 1 2.3 3 3 1 2.3 .............
1 1 2 4.2 1 3 2 4.2 2 1 2 2.9 2 3 2 2.8 3 1 2 2.5 3 3 2 2.8 5 3 2 4.8
1 1 3 4.1 1 3 3 4.1 2 1 3 3.5 2 3 3 2.5 3 1 3 2.6 3 3 3 2.7 5 3 3 4.5
1 2 1 4.1 1 4 1 4.6 2 2 1 2.9 2 4 1 3.1 3 2 1 2.6 3 4 1 3.1 5 4 1 5.1
1 2 2 4.0 1 4 2 4.5 2 2 2 2.6 2 4 2 3.5 3 2 2 2.6 3 4 2 3.0 5 4 2 5.3
1 2 3 4.3 1 4 3 4.8 2 2 3 2.8 2 4 3 3.6 3 2 3 2.4 3 4 3 3.2 5. 4 3 5.4
;
PROC PRINT; RUN;
PROC GLM;
CLASS TRAT BLOQ REP;
MODEL PESO = BLOQ TRAT BLOQ(TRAT);
TEST H = TRAT E=BLOQ(TRAT);
TEST H = BLOQUE E=BLOQ(TRAT);
LSMEANS TRAT /PDIFF STDERR;
RUN; /* Presione F3 para ejecutar el programa */
EJEMPLO.
Los datos siguientes expresan las producciones de forraje verde de tritricale,
obtenidas de un estudio donde se probaron cuatro dosis diferentes de nitrgeno en
una misma variedad. A continuacin presentamos la informacin.
Dosis
100 kg/ha
Yij.
200 kg/ha
Yij.
300 kg/ha
Yij.
400 kg/ha
Yij.
Y.j.
I
24
23
21
68
25
28
30
83
56
65
58
179
24
19
23
66
396
II
19
21
24
64
31
24
32
87
62
60
59
181
21
22
24
67
399
III
18
19
22
59
28
32
36
96
61
60
64
185
23
18
22
63
403
IV
Yi..
23
22
20
256
65
34
33
29
362
96
62
60
61
183 728
19
21
23
259
63
407 1605
ANALISIS DEVARIANZA
F. De V.
G.L.
S.C.
C.M.
Fc.
Tratamientos
3 12469.890 4156.630 601.5**
Bloques
3
5.729 1.910
0.27ns.
Error exptal. (EE)
9
62.190 6.910
0.97ns.
Error de muestreo (EM) 32
228.001 7.125
Total
47 12765.810
Anlisis y Diseo de Experimentos - 169 Como es posible observar en el anlisis de varianza, a partir de la Fc = 601.54 >
F(3,9,0.01) = 6.99, podemos decir que rechazamos la hiptesis de igualdad de tratamientos, lo que no ocurre as para bloques.
Comprobar el ejemplo anterior con el Paquete Estadstico SAS.
Hallar la curva de respuesta.
EJERCICIOS:
1. Analice los resultados del siguiente experimento.
Horas luz diurna
Bajas temperaturas nocturnas
Altas temperaturas nocturnas
Nmero
8
12
16
8
12
16
Matera No.
Matera No.
Matera No.
Matera No.
Matera No.
Matera No.
de
plantas 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3
1
3.5 2.5 3.0 5.0 3.5 4.5 5.0 5.5 5.5 8.5 6.5 7.0 6.0 6.0 6.5 7.0 6.0 11.0
2
4.0 4.5 3.0 5.5 3.5 4.0 4.5 6.0 4.5 6.0 7.0 7.0 5.5 8.5 6.5 9.0 7.0 7.0
3
3.0 5.5 2.5 4.0 3.0 4.0 5.0 5.0 6.5 9.0 8.0 7.0 3.5 4.5 8.5 8.5 7.0 9.0
4
4.5 5.0 3.0 3.5 4.0 5.0 4.5 5.0 5.5 8.5 6.5 7.0 7.0 7.5 7.5 8.5 7.0 8.0
I
6
A
II
6, 8
II
6, 7, 8
I
5, 7
B
II
6, 7
C
III
6
I
7
II
7, 9
- 170 -
ri cij = 0 Q j = cij Ti
k
i =1
i =1
r c
i ij
=0
i =1
Las Ti puede ser totales o promedios de tratamientos, los totales son ms convenientes para las pruebas, y los promedios para la estimacin de intervalos de confianza. Un contraste siempre tiene un solo grado de libertad ( GLContraste = 1 ).
FG c T IJ
H K
=
k
SCContraste Q j = SCQ j =
Q 2j
k
rc
2
i ij
i =1
ij i
i =1
k
rc
2
i ij
i =1
REGLAS:
1. Si Q j = c1 jT1 + c2 jT2 +...+c kjTk
les de tratamientos, entonces
Q 2j
k
rc
2
i ij
i =1
Q 2j
rc
2
i ij
i =1
drados de tratamientos.
rc
c =0
i ip iq
i =1
(p q)
Q12
k
r ci21
i =1
Q22
k
r ci22
son
i =1
Q12
k
r c
2
i1
i =1
Q22
k
r c
2
i2
i =1
Q32
k
r c
2
i3
i =1
+L+
Qt21
k
r c
i =1
= SCTratamientos
2
i ( t 1 )
EJEMPLO:
Se registr observaciones con el objeto de comparar 7 fungicidas para semillas y
un control sin tratamiento respecto a la emergencia de plntulas de maz infectado
con Diplodia spp. El experimento se llev a cabo en un invernadero con 6 bloques en
un diseo en bloques completo al azar. Cada unidad experimental consista en 25
semillas. Los datos y tratamientos codificados se dan a continuacin: Densidad de
semillas de maz en invernaderos, infectados con Diplodia spp. en tratamiento con
varios fungicidas.
- 172 -
Bloques
I
II
III
IV
V
VI
Total
A
8
8
9
7
7
5
44
Smbolo
A
By C
Dy H
E, F y G
B
16
19
24
22
19
19
119
Tratamientos*
C
D
E
F
G
14
10
8
8
7
16
11
7
8
6
14
12
1
3
6
13
8
1
3
6
14
7
3
3
4
13
3
2
7
4
84
51
22
32
33
*Tratamiento
Control sin tratamiento.
Fungicidas Mercricos.
Fungicidas no mercricos, Compaa I
Fungicidas no mercricos, Compaa II,
donde F y G son formulaciones nuevas de E.
H
12
19
9
11
9
5
65
Total
83
94
78
71
66
58
450
H0 : i = 0 versus Ha : i 0
Respecto a bloques:
H0 : j = 0 versus Ha : j 0
2. Nivel de significacin:
= 0.05
CM Bloque
CM Error
, F ( Tratam. ) =
5. Clculos:
a) Grados de libertad.
Bloques
Tratamientos
Error experimental
Total
b)
:r-1
=6-1=5
:t-1
=8-1=7
: (r-1)(t-1) = 5 x 7 = 35
: tr - 1
= 8x6 - 1 = 47
TC =
Y2 ( 450 )2
=
= 4218.75
68
tr
CM Tratam.
CM Error
83 2 + 94 2 + L + 58 2
T C = 10 2 .50
8
10
Fc.
3.55
29.94
Signif.
ns.
**
A
(B y C)
B
(D y H)
D
E
F
versus
versus
versus
versus
versus
versus
versus
(B, C, D, E, F, G, H)
(D, E, F, G, H ) (Fungicidas Mercricos Vs. Fungicidas no me
C (Entre fungicidas mercricos)
(E, F y G) (Entre las compaas)
H (entre los productos de la compaa I)
(F y G) (entre con las nuevas formulaciones)
G (entre formulaciones nuevas)
- 174 -
Tratamiento
divisores
A
32
33
Qj
65
FG c IJ SCQ
H K
k
2
i.
84
C1 : A vs (B,C,D,E,F,G,H)
-1
-1
-1
-1
-1
-1
-1
-98
56(6)
28.583
C2 : (B y C) vs (D,E,F,G,H)
-2
-2
-2
-2
-2
609
70(6)
883.05 **
C3 : B vs C
-1
35
2(6)
102.08 **
C4 : (D y H) vs (E,F,G)
-2
-2
-2
174
30(6)
168.20 **
C5 : D vs H
-1
-14
2(6)
16.333
C6 : E vs (F y G)
-1
-1
-21
6(6)
12.25
C7 : F vs G
-1
-1
2(6)
0.08
Yi.
22
44 119
Contrastes
51
i =1
SCTratamientos =
1210.5833
k =8
Q1 = ci1Ti
i =1
LM7
MM00
MM0
MM0
MM0
N0
44 O
OP LM119
PP LM98OP
M
P
M 84 P M609 P
0 P M P M 35 P
P 51 M P
3 P M P = M174 P
M 22 P
1P M P M 14P
32
P
M P
0 P MM PP M 21P
33
0 QP M P MN 1 PQ
MN 65 PQ
1 1 1 1 1 1 1
5
2 2 2 2 2
2 2 2
1 1
FG c IJ
H K
k
2
ij
i =1
2
2
2
2
+ c312 + c41
+ c512 + c61
+ c71
+ c812 = 6 72 + ( 1)2 + ( 1)2 + ( 1)2 + ( 1)2 + ( 1)2
D1 = r c112 + c21
= 6x56 = 336
D2 = 6x70 = 420; D3 = 6x2 = 12; D4 = 6x30 = 180; D5 = 6x2 = 12;
D6 = 6x6 = 36; D7 = 6x2 = 12.
Suma de Cuadrados de los contrastes:
SCQ1 =
Q12
k
r cij2
Q12 982
=
= 28.583
D1 336
i =1
Q 2 6092
SCQ2 = 2 =
= 883.05
D2
420
SCQ5 =
Q52 ( 14 )2
=
= 16.333
D5
12
SCQ3 =
Q32 352
=
= 102.083
D3 12
SCQ6 =
Q62 ( 21)2
=
= 12.25
D6
36
SCQ4 =
Q42 174 2
=
= 168.20
D4 180
SCQ7 =
Q72 ( 1 )2
=
= 0.083
D7
12
CM.
20.50000
172.94047
28.58300
883.05000
102.08300
168.20000
16.33000
12.25000
0.08300
5.77619
Fc Signific.
3.55
ns.
29.94
**
4.95
*
152.88
**
17.67
**
29.12
**
2.83
ns.
2.12
ns.
0.01
ns.
- 176 -
/* PROGRAMA EN SAS */
DATA FCUFVA;
OPTIONS NODATE NOCENTER NONUMBER;
DO TRAT = 1 TO 8;
DO BLK = 1 TO 6;
INPUT SEMI @;
OUTPUT;
END;
END;
CARDS;
8 8 9 7 7 5 16 19 24 22 19 19 14 16 14 13 14 13 10 11 12 8 7 3
8 7 1 1 3 2 8 8 3 3 3 7 7 6 6 6 4 4 12 19 9 11 9 5
;
PROC PRINT; RUN;
PROC GLM; CLASS BLK TRAT;
MODEL SEMI = BLK TRAT;
RUN;
CONTRASTA VERSUS B,C,D,E,F,G,H TRAT 7 -1 -1 -1 -1 -1 -1 -1;
CONTRASTB y C VERSUS D,E,F,G, H TRAT 0 5 5 -2 -2 -2 -2 -2;
CONTRASTB VERSUS C
TRAT 0 1 -1 0 0 0 0 0;
CONTRASTD y H VERSUS E,F Y G TRAT 0 0 0 3 -2 -2 -2 3;
CONTRASTD VERSUS H
TRAT 0 0 0 1 0 0 0 -1;
CONTRASTE VERSUS F y G
TRAT 0 0 0 0 2 -1 -1 0;
CONTRASTF VERSUS G
TRAT 0 0 0 0 0 1 -1 0;
RUN;
Sum of
DF
Squares
Mean Square
12
1313.083333
109.423611
5
102.500000
20.500000
7
1210.583333
172.940476
35
202.166667
5.776190
47
1515.250000
Root MSE
SEMI Mean
2.403371
9.375000
DF
1
1
1
1
1
1
1
Contrast SS
28.5833333
883.0500000
102.0833333
168.2000000
16.3333333
12.2500000
0.0833333
Mean Square
28.5833333
883.0500000
102.0833333
168.2000000
16.3333333
12.2500000
0.0833333
F Value
4.95
152.88
17.67
29.12
2.83
2.12
0.01
F Value
18.94
3.55
29.94
Pr > F
0.0327
<.0001
0.0002
<.0001
0.1016
0.1542
0.905
Pr > F
<.0001
0.0106
<.0001
T1
3
4
2
3
4
16
Tratamientos*
T2
T3
5
6
6
5
8
7
4
6
10
5
33
29
T4
8
9
10
10
12
49
Y.j
22
24
27
23
31
127
Smbolo
T1
T2
T3
T4
*Tratamiento
Testigo
(NH4 )NO3
(NH4 )2 NO4
Urea.
H0 : i = 0 versus Ha : i 0
Respecto a bloques:
H0 : j = 0 versus Ha : j 0
2. Nivel de significacin:
= 0.05
CM Bloque
CM Error
, F ( Tratam. ) =
5. Clculos:
a) Grados de libertad.
Bloques
Tratamientos
Error experimental
Total
b)
:r-1
=5-1=4
:t-1
=4-1=3
: (r-1)(t-1) = 4 x 3 = 12
: tr - 1
= 5x4 - 1 = 19
Y2 ( 127 )2
=
= 806.45
tr
45
CM Tratam.
CM Error
- 178 -
Y2
j
i) SCBloques = t TC =
j =1
i =1
Yi 2
16 2 + 332 + 29 2 + 49 2
TC =
TC = 110 .95
r
5
t =4
ii) SC Fertiliz . =
ANALISIS DE VARIANZA
F. de V.
G.L.
S.C.
Bloques
4
13.3
Fertilizantes
3
110.95
Error experimental 12
24.3
Total
19
148.55
CV = 22.41%
C.M.
3.325000
36.983333
2.025000
Fc.
1.64
18.26
Signif.
ns.
**
Yi.
divisores
T1
T2
T3
T4
16
33
29
49
Qj
FG c IJ SCQ
H K
k
2
i.
i =1
C1 : T1 vs (T2,T3,T4)
-1
-1
-1
-63
5x12
66.15
C2 : T4 vs (T2 y T3)
-1
-1
36
5x6
43.2
C3 : T2 vs T3
-1
5x2
1.6
SCFertilizantes = 110.95
k =4
c T
i1 i
i =1
LM3
MM0
N0
OP
PP
Q
LM
MM
MN
OP
PP
PQ
LM
MM
N
OP
PP
Q
Q22 ( 36 )2
=
= 43.20
30
D2
Y1 = 16
1 1 1
Q1 = 63
Y2 = 33
= Q2 = 36
1 1 2
Y3 = 29
1 1 0
Q3 = 04
Y4 = 49
FG c IJ
H K
k
2
ij
i =1
D1 = 5 32 + ( 1 )2 + ( 1 )2 + ( 1 )2 = 5 12 = 60
D2 = 5 0 2 + ( 1 )2 + ( 1 )2 + 2 2 = 5 6 = 30
D 3 = 5 0 2 + 12 + ( 1 )2 + 0 2 = 5 2 = 1 0
2
1
k =4
r cij2
Q12 ( 63 )2
=
= 6615
. , SCQ2 =
60
D1
i =1
SCQ3 =
Q32
k =4
r cij2
2
2
k =4
r cij2
i =1
Q32 ( 4 )2
=
= 1.60
10
D3
i =1
- 180 -
Condicin 2
k =4
c1 = cij = 3 + ( 1 ) + ( 1 ) + ( 1 ) = 0
c1 c2 = 3 0 + ( 1 )( 1 ) + ( 1 )( 1 ) + ( 1 )( 2 ) = 0
i =1
c2 =
k =4
ij
= 0 + ( 1 ) + ( 1 ) + 2 = 0
c1 c3 = 3 0 + ( 1 )( 1 ) + ( 1 )( 1 ) + ( 1 )( 0 ) = 0
= 0 + 1 + ( 1 ) + 0 = 0
c2 c3 = 0 0 + ( 1 )( 1 ) + ( 1 )( 1 ) + ( 2 )( 0 ) = 0
i =1
c3 =
k =4
ij
i =1
GL.
4
3
1
1
1
12
19
SC.
13.3000
110.9500
66.1500
43.2000
1.6000
24.3
148.55
CM.
3.32500
36.98333
66.15000
43.20000
1.60000
2.02500
Fc Signific.
1.64 ns.
18.26 **
32.67 **
21.33 **
0.79 ns.
0
10
9
11
10
40
50 kg N/Ha
12
11
12
13
48
Total
48
45
49
49
Y.. = 191
H0 : i = 0 versus Ha : i 0
Respecto a bloques:
H0 : j = 0 versus Ha : j 0
2. Nivel de significacin:
= 0.05
CM Bloque
CM Error
, F ( Tratam. ) =
5. Clculos:
i)
Grados de libertad.
Bloques
Tratamientos (muestras)
Error experimental
Total
:r-1
=4-1 = 3
:t-1
=4-1 = 3
: (r-1)(t-1) = 3 x 3 = 9
: tr - 1 = 4x4 - 1 = 15
CM Tratam.
CM Error
- 182 -
Y2 1912
=
= 2280.0625
tr 4 4
r =4
Y2j
i =1
SCBloques =
482 + 452 + 49 2 + 49 2
TC = 2.6875
4
Y
402 + 482 + 612 + 42 2
=
TC = 67.1875
4
i =1 r
t =4
2
i
SCTratam. =
4
ANALISIS DE VARIANZA
F. de V.
G.L.
S.C.
Bloques
3
2.6875
Tratamientos
3
67.1875
Error experimental 9
3.0625
Total
15
72.9375
C.M.
0.895833
22.395833
0.340278
Fc.
2.63
65.82
Signif.
ns.
**
N50
N100
N150
Totales (Yi.)
Componentes o tendencias
1. Lineal
40
48
61
42
-3
-1
2. Cuadrtico
3. Cbico
1
-1
-1
3
-1
-3
1
1
k
Anlisis y Diseo de Experimentos - 183 Reemplazando para cada uno de las tendencias, se obtiene:
k =4
Q1 = QLineal = Yicij = Y1c11 + Y2c21 + Y3c31 + Y4c41 = 40( 3) + 48( 1) + 61( +1) + 42( +3) = 19
i =1
k =4
Q2 = QCuadrtica = Yicij = Y1c12 + Y2c22 + Y3c32 + Y4c42 = 40( +1) + 48( 1) + 61( +1) + 42( +1) = 27
i =1
k =4
Q3 = QCbica = Yicij = Y1c13 + Y2c23 + Y3c33 + Y4c43 = 40(-1) + 48(+3) + 61(-3) +42(+1) = -37
i =1
k =4
Lineal1: rci21 = 4 c112 + c212 + c312 + c412 =4[ (-3)2 +(-1)2 +(+1)2 +(+3)2 ] = 4(20) =80
i =1
k =4
Cuadrtica2: rci22 = 4 c122 + c222 + c322 + c422 =4[ (+1)2 +(-1)2 +(+1)2 +(+1)2 ]=4(4) =16
i=1
k =4
Cbica3: rci23 = 4 c132 + c232 + c332 + c432 =4[ (-1)2 +(+3)2 +(-3)2 +(+1)2 ]=4(20) =80
i=1
5. Calcular la suma de cuadrados para cada una de las tendencias, mediante la siguiente frmula:
SC Q j =
Q 2j
k
r cij2
i =1
SC Q1 = SCLineal =
Q12 ( 19 )2
=
= 4.5125
80
80
SC Q 2 = SCCuadrtica =
Q22 ( 27 )2
.
=
= 455625
16
16
SCQ3 = SCCbica =
Q32 ( 37 )2
=
= 17.1125
80
80
SCTratamiento = 67.1875
- 184 -
Fc
2.63 n.s.
65.82 **
13.26 **
133.89 **
50.59 **
/* PROGRAMA EN SAS */
DATA CURVA;
OPTIONS NODATE NOCENTER NONUMBER;
INPUT TRAT REP NIT Y;
YH = Y*(10000/20);
N2 = NIT*NIT;
CARDS;
1 1 0 10
1209
1 3 0 11
1 4 0 10
2 1 50 12
2 2 50 11
2 3 50 12
2 4 50 13
3 1 100 15
3 2 100 15
3 3 100 16
3 4 100 15
4 1 150 11
4 2 150 10
4 3 150 10
4 4 150 11
;
PROC GLM;
CLASS TRAT REP NIT;
MODEL Y = REP TRAT;
CONTRASTLINEAL
TRAT -3 -1 1 3;
CONTRASTCUADRATICA TRAT 1 -1 -1 1;
CONTRASTCUBICA
TRAT -1 3 -3 1;
RUN; /* Presione F3 para ejecutar el programa */
Sum of
DF
Squares
Mean Square
6
69.87500000
11.64583333
3
2.68750000
0.89583333
3
67.18750000
22.39583333
9
3.06250000
0.34027778
15
72.93750000
Root MSE
Y Mean
0.583333
11.93750
Contrast
LINEAL
CUADRATICA
CUBICA
DF
1
1
1
Contrast SS
4.51250000
45.56250000
17.11250000
Mean Square
4.51250000
45.56250000
17.11250000
F Value
34.22
2.63
65.82
Pr > F
<.0001
0.1138
<.0001
F Value
13.26
133.90
50.29
Pr > F
0.0054
<.0001
<.0001
- 186 -
Rendimiento
Y
40
48
61
42
Niveles de N
X
0
50
100
150
Y = 191
i =1 i
i=1
X i = 300
c2
1
-1
-1
1
P1= 19
c2Y
40
-48
-61
42
=
P2 = -27
X = 75
Y = 47.75
k1 =516
c1Y
-120
-48
61
126
c1
-3
-1
1
3
k2 = 1 20
k3 =41240 k4 = 1 16
k5 = 1 48
Lineal: Y$ L = Y + K2 P1 X'
h b
g b
h b
g b
h b
g b
h b
g b
$ = Y K P + K P X ' + K P X '2
Y
Q
1 2
2 1
4 2
LM
N
= 47.75
OP LM
Q N
OP LM
Q N
OP
Q
5
1
1
( 27) +
(19) X'+
( 27) X'2 = 561875
.
.
+ 0.95X'16875
16
20
16
Anlisis y Diseo de Experimentos - 187 Estas ecuaciones, estn basadas en el total de 4 repeticiones. Si se desea expresar en funcin de una parcela, simplemente se divide entre 4 y se obtiene:
$ = 1193
Y
. + 0.2375X'
L
Y$ Q = 14 .046875 + 0.2375 X ' 0.421875 X ' 2
Xx
L
2 Xx
L
2 Xx
L
X' =
g = N 75
2 N 75
50
25
FG
H
IJ
K
N 75
+ 0.2375
= 11.225 + 0.0095 N
Y$L = 119375
.
25
FG
H
FG
H
IJ
K
IJ
K
$ = 9.5375 + 011075
Y
.
N 0.000675N 2
Q
- 188 -
10000
9.5375 + 011075
Y$QH =
.
N 0.000675 N 2
20
$
donde: YQ : Rendimiento estimado en kg/Ha de papa.
N : Niveles de Nitrgeno aplicado en kg/Ha.
H
7. Optimizacin fsica del factor nitrgeno, para determinar la dosis que maximice
$
d Y$QH
e j = 55.375 0.675N = 0
d Y$QH
dN
N=
55.375
= 82.037
0.675
8. Optimizacin econmica del factor Nitrgeno para determinar el mximo rendimiento econmico. El nivel ptimo de fertilizacin se refiere al nivel de cualquier mezcla o razn de nutrientes que produzca los mayores beneficios. Este
nivel se obtiene cuando se cumple la siguiente condicin:
e j= P
d Y$QH
dN
PY
donde:
0.6
0.8
Forma grfica:
2
Y$Q H = 4768.75 + 55.375 N 0.3375 N
7500
7000
kilogramo/ha de papa
6500
6000
5500
5000
4500
4000
3500
3000
2500
0
15
30
45
60
75
90
N = 82.04
Niveles de Nitrgeno
- 190 -
DATA CURVA;
OPTIONS NODATE NOCENTER NONUMBER;
INPUT TRAT REP NIT Y; YH = Y*(10000/20); N2 = NIT*NIT;
CARDS;
1 1 0 10
1209
1 3 0 11
1 4 0 10
2 1 50 12
2 2 50 11
2 3 50 12
2 4 50 13
3 1 100 15
3 2 100 15
3 3 100 16
3 4 100 15
4 1 150 11
4 2 150 10
4 3 150 10
4 4 150 11
;
PROC ANOVA;
CLASS TRAT REP NIT;
MODEL Y = REP TRAT; RUN;
PROC REG;
MODEL Y = NIT N2/SS1;
RUN;
PROC REG;
MODEL YH = NIT N2 /SS1;
RUN;
Sum of
DF
Squares
Mean Square
6
69.87500000
11.64583333
3
2.68750000
0.89583333
3
67.18750000
22.39583333
9
3.06250000
0.34027778
15
72.93750000
Root MSE
Y Mean
0.583333
11.93750
DF
1
1
1
DF
2
13
15
1.32614
11.93750
11.10905
Parameter
Estimate
9.53750
0.11075
-0.00067500
Sum of
Squares
50.07500
22.86250
72.93750
R-Square
Adj R-Sq
Mean
Square
25.03750
1.75865
F Value
34.22
2.63
65.82
F Value
14.24
Pr > F
<.0001
0.1138
<.0001
Pr > F
0.0005
0.6865
0.6383
Parameter Estimates
Standard
Error
t Value
0.64628
14.76
0.02076
5.34
0.00013261
-5.09
Pr > |t|
<.0001
0.0001
0.0002
Type I SS
2280.06250
4.51250
45.56250
Dependent Variable: YH
Source
Model
Error
Corrected Total
Root MSE
Dependent Mean
Coeff Var
Variable
Intercept
NIT
N2
DF
1
1
1
Analysis of Variance
Sum of
Mean
DF
Squares
Square
2
12518750
6259375
13
5715625
439663
15
18234375
663.07123
R-Square
0.6865
5968.75000
Adj R-Sq
0.6383
11.10905
Parameter Estimates
Parameter
Standard
Estimate
Error
t Value
4768.75000
323.14095
14.76
55.37500
10.37871
5.34
-0.33750
0.06631
-5.09
F Value
14.24
Pr > |t|
<.0001
0.0001
0.0002
Pr > F
0.0005
Type I SS
570015625
1128125
11390625
- 192 -
EJERCICIOS:
1. Una qumica desea probar el efecto que tienen cuatro agentes qumicos sobre la
resistencia de un tipo particular de tela. Como puede haber variabilidad entre un
rollo de tela y otro, decide utilizar un diseo aleatorizado por bloques, considerando los rollos de tela como bloques. Ella selecciona 5 rollos y les aplica los
cuatro agentes qumicos en orden aleatorio. A continuacin, se proporcionan los
resultados de la resistencia a la tensin. Analice estos datos y haga las conclusiones apropiadas.
Agente
qumico
1
2
3
4
Rollo de tela
2
3
4
68
74
71
67
75
72
68
78
73
71
75
75
1
73
73
75
73
5
67
70
68
69
2. Tres diferentes soluciones para lavar estn siendo comparadas con objeto de estudiar su efectividad en el retraso del crecimiento de bacterias en envases de leche
de 5 galones. El anlisis se realiza en un laboratorio y slo pueden efectuarse tres
pruebas en un mismo da. Como los das son una fuente de variabilidad potencial,
el experimentador decide usar un diseo aleatorizado por bloques. Las observaciones se recopilaron durante cuatro das y los datos aparecen a continuacin.
Analice los datos y obtenga las conclusiones apropiadas.
Das
Solucin
1
2
3
1
13
16
5
2
22
24
4
3
18
17
1
4
39
44
22
1
10
7
5
6
2
6
6
3
4
SUJETO
3
6
6
3
4
4
6
1
2
2
5
6
6
5
3
5
PRUEBAS DE
COMPARACIN
MLTIPLE DE MEDIAS
INTRODUCCION
Cuando se realiza la prueba de F en el Anlisis de varianza, las conclusiones que
se obtienen respecto a la hiptesis planteada de igualdad de medias de tratamientos,
es aceptarla o rechazarla a un nivel de significacin dado.
El investigador a menudo desea realizar comparaciones especficas entre medias
de tratamientos segn los objetivos planeados en el experimento. Debe utilizar pruebas estadsticas adecuadas, como son:
- Prueba de t de Student
- Diferencia Lmite Significativa (DLS).
- Prueba de Comparaciones Mltiples de Duncan
- Prueba de Comparaciones Mltiples de Tukey
- Prueba de Dunnett.
- Prueba de Scheff.
- 194 -
H 0: i = j
H 0: i j
H 0: i j
Ha: i j
14243
H : >
1a42i 43j
H : <
1a42i 43j
Bilateral
Unilateral Izquierda
Unilateral Derecha
tc =
( X i X j ) ( i j )
2S
r
Xi X j
2CM error
r
d
Sd
4. Regla de Decisin.
Si
t c t (tabla) se acepta H 0 .
EJEMPLO:
Se registr el peso de diez nios (kg) al nacer en los diferentes Hospitales del
departamento de Puno, tomados al azar. La informacin se presenta a continuacin:
n
JULIACA
1
3.000
2
3.500
3
3.400
4
3.400
5
3.350
6
5.050
7
4.760
8
3.400
9
3.650
10
3.260
Total
36.770
Promedio
3.677
HOSPITALES
ILAVE
PUNO
3.625
3.800
3.430
3.500
3.000
3.350
3.625
3.250
3.625
4.100
3.150
3.900
3.360
3.900
3.230
4.000
3.950
3.670
3.400
3.600
34.395
37.070
3.440
3.707
YUNGUYO
3.050
2.800
3.500
3.400
3.350
3.200
3.050
3.400
2.900
3.100
31.750 Y.. = 139.985
3.175
- 196 -
TC =
Y..2 (139.985) 2
=
= 489.8950056
4 x10
tr
4
Y2
i.
i) SC Trat . = r TC =
i =1
40
ii)
2
ij
36.77 2 +L+3175
. 2
TC = 4917296325
.
TC = 183462688
.
10
i =1
iv)
CM trat =
SC trat 183462688
.
=
= 0.611542293
t 1
3
v) CM Error Exp. =
vi) Fc =
SC Error Exp.
t ( r 1)
5.9587425
= 0165520625
.
36
C M T rat .
0 .611542293
=
= 3.694659
C M E rror E xp.
0.165520625
F. De V.
G.L.
S.C.
C.M.
Fc
Pr > F
Hospitales
3 1.83462688 0.6115423 3.6946592 0.024
Dentro de Hosp
36 5.9587425 0.1655206
Total
39 7.79336938
1. PLANTEAMIENTO DE HIPOTESIS:
Juliaca Vs Ilave; Juliaca Vs Puno; Juliaca Vs Yunguyo; Ilave Vs Puno; Ilave Vs
Yunguyo
Puno Vs Yunguyo.
tc =
Xi X j
2CM error
r
d
Sd
4. Regla de Decisin.
tc =
tc =
- 198 -
tc =
tc =
( X Ila X Pun )
3.44 3.707
0.267
=
=
= 147
. n . s.
.
2( 016552
.
)
2( 016552
.
) 0181945
10
10
tc =
( X Ila X Yun )
3.44 3175
.
0.265
=
=
= 1.46 n. s.
.
2( 0.16552 )
2( 016552
.
) 0181945
10
10
tc =
0.532
( X Pun X Yun ) 3.707 3175
.
=
=
= 2.92 **
.
2( 016552
2( 016552
.
)
.
) 0181945
10
10
6. Conclusin.
Comparacin
Juliaca Vs Ilave
Juliaca Vs Puno
Juliaca Vs Yunguyo
Ilave Vs. Puno
Ilave Vs. Yunguyo
Puno Vs. Yunguyo
Ho:
Acepta
Acepta
Rechaza
Acepta
Acepta
Rechaza
Ha:
t0.025,36
Rechaza
2.021
Rechaza
2.021
Acepta
2.021
Rechaza
2.021
Rechaza
2.021
Acepta
2.021
t0.005,36
2.704
2.704
2.704
2.704
2.704
2.704
Signifc.
n.s.
n.s.
**
n.s.
n.s.
**
H 0: i = j
Ha: i j
2. NIVEL DE SIGNIFICACION:
3. PRUEBA ESTADISTICA:
= 0.05, = 0.01
X i X j DLS se acepta H 0 :
2CM error
r
- 200 -
EJEMPLO ILUSTRATIVO.
1. HIPOTESIS:
DLS=t(00. 25,36)
= 0.05, = 0.01
2(0.16552063)
2(0.16552063)
.
.
=2021
=0368
10
10
4. REGLA DE DECISION:
Si
X i X j DLS se acepta H 0 :
Xi X j > DLS se rechaza H 0 :
5. CALCULOS.
Primeramente ordenamos los promedios de mayor a menor, y luego realizamos la comparacin entre dos promedios, de la siguiente forma:
3.707 3175
.
= 0.532 > DLS = 0.368 significativo
3.439 3175
.
= 0.264 < DLS = 0.368 no significativo
HOSPITALES
PUNO
JULIACA
ILAVE
YUNGUYO
n
10
10
10
10
PROMEDIO
3.707
3.677
3.439
3.175
T-Grouping
a
a
ab
b
HOSPITALES
Promedios
PUNO
3.707
JULIACA
3.677
ILAVE
3.439
YUNGUYO
3.175
6. CONCLUSION.
Los nios de los Hospitales de Puno, Juliaca e Ilave, muestran superioridad
en los pesos de nacimiento frente al Hospital de Yunguyo.
Realizando las operaciones de clculo con el SPSS, se tienen los resultados:
LA SALIDA CON PAQUETE ESTADISTICO SAS:
Analysis of Variance Procedure
Class Level Information
Class
Levels
Values
HOSP
4
ILA JUL PUN YUN
Number of observations in data set = 40
Dependent Variable: PENAC
Source
DF
Squares
Square
F Value Pr > F
HOSP
3
1.83462688
0.61154229
3.69
0.0204
Error
36
5.95874250
0.16552063
Corrected Total
39
7.79336938
R-Square
C.V.
Root MSE
PENAC Mean
0.235409
11.62531
0.406842
3.49962500
T tests (LSD) for variable: PENAC
Alpha= 0.05 df= 36 MSE= 0.165521
Critical Value of T= 2.03
Least Significant Difference= 0.369
Means with the same letter are not significantly different.
T Grouping
Mean
N
HOSP
A
3.707 10
PUN
A
3.677 10
JUL
B
A
3.439 10
ILA
B
3.175 10
YUN
- 202 -
TRATAMIENTOS
A
B
C
D
E
2
1
3
4
4
3
3
5
6
7
4
2
4
5
8
2
1
3
4
5
11
7
15
19
24
2.75 1.75 3.75 4.75 6.00
F. De V.
Tratamientos
Error exptal.
Total
G.L.
4
15
19
H 0: i = j
i j
Ha: i j
ETAPAS:
1. Determinar la desviacin estndar de promedios:
S Xi X j =
14
.
S2
=
= 0.592
4
r
2
3.01
3
3.16
4
3.25
5
3.31
3. Los valores de las AES(D) se multiplican por la desviacin estndar de promedios, para obtener las Amplitudes Lmites de Significacin de Duncan
ALS(D) = S Xi X j AES(D)
p:
AES(D)
S X i X j = 0.592
2
3.01
3
3.16
4
3.25
5
3.31
ALS(D)
1.78
1.87
1.92
1.96
Xi =
1.75
2.75
3.75
4.75
E
6.00
- 204 -
RESUMEN:
a)
t=
Xi =
ALS(D)[5] = 1.96
ALS(D)[4] = 1.92
ALS(D)[3] = 1.87
ALS(D)[2] = 1.78
ALS(D)[4] = 1.92
ALS(D)[3] = 1.87
ALS(D)[2] = 1.78
ALS(D)[3] = 1.87
ALS(D)[2] = 1.78
ALS(D)[2] = 1.78
Significativa
Significativa
Significativa
no significativa
Significativa
Significativa
no significativa
Significativa
no significativa
no significativa
1.75
2.75
3.75
4.75
6.00
b)
TRATAMIENTOS
E
D
C
A
B
N
4
4
4
4
4
Mean
6.000
4.750
3.750
2.750
1.750
DUNCAN
a
ab
bc
cd
Anlisis y Diseo de Experimentos - 205 La salidad con el paquete de Anlisis Estadstico es el siguiente:
Analysis of Variance Procedure
Class Level Information
Class
Levels
Values
TRAT
5
A B C D E
Number of observations in data set = 20
Dependent Variable: Y
Sum of
Squares
44.20000000
44.20000000
21.00000000
65.20000000
Source
DF
Model
4
TRAT
4
Error
15
Corrected Total 19
R-Square
0.677914
C.V.
31.13726
Mean
Square
11.05000000
11.05000000
1.40000000
Root MSE
1.183216
F
Value
7.89
7.89
Pr > F
0.0012
0.0012
Y Mean
3.80000000
A
A
C
C
Mean
6.000
4.750
3.750
2.750
1.750
N
4
4
4
4
4
TRAT
E
D
C
A
B
EJEMPLO:
Se desea estudiar 4 tipos de pastizales para engordar ovejas, uno de los cuales es de
pastizal standard (testigo control). Se emplearon 16 ovejas hembras de la misma
raza, edad, estado sanitario. Se distribuyeron al azar cuatro ovejas por tipo de pastizal.
Los animales se pesaron al inicio del experimento y a los 100 das para establecer la
ganancia de peso.
- 206 -
Rep. A (Control)
1
47
2
42
3
45
4
42
Total
176
Yi.
44
F. De V.
Tratamientos
Error exptal.
Total
TRATAMIENTOS
B
C
50
57
54
53
67
69
57
57
228
236
57
59
G.L.
3
12
15
S.C.
3171.00
542.00
D
74
85
94
79
332
83
Y..= 972
C.M.
Fc.
1057.00 23.40
45.17
A (Control)
Yi.
ni
44
4
F. De V.
Tratamientos
Error exptal.
Total
G.L.
3
12
15
TRATAMIENTOS
B
C
57
4
S.C.
3171.00
542.00
2. HIPOTESIS:
H 0: A = B = C = D =
Ha: i j
3. NIVEL DE SIGNIFICACION: = 0.05
59
4
C.M.
1057.00
45.17
D
83
4
Fc.
23.40
Pr > F
0.001
Anlisis y Diseo de Experimentos - 207 4. Buscar en la Tabla de Duncan los valores de AES(D) con los grados de
libertad del error: GLerror = 12
p:
AE S (D )
S X i X j = 3.36
3.082
3.225
3.313
ALS (D )
10.36
10.83
11.13
ALS(D) = S Xi X j .AES(D)
S Xi X j =
CM Error
45.16667
=
= 3.36
r
4
A
44
B
57
C
59
D
83
6. Regla de Decisin:
Si
X i. X j. ALS(D) se acepta H 0 :
d
13
(p)
(2 )
>
A LS(D )
1 0 .3 6
|4 4 - 5 9 |
15
(3 )
>
1 0 .8 3
|4 4
|5 7
|5 7
|5 9
=
=
=
=
39
2
26
24
(4 )
(2 )
(3 )
(2 )
>
<
>
>
1 1 .1 3
1 0 .3 6
1 0 .8 3
1 0 .3 6
83|
59|
83|
83|
A ce ptar H ipo t.
A C
A
B = C
B D
C D
- 208 -
n
4
4
4
4
9. Conclusin.
Se distinguen 1 grupo de tratamientos con resultados similares que son los
tratamientos C y B, que es diferente a los tratamientos de valor promedio
superior (D) y valor inferior (A).
5.4.
Caractersticas:
- Es ms rigurosa que la prueba de Duncan por tal motivo el nivel de significacin
debe ser ms amplio ya que comparaciones que realmente son significativas sta
prueba las puede declarar no significativa.
- El nivel de significacin se mantiene constante.
- El valor de F-calculado en el cuadro de ANVA puede ser significativo o no.
- Es ms precisa cuando los tratamientos tienen igual nmero de repeticiones.
- No es necesario ordenar promedios de tratamientos, sin embargo ello es muy
usual en la prctica.
- Utiliza un solo valor tabular para calcular la ALS(T) (Amplitud Lmite
Significativa de Tukey).
- Esta prueba es ms estricta en su clasificacin, as 5% de Tukey casi es
equivalente a 1% de Duncan.
- Es ms exigente y ms precisa que las pruebas de DLS, Dunnett, Duncan y S-NK se caracteriza por no tener en cuenta el orden de los promedios de los
tratamientos.
- Chen, revel que este mtodo fue el que mejor control el error referido al
experimento, pero menos eficiente en el control de error por comparacin.
- La prueba de Tukey, es til para poner nfasis primario sobre el experimento
como un todo en la determinacin de significancias entre pares de medias
poblacionales.
No es recomendable aplicar la prueba Tukey en experimentos en los cuales:
- Los tratamientos consisten en niveles graduados de una variable cuantitativa.
- Los tratamientos provienen de una estructura factorial de dos o ms factores con
dos o ms niveles.
- Los tratamientos son cualitativos y donde previamente se han formulado
combinaciones lineales que conforman comparaciones entre medias de
tratamientos.
- 210 -
EJEMPLO:
1. Informacin: Promedio de tratamientos y el Cuadro ANVA.
A (Control)
Yi.
ni
44
4
F. De V.
Tratamie ntos
Error e xptal.
Total
G.L.
3
12
15
TRATAM IENTOS
B
C
57
4
S.C.
3171.00
542.00
59
4
C.M .
1057.00
45.17
D
83
4
Fc.
23.40
2. HIPOTESIS:
H 0: A = B = C = D =
Ha: i j
3. NIVEL DE SIGNIFICACION: = 0.05
4. Buscar en la Tabla de Tukey (Usa la Tabla de SNK), los valores de Amplitudes
Estudentizadas Significativas de Tukey AES(T) con los grados de libertad del
error experimental, al nivel de significacin , en nuestro caso p = 4
tratamientos en el experimento.
GLerror = 12, = 0.05 , p = 4, AES(T) = 4.199
Los valores AES(T) se multiplican por la desviacin estndar ( S Xi X j ) de los
promedios. Es decir:
ALS(T) = S Xi X j .AES(T) ,
S Xi X j =
CM Error
45.16667
=
= 3.36
r
4
= 3.36(4.199)
ALS(T) = 14.109
Anlisis y Diseo de Experimentos - 211 En este caso existe un solo valor de ALS(T), esto es debido a que el nmero
de repeticiones de cada tratamiento es el mismo.
5. Ordenamiento de los promedios de tratamientos:
Tratamientos
Promedios
A
44
B
57
C
59
D
83
6. Regla de Decisin:
Si
X i. X j. ALS(T) se acepta H 0 :
Xi. X j. > ALS(T) se rechaza H 0 :
d
13
<
ALS(T)
14.109
|44 - 59|
15
>
14.109
|44
|57
|57
|59
=
=
=
=
39
2
26
24
>
<
>
>
14.109
14.109
14.109
14.109
83|
59|
83|
83|
B = C
B D
C D
*
*
n.s
*
*
n
4
4
4
4
PR O M ED IO Tuk e y (P< 0 .0 5 )
83
a
59
b
57
bc
44
c
9. Conclusin.
Se distinguen dos grupos de tratamientos con resultados similares que son
los tratamientos C y B; A y B, es decir los incrementos de pesos para estos
tratamientos son inferiores al tratamiento D.
- 212 -
PROGRAMA EN S.A.S.
DATA ENSA1;
OPTIONS NODATE NOCENTER NONUMBER;
INPUT TRAT REP PESO;
CARDS;
......................
ingresar datos en orden
.......................
;
PROC PRINT; RUN;
PROC ANOVA;
CLASS TRAT REP;
MODEL PESO = TRAT;
MEANS TRAT /TUKEY;
RUN;
/* Presione F3 para ejecutar el programa en SAS */
5.5.
CARACTERISTICAS:
- Se utiliza cuando existe tratamientos testigo control y se desea comparar este
(testigo) con los dems tratamientos.
- La prueba de F-calculado del cuadro ANVA debe ser significativa.
- Las comparaciones son planeadas antes de realizar el experimento.
- La prueba Dunnett, se usa para comparar nuevos tratamientos sobre un
tratamiento testigo o control.
- Es una prueba modificada de la prueba DLS.
- Los investigadores utilizan a menudo un tratamiento de control o estndar como
punto de referencia con el cual comparar todos los dems tratamientos.
EJEMPLO:
1. Informacin: Promedio de tratamientos y el Cuadro ANVA.
A (Control)
Yi.
ni
44
4
F. De V.
Tratamientos
Error exptal.
Total
G.L.
3
12
15
TRATAMIENTOS
B
C
57
4
S.C.
3171.00
542.00
59
4
C.M.
1057.00
45.17
2. HIPOTESIS:
H0: k = j ; k j
Ha: k j
Donde k es la ubicacin del tratamiento testigo.
H 0: A = B = C = D =
Ha: A j
D
83
4
Fc.
23.40
- 214 -
t (DN)
ALS(DN) = S Xi X j .t (DN) , SX X =
i
Sd =
= 3.36(2.72)
t (DN) = 2.72
2CMError
2(45.16667)
.
=
= 336
r
4
2CM Error
, S Yi Yj =
r
2S2
r
ALS(DN) = 9.14
5. Regla de Decisin:
Si
X i. X j. 9.14 se acepta H 0 :
X i. X j. > 9.14 se rechaza H 0 :
6. Comparacin y significacin.
Comparacione s
|44 - 57|
=
|44 - 59|
=
|44 - 83|
=
d
13
15
39
<
>
>
ALS(DN)
9.14
9.14
9.14
Aceptar Hipot.
A B
A C
A D
Signifac.
*
*
*
7. Conclusin.
Todos los tratamientos actan mejor en relacin al tratamiento Testigo (A).
Anlisis y Diseo de Experimentos - 215 La salida con el sistema de anlisis estadstico SAS son:
Dunnetts T tests for variable: PESO
NOTE: This tests controls the type I experimentwise error for comparisons of all
treatments against a control.
Alpha= 0.05 Confidence= 0.95 df= 12 MSE= 45.16667
Critical Value of Dunnetts T= 2.683
Minimum Significant Difference= 12.75
Comparisons significant at the 0.05 level are indicated by ***.
Simultaneous
Simultaneous
Lower Difference Upper
TRAT
Confidence Between Confidence
Comparison
Limit
Means
Limit
D -A
26.250
39.000
51.750 ***
C -A
2.250
15.000
27.750 ***
B -A
0.250
13.000
25.750 ***
- 216 -
1. INFORMACION:
A (Control)
Yi.
ni
44
4
F. De V.
Tratamientos
Error exptal.
Total
G.L.
3
12
15
TRATAMIENTOS
B
C
57
4
S.C.
3171.00
542.00
59
4
C.M.
1057.00
45.17
D
83
4
Fc.
23.40
H 0: A = B = C = D =
Ha: i j
3. NIVEL DE SIGNIFICACION: = 0.05
4. Buscar en la Tabla de de S-N-K, los valores de AES(SNK) con los grados de
liberta del error: GLerror = 12
p:
AES (SN K )
S X i X j = 3.36
3.08
3.77
4.2
ALS(S N K )
10.35
12.67
14.11
ALS(SNK) = S Xi X j .AES(SNK) ,
S Xi X j =
CM Error
45.16667
=
= 3.36
r
4
A
44
B
57
C
59
D
83
6. Regla de Decisin:
Si
X i. X j. ALS(SNK) se acepta H 0 :
X i. X j. > ALS(SNK) se rechaza H 0 :
d
13
(p)
(2)
>
ALS(SNK)
10.35
|44 - 59|
15
(3)
>
12.67
|44 - 83|
|57 - 59|
|57 - 83|
|59 - 83|
=
=
=
=
39
2
26
24
(4)
(2)
(3)
(2)
>
<
>
>
14.11
10.35
12.67
10.35
B = C
B D
C D
*
*
n.s.
*
*
- 218 -
n
4
4
4
4
PROMEDIO
83
59
57
44
SNK (P<0.05)
a
b
b
c
9. Conclusin.
Existe un grupo de tratamientos similares en el incremento de peso en ovejas,
los tratamientos C y B que son inferiores enpromedio al tratamiento D y
superiores al tratamiento A (testigo).
Mean
83.000
59.000
57.000
44.000
N
4
4
4
4
TRAT
D
C
B
A
5.7.
PRUEBA DE SCHEFFE
CARACTERSTICAS:
- El mtodo se Scheff es efectivo para tomar decisiones sobre contrastes
compuestos no ortogonales.
- Est ntimamente relacionado con el concepto de una contraste.
- Usa estadsticos como parte de su frmula (Prueba de F).
- El mtodo Scheff no exige que los datos se ajusten a una distribucin normal.
- Es fcil de usar.
EJEMPLO.
1. INFORMACION:
A (Control)
Yi.
ni
44
4
F. De V.
Tratamientos
Error exptal.
Total
G.L.
3
12
15
TRATAMIENTOS
B
C
57
4
S.C.
3171.00
542.00
59
4
83
4
C.M.
1057.00
45.17
Ci 0
3. NIVEL DE SIGNIFICACION: = 0.05
4. Prueba Estadstica.
LM C OP
N rQ
t
GL Trat.
ALS(S) = (t -1)CM Error FGL
Error
LM1 + 1 + ( 2 ) OP = 26.63
N4 4 4 Q
2
ALS(S) = (3)(45.166667)(3.490)
k =1
2
k
Fc.
23.40
- 220 -
5. Regla de Decisin:
6. Clculos.
C0 = X B + XC 2 X D
= 57 + 59 2( 83 )
C0 = 50
7. Conclusin:
Como
Y , Y =
Y +1 ,
Y+
1
2
Y'= Sen -1 Y
DATOS EN PORCENTAJES:
Cuando se tienen valores en porcentajes entre 0 y 20 (o entre 80 y 100) se
- 222 -
6
DISEO CUADRADO LATINO
(DCL)
Este diseo es una extensin del Diseo Bloque Completo al Azar y se utiliza
cuando las unidades experimentales, a las cuales se van a aplicar los tratamientos
pueden agruparse de acuerdo a 2 fuentes de variabilidad llamadas bloques(hileras) y
columnas respectivamente, tambin se le conoce con el nombre de doble bloqueo.
En la experimentacin agrcola es posible emplear este diseo principalmente
cuando se quiere eliminar el efecto de la variabilidad debido a doble pendiente del
terreno. En la experimentacin pecuaria puede utilizarse cuando se desea eliminar 2
fuentes de variacin.
En este diseo es necesario que el nmero de bloques sea igual al nmero de
tratamientos, esto es: r = c = t, y el nmero total de unidades experimentales en el
experimento debe ser igual a r2. Por ejemplo si el nmero de tratamientos es de 4, el
nmero de bloques y el nmero de columnas debe ser tambin de 4 y el nmero total
de unidades igual a 16.
Este diseo se recomienda cuando el nmero de tratamientos vara entre 3 y
10. El Cuadrado Latino se puede emplear siempre que haya homogeneidad dentro
de bloques y dentro de columnas, pero alta heterogeneidad entre bloques y entre
columnas.
- 224 -
C2
C3
C4
H1
H2
H3
H4
Gradiente de
fertilidad
- 226 -
Y( i ) jk = + i + H
+ C k + ( i ) jk ;
i = 1, 2 , L , t
j = 1, 2 , L , t
k = 1, 2 , L , t
donde:
Yijk = Es la variable respuesta o resultado de la unidad experimental clasificada
en el j-simo nivel de bloque-fila, k-simo nivel de bloque-columna y que
ha recibido el tratamiento i-simo, el cual por estar comprendido en la
combinacin "jk" se llama factor "anidado".
= Constante, media de la poblacin a la cual pertenecen las observaciones.
i = Es el verdadero efecto del i-simo tratamiento.
H j = Es el verdadero efecto de la j-sima fila o nivel del factor que di lugar a
bloque-fila.
~ D N I ( 0 , e2 )
j =1
k =1
i =1
= 0.
Modelo I
Modelo II
H 0 : i = 0
H 0 :
H a : i 0
H a : 2 0
=0
H 0: H
= 0
H 0 :
2
H
= 0
Ha:H
H a :
2
H
H 0:C k = 0
H 0 :
2
C
= 0
H a:C k 0
H a :
2
C
Poblacin
Muestra
$ = Y
j = j
= Y j Y
j = k
= Y k Y
i = i
$ i = Yi Y
Yijk = +( j ) + ( i ) +( k ) +(Yijk i j k + 2 )
Modelo muestral:
Yijk = Y + ( Y j Y ) + ( Yi Y ) + ( Yk Y ) + ( Yijk Yi Y j Yk + 2Y )
Desviacin total
Desviacin
debido a tratamientos
Desviacin
debido a filas
Desviacin
debido a columnas
dY
r
i , j ,k
i =1
k =1
j =1
(Y
ijk
Yi Y j Yk + 2Y )2
i , j ,k
dY
r
SCTOTAL
SCFILAS
SCTRATAMIENTOS
SCCOLUMNAS
SCERROR EXPERIMENTAL
- 228 -
G.L.
S.C.
r
Y . 2j .
j =1
Hileras
r-1
Columnas
r-1
Tratamientos
r-1
C.M.
Y ...2
r2
Y..2k
Y2
...2
r
k =1 r
r
i =1
(r-1)(r-2)
Total
r -1
Yi ..2 Y...2
2
r
r
por diferencia
i =1
j =1 k =1
Yijk2
Fc.
CME.
SC bloque
CM bloque
r 1
CM ee
2 + r 2
SCcolumna
r 1
CMcolumna
CMee
2 + r 2
S C tr a t .
r 1
SCe.exp
(r 1)( r 2)
CM t
C M ee
2 + r 2
Y...2
r2
EJEMPLO:
Se quiere estudiar el efecto de cinco diferentes catalizadores (A,B,C,D y E) sobre el
tiempo de reaccin de un proceso qumico. Cada lote de material slo permite cinco
corridas y cada corrida requiere aproximadamente de 1.5 horas, por lo que slo se
pueden realizar cinco corridas diarias. El experimentador decide correr los experimentos con un diseo en cuadro latino, para controlar activamente a los lotes y das.
Los datos obtenidos son:
1
2
3
4
5
Lote
Y.j.
Da (bloque)
2
3
B7
D1
E2
A7
A9
C 10
C8
E6
D2
B3
28
27
1
A8
C 11
B4
D6
E4
33
4
C7
D3
E1
B6
A8
E
B
D
A
C
25
5
3
8
5
10
8
34
Y..k
26
31
29
36
25
147
TRATAMIENTOS:
A
B
C
D
E
Y...
147
42
28
44
17
16
Prom. 8.40 5.60 8.80 3.40 3.20 5.88
SOLUCIN:
1. Hiptesis:
Respecto a tratamientos: H0 : i = 0 versus Ha : i 0
Respecto a fila:
Respecto a columnas:
2. Nivel de significacin:
H0 : H j = 0 versus Ha : H j 0
H0 : Ck = 0 versus Ha : Ck 0
= 0.05
CM Trat .
~ F( rr11 )( r 2 ),0.05
CM Error
b)
Grado de libertad.
Hileras
Columnas
Tratamientos (variedades)
Error experimental
Total
Suma de Cuadrados:
:r-1=5-1=4
:r-1=5-1=4
:r-1=5-1=4
: (r-1)(r-2) = 4x3 = 12
: r2 - 1 = 5x5 - 1 = 24
TC =
2
Y
( 147 ) 2
=
= 864 .36
2
r
55
SCFilas =
- 230 -
SCCatalizadores =
42 2 + 282 + 44 2 + 17 2 + 162
TC = 10058
. TC = 141.44
5
G.L.
4
4
4
12
24
S.C.
12.24
15.44
141.44
37.52
206.64
C.M.
3.06
3.86
35.36
3.13
Fc.
0.98
1.23
11.31
Signifc.
ns.
ns.
**
5. Decisin: Como Fcatalizadores = 11.31> F124 ,0 .01 = 5.41, entonces se acepta la Ha: y
se rechaza la Ho:
6. Conclusin: No existen evidencias estadsticas significativas para los filas
bloques y columnas, en cambio encontramos diferencia estadstica altamente
significativa para los catalizadores ( P 0.01) en el anlisis de varianza, lo cual confirma
que cada uno de los catalizadores actan en forma diferente en la variable de respuesta,
para una mejor interpretacin de estos resultados se realizar la prueba mltiple de
significancia de Duncan.
SY =
2
3.08
3 .1266667
5
A LS(D)
3
3.23
4
3.33
2.55
2.63
0.79
2.43
ALS ( D ) = SY AES ( D ) , S Y =
3.1266667
= 0.79
5
CM Error
=
r
Promedios
8.8
8.4
5.6
3.4
3.2
Duncan (P 0.05)
a
a
b
b
b
4. Regla de decisin:
S Yi Yj ALS ( D ) , entonces se acepta la Ho:
S Yi Yj > ALS ( D ) , entonces se acepta la Ha:
5. Realizar las comparaciones:
8.80 - 8.40 = 0.40 2.43, entonces no es significativo
C = A
B = D
B = E
- 232 -
DATA DCLAT;
OPTIONS NODATE NOCENTER NONUMBER;
INPUT FILA COLUM TRAT $ TIEMPO;
DATALINES;
1
1
A
8
1
2
C
11
1
3
B
4
1
4
D
6
1
5
E
4
2
1
B
7
2
2
E
2
2
3
A
9
2
4
C
8
2
5
D
2
3
1
D
1
3
2
A
7
3
3
C
10
3
4
E
6
3
5
B
3
4
1
C
7
4
2
D
3
4
3
E
1
4
4
B
6
4
5
A
8
5
1
E
3
5
2
B
8
5
3
D
5
5
4
A
10
5
5
C
8
;
PROC PRINT; RUN;
PROC ANOVA;
CLASS FILA COLUM TRAT;
MODEL TIEMPO = FILA COLUM TRAT;
MEANS FILA COLUM TRAT/LSD DUNCAN TUKEY;
RUN;
Sum of
DF
Squares
Mean Square
12
169.1200000
14.0933333
4
12.2400000
3.0600000
4
15.4400000
3.8600000
4
141.4400000
35.3600000
12
37.5200000
3.1266667
24
206.6400000
Root MSE
TIEMPO Mean
1.768238
5.880000
TRAT
C
A
B
D
E
F Value
4.51
0.98
1.23
11.31
Pr > F
0.0072
0.4550
0.3476
0.0005
- 234 -
EJEMPLO:
En un experimento se probaron tres dietas diferentes (A, B y C) para medir su
efecto en la produccin de leche. Las dietas se aplicaron a tres vacas en tres perodos
de lactancia diferentes. Los resultados son los siguientes:
1
Perodo
I
II
III
A
B
C
608
715
884
2207
A
B
C
608
715
884
Cj
VA CA
2
B
885
C 1087
A
711
2683
711
885
1087
3
C
A
B
940
766
832
2538
766
832
940
Y... =
Hk
2433
2568
2427
Y... = 7428
2085
2432
2911
7428
Las hiptesis para hileras y columnas, al igual que la de bloques en un diseo completo
al azar, en realidad slo dan una idea acerca de la eficiencia o justificacin en el
empleo del control local efectuado en estos diseos.
SUMA DE CUADRADOS:
SC tratam. =
= 114680.6
3
9
SC PERIO D O S =
SC VAC AS =
= 4238 .0
3
9
= 39684 .60
4
9
7428 2
= 164664 .0
9
SCerror exptal. = 164664 - (114680.6 + 4238 + 39684.6) = 6060.8
G.L.
2
2
2
2
8
S.C.
4238.00
39684.60
114680.60
6060.80
164664.00
C.M.
2119.00
19842.30
57340.30
3030.40
Fc.
0.70ns.
6.55*
18.92**
0.05 0.01
4.46 8.65
- 236 -
EJERCICIOS:
1. En un experimento donde se desea probar 4 mquinas con el objeto de ver si
difieren significativamente en su capacidad de produccin de una cierta pieza
manufacturada. Es perfectamente conocido que diferentes trabajadores y diferentes periodos de tiempo en un da de trabajo tendrn un efecto sobre la produccin.
Las mquinas son asignadas al azar a cada trabajador frente a su respectivo periodo de tiempo, en un da de trabajo. Obtenindose los siguientes resultados
experimentales. Analice y obtenga las conclusiones.
Periodo de
tiempo
1
2
3
4
1
C 31
D 39
B 57
A 85
OPERADORES
2
3
D 43
A 31
A 96
B 50
C 33
D 40
B 46
C 48
B
C
A
D
4
36
48
84
50
1
118(B)
127(D)
174(A)
130(C)
2
136(D)
141(B)
173(C)
170(A)
POSICION
3
168(A)
129(C)
126(B)
125(D)
4
135(C)
151(A)
134(D)
95(B)
3.- Un ingeniero qumico est investigando el efecto que tienen 4 mtodos de ensamblaje (A, B, C y D) sobre el tiempo de ensamblaje de un componente para televisores a color. Se seleccionan 4 operadores para realizar este estudio. Por otra
parte, el ingeniero sabe que cada mtodo de ensamblaje produce fatiga, por lo que
el tiempo que se tarda en el ltimo ensamblaje puede ser mayor que en el primero, independientemente del mtodo. En otras palabras se produce un patrn en el
tiempo de ensamblaje. Para controlar esta posible fuente de variabilidad el ingeniero utiliza el diseo de cuadrados latinos que aparece a continuacin. Analice y
obtenga las conclusiones apropiadas.
Orden de
montaje
1
2
3
4
1
C 10
B 7
A 5
D 10
OPERADOR
2
3
D 14
A 7
C 18
D 11
B 10
C 11
A 10
B 12
4
B
A
D
C
8
8
9
14
Anlisis y Diseo de Experimentos - 237 4.-Se prueba seis dietas de concentracin y su efecto en la produccin de leche, en
seis vacas que tienen diferente perodo de lactacin ( 1 a 6 meses), cuya distribucin es:
Perodos
III
I
VI
IV
II
V
C
E
F
B
D
A
5
9.40
4.90
6.70
8.90
5.92
7.20
1
E 5.450
A 7.600
B 8.320
D 6.120
F 9.850
C 9.900
A
C
D
F
B
E
VACAS
3
6
4
6.08 D
3.46 B 8.85
10.87 F
7.15 D 4.12
6.80 A 7.11 E 6.14
12.43 C 11.40 A 5.15
6.15 E
8.10 C 8.16
5.64 B
9.12 F 10.50
F
B
C
E
A
D
2
8.50
7.15
8.84
7.30
6.13
7.00
- 238 -
1
A
Letras Latinas
2
3
B
C
4
D
Letras Griegas
2
3
4
= B
C
D
Grecolatino
2
3
B C
D
C
D
A
4
D
B
A
Yijkl = + i + j + k + l + ijkl
R| i = 1,2,K, p
|S j = 1,2,K, p
||k = 1,2,K, p
T l = 1,2,K , p
donde:
l : Es el efecto de la columna l.
ijkl ~ NID( 0, 2 ) .
Slo son necesario dos de los cuatro subndices para identificar completamente
una observacin. El anlisis de varianza es muy parecido al de un cuadrado latino.
Puesto que las letras griegas aparecen exactamente una vez en cada rengln y columna,
y exactamente una vez con cada letra latina, el factor representado por las letras
griegas es ortogonal a los renglones, las columnas y los tratamientos de letras latinas.
Por lo tanto, puede calcularse una suma de cuadrados debida al factor de las letras
griegas a partir de los totales de las letras griegas y el error experimental se reduce
adicionalmemnte en esta cantidad. En la siguiente tabla se ilustran los detalles de los
clculos de las frmulas de anlisis de varianza. La hiptesis nula de la igualdad de
tratamientos de renglones, columnas, letras latinas y letras griegas, se probara
dividiendo el cuadrado medio correspondiente por el cuadrado medio del error. La
regin de rechazo es la cola superior del punto de la distribucin F( pp13 )( p 1 ) .
TABLA ANOVA: Frmulas.
F. de Variacin
G.L.
S.C.
p-1 SCL =
Y2j
j =1
C.M.
Fc.
2
Y
p2
SC Latina
p1
CM Latina
CM Error
p-1 SCG =
2
Y2k Y
2
p
k =1 p
SC G rieg a
CM Griega
p 1
CM Error
Renglones filas
p
Y2 Y2
p-1 SCRengl . = i
p2
i =1 p
S C R e ngl .
CM Re ngl .
p 1
CM Error
Columnas
p
Y2 Y2
p-1 SCColum. = l
p2
l =1 p
SC Colum .
p 1
CM Colum .
CM Error
CM Error =
SCError
( p 1 )( p 3 )
Total
2
Y
2
SC
Y
=
i j k l ijkl p 2
Total
p -1
2
- 240 -
EJEMPLO:
El rendimiento de un proceso qumico se midi utilizando cinco lotes de materia
prima, cinco concentraciones de cido, cinco tiempos de procesamiento (A,B,C,D y
E) y cinco concentraciones del catalizador ( ,
, , y ). Se us el cuadrado
A
B
C
D
E
1
26
18
20
15
10
89
E
A
B
C
D
5
13
21
13
17
14
78
= 0.05) y
Y...l
90
89
86
83
82
430
SOLUCIN:
1. Hiptesis:
Respecto al tratamiento de la letra latina: H0 : j = 0 versus Ha : j 0
Respecto al tratamiento de la letra griega: H0 : k = 0 versus Ha : k 0
Respecto a fila:
H0 : i = 0 versus Ha : i 0
Respecto a columnas:
H0 : l = 0 versus Ha : l 0
2. Nivel de significacin:
= 0.05
3. Estadgrafo de contraste:
F ( L a tin a ) =
F ( G rieg a ) =
C M L a tin a
C M E rro r
C M G r ie g a
C M E rro r
C M C o lu m .
F ( C o lu m . ) =
C M E rro r
C M F ila
F ( F ila ) =
C M E rro r
U|
||
|V ~ F
||
||
W
p 1
( p 1 )( p 3 ),0 . 0 5
:p-1=5-1=4
:p-1=5-1=4
b)
:p-1=5-1=4
:p-1=5-1=4
: (p - 1)(p - 3) = 4x2 = 8
: p2 - 1 = 5x5 - 1 = 24
Suma de Cuadrados:
TC =
Y2
( 4 3 0 )2
=
= 7396
2
p
55
SC Filas =
i =1
SCcolumnas =
Y2j
j =1
SCLatinas =
TC =
SCGriegas =
SC T otal =
2
ijk
TC = ( 26 2 + 18 2 + L + 17 2 + 14 2 ) TC = 436 .0
i , j ,k ,l
G.L. S.C.
4 342.80
4
12.00
4
10.00
4
24.40
8
46.80
24 436.00
C.M.
85.700
3.000
2.500
6.100
5.850
- 242 -
5. Decisin: Como FTiempos de proc.= 14.65 > F8 ,0 .05 = 3.84, entonces se acepta la Ha:
4
y se rechaza la Ho:
6. Conclusin: Se ha encontrado diferencias estadsticas significativas para los
cinco tiempos de concentracin (letras latinas), en cambio no presentaron diferencia
estadstica significativa para: concentracin de catalizadores, lotes de materia prima
y concentraciones de cido. Se deja como ejercicio al estudiante para que realice la
prueba adecuada (Tukey o Duncan) para los cinco tiempos de concentracin por ser
significativo en la fuente de variacin.
/* PROGRAMA EN SAS */
DATA DCGL;
OPTIONS NODATE NOCENTER NONUMBER;
INPUT COLUM FILAS LATINA $ GRIEGA $ Y;
CARDS;
1 1 A a
26
1 2 B g
18
1 3 C e
20
1 4 D b
15
1 5 E d
10
2 1 B b
16
2 2 C d
21
2 3 D a
12
2 4 E g
15
2 5 A e
24
3 1 C g
19
3 2 D e
18
3 3 E b
16
3 4 A d
22
3 5 B a
17
4 1 D d
16
4 2 E a
11
4 3 A g
25
4 4 B e
14
4 5 C b
17
5 1 E e
13
5 2 A b
21
5 3 B d
13
5 4 C a
17
5 5 D g
14
;
PROC PRINT; RUN;
PROC ANOVA;
CLASS COLUM FILAS LATINA GRIEGA;
MODEL Y = LATINA GRIEGA FILAS COLUM;
MEANS LATINA/DUNCAN TUKEY;
RUN;
5
5
E
g
Sum of
DF
Squares
Mean Square
16
389.2000000
24.3250000
4
342.8000000
85.7000000
4
12.0000000
3.0000000
4
10.0000000
2.5000000
4
24.4000000
6.1000000
8
46.8000000
5.8500000
24
436.0000000
Root MSE
Y Mean
2.418677
17.20000
F Value
4.16
14.65
0.51
0.43
1.04
Pr > F
0.0236
0.0009
0.7289
0.7854
0.4425
Ejercicios:
1. El rendimiento de un proceso qumico se midi utilizando cinco lotes de materia
prima, cinco concentraciones del cido, cinco tiempos de procesamiento (A, B, C,
D y E) y cinco concentraciones del catalizador (, , , , ). Se us el cuadrado
grecolatino siguiente. Analizar los datos de este experimento (utilizar = 0 .0 5 ) y
sacar conclusiones.
Lote
1
2
3
4
5
1
A =26
B= 18
C = 20
D = 15
E= 10
5
E = 13
A = 21
B = 13
C = 17
D = 14
- 244 -
1
C = 11
Ba = 8
A = 9
D = 9
Operador
2
3
B=10
D = 14
C = 12 A = 10
Da = 11 B = 1
A = 8
Ca = 18
4
A = 8
D = 12
C = 15
B = 6
7
EXPERIMENTOS
FACTORIALES
Introduccin.
Los Experimentos Factoriales son arreglos de tratamientos que permiten aplicar
de una sola vez una serie de estmulos o tratamientos que consideramos que intervengan en la respuesta dada por una unidad experimental.
Los arreglos factoriales son de importancia prctica, ya que permiten el estudio
de un estmulo como tal y su respuesta combinatoria respecto de otras condiciones
generadas por la interaccin con otros factores, dando as informacin ms completa, aun cuando los efectos interaccionales no sean significativos. En las ciencias
agropecuarias normalmente se usan combinaciones hasta de tres factores debido principalmente a la interpretacin fisiolgica de las interacciones. Los arreglos de tratamientos pueden ser estudiados en el contexto de los diseos bsicos, considerando
las caractersticas de las unidades experimentales con las que se trabaje.
Los Experimentos Factoriales no constituyen un diseo en s, sino que debe
arreglarse a cualesquiera de los diseos conocidos como: diseo completamente al
azar, diseo bloques completos, cuadrados latino, etc.
- 246 -
- 248 -
II
III
IV
a1b1c1
111
a0b0c0
000
(1)
a1b1c2
112
a0b0c1
001
c
2
a1b1c3
113
a0b0c2
002
a1b2c1
121
a0b1c0
010
a1b2c2
122
a0b1c1
011
bc
a1b2c3
123
a0b1c2
012
bc
a2b1c1
211
a1b0c0
100
a2b1c2
212
a1b0c1
101
ac
a2b1c3
213
a1b0c2
102
ac
10
a2b2c1
221
a1b1c0
110
ab
11
a2b2c2
222
a1b1c1
111
abc
12
a2b2c3
223
a1b1c2
112
abc
factores de los f.
- 250 -
FG f IJ = f
H f 1K
FG f IJ = 1
HfK
M
interacciones de f-1 factores (AB...K-1, AB...(K-2)K,....)
interacciones de todos los factores (ABC....K)
Ejemplo:
2 2 31 = 12 tratamientos o combinaciones. Entonces existen 3 factores en estudio,
triples.
Observacin:
a) Cuando todo los factores son cuantitativos, entonces se debe estudiar por el
mtodo de superficie de respuesta.
b) Cuando existen factores cualitativos y factores cuantitativos, entonces se puede estudiar con efectos simples.
d) Se recomienda no estudiar ms de tres factores, ya que se complicar la interpretacin de la interaccin significativa.
e) Cuando se complica los factores, entonces se realiza mediante repeticin fraccionada (experimentos factoriales grandes).
A
B
b0
a1
b1
b0
a1
b1
b1
a2
b2
b1
b2
Efecto principal B =
Efecto interaccin AB =
- 252 -
Efecto interaccin BA =
donde:
Yijk = Es la variable respuesta de la k-sima observacin bajo el j-simo nivel de
factor B, sujeto al i-simo nivel de tratamiento A.
= Constante, media de la poblacin a la cual pertenecen las observaciones.
i = Efecto del del i-simo nivel del factor A.
j = Efecto del j-simo nivel del factor B.
( )ij = Efecto de la interaccin del i-simo nivel del factor A, en el j-simo nivel
del factor B.
ijk = Efecto del error experimental, que est distribudo como ijk ~ D N I ( 0 , e2 )
ANLISIS DE VARIANZA(ANOVA)
Fuentes de Variacin
G. L.
S.C.
Yij2. Y...2
abr
i=1 j=1 r
a
Yi 2..
Tratamientos
t-1
Factor A
a- 1
br abr
b- 1
ar abr
i =1
b
Factor B
F Y Y I bSC + SC g
GH r abr JK
144
42444
3
b
2
ij .
2
...
i =1 j =1
SCcomb( AxB )
Error Experimental
ab(r -1)
Por diferencia
a
Total
abr - 1
Yijk2
i=1 j=1 k=1
Y...2
abr
Fc
CMtratam.
CMerror
SC( A )
a 1
CMerror
SC( B)
CM( B)
b1
CMerror
SC( AB )
CM( AB)
gl( AB )
CMerror
SCerror
( ab 1)( r 1)
CM( A)
(a - 1)(b - 1)
Y.j2. Y...2
j=1
Interaccin AxB
C.M.
Y...2
SCtratam.
t 1
- 254 -
Control = 1
4
8
12
3.84 27.63 39.95
3.72 27.58 39.00
7.56 55.21 78.95
Y1.. = 141.72
Y.1. = 37.01
4
4.00
3.91
7.91
Y2.. =
A=2
8
12
22.00 46.20
21.83 45.60
43.83 91.80
143.54
Y.2. =
4
3.61
3.61
7.22
Y3.. =
224.14
B=3
8
21.94
21.85
43.79
137.57
12
4
43.58 3.57
42.98 3.50
86.56 7.07
Y4.. =
SOLUCIN:
1. Hiptesis:
Respecto al factor A.
H0 : i = 0,
C=4
8
20.50
20.32
40.82
137.92
12
4
45.14 3.64
44.89 3.61
90.03 7.25
Y5.. =
Y.3. = 435.72
D=5
8
20.30
20.19
40.49
136.12
12
44.36
44.02
88.38 696.87 = Y...
696.87 = Y...
696.87 = Y...
Respecto al factor B.
i = 1,2,..... a
Ha : i 0, para cualquier i
H0 : j = 0 ,
j = 1,2 ,.....b
Ha : j 0, para cualquier j
Respecto a la interaccin A x B
b g
H : b g
Ho :
a
ij
= 0,
ij
2. Nivel de Significacin:
= 0.05
3. Prueba de Contraste: F ( A ) =
CM A
CM B
CM A B
, F( B ) =
, F( A B ) =
CM Error
CM Error
CM Error
GLB = b 1 = 3 1 = 2
= ( a 1 )( b 1 ) = 4 2 = 8 , GLError = ab( r 1 ) = 5 3 ( 2 1 ) = 15
GLTotal = abr 1 = 5 3 2 1 = 29
TC =
Y2
i
i) SCA = br TC=
i=1
Y2
(141.72)2 + (14354
. )2 +L+(13612
. )2
TC = 6469386
.
3 2
j
ii) SC B = ar TC =
j=1
I
JK
144
42444
3
Yij2
iii) SCAB = GH r
5
TC SCA SCB =
i=1 j=1
SCTratamientos
v)
- 256 -
G.L.
S.C.
C.M.
Fc.
4
6.4693860
1.6173465 25.36
2
7958.4465800 3979.2232900 62406.14
8
115.6350540
14.4543818 226.69
15
0.9564500
0.0637633
29 8081.5074700
Signif.
**
**
**
4
2
8
F15,0.01
= 4.89; F15,0.01
= 6.36; F15,0.01
= 4.0
CM error
0.063763
x100 =
100 = 1.09%
Y
696.87 30
INTERPRETACIN:
De acuerdo al anlisis de varianza (ANVA), encontramos que existe diferencia
estadstica altamente significativa (P 0.01) para los efectos principales y efectos de
interaccin; los efectos principales pierden el inters y las conclusiones se deben
obtener del efecto de la interaccin antioxidante por tiempo, para esto se debe realizar
el anlisis de varianza de efectos simples para nuestras conclusiones.
MTODO TABULAR PARA LA INTERACCIN (A= Antioxidantes x B =
Tiempo)
Antioxidantes
a1
Tiempo (Hrs)
b1
b2
b3
Yi..
a2
a4
a5
Y.j.
7.07
40.82
90.03
7.25
40.49
88.38
37.01
224.14
435.72
a3
696.87 = Y...
MTODO GRFICO (Se debe obtener los promedios del mtodo tabular)
a1
Tiempo (Hrs)
b1
b2
b3
Promedio
3.78
27.605
39.475
23.62
Antioxidantes
a2
a3
3.955
21.915
45.9
23.923
3.61
21.895
43.28
22.928
a4
a5
3.535 3.625
20.41 20.245
45.015 44.19
22.987 22.6867
Promedio
18.505
112.07
217.86
23.229
51
48
45
42
39
36
33
30
27
24
21
18
15
12
9
6
3
0
Promedios
Promedios (Hrs)
a1
a2
a3
a4
51
48
45
42
39
36
33
30
27
24
21
18
15
12
9
6
3
0
a5
b1
Niveles de Antioxidante
b2
b3
Tiempo en horas
A dentro de b1
A dentro de b2
A dentro de b3
B dentro de a1
B dentro de a2
B dentro de a4
B dentro de a5
B dentro de a3
= 022474
ar
2
5 2
i =1 r
5 Y2
. 2 + 4383
. 2 + 4379
. 2 + 4082
. 2 + 4049
. 2 ( 22414
. )2
Y2 5521
i2
= 7237084
SC( A dentro b2 ) = 2 =
.
ar
2
5 2
i=1 r
5 Y2
. 2 + 918
. 2 + 8656
. 2 + 9003
. 2 + 8838
. 2 ( 43572
. )2
Y2 7895
i3
= 4950886
SC( A dentro b3 ) = 3 =
.
ar
2
5 2
i =1 r
= 13217737
.
br
2
3 2
j=1 r
b=3 Y2
Y2 7.912 + 4383
. 2 + 918
. 2 (143.54)2
i2
= 1771483233
SC(B en a2 ) = 2 =
.
br
2
3 2
j=1 r
b=3
Yi32
j=1
SC(B en a3 ) =
= 1576912233
.
br
2
3 2
- 258 -
b=3 2
Y Y2 7.072 + 4082
. 2 + 9003
. 2 (137.92)2
=1740508033
SC(B en a4 ) = i4 4 =
.
br
2
32
j=1 r
b=3 2
Y Y2 7.252 +4049
. 2 +8838
. 2 (136.12)2
= 1663404433
SC(B en a5) = i5 5 =
.
br
2
32
j=1 r
G.L.
4
4
4
2
2
2
2
2
15
S.C.
0.224740
72.370840
49.508860
1321.773700
1771.483233
1576.912233
1740.508033
1663.404433
0.956450
C.M.
0.05619
18.09271
12.37722
660.88685
885.74162
788.45612
870.25402
831.70222
0.0637633
Fc.
Signif.
0.88 ns.
283.75 **
194.11 **
10364.68 **
13891.08 **
12365.35 **
13648.19 **
13043.58 **
2
F15,0.01
= 6.36
Interpretacin:
A dentro de 4 hrs.: No se encontr diferencia estadstica significativa entre los
niveles de a1, a2, a3, a4, a5 bajo los niveles de b1, es decir no hay diferencia significativa
entre los niveles de antioxidantes con el tiempo, es decir son independientes entre los
niveles.
A dentro 8 hrs: Existe diferencia significativa entre los niveles de a1, a2, a3, a4, a5
bajo los niveles de b2, es decir hay diferencia significativa entre los antioxidantes con
el tiempo.
A dentro 12 hrs: Existe diferencia significativa entre los niveles de a1, a2, a3, a4, a5
bajo los niveles de b3, es decir hay diferencia significativa entre los antioxidantes con
el tiempo.
B dentro ai: Existe diferencia significativa entre los niveles de b1, b2 y b3 bajo los
niveles de ai, es decir hay diferencia significativa entre los tiempos con el antioxidante
(para todo los niveles).
Anlisis y Diseo de Experimentos - 259 Prueba Mltiple de comparacin de DUNCAN para los efectos simples.
1. Hiptesis: H 0 : 1 = 2 = 3 = 4 = 5 Vs. H a : i 0
2. Nivel de significacin: = 0.05
3. Buscar en la Tabla de Duncan los valores de AES(D) con Grados de Libertad
del Error (GLerror = 15).
p:
AES(D)
SY =
2
3.01
0.063763
2
3
3.16
4
3.25
5
3.31
0.56
0.58
0.59
0.17855
ALS(D)
0.54
A dentro b2 :Yi2
Yi1 Duncan(P0.05)
3.96
3.78
3.63
3.61
3.54
Antioxidantes
a
a
a
a
a
Control
A
B
C
D
A dentro b3 :Yi3
Duncan(P0.05)
Yi2
27.61
21.92
21.90
20.41
20.25
Antioxidantes
A
C
D
B
Control
b
b
c
c
Yi3
Duncan(P0.0
45.90
45.02
44.19
43.28
39.48
a
b
c
d
39.5
27.6
3.78
B dentro a2 :Y2 j
Duncan(P0.05)
a
b
c
Y2 j
45.90
21.92
3.96
B dentro a3:Y3 j
Duncan(P0.05)
a
b
c
Y3 j
43.28
21.90
3.61
B dentro a4 :Y4 j
Duncan(P0.05)
a
b
c
Y4 j
45.02
20.41
3.54
B dentro a5:Y5 j
Duncan(P0.05)
a
b
c
Y5 j
44.19
20.25
3.63
Duncan(P0.05)
a
b
c
Nota: El efecto principal del factor tiempo es de tipo cuantitativo por que se debe
realizar a travs de superficie de respuesta para encontrar el ptimo. En nuestro caso
se ilustra solamente para efectos didcticos del ejemplo, ms adelante se desarrollar
en forma detallada cuando se tienen factores cuantitativos.
- 260 -
PROGRAMA EN SAS.
DATA AGROI;
OPTIONS NODATE NOCENTER NONUMBER;
INPUT ANTIOX $ TIEMPO REP INDICE;
DATALINES;
/* Ingresar los datos */
;
PROC PRINT; RUN;
PROC GLM;
CLASS ANTIOX TIEMPO;
MODEL INDICE = ANTIOX TIEMPO ANTIOX*TIEMPO;
LSMEANS ANTIOX*TIEMPO/SLICE=ANTIOX;
LSMEANS ANTIOX*TIEMPO/SLICE=TIEMPO;
RUN;
SALIDA DE RESULTADOS CON SAS
Class Level Information
Class
Levels
Values
ANTIOX
5
A B C D TES
TIEMPO
3
4 8 12
Number of observations
30
Dependent Variable: INDICE
Source
DF
Squares
Mean Square
Model
14
8080.551020
577.182216
ANTIOX
4
6.469387
1.617347
TIEMPO
2
7958.446580
3979.223290
ANTIOX*TIEMPO
8
115.635053
14.454382
Error
15
0.956450
0.063763
Corrected Total
29
8081.507470
R-Square
Coeff Var
Root MSE
INDICE Mean
0.999882
1.087064
0.252514
23.22900
F Value
9051.95
25.36
62406.1
226.69
Pr > F
<.0001
<.0001
<.0001
<.0001
INDICE
F Value
13891.1
12365.4
13648.2
13043.6
10364.7
Pr > F
<.0001
<.0001
<.0001
<.0001
<.0001
Pr > F
0.4985
<.0001
<.0001
EJEMPLO:
Anlisis y Diseo de Experimentos - 261 En un estudio sobre el rendimiento de un proceso qumico, se cree que los factores ms importantes son la presin y la temperatura. Se seleccionaron tres niveles de
cada factor y se realiza un experimento factorial con dos rplicas. La informacin se
presenta en seguida.
a) Calcular el ANVA respectivo y ajuste la funcin de respuesta para el factor cuantitativo.
A: Temperatura
B: Presin
1
2
Yij.
Yi..
Y.j.
200
90.40
90.20
180.60
Y1.. =
Y.1. =
BAJA
215
90.70
90.60
181.30
542.50
542.20
230
90.20
90.40
180.60
INTERMEDIA
200 215 230
90.10 90.50 89.90
90.30 90.60 90.10
180.40 181.10 180.00
Y2.. = 541.50
Y.2. = 544.10
SOLUCIN:
1. Hiptesis:
Respecto al factor A.
ALTA
200 215
90.50 90.80
90.70 90.90
181.20 181.70
Y3.. = 543.40
Y.3. = 541.10
230
90.40
90.10
180.50 1627.40 = Y...
1627.40 = Y...
1627.40 = Y...
Respecto al factor B.
H0 : i = 0,
i = 1,2,..... a
Ha : i 0, para cualquier i
H0 : j = 0 ,
j = 1,2 ,.....b
Ha : j 0, para cualquier j
Respecto a la interaccin A x B
b g
H : b g
Ho :
a
ij
= 0,
ij
2. Nivel de Significacin:
= 0.05
3. Prueba de Contraste: F ( A ) =
CM A
CM B
CM A B
, F( B ) =
, F( A B ) =
CM Error
CM Error
CM Error
- 262 -
GLB = b 1 = 3 1 = 2
GL A B = ( a 1 )( b 1 ) = 2 2 = 4 , GLError = ab( r 1 ) = 3 3 ( 2 1 ) = 9
GLTotal = abr 1 = 3 3 2 1 = 17
TC =
2
Y
(1627.4) 2
=
= 147135.0422
abr
3 3 2
Yi2
(542.5) 2 + ( 5415
. )2 + ( 543.4 )2
TC =
TC = 0.30111
br
3 2
SCA =
i =1
3
Y2j
j=1
ar
SC B =
SCAB =
TC =
. )2
(542.2) 2 + (544.1) 2 + ( 5411
TC = 0.76778
3 2
2
ij
i =1 j=1
SCTratamientos
2
TC = ( 90.4 )2 + ( 90.2 )2 + L + ( 90.1 )2 TC = 147136.34 TC = 129778
SC Total = Yijk
.
i =1 j=1 k =1
G.L.
2
2
4
9
17
S.C.
0.3011100
0.7677800
0.0688900
0.1600000
1.2977800
C.M.
Fc. Signif.
0.1505550 8.47 **
0.3838900 21.59 **
0.0172225 0.97 ns.
0.0177778
CM Error
0.017778
x100 =
100 = 0.15%
Y
1627.4 18
2
4
F9,0.01
= 8.02; F9,0.01
= 6.42
Interpretacin:
El anlisis de varianza (ANVA), nos presente que existe diferencia estadstica
altamente significativa (P 0.01) para los factores temperatura y presin; sin embargo
la interaccin no present diferencia alguna, esto implica que los dos factores son
independientes. Para el factor cualitativo de temperatura se realiza la prueba de Tukey
y para el factor cuantitativo de presin se ajusta la funcin de respuesta.
Prueba Mltiple de comparacin de TUKEY
1. Hiptesis: H0 : B = I = A Vs. Ha : i j
2. Nivel de significacin: = 0.05
3. Buscar en la Tabla de Tukey (Usa la tabla SNK), los valores de Amplitudes
Estudentizadas Significativas de Tukey AES(T) con Grados de Libertad del
Error (GLerror = 9), p = 3 tratamientos, AES(T) = 3.95
SY =
0.017778
CM Error
=
= 0.054433 , ALS ( T ) = S Y AES ( T )
,
6
r
= 0 .054433 3.95 = 0 .215
Promedios
90.57
90.42
90.25
Tukey (P 0.05)
a
ab
b
4. Regla de decisin:
S Yi Yj ALS ( T ) , entonces se acepta la Ho:
S Yi Yj > ALS ( T ) , entonces se acepta la Ha:
5. Realizar las comparaciones:
90.57 - 90.42 = 0.15 0.215, entonces no es significativo A = B
90.57 - 90.25 = 0.32 > 0.215, entonces es significativo
A I
B = I
- 264 -
Y j
Lineal
200
90.30
90.20
90.60
215
90.65
90.55
90.85
230
90.30
90.00
90.25
90.37
90.68
90.18
-1
1
0
-2
1
1
Lineal (P1j)
Cuadrtica (P2j)
Cuadrtica
P Y P2jYij
1j ij
0.00
-0.20
-0.35
-0.70
-0.90
-0.85
-0.19
-0.81
SCLineal =
ra j =1 P1 jY j
3
2
1j
j =1
SCCuadrtica =
ra j=1 P2 jY j
3
1 + ( 2 ) + 1
2
2j
j =1
ri=1
3
SCPresin Lineal T0 =
j SC
2
PY
j =1 1 j ij
Lineal
2
1j
. )2 + ( 035
. )2
2( 02 + ( 02
01083
= 00542
.
.
2
j =1
SCPresinx Cuadrtica T =
P22j
j=1
j SC
2
Cuadrtico
. )2 +( 09
. )2 +( 085
. )2
2 ( 07
6
06561
= 00180667
.
.
GL
2
1
1
2
4
2
2
9
17
S.C.
0.7677800
0.1083000
0.6561000
0.3011100
0.0688900
0.0542000
0.0180667
0.1600000
1.2977800
C.M.
Fc.
0.383890000 21.59
0.108300000 6.09
0.656100000 36.91
0.150555000 8.47
0.017222500 0.97
0.027100000 1.52
0.009033350 0.51
0.017777778
Signif.
**
*
**
**
ns.
ns.
ns.
Niveles de P.
X
200
215
230
c1
-1
0
1
i=1 i
Y = 542.47
k1 =13
C =
1
c1Y
-542.2
0
541.1
c2
1
-2
1
P1= -1.1
C =
2
c2Y
542.2
-1088.2
541.1
0
P2 = -4.9
X = 215
k4 =12
k2 =12
Lineal: Y$ L = Y + K2 P1 X'
b g
1
Y$L = Y + K2 P1 X' = 542.47 + ( 11
. ) X' = 542.47 055
. X'
2
h b
g b
LM
N
OP LM
Q N
OP LM
Q N
OP
Q
1
1
1
. ) X ' + ( 4.9 ) X ' 2 = 544.103 0.55 X ' 2 .45 X '
= 542.47 ( 4 .9 ) + ( 11
3
2
2
- 266 -
FG
H
IJ
K
FG
H
P 215
P 215
0.4083
Y$Q = 90.6838 0.09167
15
15
IJ
K
0.4083 2
0.09167
Y$Q = 90.6838
P 215
P 2 215 P + 2152
225
15
e j = 0 d c81147
+ 0.77419 P 0.00181P h = 0
.
d Y$Q
dP
dP
e j = 0.77419 2 0.00181P = 0
d Y$Q
dP
P=
0.77419
= 213.86
2 0.00181
+ 0.77419( 21386
Y$Q = 81147
.
. ) 0.00181( 21386
. )2 = 90.90
Grficamente, se puede observar como sigue:
100
95
90
Rendimiento
85
80
75
70
65
60
55
50
50 65
80 95 110 125 140 155 170 185 200 215 230 245 260 275 2
P = 21386
.
Niveles de Presin
: Es la gran media.
Pci : Polinomio ortogonal de c-simo orden, para el i-simo nivel del
factor de tratamiento.
La transformacin de las potencias de x en polinomios ortogonales.
Media:
P0 = 1
Lineal:
P1 = 1
FG X X IJ
H d K
- 268 -
Cuadrtica:
LF X X I F t 1I OP
P = MG
MNH d JK GH 12 JK PQ
Cbica:
P3 = 3
LMF X X I F X X I F 3t 7 I OP
MNGH d JK GH d JK GH 20 JK PQ
3
X:
(X - 215):
(X - 215)/15:
200
-15
-1
Yi
Presin (X)
200
215
230
90.37
90.68
90.18
215
0
0
PY =
3
-0.81
P=
j P
--
0.1083
0.6561
90.41
-0.095
-0.135
3
2
i=1 ci
SCPc =r i=1PY
ci i
$ c =i=1 PY
ci i
3
2 =3
-0.19
1 =1
271.23
i=1 ci i
230
15
1
3 2
i=1 ci
2
i=1 ci
LMFG X 215IJ F 3 1I OP
MNH 15 K GH 12 JK PQ
LF X 215IJ 2 OP
0.095
= 90.41
( X 215 ) 0.405MG
15
NMH 15 K 3 QP
FG
H
IJ
K
X 215
0135
Y$i = 90.41 0.095 1
. 3
15
d ( Y$i )
= 0 0.768 2 0.0018 X = 0 , 0.0036X = 0.768, entonces X = 213
dX
Se llega al mismo resultado, realizado con el mtodo 1.
Yijk = + k + i + j + ( ) ij + ijk ;
i = 1,2,L , p ( Niveles de f
j = 1,2,L , q ( Niveles de f
k = 1,2,L , r ( Bloques)
Donde:
Yijk = Es la variable respuesta del k-simo bloque bajo el j-simo nivel de factor B,
sujeto al i-simo nivel de tratamiento A.
= Constante, media de la poblacin a la cual pertenecen las observaciones.
ijk
- 270 -
S.C.
C.M.
Y..2k Y...2
abr
i =1 ab
t
Bloques
r-1
Tratamientos
Yij2.
i =1
j =1
t-1
a-1
i=1
Y . 2j .
b-1
F Y
GH r
a
AB
(a-1)(b-1)
2
ij
b lo q .
CM
erro r
S C tr a ta m .
t 1
CM tratam .
CM error
SC
I
JK
por diferencia
Total
2
ijk
i =1 j =1 k =1
( A )
( B )
b 1
TC SC A SCB
i = 1 j =1
CM
r 1
a 1
(abr - 1)
S C b lo q u e s
S C
Y ...2
abr
ar
j=1
Y ...2
abr
Y i ..2
Y 2
...
br
abr
C M error
C M error
SCerror
(ab1)(r 1)
para cualquier k
i = 1,2 , ..... a
para cualquier i
Respecto al factor B. H o :
= 0,
j = 1, 2 , ..... b
H a:
0,
Ha: ( )ij 0
CM (B)
C M ( AB )
Y...2
abr
(A)
erro r
g l( AB )
k = 1,2 ,..... r
Respecto al factor A. H o: i = 0 ,
H a: i 0,
CM
CM
S C ( AB )
HIPOTESIS:
Respecto al bloque: Ho: B k = 0 ,
Ha : B k 0 ,
Fc.
CME(I)
2e + abk2
2e +brk2
2e + ark2
2
2e + rk
2e
Variedad
1
2
3
4
5
6
7
8
9
10
11
12
H-1
H-2
V-1
V-2
Dosis
kg/ha
50
100
150
50
100
150
50
100
150
50
100
150
Bloques Y..k
I
3
4
6
5
6
7
2
2
5
4
6
7
57
II
2
4
5
5
5
8
1
2
4
5
6
8
55
BLOQUES
III
3
4
6
6
6
8
1
3
5
4
5
7
58
IV
3
5
7
6
7
9
2
3
6
3
5
8
64
V
2
5
6
5
7
8
1
2
6
2
4
8
56
Y ij.
13
22
30
27
31
40
7
12
26
18
26
38
Y... = 290
Y...2 (290) 2
. ;
=
= 140167
abr 4 x3x5
SC var. =
i =1
Y..2k
5732 +L+562
TC =
4 x3
k =1 ab
r
SCBloques =
65 2 + L + 82 2
Yi ..2
TC =
TC = 103.53
3x5
br
SC Comb (VxD ) =
i =1 j =1
Yij2.
r
TC =
13 2 + L + 38 2
TC = 229.53
5
- 272 -
F. De V.
G.L.
Bloques
4
Variedad (V)
3
Dosis (D)
2
VxD
6
Error Exptal.
44
Total
59
C.V. = 14.17%
S.C.
4.1600
103.5300
121.4300
4.5700
20.6400
254.3300
C.M.
1.0400
34.5100
60.7150
0.7617
0.4691
Fc.
1.37
73.57
129.43
1.62
Signific.
n.s.
**
**
n.s.
Sum of
Mean
Squares
Square
F Value
Pr > F
233.7000000 15.5800000
33.22
0.0001
4.1666667
1.0416667
2.22
0.0821
103.5333333 34.5111111
73.59
0.0001
121.4333333 60.7166667 129.48
0.0001
4.5666667
0.7611111
1.62 0.1635
20.6333333
0.4689394
254.3333333
C.V.
Root MSE
RDTO Mean
14.16810
0.684791
4.83333333
- 274 -
EJERCICIOS:
1.- Se estn estudiando los factores que influyen en la resistencia de ruptura de una
fibra sinttica. Se eligen al azar 4 mquinas y 3 operadores y se realiza un experimento factorial usando fibras de un mismo lote de produccin. Los resultados
se muestran a continuacin. Analice los datos y obtenga las conclusiones apropiadas.
Operario
1
2
3
MQUINA
2
3
110
109
115
109
110
111
111
109
112
114
115
119
1
109
110
110
112
116
114
4
110
108
114
112
120
117
2.- Se estudi el efecto de diferentes dosis de fertilizacin fosforado sobre dos tipos
de plantas de haba (Vicia faba). Se pens que los tipos de planta bien podan
responder en forma diferente a la fertilizacin, as que se decidi llevar a cabo un
experimento factorial con dos factores: A: tipo de planta (corto, largo), B: Dosis
de fsforo: 0 kg/ha P O, 25 kg/ha P O, 50 kg/ha P O. El experimento se llev a
2
2
2
cabo en un diseo bloque completo al azar en arreglo combinatorio, con cuatro
repeticiones. Analice los datos e interprete los resultados. Los resultados del experimento (produccin en kg/ha) se presentan a continuacin:
Tipo de
planta
Corto
Largo
Dosis de
fsforo
0
25
50
0
25
50
Bloques
I
11.5
17.1
18.2
11.0
8.3
15.7
II
13.6
17.6
17.6
11.2
10.5
16.7
III
14.3
17.6
18.2
12.1
9.1
16.6
IV
14.5
18.1
18.9
12.6
12.8
17.5
3.- Se realiz un ensayo para evaluar la respuesta del rendimiento del cultivo de haba
(Vicia faba) frente a cuatro niveles de Nitrgeno y cuatro niveles de Fsforo, en el
rea exista una gradiente de variabilidad por lo cual se utiliz el diseo bloque
completo al azar, los resultados son los siguientes:
Factor
Nitrgeno
Fsforo
Niveles
Niveles
de Nitrgeno de Fsforo
0
0
1
0
2
0
3
0
0
1
1
1
2
1
3
1
0
2
1
2
2
2
3
2
0
3
1
3
2
3
3
3
I
833
450
450
1083
1250
1083
1083
917
833
1167
1417
1583
750
1500
1333
1167
Bloques
II
III
450
450
834
450
833
667
833
917
1083
917
1083
583
1583
1167
1167
1000
583
750
833
1500
1167
1000
1500
583
450
667
1167
667
917
833
833
1083
IV
1083
833
833
833
1250
1083
1000
1250
1333
750
833
1417
417
1083
1167
1250
a) Construya una grfica para mostrar la posible interaccin entre los niveles de los
factores de nitrgeno y fsforo, b) Calcule el ANOVA y ser necesario realice el
anlisis de post-ANOVA.
4. Se realiz la evaluacin inicial del efecto de tres intensidade de raleo y tres e poda
en el crecimiento de una plantacin de Pinas caribaea Morelet Var, hondurensis,
en Livingston, Izabal. Los factores que se evaluacin son dos: Factor A (raleos),
se utiliz el ndice Hart (S%), con intensidades: S% = actual, S% = 22 y S% = 28,
debido a que el ndice de Hart establece que entre 20 y 30% del espaciamiento,
una plantacin puede crecer adecuadamente sin competencia. Factor B (poda), se
hizo con las siguientes intensidades: sin poda (SP), 1/2 y 3/2 de la altura de la
copa via. Las variables de respuesta medidas fueron: dimetro, altura, rea basal
y volumen. A continuacin se presentan los datos para la variable volumen (m3)
correspondiente a la tercera medicin:
Poda
S.P.
1/2h
3/2h
Raleos
S%A
S%22
S%28
S%A
S%22
S%28
S%A
S%22
S%28
I
0.0803
0.0965
0.1130
0.1020
0.0860
0.1390
0.0739
0.0953
0.1300
Bloques
II
III
0.0569
0.0548
0.0643
0.0673
0.0833
0.0612
0.0542
0.0594
0.0756
0.0869
0.0857
0.0793
0.0625
0.0577
0.0635
0.0105
0.0668
0.0844
IV
0.0691
0.0589
0.0581
0.0466
0.0488
0.0872
0.0417
0.0708
0.1160
- 276 -
(ii)
(iii)
a1b1c1
T1
111
a1b1c2
T2
112
a1b2c1
T3
121
a1b2c2
T4
122
a2b1c1
T5
211
a2b1c2
T6
212
a2b2c1
T7
221
a2b2c2
T8
222
donde:
Yijkl = Es la variable respuesta de la l-sima observacin bajo el k-simo nivel de
factor C, en el j-simo nivel del factor B, sujeto al i-simo nivel de tratamiento A.
- 278 -
ANOVA para un factorial de TRES factores bajo el Diseo Completo al Azar (DCA).
F. de Variacin G.L.
S.C.
a
Tratamientos
Yijk2 .
t-1
C.M.
i=1 j=1 k =1
Y....2
abcr
SC tratam .
t 1
a-1
Yi ...2
Y....2
abcr
i =1 bcr
b-1
acr abcr
c-1
Y..2k .
Y....2
abcr
k =1 abr
AB
(a-1)(b-1)
cr abcr SC
AC
(a-1)(c-1)
br abcr SC
BC
(b-1)(c-1)
ar abcr SC
Y. 2j ..
Y....2
( A)
i=1 k=1
Y. 2jk.
Y....2
( B)
j=1 k =1
(abcr - 1)
CV =
SC(C)
SC(C)
Y....2
,
abcr
SC( B)
abc(r-1)
2
ijkl
SCtrat .
i =1 j =1 k =1 l =1
2
ijkl
i =1 j =1 k =1 l =1
C M error
Y....
( B )
Y....2
abcr
x 100
CM (B)
C M error
C M (C )
(C )
c 1
Y....2
Yi.2k.
TC =
SC
( A)
Total
C M error
b 1
i=1 j =1
(a-1)(b-1)(c-1)
Yij2..
Error exper.
a 1
j =1
ABC
CM ( A)
SC
CME(I)
CM tratam.
CM error
( A )
SC
Y....2
Fc.
C M error
SC ( AB )
2e + rbck2
2e +rack2
2e +rabk2
C M ( AB )
( a 1)(b 1) C M error
SC ( AC )
C M ( AC )
( a 1)( c 1) C M error
SC ( BC )
C M ( BC )
( b 1)( c 1) C M error
SC(BC)
CM ( ABC )
SCerror
abc(r 1)
2e + rck2
2e + rbk2
2e + rak2
2e + rk2
2e
1
2
3
Yijk.
Yij..
Yi.k.
Y.jk.
Yi
Y.j..
Y..k.
IIPC
MACHOS
HEMBRAS
2
3
4
2
3
4
21.42 25.35 29.14 21.31 25.24 30.63
22.68 23.75 31.28 20.90 25.11 30.59
21.86 24.75 30.38 21.83 26.23 30.54
65.96 73.85 90.80 64.04 76.58 91.76
Y11.. = 230.61
Y12.. = 232.38
Y1.1. = 130.00 Y1.2. = 150.43 Y1.3. = 182.56
Y.11. = 128.30 Y.12. = 145.47 Y.13. = 176.36
Y1 = 462.99
Y.1.. = 450.13
Y..1. = 256.42
Y..2. = 294.13
LA RAYA
MACHOS
HEMBRAS
2
3
4
2
3
4
20.75 23.76 27.53 20.86 24.40 28.39
19.83 23.74 28.80 21.64 24.25 28.31
21.76 24.12 29.23 21.58 23.43 28.58 Y....
62.34 71.62 85.56 64.08 72.08 85.28 903.95
Y21.. = 219.52
Y22.. = 221.44
903.95
Y2.1. = 126.42 Y2.2. = 143.70 Y2.3. = 170.84 903.95
Y.21. = 128.12 Y.22. = 148.66 Y.23. = 177.04 903.95
Y2 = 440.96
903.95
Y.2.. = 453.82
903.95
Y..3. = 353.40
903.95
SOLUCIN:
1. Hiptesis:
Respecto al factor A.
H0 : i = 0,
Respecto al factor B.
i = 1,2,....., a
H0 : j = 0 ,
Ha : i 0, para cualquier i
j = 1,2 ,....,b
Ha : j 0, para cualquier j
Respecto al factor C.
H0 : k = 0 ,
k = 1,2 ,....., c
Ha : k 0, para cualquier k
b g
b g
b g
Respecto a la interaccin A x C. Ho :
ik
Respecto a la interaccin B x C. Ho :
jk
b g
= 0 Vs. Ha :
ik
b g = 0 Vs. H : b g 0
Respecto a la interaccin AxBxC. H : b g = 0 Vs. H : b g
o
2. Nivel de Significacin:
= 0.05
ijk
jk
ijk
- 280 -
3. Prueba de Contraste: F ( A ) =
F( A B ) =
CM A
CM B
CM C
, F( B ) =
, F( C ) =
CM Error
CM Error
CM Error
CM A B
CM A C
CM B C
CM
, F( A C ) =
, F( B C ) =
, F( A B C ) =
CM Error
CM Error
CM Error
CM
a 1
RR Ho: S F ( A ) > Fabc
( r 1 ), , entonces se acepta la Ha:
b 1
entonces se acepta la Ho:
RA Ho: S F ( B ) Fabc
( r 1 ), ,
b 1
RR Ho: S F ( B ) > Fabc
( r 1 ), , entonces se acepta la Ha:
c 1
entonces se acepta la Ho:
RA Ho: S F ( C ) Fabc
( r 1 ), ,
c 1
RR Ho: S F ( C ) > Fabc
( r 1 ), , entonces se acepta la Ha:
( a 1 )( b 1 ) entonces se acepta la Ho:
RA Ho: S F ( A B ) Fabc
( r 1 ), ,
( a 1 )( b 1 )
RR Ho: S F ( A B ) > Fabc
( r 1 ), , entonces se acepta la Ha:
GLB = b 1 = 2 1 = 1 ,
GLC = c 1 = 3 1 = 2
GL A C = ( a 1 )( c 1 ) = 1 2 = 2
GLB C = ( b 1 )( c 1 ) = 1 2 = 2 ,
GL A B C = ( a 1 )( b 1 )( c 1 ) = 1 1 2 = 2
GLError = abc( r 1 ) = 2 2 3( 3 1 ) = 24
GLTotal = abcr 1 = 2 2 3 3 1 = 35
b) Suma de Cuadrados (SC SS)
2
Y
(903.95) 2
=
= 22697.9334
abcr 2 2 3 3
TC =
SC A =
i =1
2
Y2j
j=1
acr
SC B =
TC =
(450.13) 2 + (453.82) 2
TC = 0.378225
2 3 3
Y2 k
(256.42) 2 + (294.13) 2 + (353.4) 2
TC =
TC = 398.336039
223
k =1 abr
3
SC C =
SCAB =
2
ij
FG Y
H br
2
2
ik
IJ
K
TC SCA SCC =
i =1 k =1
= 2.807839
SCBC =
i=1 j=1
= 0.000625
SCAC =
F Y
GH ar
2
2
jk
I
JK
TC SCB SCC =
j=1 k =1
2
3
N
Q
2
= 0.511017
SCABC =
F
I
Y
GH r TCJK ( SC + SC + SC + SC
144424443
2
2
ijk
i =1 j=1 k=1
SCTRAT .
AB
+ SCAC + SCBC )
- 282 -
A B
+ SCB + SCC +
+ SC A C + SCB C
IJ
K
417 .188098
= 1.673217
2
2
SCTotal = Yijkl
. )2 +L + ( 28.58 )2 TC = 23125.2225 TC
TC = ( 2142
i =1 j=1 k =1 l=1
F. de V.
G.L.
Rebao (A)
1
Sexo (B)
1
Edad ( C )
2
AxB
1
AxC
2
BxC
2
AxBxC
2
Error Experimental 24
Total
35
CV =
S.C.
C.M.
Fc. Signific.
13.481136 13.481136 32.03 **
0.378225 0.378225
0.90 n.s.
398.336039 199.168020 473.22 **
0.000625 0.000625
0.00 n.s.
2.807839 1.403920
3.34 n.s.
0.511017 0.255509
0.61 n.s.
1.673217 0.836609
1.99 n.s.
10.101000 0.420875
427.289098
CM error
0.420875
x100 =
100 = 2.58%
Y
903.95 36
1
2
F24,0.01
= 7.82; F24,0.01
= 5.61
INTERPRETACION.
Se encontr diferencia estadstica altamente significativa (P 0.01) para el efecto
principal del factor rebao en sus diferentes niveles en estudio y para el efecto principal
de factor edad de las alpacas en sus diferentes niveles; mientras que para el factor
sexo y las interacciones de primer orden y segundo orden, no presentaron diferencia
alguna, esto implica que los factores en estudio son independientes unos del otro.
Para los efectos principales significativos se debe realizar la prueba mltiple de
compraciones para obtener las conclusiones y tomar la decisin; ya que los factores
son de tipo cualitativo, y se recomienda realizar la pureba de Tukey, queda como
Anlisis y Diseo de Experimentos - 283 ejercicio para el estudiante y se aconseja verificar la salida de la prueba Tukey con el
SAS.
- 284 -
Sum of
DF
Squares
Mean Square
11
417.1880972
37.9261907
1
13.4811361
13.4811361
1
0.3782250
0.3782250
2
398.3360389
199.1680194
1
0.0006250
0.0006250
2
2.8078389
1.4039194
2
0.5110167
0.2555083
2
1.6732167
0.8366083
24
10.1010000
0.4208750
35
427.2890972
Root MSE
MICRA Mean
0.648749
25.10972
Source
Model
HATO
SEXO
EDAD
HATO*SEXO
HATO*EDAD
SEXO*EDAD
HATO*SEXO*EDAD
Error
Corrected Total
R-Square
Coeff Var
0.976360
2.583656
21.3683
12
F Value
90.11
32.03
0.90
473.22
0.00
3.34
0.61
1.99
Pr > F
<.0001
<.0001
0.3526
<.0001
0.9696
0.0527
0.5531
0.1589
FP
Harina de Soya
Harina de pescado
Rolado Harina de soya
Harina de pescado
Molido Harina de soya
Harina de pescado
Rolado Harina de soya
Harina de pescado
Melaza
I
6.42
6.60
6.84
7.16
5.94
6.01
6.20
6.40
II
6.35
6.68
6.93
7.21
5.63
6.14
6.24
6.38
(kg/da)
III
6.40
6.70
7.02
7.19
5.85
6.00
6.16
6.41
IV
6.38
6.65
6.95
7.22
5.74
6.04
6.29
6.39
Totales de
tratamiento
25.55
26.63
27.74
28.78
23.16
24.19
24.89
25.58
Y....= 206.52
FF
1
2
Total
52.18 56.52 108.70
47.35 50.47 97.82
99.53 106.99
1
2
Total
FP
1
2
Total
SA
1
53.29 55.41 108.70
2
48.05 49.77 97.82
Total 101.34 105.18
FP
1
2
Total
FF
1
48.71 50.82 99.53
2
52.63 54.36 106.99
Total 101.34 105.18
SUMA DE CUADRADOS
SCSA =
SC FF =
SCSAxFF =
SC FP =
= (3.699 + 1739
2 x4
32
. 2 + 10518
. 2 206.52 2
10134
SCSAxFP =
SC FFxFP =
(1739
+ 0.461) = 1335.033 (1332.828 + 1739
.
.
2 x4
32
- 286 -
( 3.699 + 1739
+ 0.047 + 0.461 + 0.005 + 0.005)
4
32
.
= 1338.786 (1332.828 + 3.699 + 1739
+ 0.047 + 0.461 + 0.005 + 0.005) = 0.002
SCSAxFFxFP =
(206.52) 2
= 6.061
32
G .L.
7
1
1
1
1
1
1
1
24
31
S .C.
5.958
3.699
1.739
0.047
0.461
0.005
0.005
0.002
0.103
6.061
C.M .
0.851
3.699
1.739
0.047
0.461
0.005
0.005
0.002
0.004
Fc.
0.05
198.32** 2.43
861.90** 4.26
405.20**
10.95**
107.42**
n.s .
n.s .
n.s .
0.01
3.50
7.82
;
PROC ANOVA; CLASS SABOR FISIC PROT;
MODEL ALIM = SABOR FISIC PROT SABOR*FISIC SABOR*PROT FISIC*PROT SABOR*FISIC*PROT;
MEANS SABOR FISIC PROT SABOR*FISIC SABOR*PROT FISIC*PROT SABOR*FISIC*PROT /DUNCAN;
Anlisis y Diseo de Experimentos - 287 7.2.2. Experimento factorial bajo el Diseo bloque completo al azar (DBCA)
El modelo lineal aditivo para el experimento es el siguiente:
( )ik = Efecto de la interaccin del i-simo nivel del factor A y del k-simo
nivel del factor C.
( ) jk = Efecto de la interaccin del j-simo nivel del factor B y del k-simo
nivel del factor C.
()ijk = Efecto de la interaccin del i-simo nivel del factor A y del j-simo nivel
del factor B y del k-simo nivel del factor C.
- 288 -
Fuentes de Variacin
G. L.
S.C.
C.M.
r-1
Bloques
Tratamientos
i =1
t
i=1
b
Factor B
b-1
Factor C
c-1
j=1
k =1
(a - 1)(b - 1)
Y....2
a b cr
acr
CMerror
S C( A )
a 1
2
....
Y
abcr
r 1
SCtratam.
abc 1
Yi ...2
Y ....2
bcr
abcr
2
. j ..
CMbloq .
Y..2k .
Y2
....
a b r a b cr
2
ij ..
2
....
(a - 1)(c - 1)
2
i .k .
c 1
CMerror
( AC)
i =1 k =1
b
Interaccin BxC
(b - 1)(c - 1)
2
. jk .
2
....
( BC)
j =1 k =1
Interaccin AxBxC
F Y Y IbSC+SC+SC+SC+SC+SCg
GHr abcrJK
abc 2
ijk.
(a - 1)(b - 1)(c - 1)
2
..
AB
AC
i=1j=1k=1
Error Experimental
Total
abcr - 1
2
ijk l
i =1
j =1 k =1 l =1
Y....2
a b cr
BC
CM( B )
2
....
CM( A )
CMerror
CM error
i =1 j =1
Interaccin AxC
b 1
SC( C )
( AB)
CM( C )
CM( AB )
CMerror
CM( AC )
CMerror
CM( BC )
CMerror
SC(ABC)
CM( ABC )
(a1)(b1)(c1)
CMerror
SCerror
( abc 1)( r 1)
CMtratam.
CMerror
SC( B )
F Y Y I bSC + SC g SC
GH cr abcr JK
(a1)(b1)
FGY Y IJ bSC + SC g SC
(a1)(c1)
H br abcr K
F Y Y I bSC + SC g SC
GH ar abcrJK
(b1)(c1)
a
Interaccin AxB
Yijk2 .
j =1 k =1
a-1
Factor A
abc - 1
Fc
SCbloques
Y...2l
Y2
....
abcr
l =1 br
r
F A C TO R E S
N i t r g e n o F s fo ro D e n s id a d
0
0
100
150
200
40
100
150
200
80
100
150
200
60
0
100
150
200
40
100
150
200
80
100
150
200
120
0
100
150
200
40
100
150
200
80
100
150
200
1. Hiptesis:
Respecto al factor A.
H0 : i = 0,
i = 1,2,....., a
Ha : i 0, para cualquier i
I
0 .9 3
0 .9 9
0 .8 6
0 .9 2
0 .7 5
0 .9 8
0 .8 2
0 .7 3
0 .7 5
0 .8 4
0 .7 3
0 .8 1
0 .8 4
0 .8 2
0 .8 4
1 .1 7
1 .0 2
1 .0 5
0 .8 7
1 .2 0
0 .8 2
1 .2 2
1 .3 1
1 .0 1
1 .2 0
1 .2 2
1 .4 6
B LO Q U E S
II
1 .0 4
1 .0 6
1 .0 1
0 .7 0
1 .0 9
1 .1 6
0 .8 0
0 .9 5
0 .9 1
0 .8 5
0 .9 8
1 .0 7
0 .7 6
0 .8 4
0 .9 4
1 .0 5
0 .9 8
0 .6 5
1 .2 8
1 .0 5
1 .2 0
0 .9 8
1 .1 4
1 .0 4
1 .0 7
1 .0 4
0 .9 5
III
0 .9 4
0 .6 8
0 .6 9
0 .7 3
0 .7 3
0 .6 5
0 .6 7
0 .7 0
0 .7 0
0 .7 5
0 .9 9
1 .0 0
1 .0 5
1 .1 2
1 .1 6
0 .8 1
1 .2 5
1 .2 6
0 .9 5
1 .1 1
1 .1 4
0 .9 9
1 .0 0
1 .0 1
0 .9 0
0 .9 6
1 .0 2
Respecto al factor B.
H0 : j = 0 ,
j = 1,2 ,....,b
Ha : j 0, para cualquier j
- 290 -
Respecto al bloque.
H0 : k = 0 ,
k = 1,2 ,.....,c
Ha : k 0, para cualquier k
H0 : Bl = 0,
l = 1,2 ,....., r
Ha : Bl 0 , para cualquier l
Respecto a la interaccin A x B.
Ho :
ij
= 0 Vs. Ha :
ij
Respecto a la interaccin A x C.
Ho :
ik
= 0 Vs. Ha :
ik
Respecto a la interaccin B x C.
Ho :
jk
b g
b g
b g
b g
b g = 0 Vs. H : b g 0
Respecto a la interaccin AxBxC. H : b g = 0 Vs. H : b g 0
o
2. Nivel de Significacin:
3. Prueba de Contraste:
F( A B) =
= 0.05
F( Bloq ) =
CMBloq
CMError
, F( A) =
ijk
jk
ijk
CMA
CMB
CMC
, F( B ) =
, F( C) =
CMError
CMError
CMError
CMAB
CMAC
CMBC
CMABC
, F( A C) =
, F( B C) =
, F( A B C) =
CMError
CMError
CMError
CMError
1
RR Ho: S F ( Bloq ) > F( rabc
1 )( r 1 ), , entonces se acepta la Ha:
1
entonces se acepta la Ho:
RA Ho: S F ( A ) F( aabc
1 )( r 1 ), ,
1
RR Ho: S F ( A ) > F( aabc
1 )( r 1 ), , entonces se acepta la Ha:
1
entonces se acepta la Ho:
RA Ho: S F ( B ) F(babc
1 )( r 1 ), ,
1
RR Ho: S F ( B ) > F(babc
1 )( r 1 ), , entonces se acepta la Ha:
1
entonces se acepta la Ho:
RA Ho: S F ( C ) F( cabc
1 )( r 1 ), ,
1
RR Ho: S F ( C ) > F( cabc
1 )( r 1 ), , entonces se acepta la Ha:
a 1 )( b 1 )
entonces se acepta la Ho:
RA Ho: S F ( A B ) F((abc
1 )( r 1 ), ,
a 1 )( b 1 )
RR Ho: S F ( A B ) > F( (abc
1 )( r 1 ), , entonces se acepta la Ha:
a 1 )( c 1 )
entonces se acepta la Ho:
RA Ho: S F ( A C ) F((abc
1 )( r 1 ), ,
b 1 )( c 1 )
entonces se acepta la Ho:
RA Ho : S F ( B C ) F( (abc
1 )( r 1 ), ,
b 1 )( c 1 )
RR Ho : S F ( B C ) > F( (abc
1 )( r 1 ), , entonces se acepta la Ha:
a 1 )( b 1 )( c 1 ) entonces se acepta la Ho:
RA Ho : S F ( A B C ) F( (abc
,
1 )( r 1 ),
a 1 )( b 1 )( c 1 )
RR Ho : S F ( A B C ) > F( (abc
, entonces se acepta la Ha:
1 )( r 1 ),
TC =
2
Y
( 77 .71 )2
=
= 74 .55363086
abcr 3 3 3 3
2
Y
. 2 + 26.59 2 + 24.962
2616
l
TC =
TC = 0.052861728
3x3x3
l =1 abc
r
SCBloque =
a
SCtratam. =
i =1 j =1 k =1
Yijk2
r
TC =
- 292 -
SC N =
SC P =
Y2j
j =1
acr
TC =
Y2 k
. 2 + 26.44 2 + 2614
. 2
2513
TC =
TC = 0.034891358
3 3 3
k =1 abr
c
SCD =
SCComb .( NxP ) =
i =1 j =1
Yij2
cr
TC =
(0716002469
+ 0002002469
SCInt( NxP) = SCComb( NxP) (SCN + SCP ) = 0882669136
.
.
.
) = 0164664198
.
a c
Y2
. 2 + 768
. 2 +L+1003
. 2 + 965
. 2
755
SCComb.( NxD) = ik TC =
TC = 0766335802
.
33
i=1 k =1 br
(0716002469
+ 0034891358
SCInt( NxD) = SCComb( NxD) (SCN + SCD ) = 0766335802
.
.
.
) = 0015441975
.
b
SCComb.( PxD ) =
Y2jk
j =1 l =1
ar
TC =
. 2 + 879
. 2 + L + 885
. 2 + 875
. 2
845
.
TC = 0043246913
3 3
(0002002469
+ 0034891358
SCInt ( PxD) = SCComb( PxD) (SCP + SCD ) = 0043246913
.
.
.
) = 000635308
.
a
SCComb .( N P D ) =
i =1 j =1 k =1
Yijk2
r
.
TC = SCtratam. = 1050135802
SCInt ( NxPxD) = SCComb( NxPxD) (SCN + SCP + SCD + SCNxP + SCNxD + SCPxD )
La suma de cuadrados corregido equivale a
SCtratam.corregido
Anlisis y Diseo de Experimentos - 293 SC Error = SCtotal SCbloque SCTratam. = 2.260069136 0.052861728 1050135802
.
CV. =
CMerror
Y....
G.L.
2
26
2
2
2
4
4
4
8
52
80
S.C.
0.052861728
1.050135802
0.716002469
0.002002469
0.034891358
0.164664198
0.015441975
0.006353086
0.110780247
1.457071606
2.560069136
C.M.
0.026430864
0.040389839
0.358001235
0.001001235
0.017445679
0.041166050
0.003860494
0.001588272
0.013847531
0.028020608
Fc.
0.94
1.44
12.78
0.04
0.62
1.47
0.14
0.06
0.49
Signific.
n.s.
n.s.
**
n.s.
n.s.
n.s.
n.s.
n.s.
n.s.
x100 = 1745%
.
INTERPRETACION.
No se encontr diferencia estadstica significativa (P 0.05) en las interacciones de
primer orden, tampoco existe diferencia en las interacciones de segundo orden, esto
quiere decir que los factores actan en forma independiente o se deben al azar, por
consiguiente las conclusiones se sacan de los efectos principales significativos, en
este caso se encontr diferencia altamente significativa (P 0.01) para el efecto
Nitrgeno, entonces nos concentramos en analizar en este factor para sacar las
conclusiones para nuestro experimento y as recomendar para los posteriores
experimentos.
- 294 -
PROGRAMA EN SAS.
data fertil;
options nodate nocenter nonumber;
DO N = 0 TO 120 BY 60;
DO P = 0 TO 80 BY 40;
DO D = 100 TO 200 BY 50;
DO BLOQUE = 1 TO 3;
INPUT RDTO @;
OUTPUT;
END;
END;
END;
END;
CARDS;
0.93 1.04 0.94 0.99 1.06 0.68 0.86 1.01 0.69 0.92
0.70 0.73 0.75 1.09 0.73 0.98 1.16 0.65 0.82 0.80
0.67 0.73 0.95 0.70 0.75 0.91 0.70 0.84 0.85 0.75
0.73 0.98 0.99 0.81 1.07 1.00 0.84 0.76 1.05 0.82
0.84 1.12 0.84 0.94 1.16 1.17 1.05 0.81 1.02 0.98
1.25 1.05 0.65 1.26 0.87 1.28 0.95 1.20 1.05 1.11
0.82 1.20 1.14 1.22 0.98 0.99 1.31 1.14 1.00 1.01
1.04 1.01 1.20 1.07 0.90 1.22 1.04 0.96 1.46 0.95
1.02
;
PROC PRINT; RUN;
PROC ANOVA;
CLASS N P D BLOQUE;
MODEL RDTO = BLOQUE N P D N*P N*D P*D N*P*D;
MEANS BLOQUE N P D N*P N*D P*D N*P*D/DUNCAN;
RUN;
S.C.
1.10299753
0.05286173
0.71600247
0.00200247
0.03489136
0.16466420
0.01544198
0.00635309
0.11078025
1.45707160
2.56006914
C.M.
F Value
0.03939277
1.41
0.02643086
0.94
0.35800123 12.78
0.00100123
0.04
0.01744568
0.62
0.04116605
1.47
0.00386049
0.14
0.00158827
0.06
0.01384753
0.49
0.02802061
C.V.
Root MSE
17.44805
0.167394
RDTO Mean
0.95938272
1.0793
0.9493
0.8496
27
27
27
120
60
0
Pr > F
0.1424
0.3959
0.0001
0.9649
0.5405
0.2250
0.9675
0.9938
0.8548
- 296 -
EJEMPLO:
Se registr el peso de velln (lb) de llamas de la comunidades de la Provincia de
Ladislao Cabrera, ubicado al Sur del departamento de Oruro (Bolivia), que esa ubicado
a 3747 msnm. El objetivo fue determinar la composicin del rebao y otras
caractersticas del velln, los factores fueron: Variedad (K=Kara, C = Chacu), Edad
(2, 3 y 4 aos) y Sexo (M = Machos, H = Hembras), y como bloque Zona (S =
Salinas, SM = San Martn y PA = Pampa Aullaga). La Informacin se presenta a
continuacin:
A
B
C
I =S
II = SM
III = PA
Total
K
M
1.00
0.67
0.60
2.27
H
0.79
0.90
0.65
2.34
C
M
1.43
0.88
1.33
3.64
H
1.13
0.90
2.12
4.15
K
M
0.95
0.75
0.87
2.57
H
0.88
0.75
0.87
2.50
4
C
M
1.87
1.48
1.97
5.32
H
1.70
1.27
1.75
4.72
K
M
1.17
0.72
0.96
2.85
H
1.05
0.78
0.88
2.71
C
M H
2.07 1.87
1.45 1.63
1.73 1.60
5.25 5.10
Total
15.91
12.18
15.33
43.42
/* PROGRAMA EN SAS */
DATA LLAMA;
OPTIONS NODATE NOCENTER NONUMBER;
INPUT EDAD VARIE $ SEXO $ ZONA $ PEVE;
DATALINES;
2 KM I
1.00
2 K M II
0.67
2 K M III
0.60
2 KH I
0.79
2 K H II
0.90
..........(continuar con el ingreso de datos)...
4 C M II
1.45
4 C M III
1.73
4 CH I
1.87
4 C H II
1.63
4 C H III
1.60
;
PROC PRINT; RUN;
PROC ANOVA;
CLASS EDAD VARIE SEXO ZONA;
MODEL PEVE = ZONA EDAD VARIE SEXO EDAD*VARIE
EDAD*SEXO VARIE*SEXO EDAD*VARIE*SEXO;
MEANS EDAD VARIE/DUNCAN;
RUN;
Values
2 3 4
C K
H M
I II III
36
Sum of
DF
Squares
Mean Square
13
6.16056111
0.47388932
2
0.67143889
0.33571944
2
0.56400556
0.28200278
1
4.65121111
4.65121111
1
0.00401111
0.00401111
2
0.16190556
0.08095278
2
0.06843889
0.03421944
1
0.00027778
0.00027778
2
0.03927222
0.01963611
22
1.14269444
0.05194066
35
7.30325556
Root MSE
PEVE Mean
0.227905
1.206111
F Value
9.12
6.46
5.43
89.55
0.08
1.56
0.66
0.01
0.38
Pr > F
<.0001
0.0062
0.0121
<.0001
0.7837
0.2328
0.5274
0.9424
0.6896
- 298 -
V1
40
60
31
30
32
33
126
1068
Y12.. =
Y1.2. =
Y.12. =
Y.32. =
120
29
30
29
28
116
355
383
239
266
0
28
27
28
28
111
80
60
32
34
37
34
137
120
30
29
29
31
119
Y.2.. =
Y..2. =
Y13.. =
Y1.3. =
Y.13. =
Y.33. =
718
755
367
348
235
245
0
28
30
26
27
111
0
60
28
30
30
31
119
120
30
30
31
31
122
Y21.. = 352
Y2.1. = 333
Y.21. = 224
V2
40
0
60
26 31
29 29
29 31
27 33
111 124
Y2... =
Y.3.. =
Y..3. =
Y22.. =
Y2.2. =
Y.22. =
120
32
32
31
33
128
1081
733
724
363
372
250
0
27
28
26
30
111
80
60
30
34
32
33
129
120 Y...l
32 528
31 538
30 537
33 546
126 2149
2149
2149
2149
Y23.. = 366 2149
Y2.3. = 376 2149
Y.23. = 244 2149
SOLUCIN:
Primeramente, se realizar los clculos respectivos para encontrar las suma de
cuadrados (SS) en base a la tabla dada anteriormente, aqu no se dar las frmulas ya
que el estudiante tiene conocimiento para calcular el anlisis de varianza de un
experimento factorial de dos y tres factores.
a) Grados de libertad:
GLb = r - 1 =
GLv = a - 1 =
GLc = b - 1 =
GLn = c - 1 =
GLvxc =
GLvxn =
GLcxn =
GLvxcxn=
Gleexp.=
Gltot =
3
1
2
2
2
2
4
4
51
71
S.S.
9.041667
252.069444
2.347222
25.694444
154.194444
1.861111
36.027778
28.305556
3.638889
80.208333
341.319444
M .S.
3.0138889
14.8276144
2.3472222
12.8472222
77.0972222
0.9305556
18.0138889
7.0763889
0.9097222
1.5727124
Fc
1.92
9.43
1.49
8.17
49.02
0.59
11.45
4.50
0.58
- 300 -
G.L.
3
17
1
2
1
1
2
1
1
4
1
1
1
1
51
71
S.S.
M.S.
Fc
Signif.
9.04166667 3.01388889 1.92 n.s.
252.069444 14.8276144 9.43 **
2.34722222 2.34722222 1.49 n.s.
18.5000
9.25000 5.88
18.3750
18.37500 11.684 **
0.1250
0.12500 0.08 n.s.
96.1667
48.08333 30.57
5.0417
5.04167 3.21 n.s.
91.1250
91.12500 57.94 **
23.8333
5.95833 3.79
4.0000
4.00000 2.54 n.s.
18.7500
18.75000 11.92 **
0.0833
0.08333 0.05 n.s.
1.0000
1.00000 0.64 n.s.
80.2083333
1.57271
341.319444
Anlisis y Diseo de Experimentos - 301 El modelo de regresin lineal para la variedad 1 (V1), est representada de la
siguiente forma:
Yi = 0 + 1C + 2 N + 3C 2 + 4 N 2 + 5CN + 6CN 2 + 7 C 2 N + 8C 2 N
De este modelo general, se debe encontrar el modelo reducido, usando el
procedimiento de Stepwise, tal como se presenta a continuacin:
El modelo anterior nos permitir interpretar y realizar las conclusiones para tomar
una decisin correcta.
PARA LA VARIEDAD 2 (V2).
El procedimiento es similar al anterior. A continuacin presentamos el cuadro de
operaciones bsicas, usando las tablas de coeficientes divisores y valores de K para
ajustar las curvas curticas a datos de intervalos iguales y para separar la suma de
cuadrados.
PARA LA VARIEDAD (V2)
Compost
Nitrg.
C
(N)
0
0
60
120
0
40
60
120
0
80
60
120
Suma(Yij.Pi) =
SumaCij^2 =
rSuma Cij^2 =
SS = S(Yij.Pi)^2/rCij^2 =
Fc = MS/MSE =
MSE =
1.5727124
Total
Yij.
111
119
122
111
124
128
111
129
126
CL
CQ
NL
NQ
CLxNL
CLxNQ
CQxNL
CQxNQ
-1
1
-1
1
1
-1
-1
1
-1
1
0
-2
0
2
0
-2
-1
1
1
1
-1
-1
1
1
0
-2
-1
1
0
0
2
-2
0
-2
0
-2
0
0
0
4
0
-2
1
1
0
0
-2
-2
1
1
-1
1
-1
1
-1
1
1
1
0
-2
0
-2
0
-2
1
1
1
1
1
1
1
1
14
-8
43
-35 4
-16
-8
-8
6
18
6
18
4
12
12
36
24
72
24
72
16
48
48
144
8.16667 0.88889 77.04167 17.01389 1.00000 5.33333 1.33333 0.44444
5.19
0.57
48.99
10.82
0.64
3.39
0.85
0.28
- 302 -
F. de V.
Bloques
Tratamientos
Varied(V)
Compost 'C'
CL
CQ
Nitrog (N)
NL
NQ
CxN
CLxNL
CLxNQ
CQxNL
CQxNQ
Error Exptal
Total
G.L.
3
17
1
2
S.S.
M.S.
Fc
Signific.
9.041666667 3.013888889 1.92
252.0694444 14.82761438 9.43
2.347222222 2.347222222 1.49
9.0556
4.52778 2.88
1
8.1667
8.16667 5.193
1
0.8889
0.88889 0.57
2
94.0556
47.02778 29.90
1
77.0417
77.04167 48.99
1
17.0139
17.01389 10.82
4
8.1111
2.02778 1.29
1
1.0000
1.00000 0.64
1
5.3333
5.33333 3.39
1
1.3333
1.33333 0.85
1
0.4444
0.44444 0.28
51
80.20833333
1.57271
71
341.3194444
De este modelo general, debemos encontrar el modelo reducido para lo cual usamos
el procedimiento de Stepwise y encontramos el modelo.
Y$i = 27.167 + 0.01458C + 0.07847 N 0.00040509 N 2
31
29
31
33
32
32
31
33
27
28
26
30
30
34
32
33
32
31
30
33
DATA VARIE1;
SET COMPOST;
IF V = V1;
PROC GLM; MODEL Y =
RUN;
PROC REG;
MODEL Y = C C2 N N2
RUN;
DATA VARIE2;
SET COMPOST;
IF V = V2;
PROC GLM; MODEL Y =
RUN;
PROC REG;
MODEL Y = C C2 N N2
RUN;
- 304 -
Parameter
Intercept
C
C2
N
N2
CN
CN2
C2N
C2N2
Sum of
Squares
261.1111111
9.0416667
2.3472222
25.6944444
154.1944444
1.8611111
36.0277778
28.3055556
3.6388889
80.2083333
341.3194444
Root MSE
1.254078
Mean Square
13.0555556
3.0138889
2.3472222
12.8472222
77.0972222
0.9305556
18.0138889
7.0763889
0.9097222
1.5727124
F Value
8.30
1.92
1.49
8.17
49.02
0.59
11.45
4.50
0.58
Pr > F
<.0001
0.1386
0.2275
0.0008
<.0001
0.5571
<.0001
0.0034
0.6796
Y Mean
29.84722
36
Sum of
Squares
138.5000000
18.37500000
0.12500000
5.04166667
91.12500000
4.00000000
18.75000000
0.08333333
1.00000000
35.5000000
174.0000000
Root MSE
1.146654
Estimate
28.25000000
0.00625000
-0.00015625
0.05833333
-0.00048611
0.00041667
-0.00000260
0.00001693
-0.00000013
Mean Square
17.3125000
18.37500000
0.12500000
5.04166667
91.12500000
4.00000000
18.75000000
0.08333333
1.00000000
1.3148148
F Value
13.17
13.98
0.10
3.83
69.31
3.04
14.26
0.06
0.76
Y Mean
29.66667
Standard
Error
0.57332687
0.03654256
0.00043886
0.02436171
0.00019505
0.00155276
0.00001243
0.00001865
0.00000015
t Value
49.27
0.17
-0.36
2.39
-2.49
0.27
-0.21
0.91
-0.87
Pr > |t|
<.0001
0.8655
0.7246
0.0239
0.0191
0.7905
0.8357
0.3721
0.3908
Pr > F
<.0001
0.0009
0.7602
0.0606
<.0001
0.0925
0.0008
0.8031
0.3908
Type II SS
15411
5.66358
106.04581
97.06127
F Value
9833.01
3.61
67.66
61.93
Pr > F
<.0001
0.0663
<.0001
<.0001
Sum of
Squares
111.2222222
8.16666667
0.88888889
77.04166667
17.01388889
1.00000000
5.33333333
1.33333333
0.44444444
53.7500000
164.9722222
Root MSE
1.410936
Mean Square
13.9027778
8.16666667
0.88888889
77.04166667
17.01388889
1.00000000
5.33333333
1.33333333
0.44444444
1.9907407
F Value
6.98
4.10
0.45
38.70
8.55
0.50
2.68
0.67
0.22
Y Mean
30.02778
Parameter
Estimate
Standard
Error
t Value
Pr > |t|
Intercept
C
C2
N
N2
CN
CN2
C2N
C2N2
27.75000000
-0.00000000
0.00000000
0.04375000
-0.00017361
0.00052083
-0.00000000
0.00000521
-0.00000009
0.70546806
0.04496494
0.00054001
0.02997663
0.00024001
0.00191064
0.00001530
0.00002295
0.00000018
39.34
-0.00
0.00
1.46
-0.72
0.27
-0.00
0.23
-0.47
<.0001
1.0000
1.0000
0.1560
0.4757
0.7872
1.0000
0.8221
0.6404
Pr > F
<.0001
0.0528
0.5097
<.0001
0.0069
0.4846
0.1133
0.4203
0.6404
Type II SS
5904.22222
8.16667
40.92628
17.01389
F Value
3010.92
4.16
20.87
8.68
Pr > F
<.0001
0.0496
<.0001
0.0060
si
- 306 -
EJERCICIOS:
1. En el departamento de control de calidad de una planta de acabado de telas se est
estudiando el efecto de diversos factores sobre el teido de tela de algodn y fibra
sinttica, la cual se utiliza en la manufactura de camisas para caballero. Se
seleccionaron 3 operarios, 3 niveles de tiempo y 2 niveles de temperatura, y se
tieron 3 pequeas muestras de tela dentro de cada conjunto de condiciones. La
tela teida fue comparada con un estndar y se le asign una calificacin numrica.
Los resultados aparecen a continuacin. Analice los datos y realice las conclusiones
adecuadas. Comente la idoneidad del modelo.
Temperatura
Tiempo
de cilo
40
50
60
1
23
24
25
36
35
36
28
24
27
300
Operario
2
27
28
26
34
38
39
35
35
34
3
31
32
29
33
34
35
26
27
25
350
Operario
2
38
36
35
34
38
36
36
37
34
1
24
23
28
37
39
35
26
29
25
3
34
36
39
34
36
31
28
26
24
2. Un experimento conducido en el cultivo de maz, fue establecido para probar dos variedades
V1 y V2 de maz a tres densidades de siembra (d1 = 100, d2 = 130 y d3 = 160 plantas/
acre) y tres niveles de abonamiento nitrogenado (n1 = 50, n2 = 100 y n3 = 150 lb/acre de
N). Los rendimientos son estimados en bushels/acre. Analice los datos considerando que
existen dos factores cuantitativos. Los datos se presentan a continuacin:
Variedad
Compost
100
Nitrgeno 50 100 150 50
I
90 95 107 98
II
83 80
95
98
III
85 88
88 112
IV
86 78
89
79
V
88 93 105 90
VI
83 88
95
92
Yijk. 515 522 579 569
Yi...
Y1... =
Y.j..
Y.1.. = 3456
Y..k.
Y..1. = 3488
Yij..
Y11.. = 1616
Yi.k.
Y1.1. = 1572
Y.jk.
Y.11. = 1053
Y.31. = 1220
V1
130
100
89
98
104
86
91
98
566
4861
Y12.. =
Y1.2. =
Y.12. =
Y.32. =
150
92
106
91
87
97
106
579
1714
1598
1191
1190
50
81
74
82
85
88
78
488
160
100
92
81
78
89
85
85
510
150
93
74
94
83
90
99
533
Y.2.. =
Y..2. =
Y13.. =
Y1.3. =
Y.13. =
Y.33. =
3720
3605
1531
1691
1212
1291
50
80
102
80
93
90
93
538
100
100
117
109
104
114
110
115
669
150
100
105
114
114
95
105
633
Y21.. = 1840
Y2.1. = 1916
Y.21. = 1215
50
121
99
90
109
117
110
646
V2
130
100
110
94
118
131
115
90
658
Y2... =
Y.3.. =
Y..3. =
Y22.. =
Y2.2. =
Y.22. =
150
119
123
113
126
100
121
702
6016
3701
3784
2006
2007
1224
50
120
136
119
116
105
136
732
160
100
98
133
122
136
93
98
680
150
122
132
136
133
120
115
758
Y...l
1824
1822
1818
1834
1772
1807
10877
10877
10877
10877
Y23.. = 2170 10877
Y2.3. = 2093 10877
Y.23. = 1281 10877
Anlisis y Diseo de Experimentos - 307 3. El presente estudio que se presenta a continuacin es evaluar la tecnologa que
conlleve a los mximos rendimientos del cultivo, considerando los factores:
Densidad de siembra, control de malezas y cuidados sanitarios. Los factores en
estudio que se han considerado con los siguientes:
a) Densidad de siembra (factor cualitativo).
- D1 : Densidad Baja.
- D2 : Densidad Media.
- D3 : Densidad Alta.
b) Control de Maleza: (Factor Cualitativo).
- M0 : Sin control de malezas.
- M1 : Con control de malezas.
c) Control Sanitario: (Factor Cualitativo).
- S0 : Sin control sanitario.
- S1 : Con control sanitario.
Tratamientos o combinaciones de factores:
Clave
T1
T2
T3
T4
T5
T6
T7
T8
T9
T10
T11
T12
Tratamiento
D1M0S0
D1M1S0
D1M0S1
D1M1S1
D2M0S0
D2M1S0
D2M0S1
D2M1S1
D3M0S0
D3M1S0
D3M0S1
D3M1S1
- 308 -
T4
T8
T1 2
T9
T6
T2
T7
T1 0
T1
B LO Q U E II:
T5
T1 1 T8
T6
T1 0
T3
T9
T7
T1 2
T2
T1
T4
B LO Q U E III:
T9
T1 1 T1 0
T4
T8
T1 2
T2
T5
T6
T3
T7
T1
D e n s id a d
D1
S a n id a d
S0
S1
D2
S0
S1
S0
D3
S1
M a le z a
M0
I
21.90
B LO Q UE S
II
19.80
III
20.70
To t a l
62.40
M1
23.40
24.50
21.20
69.10
M0
22.50
21.30
20.70
64.50
M1
21.20
23.40
20.70
65.30
M0
18.60
16.60
18.20
53.40
M1
19.60
19.20
16.50
55.30
M0
22.50
16.80
14.90
54.20
M1
18.20
20.70
18.60
57.50
M0
14.50
17.80
13.90
46.20
M1
15.00
18.30
15.50
48.80
M0
13.60
18.50
12.90
45.00
M1
16.30
227 .30
16.50
233 .40
15.80
209 .60
48.60
Y ....= 670 .30
To t a l
400
400
400
20.99
19.85
15.89
200
600 200 400
24.47 16.95 22.35
22.60 18.10 20.78
17.38 16.35 17.16
400
600 200 400
21.84 23.27 23.43
26.80 14.97 21.50
24.00 23.75 21.85
600
200
600 200 400
32.52 23.71 22.11
28.78 16.71 21.90
29.70 24.43 26.73
600
21.77
26.52
27.89
200
20.71
28.02
19.04
400
400
26.51
32.07
19.58
600
27.15
26.89
24.45
8
MTODOS Y DISEO DE
SUPERFICIE DE
RESPUESTA
La Metodologa para superficies de respuesta, es como lo define Myers (1971),
un conjunto particular de mtodos estadsticos y matemticos que emplean los investigadores para auxiliarse en la solucin de ciertos tipos de problemas relativos a
procesos cientficos o de ingeniera. Hasta ahora su mayor aplicacin ha tenido lugar
en las investigaciones industriales, donde un gran nmero de variables manifiestan
su influencia sobre una determinada caracterstica: la respuesta, esta se mide normalmente en una escala continua y probablemente representa la funcin ms importante del proceso, lo cual no descarta la posibilidad de estudiar ms de una respuesta.
El proceso comprende tambin variables insumo o variables independientes, las cuales producen un cierto efecto sobre la respuesta y estn sujetas al control del investigador. As mismo Montgomery (1991) define como un conjunto de tcnicas matemticas y estadsticas tiles para modelar y analizar problemas en los cuales una
respuesta de inters es influida por varias variables, y el objetivo es optimizar esta
respuesta. En la mayora de los problemas de superficie de respuesta, la forma de la
relacin entre la respuesta y las variables independientes se desconoce. Por ello, el
primer paso en la superficie de respuesta consiste en determinar una aproximacin
- 310 -
apropiada a la relacin funcional real entre Y y el conjunto de variables independientes. Por lo general se emplea un polinomio de orden bajo sobre alguna regin de
las variables independientes. Si la respuesta es descrita adecuadamente por una funcin lineal de las variables independientes, la funcin de aproximacin es el modelo
de primer orden.
Y = 0 + 1 X i 1 + 2 X i 2 + L + k X ik + i ; Y = X +
La superficie de respuesta permite que el investigador inspeccione, de manera
visual, la respuesta para cierta zona de los niveles de los factores de inters y evaluar
su sensibilidad a los factores de tratamiento. En ciertas aplicaciones industriales, las
superficies de respuesta se exploran para determinar la combinacin de niveles de
los factores que proporcionan una condicin operativa ptima, como la combinacin
de temperatura y tiempo que maximiza la produccin qumica. En otras aplicaciones, se exploran para encontrar la combinacin de niveles de los factores que proporcionan mejoras econmicas a las respuestas de las condiciones operativas urgentes,
si no es demasiado costoso lograr esas condiciones ptimas. Las superficies de respuestas tambin se pueden utilizar en estudios analticos de procesos fundamentales;
por ejemplo, suelen usarse en las ciencias biolgicas para investigar la influencia
mutua de los factores sobre la variable de respuesta, como la interaccin entre el
nitrgeno y el fsforo en el crecimiento de las plantas (Kuehl, 2001).
DISEOS PARA AJUSTAR MODELOS DE SEGUNDO ORDEN
Aqu supondremos que el investigador desea ajustar a sus datos un modelo de
segundo orden, consecuentemente, se requiere un diseo experimental que comprende, por lo menos, tres niveles de cada factor. Una primera alternativa para realizar el
ajuste, es el empleo de factoriales 3p; otra alternativa la proporcionan los diseos
compuestos centrales, introducidos por Box y Wilson (1951), fue para ajustar superficie de respuesta de segundo orden conocido tambin como diseo de tratamientos
de cinco niveles. Sus primeros diseos llamados diseos compuestos, se construyen
por adicin de ms combinaciones de tratamientos a aquellas que son obtenidas de
una factorial de 2p. Este tipo de diseos comenzaron a utilizarse en experimentos de
fsica, qumica e industrial, posteriormente se extendieron a los experimentos con
abonamiento. Los diseos ms comunes dentro de esta familia son los compuestos
centrales en sus formas rotables y no rotables.
Ahora bien, ante la posibilidad de poder elegir entre varias alternativas, el
investigador debe comparar los diseos de que dispone desde dos puntos de vista: i)
por la precisin en la estimacin de los coeficientes de regresin, y ii) en trminos
Anlisis y Diseo de Experimentos - 311 del costo de la investigacin, definido por la magnitud del experimento. Para dos,
tres y an cuatro factores, es posible que el factorial completo 3p sea una buena
alternativa; sin embargo, si el nmero de factores p es mayor que 5, tal alternativa
es imprctica, puesto que se requiere ensayar 35 =243 (o ms combinaciones) de
tratamientos. Ante estas situaciones, los diseos compuestos centrales, son la alternativa lgica.
DISEOS COMPUESTOS CENTRALES (Central Composite Designs, CCD)
Los autores Box y Wilson (1951), han propuesto diseos rotables de dos o
ms factores o dimensiones, ptimamente pensados para una experimentacin
secuencial. La racionalidad de la propuesta deriva, en primer trmino de la posibilidad de hacer los ensayos sin arruinar presumiblemente, materia prima por riesgo de
incurrir en combinaciones peligrosas. Esto se entiende si pensamos que el diseo
rotable tiene los niveles espaciados entre s lo suficientemente cerca de las condiciones de operacin poco riesgosas como para dar cierta seguridad al diseador que no
incursiona en zonas tab.
En segundo trmino, el diseador puede hacer crecer su diseo por rotacin.
La bsqueda de informacin til se plantea en dos etapas, esto es, primero un diseo
rotable antes de rotar y luego (si los datos del anlisis de la primera etapa as lo
recomiendan), uno complementario, despus de rotar. La lgica incluye una replicacin
de varias veces del punto central del diseo para conseguir una valiosa estimacin de
la importancia del ERROR EXPERIMENTAL. Para la primera etapa se investigan
suficientes puntos factoriales en torno a un punto central o baricentro del diseo,
como para permitir la determinacin de la importancia de: los componentes lineales
del modelo, las interacciones simples y la curvatura global.
La ltima inferencia, es la curvatura global, es crucial, puede ser ya sea nula
o no-nula; el detalle crucial consiste en desplazar el diseo a otra zona si la curvatura
global no tiene importancia; siendo en cambio, no-nula, ello es sntoma de la presencia de componentes no-lineales, que permiten decidir que el ensayo contina pasando por una segunda etapa complementaria, que se omite si la curvatura global fuese
descartable.
Dicha segunda etapa consiste en rotar el diseo, se puede visualizar as la
primera y la segunda etapa, respectivamente antes de rotar y despus: antes de rotar,
los puntos externos al baricentro no se ubican ortogonales a dicho centro, sino sesgados
en diagonal. Para la segunda etapa el diseo previo se rota de manera que los puntos
sesgados estn ahora ortogonales con respecto al baricentro con lo cual hay suficien-
- 312 -
te informacin como para deducir la importancia de cada una de las curvaturas posibles, tantas curvaturas como dimensiones de bsqueda existan. Utilizando los datos
ANTES de rotar en conjunto con los datos DESPUES de rotar, los clculos pueden
estimarse con precisin la importancia de los componentes cuadrticos (la curvatura de la superficie de respuesta) de la funcin que liga a las variables de decisin o
factores con la eficiencia buscada.
El modelo de segundo grado, es el siguiente:
k
i =1
i =1
Y = 0 + i X i + ii X i2 + ij X i X j + e;
i =1 j =1
i< j
-1
0
+1
Nivel mnimo
Nivel b ajo
Nivel medio
Nivel alto
Nivel mximo
Anlisis y Diseo de Experimentos - 313 Entonces los diseos compuestos centrales, comprenden las combinaciones
de tratamientos de un factorial 2p, o las de una fraccin de factorial, con los niveles
de los factores codificados -1, +1, una o ms repeticiones del punto central (0,0,...,0)
y adems, los puntos axiales o estrella, con las siguientes caractersticas:
a) Las coordenadas de los puntos axiales de los ejes del factor codificados
son:
b , 0,
b + , 0,
b0 ,
b0 , +
b0 ,
b0 ,
g
,0g
,0g
,0g
0, L ,0
0, L
0, L
0, L
M
g
,+ g
0, 0, L ,
0 0, L
b , 0,
b0, ,
con >1
b0,
g
,0g
0, L ,0
0, L
M
0, 0, L ,
b) Se agregan C puntos replicados en el centro del diseo en las coordenadas (0, 0, ...,0) necesarios para hallar la varianza del error experimental.
El diseo central compuesto tiene tres grupos caractersticos de tratamientos,
que se denominan: Tratamientos factoriales, tratamiento estrella y tratamiento central.
El nmero de tratamientos es igual a:
N = 2p + 2 p + C
donde:
N = Es el nmero total de tratamientos u observaciones.
2p = Es el nmero de tratamientos bsicos de la parte factorial o combinaciones de tratamientos.
2p = Corresponde a los tratamientos de la parte axial o estrella o combinacin
- 314 -
Los niveles codificados ,1,0,+1,+ , se utilizan en el anlisis estadstico para simplificar los clculos. Los niveles reales: mnimo (generalmente 0) y mximo, los propone el investigador en funcin a su experiencia en la materia; el nivel
central es el promedio entre el nivel mnimo y mximo.
Ejemplo:
Las coordenadas en los ejes codificados x1 y x2 para el diseo central compuesto con dos factores se muestra a continuacin: N = 22+2x2+1 = 9 tratamientos u
obs.
Coordenadas del CCD: Diseo 22
X1
X2
-1
-1
+1
-1
-1
+1
Puntos factoriales
+1
+1
0
0
+0
Punto estrella
0
o axial
+
0
0
0
Punto central
x2
b0,g
(-1,1)
b,0g
(1,1)
(0,0)
(-1,-1)
b,0g
x1
(1,-1)
b0,g
Para diseo central compuesto de tres factores, se elabora el cubo espacial, tal
como se muestra a continuacin: N = 23+2x3+2 = 16 tratamientos u observaciones.
Punto central
0
0
0
0
0
x2
x3
x1
0
0
0
- 316 -
El diseo central compuesto se puede hacer rotatorio estableciendo los valores de los puntos axiales como:
14
ch
1
p 4
=2
Ejemplos:
.
b g = 2 = 1414
.
El valor de para un diseo de tres factores es: = c2 h = b8g = 1682
El valor de
= 4
1
4
1
3 4
1
4
En el cuadro siguiente se presentan los diseos centrales compuestos con precisin uniforme:
N de Factores
p
Fraccin de 2
Factorial
Axial o Estrella
Pto. Central
Total (N)
c 2 h
p 14
1
4
4
5
13
1
8
6
6
20
1
16
8
7
31
1
32
10
10
52
1/2
16
10
6
32
1
64
12
15
91
1/2
32
12
9
53
Ejemplo:
En el siguiente cuadro, se muestra el nmero de tratamientos, segn el nmero de factores para un diseo compuesto central rotable.
Nmero de factores
2
Tratamiento
1
-1
-1
2
1
-1
3
-1
1
4
1
1
5
0
+
6
0
7
0
+
8
0
9
0
0
10
0
0
11
0
0
12
0
0
13
0
0
14
15
16
17
18
19
20
21
22
23
24
25
...
...
...
31
13
Total
-1
1
-1
1
-1
1
-1
1
+
0
0
0
0
0
0
0
0
0
0
3
-1
-1
1
1
-1
-1
1
1
0
0
+
0
0
0
0
0
0
0
0
4
-1
-1
-1
-1
1
1
1
1
0
0
0
0
+
0
0
0
0
0
0
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
0
0
0
0
0
0
0
...
...
...
0
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
0
0
20
0
0
0
0
0
...
...
...
0
-1
-1
-1
-1
1
1
1
1
-1
-1
-1
-1
1
1
1
1
0
0
0
0
0
0
0
...
...
...
0
-1
-1
-1
-1
-1
-1
-1
-1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
...
...
...
0
31
Ejemplo:
Analizaremos el siguiente ejemplo que se refiere al uso de fertilizacin NPK
en la produccin de cebada en ton/ha como variable dependient (Y), los lmites son:
N de 0 a 300, P de 0 a 300 y K de 0 a 200, entonces se puede calcular los valores
reales para los niveles bajo y alto, en cada uno de los factores (p = 3).
Variables
N : Nitrgeno
P : Fs foro
K: Potas io
Nivel real (kg/ha)
Niveles
Inferior
Superior
0
300
0
300
0
200
- 318 -
X0
X1
X2
X3
1 1 1 1 1 1 1
-1 1 -1 1 -1 1 -1
-1 -1 1 1 -1 -1 1
-1 -1 -1 -1 1 1 1
1
1
1
1
1
1
1
1 -1.682 1.682
0
0
0
0
1
0
0 -1.682 1.682
0
0
1
0
0
0
0 -1.682 1.682
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
1
0
0
0
Z 0j =
Z j =
Z mx
+ Z mn
j
j
2
Z mx
Z mn
j
j
2
0
La ecuacin decodificada es: Z j = Z j +
FG X Z IJ
H K
j
300 + 0
= 150
2
300 0
= 150
2
FG ( 1) 150IJ = 60.8
H 1682
K
.
F ( +1) 150IJ = 239.2
La ecuacin decodificada, tomando para (+1) es: Z = 150 + GH 1682
K
.
La ecuacin decodificada, tomando para (-1) es:
Z1 = 150 +
-1
60.8
150
+1
239.2
300
200 + 0
= 100
2
200 0
= 100
2
FG ( 1) 100IJ = 40.5
H 1682
K
.
F ( +1) 100IJ = 159.5
La ecuacin decodificada, tomando para (+1) es: Z = 100 + GH 1682
K
.
La ecuacin decodificada, tomando para (-1) es:
Z1 = 100 +
-1
40.5
100
+1
159.5
200
N
150
150
P
150
150
K
100
100
Z j = Z0j +
FG X Z IJ
.
H1682
K
j
En resumen se tiene:
N iv e l C o d ific a d o
(X i)
-1 .68 2
-1
0
1
1 .6 82
N
0
6 0.8
1 50
2 39 .2
3 00
N iv e l re a l (K g / h a )
P
0
6 0.8
1 50
2 39 .2
3 00
K
0
4 0.5
1 00
1 59 .5
2 00
- 320 -
X0
X1
X2
X3
Z1 = N
Z2 = P
Z3 = K
1
-1
-1
-1
60.8
60.8
40.5
1
1
-1
-1
239.2
60.8
40.5
1
-1
1
-1
60.8
239.2
40.5
1
1
1
-1
239.2
239.2
40.5
1
-1
-1
1
60.8
60.8
159.5
1
1
-1
1
239.2
60.8
159.5
1
-1
1
1
60.8
239.2
159.5
1
1
1
1
239.2
239.2
159.5
1 -1.682
0
0
0
150
100
1
1.682
0
0
300
150
100
1
0
-1.682
0
150
0
100
1
0
1.682
0
150
300
100
1
0
0
-1.682
150
150
0
1
0
0
1.682
150
150
200
1
0
0
0
150
150
100
1
0
0
0
150
150
100
1
0
0
0
150
150
100
1
0
0
0
150
150
100
1
0
0
0
150
150
100
1
0
0
0
150
150
100
M atriz de dis eo para un dis eo compues to (p = 3).
Y
1.50
4.10
3.00
2.80
2.20
3.50
5.00
4.80
2.50
4.50
2.00
4.40
3.50
4.60
4.10
4.60
4.40
4.10
4.40
4.30
Y = 0 + j X ij + jj X + jk X ij X ik
j =1
j =1
2
ij
j =1 k =1
j <k
Los coeficientes del modelo matemtico de segundo orden pueden ser estimados por varios mtodos, entre los que podemos mencionar a la tcnica de regresin
mltiple por Mnimos Cuadrados, tanto en la forma de ecuaciones normales, forma
Anlisis y Diseo de Experimentos - 321 matricial y el mtodo de correlacin mltiple. En cuanto a otras tcnicas podemos
mencionar a la tcnica de bsqueda directa (por ejempo la tcnica de Nelder y Mead)
o tambin a la tcnica conocida como los polinomios de Chevyshev, entre otras ms.
Desde el punto de vista de la facilidad, para poder programar en computadoras, el
mtodo matricial es el ms recomendable y est definido por la siguiente frmula
matricial.
b g
$ = X' X
X' Y
donde:
X = Matriz de diseo.
X = Transpuesta de la matriz de diseo.
Y = Los datos observados (variable de respuesta o variable dependiente).
Veamos numricamente esta tcnica, resolviendo el problema planteado en la
seccin anterior. La matriz X y el vector Y, estn definidos como sigue:
X0 X1
X2
X3
X11
X22 X33 X1X2 X1X3 X2X3
1
-1
-1
-1
1
1
1
1
1
1
1
1
-1
-1
1
1
1
-1
-1
1
1
-1
1
-1
1
1
1
-1
1
-1
1
1
1
-1
1
1
1
1
-1
-1
1
-1
-1
1
1
1
1
1
-1
-1
1
1
-1
1
1
1
1
-1
1
-1
1
-1
1
1
1
1
1
-1
-1
1
1
1
1
1
1
1
1
1
1
1
1 -1.682 0
0
2.8291
0
0
0
0
0
X = 1 1.682
0
0
2.8291
0
0
0
0
0
1
0
-1.682 0
0
2.8291
0
0
0
0
1
0
1.682
0
0
2.8291
0
0
0
0
1
0
0
-1.682
0
0
2.8291 0
0
0
1
0
0
1.682
0
0
2.8291 0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
Y=
Y
1.50
4.10
3.00
2.80
2.20
3.50
5.00
4.80
2.50
4.50
2.00
4.40
3.50
4.60
4.10
4.60
4.40
4.10
4.40
4.30
- 322 -
X' =
1
-1
-1
-1
1
1
1
1
1
1
1
1
-1
-1
1
1
1
-1
-1
1
1
-1
1
-1
1
1
1
-1
1
-1
1
1
1
-1
1
1
1
1
-1
-1
1
-1
-1
1
1
1
1
1
-1
-1
1
1
-1
1
1
1
1
-1
1
-1
1
-1
1
1
1
1
1
-1
-1
1
1
1
1
1
1
1 1 1 1 1 1 1
1 -1.68 1.682 0
0
0 0 0 0 0 0 0
1
0
0
-1.68 1.68
0 0 0 0 0 0 0
1
0
0
0
0 -1.68 2 0 0 0 0 0
1 2.829 2.829 0
0
0 0 0 0 0 0 0
1
0
0
2.83 2.83
0 0 0 0 0 0 0
1
0
0
0
0
2.83 3 0 0 0 0 0
1
0
0
0
0
0 0 0 0 0 0 0
1
0
0
0
0
0 0 0 0 0 0 0
1
0
0
0
0
0 0 0 0 0 0 0
1
0
0
0
0
0
0
0
0
0
X'X =
20
0
0
0
13.7
13.7
13.7
0
0
0
0
0
0
0
0
0
0
8
0
0
0
0
0
0
0
0
0
0
8
0
0
0
0
0
0
0
0
0
0
8
(X'X)1 =
0.1663429
0
0
0 -0.056788 -0.05679 -0.05679
0
0
0
0 0.073216
0
0
0
0
0
0
0
0
0
0 0.0732158
0
0
0
0
0
0
0
0
0
0 0.073216
0
0
0
0
0
0
-0.0567876
0
0
0 0.0693645 0.006895 0.006895
0
0
0
-0.0567876
0
0
0 0.0068953 0.069365 0.006895
0
0
0
-0.0567876
0
0
0 0.0068953 0.006895 0.069365
0
0
0
0
0
0
0
0
0
0 0.125
0
0
0
0
0
0
0
0
0
0 0.125
0
0
0
0
0
0
0
0
0
0 0.125
X'Y =
74.30000
6.86400
8.33680
5.95020
46.70387
45.00639
49.81590
-4.30000
-1.30000
3.90000
LM(0Y) = X Y = Y = 74.30OP
MM (1Y) = X Y = 6.8640 PP
= X Y = 8.3368
MM (2Y)
P
(3Y) = X Y = 5.9502 P
M (11Y) = X Y = 46.70387 PP
= M
MM (22Y) = X Y = 45.00639 PP
= X Y = 49.81590
MM (33Y)
P
(12Y) = X X Y = -4.300 P
MM (13Y) = X X Y = -1.3000 PP
MN (23Y) = X X Y = 3.9000 PQ
0
1
2
3
2
1
2
2
2
3
1
1
= (X'X) X'Y =
0.1663429
0
0
0 -0.056788 -0.05679 -0.05679
0
0
0
0 0.073216
0
0
0
0
0
0
0
0
0
0 0.073216
0
0
0
0
0
0
0
0
0
0 0.073216
0
0
0
0
0
0
-0.0567876
0
0
0 0.0693645 0.0069 0.006895
0
0
0
-0.0567876
0
0
0 0.0068953 0.06936 0.006895
0
0
0
-0.0567876
0
0
0 0.0068953 0.0069 0.069365
0
0
0
0
0
0
0
0
0
0 0.125
0
0
0
0
0
0
0
0
0
0 0.125
0
0
0
0
0
0
0
0
0
0 0.125
4.3223441633
0.5025534754
0.6103857537
0.4356488475
-0.3259035827
-0.4319434735
-0.1314971163
-0.5375000000
-0.1625000000
0.4875000000
74.30000
6.86400
8.33680
5.95020
46.70387
45.00639
49.81590
-4.30000
-1.30000
3.90000
b0
b1
b2
b3
b11
b22
b33
b12
b13
b23
- 324 -
En muchos casos es preferible expresar el modelo en escala natural, especialmente cuando se desea graficar el modelo, para esto se puede usar cualquier software
estadstico o de aplicacin, para ello se debe proceder a DECODIFICAR el modelo,
segn las frmulas siguientes:
Para el trmino independiente:
k
i =1
i =1
a 0 = b0 bi i + bii i2 +
iu
i u
i ,u = 1
Donde:
a i zi =
b ju
bi
b
2 ii i
ju
zi
zi
zi
j = u = 1.... k -1
aii X2i =
bii
Zi2
a ij Zi Z j =
bij
Zi z j
i j , i = j = 1....k
aij : Son los coeficientes del trmino de interaccin del modelo en escala natural.
Anlisis y Diseo de Experimentos - 325 Aplicando las ecuaciones para el modelo, del ejemplo anterior, tenemos las
siguiente tabla de datos:
N
( - )
( + )
Z
Z1
0
300
Z2
0
300
Z3
0
200
150
150
100
150
150
100
k =3
k =3
i =1
i =1
i ,u=1
a0 = b0 bi i + bii i2 + biui u
= b0 (b11 + b22 + b33 ) +(b1112 + b2222 + b3323 ) +(b1212 + b1313 + b2323 )
2
2
a0 =4322
. (050255
. x1+0.61038x1+0.4356x1)+(-0.3259x12 +(-0.4319x1))+(-0.131497x1)
((-0.5375x1x1+(-0.1625x1x1)+(0.4875x1x1))
a0 = 1.671673
b) TRMINOS LINEALES:
a1 =
b1
b
b
0.50255 2x(-0.3259)x1 (-0.5375)x1x1
2 11 1 12 12 =
= 0011279
.
150
150
150
z1
z1
z1
a2 =
b2
b
b
0.610.8 2x(-0.4319)x1 (-0.5375)x1x1
2 22 2 12 12 =
= 00134112
.
150
150
150
z2
z2
z2
a3 =
b3
b
b
0.4356 2x(-0.131497)x1 (0.4875)x1x1
2 33 3 23 23 =
= 000211
.
100
100
100
z3
z3
z3
c) TRMINOS CUADRTICOS:
a 11 =
b11
0 .3259 2
X 12 =
X 1 = 0 .00001448 Z 12
2
Z1
150 2
- 326 -
a 22 =
b22
0.4319 2
X 22 =
X 2 = 0.000019195 Z 22
2
Z2
150 2
a 33 =
b33
0.131497 2
X 32 =
X 3 = 0.000013149 Z 32
2
Z 3
1002
c) TRMINOS DE INTERACCIN:
a12 =
b12
05375
.
X1 X 2 =
X1 X 2 = 0.000023888Z1Z2
Z1Z2
150x150
a13 =
b13
01625
.
X1 X 3 =
X1 X 3 = 0.000010833Z1Z3
Z1Z3
150x100
a 23 =
b23
0.4875
X2 X3 =
X 2 X 3 = 0.0000325Z2 Z3
Z2 Z3
150x100
+ 0011279
Y$ = 167167
.
.
Z1 + 00134
.
Z2 + 000211
.
Z3 0000014
.
Z12 0000019
.
Z22
.
Z32 00000239
.
Z1Z2 00000108
.
Z1Z3 + 00000325
.
Z2Z3
0000013149
El modelo precedente est expresado en escala natural y nos permitir realizar las predicciones en el futuro.
ANLISIS DE VARIANZA PARA DISEOS ROTABLES Y COMPUESTOS
a) Anlisis de significancia de los coeficientes.- Los coeficientes de los modelos son evaluados para analizar la significancia, usando el Test de Student, que esta
definido por la siguiente frmula:
tj =
b$j b j
Sb j
Sb2j = C jjS2e
(X'X)1 =
0.1663429
0
0
0 -0.056788 -0.05679 -0.05679
0
0
0
0 0.073216
0
0
0
0
0
0
0
0
0
0 0.0732158
0
0
0
0
0
0
0
0
0
0 0.073216
0
0
0
0
0
0
-0.0567876
0
0
0 0.0693645 0.006895 0.006895
0
0
0
-0.0567876
0
0
0 0.0068953 0.069365 0.006895
0
0
0
-0.0567876
0
0
0 0.0068953 0.006895 0.069365
0
0
0
0
0
0
0
0
0
0 0.125
0
0
0
0
0
0
0
0
0
0 0.125
0
0
0
0
0
0
0
0
0
0 0.125
Y =
0
Se =
Y
i =1
0
N0
N0
SSE = (Yi 0 - Y 0 )2 ,
MSE =
i =1
SSE
f 2 = gle
gle = N 0 1 = f 2
MSE ,
X1
0
0
0
0
0
0
X2
0
0
0
0
0
0
X3
0
0
0
0
0
0
Z1 = N
150
150
150
150
150
150
Z2 = P
150
150
150
150
150
150
Z3 = K
100
100
100
100
100
100
Y
4.10
4.60
4.40
4.10
4.40
4.30
- 328 -
Y =
0
(Y
i =1
SSE =
6
N0 =6
i =1
SSE = i =1 Yi
No
MSE =
Se =
02
( i Yi 0 ) 2
No
No
= 11199
.
25.9 2
= 01883
.
6
SSE
0.1883
=
= 0.03766 ,
f 2 = gle 6 1 = 5
Se
Cjj
X1
X2
X3
X11
X22
X33
X1X2
X1X3
X2X3
0.19406
0.19406
0.19406
0.19406
0.19406
0.19406
0.19406
0.19406
0.19406
0.2705846
0.2705842
0.2705846
0.2633714
0.2633724
0.2633724
0.3535534
0.3535534
0.3535534
Sbj
t j =bj Sbj
bj
0.0525096
0.0525096
0.0525096
0.0511099
0.0511100
0.0511100
0.0686106
0.0686106
0.0686106
0.5025534754
0.6103857537
0.4356488475
-0.3259035827
-0.4319434735
-0.1314971163
-0.5375000000
-0.1625000000
0.4875000000
9.571
11.624
8.297
-6.377
-8.451
-2.573
-7.834
-2.368
7.105
Signif.
t5,alfa
** 0.05 = 2.571
** 0.01 = 4.032
**
**
**
*
**
n.s.
**
SSR = Yi Y$
i =1
f 1 = glR = N p = N
(k + 2)(k +1)
(5)(4)
= 20
= 20 10 = 10
2
2
o)
f 2 = gle = N 0 1 = 6 1 = 5
F=
SS FA f 3
SS FA 5 ,
=
.
5
SSE f 2 01883
con
F < F( f3 , f2 ),
PROCEDIMIENTO:
i) Clculo de los valores estimados o predichos de la regresin:
X0
1
1
1
1
1
1
1
1
1
Y$ = X$ = 1
1
1
1
1
1
1
1
1
1
1
X1 X2 X3
X11
X22
X33
-1
-1
-1
1
1
1
1
-1
-1
1
1
1
-1
1
-1
1
1
1
1
1
-1
1
1
1
-1
-1
1
1
1
1
1
-1
1
1
1
1
-1
1
1
1
1
1
1
1
1
1
1
1
-1.682 0
0 2.829124
0
0
1.682 0
0 2.829124
0
0
0 -1.682 0
0
2.829124
0
0 1.682 0
0
2.829124
0
0
0 -1.682
0
0
2.829124
0
0 1.682
0
0
2.829124
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
X1X2
1
-1
-1
1
1
-1
-1
1
0
0
0
0
0
0
0
0
0
0
0
0
X1X3
1
-1
1
-1
-1
1
-1
1
0
0
0
0
0
0
0
0
0
0
0
0
X2X3
1
1
-1
-1
-1
-1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
1.67191191
4.07701886
4.3223441633
2.99268342
0.5025534754
3.24779037
0.6103857537
1.89320961
0.4356488475
3.64831656
-0.3259035827 = 5.16398112
-0.4319434735
4.76908807
-0.1314971163
2.55502757
-0.5375000000
4.24561746
-0.1625000000
2.07365368
0.4875000000
4.12699135
3.21756115
4.68308388
4.32234416
4.32234416
4.32234416
4.32234416
4.32234416
4.32234416
Y$ = X$
- 330 -
Yi
1 .5 0
4 .1 0
3 .0 0
2 .8 0
2 .2 0
3 .5 0
5 .0 0
4 .8 0
2 .5 0
4 .5 0
2 .0 0
4 .4 0
3 .5 0
4 .6 0
4 .1 0
4 .6 0
4 .4 0
4 .1 0
4 .4 0
4 .3 0
Y$
1 .6 7 1 9 1 1 9 1
4 .0 7 7 0 1 8 8 6
2 .9 9 2 6 8 3 4 2
3 .2 4 7 7 9 0 3 7
1 .8 9 3 2 0 9 6 1
3 .6 4 8 3 1 6 5 6
5 .1 6 3 9 8 1 1 2
4 .7 6 9 0 8 8 0 7
2 .5 5 5 0 2 7 5 7
4 .2 4 5 6 1 7 4 6
2 .0 7 3 6 5 3 6 8
4 .1 2 6 9 9 1 3 5
3 .2 1 7 5 6 1 1 5
4 .6 8 3 0 8 3 8 8
4 .3 2 2 3 4 4 1 6
4 .3 2 2 3 4 4 1 6
4 .3 2 2 3 4 4 1 6
4 .3 2 2 3 4 4 1 6
4 .3 2 2 3 4 4 1 6
4 .3 2 2 3 4 4 1 6 3
20
d i b
-0 .1 7 1 9 1 1 9
0 .0 2 2 9 8 1 1
0 .0 0 7 3 1 6 6
-0 .4 4 7 7 9 0 4
0 .3 0 6 7 9 0 4
-0 .1 4 8 3 1 6 6
-0 .1 6 3 9 8 1 1
0 .0 3 0 9 1 1 9
-0 .0 5 5 0 2 7 6
0 .2 5 4 3 8 2 5
-0 .0 7 3 6 5 3 7
0 .2 7 3 0 0 8 6
0 .2 8 2 4 3 8 8
-0 .0 8 3 0 8 3 9
-0 .2 2 2 3 4 4 2
0 .2 7 7 6 5 5 8
0 .0 7 7 6 5 5 8
-0 .2 2 2 3 4 4 2
0 .0 7 7 6 5 5 8
-0 .0 2 2 3 4 4 2
$0
0 0 0 -0 0Y)
0 .0(Y
20
Y = 7 4 .3 0
i=1
g b
( Y i - Y$ ) 2
Y i - Y$
0 .0 2 9 5 5 3 7 0 6
0 .0 0 0 5 2 8 1 3 3
0 .0 0 0 0 5 3 5 3 2
0 .2 0 0 5 1 6 2 1 8
0 .0 9 4 1 2 0 3 4 4
0 .0 2 1 9 9 7 8 0 2
0 .0 2 6 8 8 9 8 0 7
0 .0 0 0 9 5 5 5 4 8
0 .0 0 3 0 2 8 0 3 3
0 .0 6 4 7 1 0 4 7 6
0 .0 0 5 4 2 4 8 6 4
0 .0 7 4 5 3 3 7 2 1
0 .0 7 9 7 7 1 7 0 2
0 .0 0 6 9 0 2 9 3 1
0 .0 4 9 4 3 6 9 2 7
0 .0 7 7 0 9 2 7 6 4
0 .0 0 6 0 3 0 4 2 9
0 .0 4 9 4 3 6 9 2 7
0 .0 0 6 0 3 0 4 2 9
0 .0 0 0 4 9 9 2 6 2
2
0 .7 9 7 5 1 3 5 5
2
2
2
2
SSRresid . = Yi Y$ = 15
. 167
.
. 4.077 +L+ 4.3 4.322 = 07975135
.
+ 41
i =1
M S R r esid . =
0 .7 9 7 5 1 3 5 5
S S R r esid .
=
= 0 .0 7 9 7 5
10
f1
MS FA =
SS FA 0.60921355
=
= 0.1218427
5
f3
( i=1 Yi ) 2
N
SSTot = Yi
2
i =1
=296.29
(74.30) 2
= 20.26550
20
G.L.
S.S.
10 0.7975135530
5 0.6092135500
5 0.1883000000
19 20.2655000000
F5,5,0.01 = 11
M.S.
Fobs. Signif.
0.079751355
0.121842710 3.23533
n.s.
0.037660000
1.066605263
c) Grfica del diseo.- Para graficar el modelo, se realiza haciendo uso del
modelo en escala natural, tal como se presenta a continuacin:
+ 0011279
Y$ = 167167
.
.
Z1 + 00134
.
Z2 + 00014
.
Z3 0000014
.
Z12 0000019
.
Z22
00000058
.
Z32 00000239
.
Z1Z2 000007
.
Z1Z3 + 0000022
.
Z2Z3
Se puede graficar el modelo en el espacio a manera de contornos curvas de
nivel.
d) Anlisis de Mximos y Mnimos.- Es necesario analizar el modelo de segundo orden estimado que presenta un mximo un mnimo, o no tiene un valor
extremos.
i. El modelo de segundo orden con una sola variable tiene un mximo o un mnimo,
para se esto se realiza la segunda derivada, cuyas condiciones son:
d2y
= ()
dx
d2y
= (+)
dx
d2y
=0
dx
- 332 -
Si hay ms de dos variables independientes la dificultad de analizar la existencia de un extremo relativo es considerable. Para ello hacemos uso de mtodos de
segundo orden por medio de la matriz hessiana, que est definido por:
2Y
2Y
X1X 2
X12
2Y
H = X X
2 1
M
2Y
X k X1
2Y
2Y
X1X k
2Y
X 2 X k
L
M
2Y
L
X 2k
L
X12
M
2Y
X k X 2
Para la existencia de un mximo la determinante Hij debe tener signos alternados. La siguiente tabla muestra las condiciones de segundo orden:
Signos
H ij
H11
H22
H33
...
Hkk
C entro
+
...
...
...
+
+
M ximo M nimo Sin extremo
Consideremos ahora el caso de un modelo matemtico obtenido de la aplicacin de un diseo de segundo orden de la forma:
b 11
+
+
b 22
+
+
Tipo extremo
Tipo curva
Mximo
Elipse
Minimax Silla de montar hacia arriba
Minimax
Silla de montar hacia abajo
Mnimo
Elipse invertido
SOLUCIONES PTIMAS
a) Sin restricciones
En muchos estudios, donde se disea una sola funcin objetivo global (p.ej.
eficiencia econmica) se tendr solamente un solo modelo matemtico, donde los
valores ptimos de las variables estudiadas se encuentran por mtodos analticos de
optimizacin, basndose en la anulacin en el ptimo de las primeras derivadas.
Esto es posible porque los modelos matemticos de segundo orden son fciles de
derivar. Ello es:
Y
X1
Y
Y
= X = 0
2
X i
M
Y
X k
De esto resulta un sistema de ecuaciones que puede ser resuelto por cualquiera de los mtodos comnmente usados: el mtodo matricial, mtodo de Gauss o el
mtodo de Gauss Seidel. Resolviendo este sistema de ecuaciones se obtiene los valores ptimos de las variables Xi.
Si los valores ptimos estn en la escala codificada entonces podemos transformarlos a la escala natural decodificando los resultados. Reemplazando los valores
obtenidos en el modelo matemtico decodificado se obtiene la mxima (mnima)
respuesta
Para determinar los niveles de N,P y K que maximizan la produccin de
cebada se deriva el modelo en funcin de cada variable (X1, X2 y X3), de esta forma se
obtiene un sistema de ecuaciones con tres variables, la misma que se resuelve por
cualquier mtodo (igualacin, sustitucin, reduccin, etc.). El sistema de ecuaciones
- 334 -
Y
. X3 = 0
= 0.503 0.652 X1 0.538X 2 0163
X1
Y
= 0.610 0.538X1 0.864 X 2 + 0.488X 3 = 0
X 2
Y
= 0.436 0163
. X1 + 0.488X 2 0.264 X 3 = 0
X 3
Resolviendo el sistema de ecuaciones se tiene:
X1 = 1.652;
X2 = -0.787;
X3 = -0.925
Estos valores corresponden a los niveles codificados que maximizan la produccin de cebada. Transformando a Zi (valores reales), los valores codificados de
Xi se tiene:
Z1 = 89.1795(1.652) + 150 = 297
Z2 = 89.1795(-0.787) + 150 = 80
Z3 = 59.453(-0.925) + 100 = 45
Entonces tenemos para cada uno de los fertilizantes:
N = 297 kg/ha
P = 80 kg/ha
K = 45 kg/ha
El rendimiento mximo de cebada (ton/ha), se obtiene remplazando los valores X1 = 1.652; X2 = -0.787; X3 = -0.925, en la ecuacin polinomial. As se tiene:
Y = 4.3 ton/ha.
Para encontrar los niveles econmicamente ptimos se hacen las siguientes
relaciones:
Y
PN
=
,
X1 PY
Y
PP
=
,
X 2 PY
Y
PK
=
X 2 PY
Donde:
PN, PP y PK = Precio del insumo (Fertilizante: N, P y K).
PY = Precio del producto.
Anlisis y Diseo de Experimentos - 335 Nuevamente se obtiene un sistema de ecuaciones con tres incgnitas (X 1, X2 y
X3), que luego de resolverlo corresponde a los niveles econmicamente ptimos.
b) Con restricciones
En muchos procesos de investigacin en ingeniera, se evala con mucha
frecuencia varios criterios de optimizacin simultneamente. El problema consiste
en maximizar un solo criterio de optimizacin elegido por el investigador y los dems criterios se toman como restricciones del proceso.
Existe otro tipo de restricciones que estn referidos a las variables controlables que se investigan, por ejemplo, en una circunstancia dada que no puede
gastar ms de un valor fijado de un reactivo (por consideraciones econmicas). En
este caso el problema consistir en maximizar la recuperacin, sujeto, o con la restriccin de que la ley de concentrado no baje de cierto valor y adems que el consumo
de reactivo sea menor que una cantidad predefinida econmicamente.
La solucin para el problema planteada pertenece al campo de la
optimizacin matemtica, especficamente a las tcnicas de optimizacin numrica.
La aplicacin de estas tcnicas requiere, necesariamente el uso de un computador
capaz de efectuar en poco tiempo los numerosos clculos iterativos hasta alcanzar el
ptimo.
- 336 -
X1
-1
-1
-1
-1
1
1
1
1
-1.682
1.682
0
0
0
0
0
0
0
0
0
0
X2
-1
-1
1
1
-1
-1
1
1
0
0
-1.682
1.682
0
0
0
0
0
0
0
0
X3
-1
1
-1
1
-1
1
-1
1
0
0
0
0
-1.682
1.682
0
0
0
0
0
0
X
2.61
2.61
2.61
2.61
4.39
4.39
4.39
4.39
2.00
5.00
3.50
3.50
3.50
3.50
3.50
3.50
3.50
3.50
3.50
3.50
Y
2.81
2.81
5.19
5.19
2.81
2.81
5.19
5.19
4.00
4.00
2.00
6.00
4.00
4.00
4.00
4.00
4.00
4.00
4.00
4.00
Z
14.05
25.95
14.05
25.95
14.05
25.95
14.05
25.95
20.00
20.00
20.00
20.00
10.00
30.00
20.00
20.00
20.00
20.00
20.00
20.00
F
3.3
3.5
3.9
3.0
4.0
3.5
5.0
3.8
5.0
4.0
3.4
3.2
3.3
4.1
5.7
5.0
5.9
4.4
5.0
4.3
DATA CERVZ;
OPTIONS NODATE NOCENTER NONUMBER;
INPUT X1 X2 X3 X Y Z F;
Z11=Z1*Z1; Z22=Z2*Z2; Z33=Z3*Z3;
Z12=Z1*Z2; Z13=Z1*Z3; Z23=Z2*Z3;
CARDS;
-1 -1 -1 2.61 2.81 14.05 3.30
-1 -1 1 2.61 2.81 25.95 3.50
-1 1 -1 2.61 5.19 14.05 3.90
-1 1 1 2.61 5.19 25.95 3.00
1 -1 -1 4.39 2.81 14.05 4.00
1 -1 1 4.39 2.81 25.95 3.50
1
1 -1 4.39 5.19 14.05 5.00
1
1 1 4.39 5.19 25.95 3.75
-1.682 0 0 2 4 20 5.00
1.682 0 0 5 4 20 4.00
0 -1.682 0 3.5 2 20 3.40
0 1.682 0 3.5 6 20 3.15
0 0 -1.682 3.5 4 10 3.25
0 0 1.682 3.5 4 30 4.10
0 0 0 3.5 4 20 5.65
0 0 0 3.5 4 20 5.00
0 0 0 3.5 4 20 5.90
0 0 0 3.5 4 20 4.40
0 0 0 3.5 4 20 5.00
0 0 0 3.5 4 20 4.25
;
PROC REG;
MODEL Y=X Y Z Z11 Z22 Z33 Z12 Z13 Z23;
RUN;
/*PARA FALTA DE AJUSTE */
PROC MEANS SUM N VAR; VAR F; RUN;
/*PARA FALTA DE AJUSTE */
DATA FALTA;
SET CERVZ;
IF X1=0 AND X2=0 AND X3=0; RUN;
PROC MEANS SUM N VAR; VAR F;
RUN;
- 338 -
Model: MODEL1
Dependent Variable: Y
Analysis of Variance
Sum of
Mean
Source DF Squares Square
F Value
Model
9 9.15470
1.01719 2.186
Error 10 4.65267
0.46527
C Total 19 13.80737
Root MSE
0.68210
Dep Mean
4.15250
C.V.
16.42637
R-square
Adj R-sq
Prob>F
0.1195
0.6630
0.3598
Parameter Estimates
Parameter
Standard T for H0:
Variable DF Estimate
Error Parameter=0 Prob >|T|
INTERCEP 1 -12.998191 6.79026535 -1.914
0.0846
Z1
1 1.680187 2.05090217 0.819
0.4317
Z2
1 3.750211 1.46830150 2.554
0.0287
Z3
1 0.747774 0.29366030 2.546
0.0290
Z11
1 -0.236627 0.22606237 -1.047
0.3199
Z22
1 -0.439351 0.12702501 -3.459
0.0061
Z33
1 -0.013574 0.00508100 -2.672
0.0234
Z12
1 0.135728 0.22770322 0.596
0.5644
Z13
1 -0.024785 0.04554064 -0.544
0.5982
Z23
1 -0.032660 0.03405981 -0.959
0.3602
Analysis Variable : Y
Sum N
Variance
83.0500000 20 0.7267039
Analysis Variable : Y
Sum N
Variance
30.2000000 6 0.4296667
F := 12.998191
+ 1.680187
X + 3.750211
Y + 0.747774
Z 0.236627
X 0.439351
Y 0.013574
Z + 0.135728
XY 0.024785
XZ 0.0
d
X + 3.750211
Y + 0.747774
Z 0.236627
X2 0.439351
Y2 0.013574
Z2 + 0.135728
X Y 0.024785
XZ 0.0
12.998191
+ 1.680187
dX
F
X
-2
Z
2.478510
-2
3.750211 .878702Y
+ .135728 X 3.266 10 Z Y
-2
-2
-2
.747774 2.714810
Z 2.478510
X 3.266 10 Y Z
Solucin del sistema de ecuaciones simultneas
-2)
.473254
.135728 (2.478510
M := .135728
(3.266 10-2)
.878702
-2) (
-2
-2)
3.266 10 ) (2.714810
(2.478510
1.680187
v := 3.750211
.747774
soln := lsolve ( M , v )
3.731503
soln = 4.13188
19.166845
Hallando las segundas derivadas parciales
d
-2
1.680187 .473254 X + .135728Y
2.478510
Z
dX
.473254
2F
X2
- 340 -
2F
) (2.478510
-2)
X Z
d
-2
1.680187 .473254 X + .135728Y
2.478510
Z
dY
d
-2
1.680187 .473254 X + .135728Y
2.478510
Z
dZ
.135728
.135728
.878702
d
-2
3.750211 .878702Y
+ .135728 X 3.266 10 Z
dX
d
-2
3.750211 .878702Y
+ .135728 X 3.266 10 Z
dY
d
-2
3.750211 .878702Y
+ .135728 X 3.266 10 Z
dZ
2F
Y X
2F
Y
-2
(3.266 10 )
2 F
YZ
) (
) (
) (
d
-2
-2
-2
-2
.747774 2.714810
Z 2.478510
X 3.266 10 Y 2.478510
dX
d
-2
-2
-2
.747774 2.714810
Z 2.478510
2F
ZX
2F
Y Z
d
-2
-2
-2
2F
-2
.747774 2.714810
Z 2.478510
X 3.266 10 Y 2.714810
dZ
Z 2
H1= -.473264 H2= -.878702 H3= -2.7148*10^2
.473254 .135728
.135728 .878702
H11 :=
-2)
.473254 (2.478510
-2)
-2)
(2.478510
(2.714810
H22 :=
H33 :=
H33 = 0.022788
H11 = 0.397427
.135728
(2.478510
-2
H123 := .135728
(3.266 10 )
.878702
-2)
-2
-2)
(3.266 10 ) (2.714810
(2.478510
H123 = 9.525023 10
X := 3.731503
Y := 4.13188
Z := 19.166845
2
F = 5.050565
SC Total = Yij2
SCE = Y02i
( Yij )2
n
(Y0i )2
p
= 358 . 6725
= 154 .155
83 .05 2
= 13 . 807375
20
30 .2 2
= 2.14833
6
Anlis de variancia
GL
SC
CM
Fc
9
9.1574
1.017
2.365
5
2.504375
0.501 1.165 n.s.
14 11.659075
0.833
5
2.14833 0.43=s 2
19
13.80737
- 342 -
- 344 -
Una vez escogidos las variables, haga clic en la opcin OK, y aparecer la siguiente pantalla:
- 346 -
- 348 -
- 350 -
Factores
Nivel
Codificado (Xi) Grasa (%) Edulcorantes (%) Harina izao (%) Aire (%)
7
12
4
40
-1
9
13
6
60
0
11
14
8
80
+1
13
15
10
100
+
15
16
12
120
La harina de izao para el presente trabajo se obtuvo por un proceso de
extrusin, deshidratndose durante 8 a 10 das rodajas de tubrculos de izao fresco
en condiciones ambientales bajo la sombra, una vez secado las rodajas, se sometieron
a coccin por extrusin, molienda y tamizado, en forma simultnea se hicieron una
evaluacin y seleccin de los miembros de un panel de degustadores que nos permiti evaluar los 31 tratamientos de los dos tipos de helados.
Los resultados encontrados en el presente estudio reflejan que los aumentos progresivos de grasa incrementaron la suavidad del helado de izao, esto
implica que la grasa y los edulcorantes actuaron sinrgicamente sobre la suavidad,
incrementando el perfil, cuando las proporciones fueron mayores; asimismo la grasa
y los edulcorantes influyeron sobre la aroma del helado; altas proporciones de harina
de izao por encima de 8% provocaron desmoronamiento y cristalizacin de los
helados, en cambio los edulcorantes influyeron en forma significativa sobre el dulzor
del helado. Combinacin de Grasa, Edulcorantes, Harina de izao Aire, segn el
Diseo Central compuesto Rotable (DCCR), para el ensayo del efecto sinrgico del
contenido de grasa, edulcorantes, aire y harina de izao (Tropaeolum tuberosum R.
et. P.) en la elaboracin de helados de cono y palitos.
- 352 -
N de Factores codificados
trat. X1 X2 X3 X4
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-2
2
0
0
0
0
0
0
0
0
0
0
0
0
0
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
0
0
-2
2
0
0
0
0
0
0
0
0
0
0
0
-1
-1
-1
-1
1
1
1
1
-1
-1
-1
-1
1
1
1
1
0
0
0
0
-2
2
0
0
0
0
0
0
0
0
0
-1
-1
-1
-1
-1
-1
-1
-1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
-2
2
0
0
0
0
0
0
0
9
13
9
13
9
13
9
13
9
13
9
13
9
13
9
13
7
15
11
11
11
11
11
11
11
11
11
11
11
11
11
13
13
15
15
13
13
15
15
13
13
15
15
13
13
15
15
14
14
12
16
14
14
14
14
14
14
14
14
14
14
14
6
6
6
6
10
10
10
10
6
6
6
6
10
10
10
10
8
8
8
8
4
12
8
8
8
8
8
8
8
8
8
60
60
60
60
60
60
60
60
100
100
100
100
100
100
100
100
80
80
80
80
80
80
40
120
80
80
80
80
80
80
80
Variables de respuesta
suavidad dulzor cremo aroma
3.200
3.525
3.200
3.850
3.200
3.700
1.900
2.925
3.825
2.375
4.125
3.875
2.825
2.450
2.750
3.625
1.775
3.750
2.300
3.425
3.050
3.900
3.900
3.275
2.425
2.375
2.500
2.250
2.000
2.125
2.000
2.100
2.400
3.025
2.925
2.375
2.525
3.875
3.300
2.075
3.050
3.500
3.325
2.125
1.800
2.250
3.375
2.550
3.325
2.175
4.250
3.675
3.300
2.400
3.675
2.375
2.300
2.000
2.125
2.375
2.500
2.250
2.350
4.000
2.025
4.025
2.700
3.725
1.950
3.575
1.950
3.750
3.125
4.275
3.125
3.125
2.000
3.750
2.250
4.125
3.250
4.250
2.125
3.875
4.000
4.125
2.750
3.375
3.625
3.375
3.500
3.125
3.625
2.250
2.375
2.750
2.125
3.500
3.625
2.375
2.750
1.625
1.675
2.500
3.375
2.200
1.625
1.825
3.375
2.125
3.000
2.500
3.375
1.625
4.000
3.000
3.625
1.950
2.200
2.375
1.875
2.075
1.750
1.775
Anlisis y Diseo de Experimentos - 353 2. Se ensay la elaboracin y comercializacin del queso andino, cuya finalidad es la
determinacin de los parmetros ptimos de temperatura y tiempo, tanto en la
pasteurizacin y coagulacin. La leche utilizada proviene de los sectores del distrito
de Chamaca de la Provincia de Chumbivilcas, el anlisis fsicoqumico se realiz en
la Empresa de la comunidad de Aahuichi (ECA), y el anlisis microbiolgico en el
Laboratorio de la Facultad de Qumica de la UNSAAC. Las variables en estudio de
los niveles de temperatura de pasteurizacin son de (62C y 68C), tiempo de
pasteurizacin (20 min y 30 min), niveles de temperatura de la coagulacin (33C y
37), y tiempo de coagulacin (30 min y 40 min). Realizar el Diseo Central Compuesto con SAS, Statistica y Statgraphics con la informacin de la siguiente tabla:
Variables Independientes
T de pas teurizacin
Tiempo de pas teurizacin
T de coagulacin
Tiempo de coagulacin
NIVELES
Inferior
Superior
62
68
20
30
33
37
30
40
Y = 1.12 1.11 1.13 1.18 1.08 1.03 1.08 1.05 1.19 1.20 1.20 1.17 1.08 1.01
Y = 1.00 1.05 1.11 1.11 1.12 1.13 1.22 1.00 1.10 1.12 1.20 1.18 1.20 1.19
- 354 -
Variables Indpendiente
% de Harina de Carne
% de Humedad
T del Extrusor
Variable dependiente (cm3/cm3)
N de
trat.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
NIVELES
Inferior
Superior
5
10
15
18
150
160
Indice de expansin
Factores codificados
X1
X2
X3
-1
1
-1
1
-1
1
-1
1
-1.682
1.682
0
0
0
0
0
0
0
0
0
0
-1
-1
1
1
-1
-1
1
1
0
0
-1.682
1.682
0
0
0
0
0
0
0
0
-1
-1
-1
-1
1
1
1
1
0
0
0
0
-1.682
1.682
0
0
0
0
0
0
Variable
Dependiente
87.100
83.800
87.300
84.700
88.700
85.800
88.800
85.900
89.600
83.200
86.000
85.900
85.300
86.000
84.900
84.900
84.500
84.500
85.800
85.500
9
DISEO Y ANLISIS DE
PARCELAS DIVIDIDAS
9.1. DISEO DE PARCELA DIVIDIDA (Split Plot Design).
Caracteristicas de los diseos de parcelas divididas.
En la discusin previa de experimentos factoriales, el diseo de tratamientos
(combinacin de los niveles de los factores son distribuidos a las unidades
experimentales de acuerdo al proceso de aleatorizacin que correspondiera al diseo
utilizado, esto es, completamente al azar, bloques completos al azar o cuadrado latino.
Sin embargo, hay otros procedimientos en aleatorizacin que tambin son posibles.
Uno de estos procedimientos de aleatorizacin alternativa en el que se utiliza en
un Diseo de Parcelas Divididas.
El diseo de parcelas divididas es frecuentemente usado para experimentos
factoriales. La aleatorizacin es un proceso de dos etapas, para esto se debe considerar
dos tipos de parcelas: Principales (asociadas a un factor) y sub-parcelas (asociados al
otro factor). De esta forma, primero se aleatorizan los niveles del factor asociado a
las parcelas principales y posteriormente se aleatoriza los niveles del otro factor a las
- 356 -
SUB-PARCELA
Densidad de siembra
Dosis de herbicida
Forma de aplicacin
Tratam. de madera
Nivel econmico
Cultivo despus de roce
T del proceso
N de araduras
SUB-SUB-PARCELA
Niveles de Nitrgeno
Epoca de aplicacin
Dosis de vitaminas.
Concen. de producto.
Sistema publicitario.
Aplicacin de fertilizacin.
Tiempo de exposicin
Con y sin fertilizacin.
Aleatorizacin.
El procedimiento de aleatorizacin para las parcelas principales est determinado
por el diseo particular elegido. Sino existe ninguna restriccin en el sorteo los niveles
del factor principal, sern distribuidos en una forma aleatoria a las unidades
experimentales. Sin embargo, si algn agrupamiento de unidades experimentales es
utilizado (bloques) los niveles del factor principal sern aleatoriamente asignado a
los bloques. Si este agrupamiento se realiza en dos sentidos (cuadrados latinos) se
tendr que recurrir a las tcnicas de aleatorizacin del diseo cuadrado latino. Por
otra parte, cualquiera sea el tipo de diseo elegido para la aleatorizacin de los niveles
del factor principal, siempre se proceder al sorteo de la segunda etapa el cual
corresponde con asignar aleatoriamente dentro de cada parcela principal, los niveles
del segundo factor asignado a las sub-parcelas. La aleatorizacin puede ser efectuada
de varias formas para controlar la variacin entre sub-parcelas dentro de una parcela
principal.
Arreglo de campo:
El arreglo de campo consiste en asignar a las unidades experimentales los niveles del
factor que se considere de menor importancia, todo esto dentro de los principios de
un diseo bsico, que corresponda a las caractersticas de las unidades, y
posteriormente aleatorizar dentro de las parcelas mayores los niveles del factor que
deseamos sea estudiado con mayor precisin.
Ejemplo: Si las dosis de nitrgeno fueran de 0, 50, 100, 150 kg de Nitrgeno/ha
y las variedades de Cebada A, B, C y D. En la siguiente figura tomamos la dosis de
150 como parcela grande:
- 358 -
Parcela chica
6 47 48
Dosis N kg/ha
150
D
Va rieda d
Unidad o parcela
experimental
150
Bloque
I
100
50
10
11
12
13
14
15
16
Cuando las parcelas son grandes, entonces se necesita maquinarias para realizar
las labores de siembra, cosecha entre otras, entonces el diseo adecuado es el diseo
de parcela dividida.
9.1.1. Diseo de parcela dividida bajo el diseo completo al azar.
El modelo lineal aditivo para la parcela dividida, bajo el diseo completo al azar
Yijk = + i + Ea + j + ()ij + Eb
i = 12
, ,L, a ( Nivelesde factor A)
j = 12
, ,L,b ( Nivelesde factor B)
k = 12
, ,L, r (Re peticiones).
Donde:
Yijk = Variable respuesta en la repeticin o unidad experimental k, en la parcela
"i", subparcela "j".
= Constante comn o media poblacional.
i = Efecto del i-simo nivel del factor A.
E a = Error de parcelas (error para parcela mayor).
F. de Variacin G.L.
S.C.
SC ( A )
CM ( A)
a 1
CM Error (a )
Yi .2k Y...2
abr SCA
i =1 k =1 b
SC Error ( a )
a-1
i =1
Error(a)
a(r-1)
b-1
Fc.
Yi ..2
Y2
...
br
abr
C.M.
Y. 2j .
j =1
ar
Yij2.
a (r 1)
Y...2
abr
Y...2
SC( A) SC( B)
abr
= Ea
SC (B)
CM( B)
b 1
CM Error (b)
SC ( AB )
CM ( AB)
( a 1)(b 1)
CM Error (b)
AB
(a-1)(b-1)
Error(b)
i =1 j =1
SCError(b)
Total
TC =
(abr - 1)
Y...2
,
abr
CV(a) =
Yijk2
i =1 j =1 k =1
CMError (a)
Y...
Y...2
abr
x100, CV(b) =
CMError (b)
Y...
x100
Fc > Ft se rechaza la H o :
- 360 -
I
1.525
1.721
3.246
1.724
1.925
3.649
1.935
1.616
3.551
II
1.532
1.729
3.261
1.728
1.923
3.651
1.928
1.625
3.553
III
1.549
1.732
3.281
1.732
1.940
3.672
1.926
1.631
3.557
IV
1.562
1.744
3.306
1.740
1.952
3.692
1.941
1.623
3.564
Yij.
6.168
6.926
6.924
7.740
7.730
6.495
Dosis
desparasitador
10
12
14
Y.j.
Sinovex
6.168
6.924
7.730
20.822
Revalor
6.926
7.740
6.495
21.161
Yi..
13.094
14.664
14.225
Y... = 41.983
En funcin del modelo descrito anteriormente, las sumas de cuadrados del anlisis
de varianza son las siguientes:
= 01640
2 x4
24
abr
i =1 br
a
SCD =
Y. 2j .
j =1
ar
SC I =
Y...2
20.822 + 21161
.
41.9832
=
= 0.0047
abr
3x 4
24
a r 2
Y Y2
32
. 462+L+35
. 642 419
. 832
. 640=736
. 06734
. 4001
. 640=00
. 017
SCEPM =ik. ... SCD =
01
2
24
i=1 k=1 b abr
a b Y2
6168
. +L+6495
.
ij.
SCDxI = TC SC(D) SC(I ) =
TC(01640
+00047
.
. ) = 03410
.
4
i=1 j=1 r
a
SCtotal = Yijk2
i=1 j =1 k =1
Y...2
41983
. 2
= 1525
= 73952
. 2 + L+1623
. 2
. 73440
. = 05118
.
abr
24
.
+ 0.0017 + 0.0047 + 0
SC Epm = SCTotal ( SC D + SC EPM + SC I + SC DxI ) = 0.5118 (01640
G.L.
2
9
1
2
9
23
S.C.
0.1640
0.0017
0.0047
0.3410
0.0004
0.5118
C.M.
0.082000
0.000189
0.004700
0.170500
0.000044
Fc.
0.05 0.01
434.12** 4.26 8.02
105.75** 5.12 10.56
3836.25** 4.26 8.02
- 362 -
Efectos
Parcela Mayor
Ai = A j
Totales
Medias
Yi ..
Ajuste
Yi ..
br
SX =
Ea
rb
Y. j .
SX =
Eb
ra
SX =
Eb
r
Parcela menor
Bi = A j
Y. j .
ar
Y ij .
Yij .
Aij .
Yij .
r
SX =
(b 1) Eb + E a
rb
DO D = 10 TO 14 BY 2;
DO I = 1 TO 2;
DO REP = 1 TO 4;
INPUT PESO @;
OUTPUT;
END;
END;
END;
CARDS;
1.525 1.532 1.549 1.562 1.721 1.729 1.732 1.744 1.724 1.728 1.732 1.740
1.925 1.923 1.940 1.952 1.935 1.928 1.926 1.941 1.616 1.625 1.631 1.623
;
PROC PRINT; RUN;
PROC ANOVA; CLASS REP D I;
MODEL PESO = D REP(D) I D*I REP*I(D);
TEST H = D E = REP(D) /DUNCAN; TEST H = I E = REP*I(D);
TEST H = D*I E = REP*I(D);
MEANS REP D I D*I; RUN;
Anlisis y Diseo de Experimentos - 363 9.1.2. Diseo de parcela dividida bajo el diseo bloque completo al azar.
Bloques
a0
a2
a3
a1
b1
b0
b2
b2
b0
b1
b0
b1
b2
b1
b2
b0
a1
b1
b2
b0
a2
b0
b1
b2
a0
b2
b0
b1
a3
b0
b2
b1
a1
b0
b2
b1
a3
b2
b0
b1
a0
b2
b1
b0
a2
b1
b0
b2
II
III
a3
a1
a2
b1
b2
b0
b0
b0
b1
b2
b1
b2
A = 4, Bloque = 4, 4x4 = 16 Total parcelas.
16x3B = 48 total subparcelas.
IV
a0
b2
b1
b0
NOTA: Las parcelas principales son asignadas al azar dentro de cada bloque.
Las sub-parcelas son asignadas al azar dentro de cada parcela principal.
El modelo lineal aditivo para la parcela dividida es la siguiente:
Yijk = + k + i + Ea + j + ()ij + Eb
i = 12
, ,L, a ( Nivelesde factor A)
j = 12
, ,L,b ( Nivelesde factor B)
k = 12
, ,L, r (Re p. o bloque)
- 364 -
donde:
Yijk = Variable respuesta en la repeticin o unidad experimental k, en la parcela
"i", subparcela "j".
( )ij = Efecto de la interaccin del i-simo nivel del factor A con el j-simo
nivel factor B.
E b = Error de subparcelas.
TABLA DE DESCOMPOSICION.
F. De V.
Entre parcelas
G.L.
ra - 1
Dentro de Parcelas
ra(b - 1)
rab - 1
F. De V.
G.L.
Bloque = R
r-1
A
a- 1
Error(a) = R*A
(a - 1)(r - 1)
B
(b - 1)
AxB
(a - 1)(b - 1)
Error(b) = AxBxR a(b - 1)(r - 1)
Total
rab - 1
Anlisis y Diseo de Experimentos - 365 TABLA ANOVA GENERALIZADO BAJO EL DISEO DE BLOQUES ALEATORIZADOS: Frmulas.
F. de Variacin G.L.
S.C.
C.M.
Y..2k
Y...2
abr
k =1 abr
r
Bloques
r-1
Yi ..2
Y2
...
br
abr
a-1
i =1
a
Error(a)
(r-1)(a-1)
Parcelas
ra - 1
i =1 k =1
k =1
i =1
Y. 2j .
CM Error (a )
Y...2
i =1
j =1
ar
Y...2
abr
Y...2
SC( A) SC( B)
abr
Yij2.
r
i =1 j =1
2
ijk
(b-1)(r-1)a
(abr - 1)
CV(a) =
SCError(a)
(r1)(a1)
2e +b2ik +rbk2
=Ea
2e +b2ik +rbk2
SC (B)
CM( B)
b 1
CM Error (b)
Y...2
SC(B) SC(AB) SCParcelas
abr
2
ijk
i =1 j =1 k =1
CMError(a)
Y...
2e + rak2
CM( AB )
SC ( AB )
Y...2
,
abr
a 1
2e +b2ik +ab2
Yi .2k
Y2
...
abr
k =1 b
a b
TC =
Yi ..2
CM Error (a)
Total
r 1
(a-1)(b-1)
Error(b)
Y..2k
CM Bloque
CM ( A)
b-1
AB
CME(I)
SC Bloques
SC ( A )
b ab br + abr
Yi.2k
Fc.
SCError(b)
(b 1)(r 1)a
= Eb
Y...2
abr
x100, CV(b) =
CMError (b)
Y...
x100
2
2e + rk
2e
- 366 -
b) Ho. j = 0 vs
Ha: j 0, si
Fc > Ft se rechaza la H o :
Fc > Ft serechazala Ho :
DLS s d
Tipo de comparacin
DUNCAN s X
2Ea
rb
E a
rb
1)
2)
2Eb
ra
E b
ra
3)
2Eb
r
E b
r
3)
d = Yij . Ykj .
d = Yii . Yjj .
2(b 1) Eb + 2Ea
rb
(b1)Eb +Ea
rb
Las comparaciones de dos medias de un factor al mismo nivel de otro factor, slo
se realiza cuando la interaccin AB es significativa, caso contrario, las comparaciones
se realizan independientemente, es decir como en los dos primeros (1) y (2) las
medias del factor A independiente de B y viceversa.
EJEMPLO:
Una de las mediciones realizadas en las parcelas con pasto fue el contenido de
clorofila en la hierba cortada (mg/g) para las muestras de cada parcela. Los datos se
muestran en la siguiente tabla:
Anlisis y Diseo de Experimentos - 367 Co ntenid o d e clo ro fila (mg /g ) en la h ierb a co rtad a.
A o s d e acumulacin de hierb a
Fuen te de n itr geno
Bloq u e
b1 = 2
b2 = 5
b3 = 8
a1 = Urea
1
3.8
5.3
5.9
2
3.9
5.4
4.3
a2 = Sulfato d e amo n io
1
5.2
5.6
5.4
2
6.0
6.1
6.2
a3 = IBDU
1
6.0
5.6
7.8
2
7.0
6.4
7.8
a4 = Urea(SC)
1
6.8
8.6
8.5
2
7.9
8.6
8.4
a1 = Urea
b2
5.3
5.4
10.7
28.6
b3
5.9
4.3
10.2
total p.
Yi.k
15.0
13.6
28.6
Y.1. =
46.6
b1
5.2
6.0
11.2
Y2.. =
a2 = Sulfato de amtotal p.
a3 = IBDU
total p.
a4 = Urea(SC) total p.
b2
b3
Yi.k
b1
b2
b3
Yi.k
b1
b2
b3 Yi.k
5.6
5.4
16.2
6.0
5.6
7.8
19.4
6.8
8.6
8.5 23.9
6.1
6.2
18.3
7.0
6.4
7.8
21.2
7.9
8.6
8.4 24.9
11.7 11.6 34.5 13.0 12.0 15.6 40.6 14.7
17.2 16.9 48.8
34.5
Y3.. = 40.6
Y4.. =
48.8
Y.2. = 51.6
Y.3. = 54.3
2
( 152.5 )2
Y
=
= 969.0104167
abr
4 x3x2
Y..l
74.5
78.0
152.5
152.5
152.5
- 368 I)
4 2
Y2
. 2 +162
. 2 +L+239
. 2 + 249
.2
152 +136
SCParcelas = ik TC =
TC = 1008103333
TC = 3909291664
.
.
3
i =1 k =1 b
SCBloque =
4
. 2 +345
. 2 +406
. 2 +488
.2
Y2
Y2 +Y2 +Y2 +Y2
286
TC = 3732458334
.
SCA = i TC = 1 2 3 4 TC =
4x2
3x2
i=1 br
Y2j
j =1
ar
SCB =
SCAxB =
TC =
2
ij
i=1 j=1
TOTAL SUB-PARCELAS
CVA =
G.L.
1
11
3
3
7
2
6
8
16
23
S.S.
0.51041667
45.29458334
37.32458334
1.25791663
39.09291664
3.81583334
4.15416666
1.71666700
9.68666700
48.77958364
0.419305543
x100 = 10.19%; CVB =
Y
M.S.
Fc Signif.
0.51041667 1.22 n.s.
4.11768939
12.44152778 29.67
**
0.41930554
1.90791667
0.69236111
0.21458338
0.60541669
8.89
3.23
0.214583375
x100 = 7.29%
Y
**
n.s.
CME(a)
br
CME(b) 0214583375
.
.
0419305543
.
=0163777
=0.264356; SYB =
=
ar
3(2)
4(2)
b2=5
10.7
11.7
12.0
17.2
51.6
b3=8
10.2
11.6
15.6
16.9
54.3
Yi..
28.6
34.5
40.6
48.8
152.5
PROMEDIOS DE AxB
b1=2
a1
3.85
a2
5.60
a3
6.50
a4
7.35
Promedio(j)
5.83
b2=5
5.35
5.85
6.00
8.60
6.45
b3=8
5.10
5.80
7.80
8.45
6.79
Prom(i)
4.77
5.75
6.77
8.13
6.35
9
8
7
cont. de Clorofila(mg/g)
cont. de Clorofila(mg/g)
6
5
4
3
2
1
0
8
7
6
5
4
3
2
1
0
a1
a2
a3
a4
Fuente de Nitrgeno
B dent ro de Urea
B dent ro Sulfat o
B dent ro IBDU
B dentro urea(SC)
A dent ro de 2 aos
B dentro 5 aos
B dentro 8 aos
Y j
Lineal (P 1j)
Cuadrtica (P2j)
Lineal
2
3.85
5.60
6.50
7.35
5
5.35
5.85
6.00
8.60
8
5.10
5.80
7.80
8.45
5.83
6.45
6.79
-1
1
0
-2
1
1
P Y
1j
ij
Cuadrtica
2j
Yij
1.25
0.20
1.30
1.10
-1.75
-0.30
2.30
-1.40
0.9625
-0.2875
- 370 -
SCLineal =
ra
PY
j =1 1 j j
2( 4 )( 0.9625 )2
= 3.705625
2
2( 4 )( 0.2875 )2
.
= 0110208333
6
2
1j
j =1
ra
SCCuadrtica =
4
j =1
P2 j Y j
2
2j
j =1
ri=1
4
SCLineal x Cuadrtica =
j SC
2
PY
j =1 1 j ij
Lineal
2
1j
. 2 + 02
. 2 +13
. 2 +11
. 2)
2(125
.
SCLineal = 0796875
2
j =1
SCCuadrtica x Nitrgeno =
j SC
2
Cuadrtico
2
2j
2 ( 175
. )2 +( 030
. )2 +( 23
. )2 +( 14
. )2
6
SCCuadrtica = 3357291667
.
j=1
GL
1
3
3
2
1
1
6
3
3
8
S.C.
C.M.
0.510416670 0.510416670
37.324583340 12.441527780
1.257916630 0.419305543
3.815833340 1.907916670
3.705625000 3.705625000
0.110208333 0.110208333
4.154166660 0.692361110
0.796875000 0.265625000
3.357291667 1.119097222
1.716667000 0.214583375
Fc.
1.22
29.67
Signif.
ns.
**
8.89
17.27
0.51
3.23
1.24
5.22
**
**
ns.
ns.
ns.
*
Anlisis y Diseo de Experimentos - 371 de sulfuro siempre rindi el mayor contenido de clorofila en el pasto.
Estos resultados comprobaremos usando el software estadstico SAS, para una
mejor aproximacin de los resultados y tomar una buena decisin al respecto, y lo
detallamos a continuacin.
- 372 -
DF
15
1
3
3
2
6
8
23
Coeff Var
7.290199
Sum of
Squares
47.06291667
0.51041667
37.32458333
1.25791667
3.81583333
4.15416667
1.71666667
48.77958333
Root MSE
0.463231
Mean Square
3.13752778
0.51041667
12.44152778
0.41930556
1.90791667
0.69236111
0.21458333
F Value
14.62
1.22
29.67
1.95
8.89
3.23
Pr > F
0.0003
0.3505
0.0099
0.1996
0.0093
0.0646
Y Mean
6.354167
EJEMPLO.
En la Estacin Experimental INIA (Tahuaco - Yunguyo) en el perodo de 1995 1996, se ensay el desarrollo de tecnologa en OCA, para esto se experiment en
parcelas divididas con 3 bloques, evalundose el factor A (parcela principal) con 2
niveles (con estircol y sin estircol) y el factor B (sub-parcela) con niveles de: 1
tubrculo/golpe, 2 tubrculos/golpe y 3 tubrculos/golpe. Los rendimientos fueron
obtenidos en una parcela de 12.8 m2, 4 surcos/parcela. (a0 = con estircol 2t/ha., a1 =
Sin estircol, b1 = 1 tubrculo-golpe, b1= 2 Tubrculo/golpe, b2 = 3 tubrculo/golpe).
La informacin se presenta a continuacin:
I
II
a1
a0
a0
III
a1
a0
a1
b1
5 b2
b0
9 b2
13
b0
b2
12
b2
14 b1
b2
6 b0
b1
b1
12
b0
10 b0
b1
14 b1
19
b2
10 b0
a0
Bloque
I
II
III
Total Yij.=AB
b0
10
9
8
27
b1
5
14
7
26
Factor A (Yi..)
a0 = 83
Factor B (Y.j.)
b0 = 47
b2
14
6
10
30
Yi.k
29
29
25
83
b1 = 63
a1
b0
7
6
7
20
b1
6
19
12
37
b2
6
13
12
31
Total
parcelas
Total
Bloques
Yi.k
19
38
31
88
Y..k
48
67
56
Y...= 171
a1 = 88
171
b2 = 61
171
a) GRADOS DE LIBERTAD:
Para entre parcelas: ra - 1 = 3(2) - 1 = 5
Descomponiendo en bloques: r - 1 = 3 - 1 = 2
A: a - 1 = 2 - 1 = 1
Error(a): (r-1)(a-1) = 2x1 = 2
Dentro de parcelas: ra(b-1) = 3(2)(2) = 12
Descomponiendo en B:
B: (b-1) = 3-1 = 2
Interaccin AxB: (a-1)(b-1) = 1x2 = 2
Error(b): a(r-1)(b-1) = 8
Total: rab - 1 = 3(2)(3) = 17
b) SUMA DE CUADRADOS
TC =
Y...2
(171) 2
=
= 1624.5
abr
2 ( 3) 3
Yi.k
29 2 + 292 + 252 + 192 + 382 + 312
TC =
TC = 6650
.
3
i =1 k =1 b
a
SCparcelas =
- 374 -
SCBloques =
SC A =
i =1
Y i ..2
832 + 88 2
TC =
T C = 1 6 2 5 .8 9 T C = 1.3 9
br
9
Y. 2j .
j =1
ar
SC B =
TC =
47 2 + 632 + 612
TC = 25.33
6
a b Y
272 + 262 + 302 + 202 + 372 + 312
ij.
SCComb( AxB) = TC =
TC = 5383
.
3
i =1 j =1 r
. 139
. 25.33 = 27.11
SCint.( AxB ) = SCcomb ( AxB ) SC A SC B = 5383
F. De V.
Bloques
A
Error(a)
Total parcelas
B
AxB
Error(b)
Total dentro de parcelas
Total sub-parcelas
G.L.
S.C.
2
30.33
1
1.39
2
34.78
5
66.50
2
25.33
2
27.11
8
127.56
12 180.00
17 246.50
C.M.
15.17
1.39
17.39
Fc.
0.87
0.08
Signif.
n.s.
n.s.
12.67
13.56
15.95
0.79
0.85
n.s.
n.s.
PROGRAMA EN SAS.
DATA PDIVID;
OPTIONS NODATE NOCENTER NONUMBER;
DO A = 1 TO 2;
DO B = 1 TO 3;
DO BLOQUE = 1 TO 3;
INPUT RDTO @;
OUTPUT;
END;
END;
END;
CARDS;
10 9 8 5 14 7 14 6 10
7 6 7 6 19 12 6 13 12
;
PROC PRINT; RUN;
PROC ANOVA;
CLASS BLOQUE A B;
MODEL RDTO = BLOQUE A BLOQUE*A B A*B;
TEST H = BLOQUE A E = BLOQUE*A;
TEST H = BLOQUE A /DUNCAN E = BLOQUE*A;
RUN;
- 376 -
EJEMPLO.
El siguiente experimento fue diseado en una parcela dividida en bloque al
azar. Consiste en un estudio del rendimiento (materia seca) en kilogramos por parcela para el Rye grass, donde el factor nitrgeno, con sus respectivos niveles, ocup la
parcela mayor -parcela principal- y el factor mejorador de suelo -Polisul- se localiz
en las subparcelas.
En este ejemplo se utilizarn las siguientes notaciones: niveles de nitrgeno
(N), niveles de Polisul (P), bloques (B), error parcela mayor (EPM) y error parcela
menor (Epm).
Nitrgeno Polisul
(kg/ha) (litros/ha)
100
50
60
70
Yi.k
150
50
60
70
Yi.k
200
50
60
70
Yi.k
Y..k
BLOQUES
III
25.30
27.40
30.60
83.30
28.40
30.20
31.90
90.50
27.90
29.30
32.20
89.40
I
24.30
25.80
31.00
81.10
26.40
29.30
32.80
88.50
26.40
28.30
32.40
87.10
II
23.90
26.70
29.80
80.40
27.30
31.40
33.60
92.30
26.90
30.80
33.20
90.90
256.70
263.60 263.20
IV
24.50
28.30
30.90
83.70
27.80
31.60
32.90
92.30
28.10
31.40
32.50
92.00
V
24.90
27.90
31.20
84.00
26.80
29.90
32.60
89.30
27.10
30.20
31.70
89.00
268.00
262.30
Yij.
122.90
136.10
153.50
136.70
152.40
163.80
136.40
150.00
162.00
Niveles de
nitrgeno
100
150
200
Y.j.
Niveles de Polisul
50
60
70
122.90 136.10 153.50
136.70 152.40 163.80
136.40 150.00 162.00
396.00 438.50 479.30
Yi..
412.50
452.90
448.40
1313.80 = Y...
Anlisis y Diseo de Experimentos - 377 En funcin del modelo descrito, las sumas de cuadrados del anlisis de varianza son
las siguientes:
Y..2k
25670
. 2 +L+26230
. 2
TC =
TC = 38364375
. 38357121
. = 7254
.
3x3
k =1 ab
r
SCBloques =
Yi ..2
412.50 + L + 448.40 2
TC =
TC = 38422.481 TC = 65.360
3x 5
i =1 br
a
SC N =
a r
Y2
8110
. 2 + L+ 8900
. 2
SCEPM = i.k TC SCN SCP =
(TC + 65360
. + 7254
. ) = 4965
.
3
i=1 k =1 b
Y. 2j.
j =1
ar
SCP =
TC =
396002 +L+479.302
TC = 38588.449 38357121
. = 231328
.
3x5
a b Y2
. 2 + L+ 16200
. 2
Y 2 12209
ij .
. (38357121
. + 65360
. + 231328
. ) = 257
.
SCint.( AxB) = ... =
TC (SCN + SCP ) = 38656384
5
abr
i =1 j =1 r
. 2 + 239
. 2 + 253
. 2 +L+322
. 2 + 325
. 2 + 317
. 2 TC = 38679820
. 38357121
. = 32269
.
SCTotal = Yijk2 TC = 243
i , j ,k
G.L.
4
2
8
2
4
24
44
S.C.
7.254
65.360
4.965
231.328
2.575
11.217
322.699
C.M.
Fc.
Ft.(.05
1.814
2.92 ns. 3.84
32.680 52.66 ** 4.46
0.621
115.664 247.48 ** 3.40
0.644
1.38 ns. 2.78
0.467
.01)
7.01
8.65
5.61
4.22
- 378 -
b1
2.17
1.88
1.62
2.34
b2
1.58
1.26
1.22
1.59
b3
2.29
1.60
1.67
1.91
a2
b4
2.23
2.01
1.82
2.10
b1
2.33
2.01
1.70
1.78
b2
1.38
1.30
1.85
1.09
b3
1.86
1.70
1.81
1.54
b4
2.27
1.81
2.01
1.40
G .L.
3
1
3
7
3
3
18
24
31
S .C .
0.560
0.070
0.660
1.290
1.670
0.034
0.600
2.304
3.594
C .M .
0.187
0.070
0.220
Fc.
0.85 n.s .
0.32 n.s .
0.557
0.011
0.033
1 6 . 7 0 **
0.34 n.s .
PROGRAMA EN SAS.
DATA PARDIV;
TITLE PARCELAS DIVIDIDAS EN BCA;
INPUT A B REP PESO;
CARDS;
1 1 1 2.17 2 1 1 2.33
1 1 2 1.88 2 1 2 2.01
1 1 3 1.62 2 1 3 1.70
1 1 4 2.34 2 1 4 1.78
1 2 1 1.58 2 2 1 1.38
1 2 2 1.26 2 2 2 1.30
1 2 3 1.22 2 2 3 1.85
1 2 4 1.59 2 2 4 1.09
1 3 1 2.29 2 3 1 1.86
1 3 2 1.60 2 3 2 1.70
1 3 3 1.67 2 3 3 1.81
1 3 4 1.91 2 3 4 1.54
1 4 1 2.23 2 4 1 2.27
1 4 2 2.01 2 4 2 1.81
1 4 3 1.82 2 4 3 2.01
1 4 4 2.10 2 4 4 1.40
;
PROC ANOVA; CLASSES REP A B;
MODEL PESO=REP A REP*A B A*B;
TEST H=REP E=REP*A;
TEST H=A E=REP*A;
MEANS REP A B A*B; RUN;
- 380 -
donde:
Yijkl = Variable respuesta u observacin.
= Constante comn o media poblacional.
il , ijk , ijkl son las variables de error con media cero y varianza
2a , b2 y 2c , respectivamente.
Pruebas de hiptesis:
a) Ho. i = 0 vs Ha: i 0, si
Fc > Ft serechazala Ho :
b) Ho. j = 0 vs Ha: j 0, si
Fc > Ft se rechaza la H o :
Fc > Ft serechazala Ho :
- 382 -
F. de Variacin G.L.
S.C.
Y...2l
Bloques
C.M.
Y....2
abc abcr
r-1
l =1
Yi ...2
Y....2
abcr
i =1 bcr
a
a-1
Error(a)
ra - 1
b-1
AB
(a-1)(b-1)
cr TC SC
SC B SCint( AxB)
Y..2k .
Y....2
abr abcr
Yi.2k.
TC SCA SCC
i ,k br
Y. jk2 .
(b-1)(c-1)
Y2
.... SCB SCC
abcr
j ,k ar
Y
r TC ( SC + SC + SC
2
ijk .
ABC
Error(c)
(a-1)(b-1)(c-1)
(c-1)(r-1)ab
TC =
Y....2
,
abcr
(abcr - 1)
CV(a) =
CMError(a)
Y....
i , j ,k
SC AB + SC AC + SC BC )
Total
=Ea
2
ijkl
i =1 j =1 k =1 j =1
x100, CV(b) =
CM( B)
b 1
CM Error (b)
CM ( AB)
( a 1)(b 1)
SCError(b)
= Eb
(b 1)(r 1)a
SC (B)
b 1
SC ( AC )
CM Error (b)
CM( AC)
( a 1)( c 1)
SC(BC)
CM Error (c)
CM( BC)
(b1)(c1)
SC( ABC)
CM Error (c)
CM ( ABC )
(a 1)(b 1)(c 1)
SCError(c)
(c 1)(r 1)ab
= Ec
Y....2
abcr
CMError(b)
Y....
SC (B)
CM Error (b)
k =1
(a-1)(c-1)
BC
CM Error (a )
SC ( AB )
SCB
c-1
AC
a 1
Yij2..
(b-1)(r-1)a
r 1
SC ( A )
i, j
Error(b)
CM Bloque
CM Error (a )
CM ( A)
(r1)(a1)
Yi ..2l
Y2
....
abcr
i = 1 k =21 bc
b Y
Y....2
. j ..
abcr
j =1 acr
a
Parcelas
SC Bloques
SCError(a)
(r-1)(a-1)
Fc.
x100, CV(c) =
CMError(c)
Y....
x1
CM ( B )
CM Error (c)
Total
b0
I
II
III
Yijk.
c0
10
9
8
27
c1
5
14
7
26
b1
c2
14
6
10
30
Yij..
a0b0= 83
Yi.k.
a0c0= 62
Y.jk.
b0c0= 47
Yij.l
29
29
25
83
c0
15
7
13
35
a1
Parcela
c1 c2 Yij.l
18 9 42
5 11 23
15 18 46
38 38 111
Yi..l
71
52
71
194
a0b1=111
Total
b0
c0
7
6
7
20
b1
c1 c2 Yij.l
6 6 19
19 13 38
12 12 31
37 31 88
c0
3
9
4
16
a1b0= 88
a0c1=64
a0c2= 68
a1c0= 36
b0c1=63
b0c2= 61
b1c0= 51
c1
13
5
5
23
Parcela Bloque
c2
12
10
4
26
Yij.l
28
24
13
65
Yi..l
47
62
44
153
a1b1=65
Y...l
118
114
115
347
347
a1c1= 60
a1c2= 57
347
b1c1= 61
b1c2= 64
347
Yi...
a0= 194
a1= 153
347
Y.j..
b0= 171
b1= 176
347
Y..k.
c0= 98
c2= 125
347
c1= 124
a) GRADOS DE LIBERTAD.
1) GLParcelas = ar - 1 = 2x3 -1 = 5
GLBloques = r - 1 = 3 -1 = 2
GLA = a - 1 = 2 - 1 = 1
GLError(a) = (a-1)(r-1) = 1x2 = 2
2) GLTotal sub-parcelas = ra(b - 1) = 3x2x(2 -1) = 6
GLB = b - 1 = 2 - 1 = 1
GLAB = (a-1)(b - 1) = 1x1 = 1
GLError(b) = a(r-1)(b-1) = 2x2x1 = 4
3) GLC = c - 1 = 3 - 1 = 2
GLAC = (a-1)(c - 1) = 1x2 = 2
GLBC = (b - 1)(c-1) = 1x2 = 2
- 384 -
b) SUMAS DE CUADRADOS.
r
SCBloques =
l =1
TC =
Y....2
347 2
=
= 3344.694444
abcr 2 x 2 x 3x 3
Y...2l
Y2
118 2 + 114 2 + 1152
.... =
TC = 0.7222222
12
abc abcr
Yi ...2
Y2
194 2 + 1532
.... =
TC = 46.694444
abcr
18
i =1 bcr
a
SC A =
Y2
712 + 522 + 712 + 472 + 622 + 442
TC = 1178055556
SCparcelas = i..l TC =
.
6
i ,k bc
SCError(a) = SCparcelas SCbloques SCA = 1178055556
07222
4669444
= 70388889
.
.
.
.
SC B =
Y. j2..
acr
j =1
SCComb( AxB) =
Yij2..
cr
Y....2
171 2 + 176 2
=
TC = 0.6944444
abcr
18
TC =
46694444
0694444
= 7225000
SCInt ( AxB) = SCComb( AxB) SCA SCB = 119638889
.
.
.
.
SC Error ( b ) = SC sub parcela SC parcelas SC B SC int( AxB )
= 325.638889 117 .8055556 0.694444 72 .25
= 134 .8888889
Yij2.l
292 + 292 + 252 +L+282 + 242 + 132
TC = 3256388889
SCSub parcelas = TC =
.
c
3
Y..2k .
98 2 + 124 2 + 1252
TC =
TC = 39.0555556
12
k =1 abr
c
SCC =
Y2
622 + 642 + 682 + 362 + 602 + 572
SCcomb( AxC) = i.k. TC =
TC = 1068055556
.
6
i ,k br
SCInt .( AxC) = SCComb.( AxC) SCB SCC = 1068055556
466944444
3905555556
= 210555556
.
.
.
.
Y. 2jk .
j ,k
TC =
ar
Yijk2 .
i , j ,k
SCIntc.( AxBxC) =
Yijk2 .
r
i , j ,k
TC =
= 1916388889
(4669444
+ 069444
+ 39.0555556 + 72.25 + 21055556
+ 172222
.
.
.
.
.
)
= 101666666
.
a
G.L.
S.C.
C.M.
Fc.
Signific.
2
1
2
5
1
1
4
6
2
2
2
2
16
30
0.7222222
46.6944444
70.3888890
117.8055556
0.6944444
72.2500001
134.8888889
325.6388890
39.0555556
21.0555556
1.7222222
10.1666666
256.6666667
654.3055557
0.3611111
46.6944444
35.1944445
0.01 n.s.
1.33 n.s.
0.6944444
72.2500001
33.7222222
0.02 n.s.
2.14 n.s.
19.5277778
10.5277778
0.8611111
5.0833333
16.0416667
1.22
0.66
0.05
0.32
n.s.
n.s.
n.s.
n.s.
- 386 -
CONCLUSION:
En el ANVA encontramos que no existe diferencia significativas para los diferentes
factores y de interaccin, esto implica que los factores posiblemente se deben al azar.
PROGRAMA EN SAS.
DATA PDIVID;
TITLE'PARCELA SUB-DIVIDIDA SPLIT-SPLIT-PLOT';
DO A = 1 TO 2;
DO B = 1 TO 2;
DO C = 1 TO 3;
DO BLOQUE = 1 TO 3;
INPUT RDTO @;
OUTPUT;
END;
END;
END;
END;
CARDS;
10 9 8 5 14 7 14 6 10 15 7 13 18 5 15 9 11 18
7 6 7 6 19 12 6 13 12 3 9 4 13 5 5 12 10 4
;
PROC PRINT; RUN;
PROC ANOVA;
CLASS BLOQUE A B C;
MODEL RDTO = BLOQUE A BLOQUE*A B A*B B*BLOQUE(A) C A*C B*C A*B*C;
TEST H = BLOQUE A E = BLOQUE*A;
TEST H = B A*B E=B*BLOQUE(A);
MEANS A /DUNCAN E = BLOQUE*A;
B4
B2
B3
A3
A3B1
A3B4
A3B2
A3B3
A2
A2B1
A2B4
A2B2
A2B3
A1
A1B1
A1B4
A1B2
A1B3
Y de igual manera para los dems bloques, los cuales difieren entre s apenas en
lo referente a la aleatorizacin.
De acuerdo con Gomes, FP. (2000) el anlisis de los experimentos en franjas son
ms complejos, en comparacin con los dispuestos en un arreglo en parcelas dividi-
- 388 -
das; y dan menor precisin a las comparaciones entre los niveles del factor que se
ubica en la parcela pequea. Por ello, los experimentos en franjas deben ser evitados,
siempre que sea posible. Sin embargo, existen varias situaciones en que razones de
orden prctica nos llevan a adoptarlos. Dentro de estas situaciones, se puede citar:
experimentos con pocas de cosecha (cuando la cosecha es mecanizada), tipos de
preparacin del suelo, aplicacin mecanizada de fertilizantes, aplicacin de correcciones al suelo, aplicacin de madurantes en caa de azcar, en evaluaciones de
distanciamiento de siembra, sistemas de riego, sistemas de labranza, etc.
Modelo estadstico lineal aditivo.
Segn Kempthorne (1952), citado por Nogueira (2000), el modelo adecuado con
dos factores y un diseo un diseo de bloques completos al azar es el siguiente:
donde:
( )jk = Efecto de la interaccin entre j-simo nivel del factor B con el k-simo
bloque, es el error experimental asociado al factor B, tal que ( )jk ~ N ( 0, 22 )
e independientes, es utilizado como Error(b).
( ) ij = Efecto debido a la interaccin del i-simo nivel del factor A con el jimo nivel del factor B.
( )ijk = Error experimental asociado a
( )ijk ~ N ( 0, 2 ) e inde-
Fc > Ft serechazala Ho :
Fc > Ft se rechaza la H o :
G.L.
SC.
Bloques
(r-1)
S C B loques
CMBloques = SCBloque ( r 1)
Factor A
a-1
SC A
CM A = SCA ( a 1 )
Error (a)
(r - 1)(a - 1)
Factor B
b-1
Error (b)
(r - 1)(b - 1)
(a - 1)(b - 1)
SC
AxB
abr - 1
Fc
CMA CME( a )
A B
CM.
CM B = SCB ( b 1 )
CM B CM E ( b )
S C T o ta l
Decisin:
Si
Si
Si
( a 1 )( b 1 )
F ( A B ) > FGL
, entonces se acepta la Ha: y se rechaza la Ho:
Re siduo ,
- 390 -
F. de V.
G.L.
SC.
Bloques
(r-1)
Y Y2
SCBloques =
abr
k=1 ab
Factor A
a- 1
SCA =
A, bloques
ra - 1
a r
Y2 Y2
SCA,Bloque = ik
abr
i=1 k=1 b
Error (a)
(r - 1)(a - 1)
Factor B
b- 1
2
k
2
Yi2 Y
abr
i =1 br
a
Y2j
j =1
ar
B, bloques
rb - 1
Error (b)
(r - 1)(b - 1)
2
Y
abr
Y2jk
SCB,Bloque =
j =1 k =1
i =1 j =1
AxB
(a - 1)(b - 1)
Residuo=Error( c )
(r - 1)(a - 1)(b - 1)
abr - 1
Yij2
r
2
Y
abr
TOTAL
2
Y
abr
A,B
SCTotal = Yijk2
i =1 j =1 k =1
2
Y
abr
EJEMPLO.
Los datos que se presentan a continuacin se refieren al Pol% de la caa de
azcar, obtenido de un experimento en franjas en el ingenio Santa Cruz, citado por
Nogueira (2000), que involucr dos factores A y B; correspondientes a tipos de surcos, asociado con distanciamientos entre surcos y densidades de siembra, con 4 y 3
niveles respectivamente, siendo:
4
17.67
17.23
17.43
17.61
69.94
Y1.. =
A1
6
17.31
17.6
17.05
16.91
68.87
209.55
Y.1. =
8
17.49
17.3
17.68
18.27
70.74
279.24
4
17.19
17.85
17.44
17.56
70.04
Y2.. =
A2
6
17.21
17.26
16.71
17.52
68.7
207.53
Y.2. =
8
18.04
16.38
17.23
17.14
68.79
4
17.39
17.54
16.61
17.51
69.05
Y3.. =
277.42
A3
6
17.39
17.67
16.77
17.61
69.44
208.56
Y.3. =
8
17.69
17.02
17.34
18.02
70.07
4
17.19
17.57
17.72
17.73
70.21
Y4.. =
A4
6
16.78
17.57
17.79
18.27
70.41
211.39
8
17.86
16.85
18.12
17.94
70.77
280.37
Y..k
209.21
207.84
207.89
212.09
837.03
837.03
837.03
SOLUCIN:
1. Hiptesis: H 0 : i = 0 Vs
Ha : i 0
H0 : j = 0 Vs Ha : j 0
H0 : ( )ij = 0 Vs Ha : ( )ij 0
2. Nivel de significacin:
= 0.05
F( A ) =
CM A
CM B
CM A B
, F( B ) =
, F( A B ) =
CM E ( a )
CM E ( b )
CM Re siduo
Si
Si
Si
Si
( a 1 )( b 1 )
F ( A B ) > FGL
, entonces se acepta la Ha:
Re siduo ,
Si
( a 1 )( b 1 )
F ( A B ) FGL
, entonces se acepta la Ho:
Re siduo ,
- 392 -
GL A = a 1 = 4 1 = 3
GLE ( a ) = ( r 1 )( a 1 ) = 3 3 = 9
GLB = b 1 = 3 1 = 2
GLE ( b ) = ( r 1 )( b 1 ) = 3 2 = 6
GL A B = ( a 1 )( b 1 ) = 3 2 = 6
GLRe siduo = ( r 1 )( a 1 )( b 1 ) = 3 3 2 = 18
GLTOTAL = abr 1 = 4 3 4 1 = 47
i
A1
A2
A3
A4
Y..k
I
52.47
52.44
52.47
51.83
209.21
II
52.13
51.49
52.23
51.99
207.84
III
52.16
51.38
50.72
53.63
207.89
IV
52.79
52.22
53.14
53.94
212.09
Yi..
209.55
207.53
208.56
211.39
837.03
i
A1
A2
A3
A4
Y.j.
j
B1
B2
B3
Y..k
I
69.44
68.69
71.08
209.21
II
III
IV
70.19 69.2 70.41
70.10 68.32 70.31
67.55 70.37 71.37
207.84 207.89 212.09
B1
B2
B3
69.94 68.87 70.74
70.04
68.7
68.79
69.05 69.44 70.07
70.21 70.41 70.77
279.24 277.42 280.37
Yi..
279.24
277.42
280.37
837.03
Yi..
209.55
207.53
208.56
211.39
837.03
TC =
2
Y
(837.03) 2
=
= 14596.23377
abr
4 3 4
4
Y2
(209.21)2 +(20784
. )2 +( 20789
. )2 +( 21209
. )2
SCbloques = k TC=
TC = 0992057
.
4 3
k=1 ab
Yi2
(209.55)2 + ( 20753
. )2 +L+( 21139
. )2
TC =
TC = 0675323
.
3 4
i=1 br
4
SCA =
4 4
Y2
(52.47)2 + (52.44)2 +L+(5314
. )2 + (53.94)2
TC = 3284665
SC(A,Bloque) = ik TC =
.
b
3
i=1 k=11
----------------------------------------------------------------------------
---------------------------------------------------------------------------SCAB =
2
ij
i=1 j=1
SCComb(AB ) =
Yij2
i =1 k =1
TC =
G.L.
3
3
9
2
6
6
18
47
S.C.
0.992057
0.675323
1.617285
0.276913
2.293537
0.616471
1.953146
8.424732
C.M.
0.330686
0.225108
0.179698
0.138457
0.382256
0.102745
0.108508
Fc.
Signific.
1.253
n.s.
0.362
n.s.
0.947
n.s.
3
2
6
F9,0.05
= 386
. ; F6,0.05
= 514
. ; F18,0.05
= 2.66
Conclusin:
No se encontr diferencia estadstica alguna contrastados a travs de la Prueba de
F para los efectos principales y de interaccin (Surcos, Densidades y Surcos por
Densidades), esto nos demuestra que hay suficiente evidencia para afirmar que los
factores en estudio son independientes.
- 394 -
SALIDA DE RESULTADOS
The SAS System
The ANOVA Procedure
Class Level Information
Class
Levels
Values
SURCO
4
A1 A2 A3 A4
DENSI
3
4 6 8
BLOQUE
4
1 2 3 4
Number of observations
48
Dependent Variable: Y
Source
Model
BLOQUE
SURCO
SURCO*BLOQUE
DENSI
DENSI*BLOQUE
SURCO*DENSI
Error
Corrected Total
R-Square
Coeff Var
0.768165
1.888997
Sum of
DF
Squares
Mean Square
29
6.47158542
0.22315812
3
0.99205625
0.33068542
3
0.67532292
0.22510764
9
1.61728542
0.17969838
2
0.27691250
0.13845625
6
2.29353750
0.38225625
6
0.61647083
0.10274514
18
1.95314583
0.10850810
47
8.42473125
Root MSE
Y Mean
0.329406
17.43813
F Value
2.06
3.05
1.25
1.66
0.36
3.52
0.95
Pr > F
0.0563
0.0554
0.3473
0.1731
0.7104
0.0175
0.4869
580
217
233
175
188
201
195
162
170
213
Temperatura (C)
600
620
158
229
138
186
152
155
126
160
130
170
147
161
122
167
185
181
180
182
640
223
227
156
201
181
172
182
201
199
a) Fijar el modelo lineal aditivo y explicar sus componentes, b) Plantear la hiptesis, c) calcular el ANOVA e interpretar los resultados en base al tenor del problema.
2. Los siguientes datos se refieren a la produccin de trigo obtenido en un experimento, en el cual se utiliz un diseo bloques al azar con arreglo en bloque
dividido, con el objetivo de estudiar el efecto de dos sistemas de riego
(R1:Inundacin y R2:Aspersin) y tres dosis de nitrgeno (N0, N1, N2), distribuidos en cuatro bloques.
- 396 -
Dosis de Sistemas de
Nitrgeno
Riego
0
R1
0
R2
1
R1
1
R2
2
R1
2
R2
Bloques
I
55
71
62
77
69
78
II
63
77
66
79
77
81
III
63
77
70
78
79
80
IV
65
75
66
76
76
79
10
ANLISIS DE COVARIANZA
(ANCOVA)
Es una tcnica que combina los aspectos del anlisis de variancia y de regresin,
para manejar casos particulares, en los cuales se tiene una o ms variables externas
al experimento que no estn afectas a los tratamientos e influyen en el valor observado. Muy til en investigacin, permite dar una mejor explicacin del comportamietno
de la variable de respuesta y a la vez, permite reducir el error experimental.
Usos del anlisis de covariancia.
Se puede aplicar a cualquier diseo experimental. Mediante el ANVA se descompone la variacin tota de la variable de respuesta en factores controlables y no controlables, en el factor no controlable se considera el error experimental. En el error
experimental estn todos aquellos factores y variables que no puedieron ser medidos
o simplemente no semidieron. Sin embargo, si una variable es factible de medir en
cada unidad experimental, esta debe ser considerada en el modelo, a menos que se
pruebe estadsticamente que no tiene ningn efecto. El anlisis de covariancia
(ANCOVA) permiten el estudio de estas variables externas (concomitantes), si deben o no ser consideradas en el modelo y en que forma se las controla.
Supongamos que en un experimento la variable de respuesta "Y" esta relacionada linealmente con la variable independiente "X", adems el experimentador no
- 398 -
puede controlar la variable "X" pero puede medirla al mismo tiempo que a "Y", esto
es a "X" se le conoce como covariable o variable concomitante, con el ANCOVA se
busca adaptar el valor observado de la respuesta para tomar en cuenta el efecto de la
variable concomitante.
Para realizar el ANCOVA.
a) Primeramente se realiza el anlisis de regresin (prueba sobre el efecto de regresin), si este anlisis resulta ser significativo entonces la variable "X" influye
sobre la variable "Y" (concomitante), entonces se procede a realizar el ANCOVA.
b) En caso de que la prueba sobre el modelo de regresin hubiera resultado ser no
significativo, esto nos indica que la variable "X" no influye en la variable "Y", por
lo tanto el anlisis estadstico se realiza en la variable "Y" sin considerar la variable "X".
Dentro de los posibles usos del ANCOVA estn .
EL ANCOVA se puede aplicar a cualquier diseo experimental. Mediante el
ANVA se descompone la variacin total de la variable "Y" en factores controlables y
no controlables, en el factor no controlable se considera el error experimental. En el
error experimental estn todos aquellos factores y variables que no pudieron ser medidos o simplemente no se midieron. Sin embargo, si una variable es factible de
medir en cada unidad experimental, esta debe ser considerada en el modelo, a menos
que se pruebe estadsticamente que no tiene ningn efecto. El ANCOVA permite el
estudio de estas variables externas (concomitantes), si deben o no ser consideradas
en el modelo y en que forma se las controla. Dentro de los posibles usos del ANCOVA
estn:
a)
Control de variables externas que implica una disminucin del error que se traduce en una mayor precisin del anlisis.
b) Ajuste de las medias de tratamientos de la variable dependiente (Y) por las
diferentes variables independientes (concomitantes).
c) Ayudar en la interpretacin de los datos, especficamente en la naturaleza del
efecto de los tratamientos.
SUPOSICIONES DEL ANCOVA.
Los supuestos requeridos para que sea vlido el ANCOVA son:
- Independencia de los errores.
- Normalidad en las variables aleatorias ~ N (0, )
- Que exista homogeneidad entre las varianzas.
- Aditividad de los efectos involucrados en el modelo.
La edad edad de los animales (X), en la determinacin del peso corporal (Y).
En cada caso se entiende que la variable X tiene un efecto en la variable Y, sin
embargo, esta dependencia deber ser probada estadsticamente mediante el ANALISIS DE REGRESIN.
En algunos casos puede existir ms de una variable externa, caso multivarial,
ejemplo X1 X2, X3. Este caso puede resolverse matricialmente y con ayuda del computador porque los procesos manuales son tediosos.
Modelos estadsticos para el anlisis de covarianza.
ANCOVA en el Diseo completamente al azar:
Y ij = +
+ (X
ij
X .. ) + ij ;
i = 1, 2 , L , t ;
j = 1 , 2 , L , ri
Yij = + j + i + ( X ij X .. ) + ij ;
i = 1,2 , L , t ;
j = 1,2 , L , r
- 400 -
Yij ( k ) = + Fi + C j + k + ( X ij ( k ) X ) + ij ( k ) ;
i = j = k = 1,
Experimento factorial con dos factores con un modelo de Covarianza lineal simple.
Diseo completamente al azar.
i = 1,2,L , a;
j = 1,2,L , b
k = 1,2,L , r
i = 1,2,L , a;
j = 1,2,L , b
k = 1,2,L , r
regresin. Se supone que es distinto de cero, lo cual debe probarse, caso contrario
en el modelo se elimina el trmino afectado por
H o: = 0
v s.
H a: 0
Para realizar ambas pruebas la hiptesi se realizar: a) Para la regresin Ho: = 0 vs. Ha: 0 y b) Para tratamientos: Ho: i = 0 vs. Ha: i 0 ,
se deben calcular las sumas de cuadrados y sumas de productos de las variables X e
Y.
G.L.
Suma de Cuadrados
r-1
Error resid. N - r
Total
SSTm = Y ' Y NY 2
Regresin
N-1
Cuadrados Medios
SSRm
= MSRm
r 1
SSE
= MSE
rN
Fobs.
M SRm
M SE
Yij = + i + ( X ij X .. ) + ij ;
i = 1,2,L, t ;
j = 1,2,L , r
donde:
Yij = Es la j-sima observacin de la variable de respuesta tomada bajo el i-simo
tratamiento o nivel del facto nico.
- 402 -
Suma de cuadrados y
Productos cruzados
F. de V.
G.L.
xy
Tratamientos
t-1
TXX
TXY
Error experimental
n t EXX
Tratam.+ Error
n 1
EXY
S XX = TXX + E XX
Desviaciones respecto a la
regresin.
y
( xy) 2
G.L.
C.M.
TYY
EYY
SE = EYY
S XY = TXY + E XY
2
E XY
E XX
S T + E = S YY
ST+E SE = TYY
n t 1
i
2
S XY
S XX
2
XY
SE =
n 2
i
2
XY
S
E
+
SXX EXX
t-1
T XX =
i =1
TXY =
i =1
TYY =
X i2.
X ..2
ni
n i (suma de cuadrados de tratamientos para X).
ni
ni (suma de productos de tratamientos para X e Y).
i =1
Yi .2
Y2
.. (Suma de cuadrados de tratamientos para Y).
ni
ni
SE
t 1
E XX = X ij2
i =1 j =1
i =1
ni
E XY = Xij Yij
i =1 j =1
E YY =
i =1
ni
Xi.Yi.
ni (Suma de cuadrados del error experimental para X e Y)
Yij2
i =1 j = 1
X i2.
ni (Suma de cuadrados del error experimental para X)
i =1
Yi .2
n i (Suma de cuadrados del error experimental para Y).
S XX = TXX + E XX
S XY = TXY + E XY
SYY = TYY + EYY
xy = X
2
x = X
2
ij ij
2
ij
( X ij ) 2
y = Y
2
2
ij
( Yij ) 2
d X id Y i
ij
ij
S XX =
T XX =
XX
X ..2
X
n i (suma de cuadrados total de X).
2
ij
X i2.
ni
X ..2
n i (Suma de cuadrados de tratamientos de X).
PARA LA VARIABLE Y:
S YY =
2
ij
Y..2
n i (suma de cuadrados total de Y).
- 404 -
TY Y =
Y i .2
ni
Y ..2
ni
E YY = S YY TYY
S XY =
T XY =
ij
Yij
( X .. )(Y.. )
ni ( suma de producto total XY).
X i . Yi .
( X .. )( Y.. )
ni
ni
E XY = S XY T XY
2
2
E XY
E XY
E XX
E2 E
=
= XY 2 XX con
v1 =1
S ( E XX ) S E ni t 1
SE
2
E
v2 = ni t 1 grados de
libertad.
PARA TRATAMIENTOS:
F=
bS
T+E
SE
SE (t 1)
dn t 1i
i
bS
H o: i = 0
T +E
SE (t 1)
S
2
E
vs .
H a: i 0
con v1 = t 1 y v2 = ni t 1 grados
de libertad.
A parte de realizar la prueba F es frecuente e importante presentar una tabla de
medias de tratamientos ajustadas, como una ayuda para la interpretacin de los
resultados experimentales. Las medias de tratamientos ajustadas se pueden encontrar por medio de la siguiente frmula:
Yi .ajust = Yi ( X i X );
i = 1,2 ,L , t .
Donde es el coeficiente de regresin calculado a partir del error experimental de cuadrado y productos, esto es:
E XY
E XX
LM 1 c X X h OP
MNn + E PQ
2
V$ ajus.Yi = S E2
XX
LM 1 c X X h
MN n + E
XX
OP
PQ
V$ ajus. Yi ajust . Y j = S E2
LM 1
MN n
Xi X
1
+
+
nj
E XX
i OP
PQ
2
EJEMPLO.
En un experimento realizados en cerdos de las razas: Yorkshire, Hampshire y
Criolla se evalu el peso final (Y) de estos animales enla Estacin Experimental
Illpa - INIAA-Puno, para este experimento se pes a los animales al inicio del
experimento, registrndose a este peso inicial de los cerdos (X), estos animales
fueron alimentados con residuos de la zona. La informacin se presenta a continuacin.
- 406 -
1
2
3
4
Xi. Yi.
YORKSHIRE
X
Y
7.4
18.7
10.6
24.4
13.5
30.1
12.0
25.9
43.5
99.1
HAMPSHIRE
X
Y
8.4
20.2
10.8
22.5
12.4
22.9
10.3
20.1
41.9
85.7
CRIOLLO
X
Y
12.8
22.0
10.6
20.4
10.8
20.7
11.4
21.0
45.6
84.1
X.. Y..
131 268.9
2
i
= 1463.22,
XY
= 6134.23,
X'X =
LM 12
N131
( X' X)1 =
146322
.
1
12(146322
. ) 131*131 131
O,
1463.22 PQ
i i
131
LM
N
= 2978.64,
LM 268.9 OP
N2978.64 Q
.
131O
1 L146322
,=
M
P
12 Q 39764
. N 131
= 131,
X 'Y =
LM
N
OP LM
QN
OP
Q
LM
N
OP LM
Q N
OP
Q
131
12
OP
Q
.
.
.
.
8193385977
131 2689
1 146322
1 3258018
=
=
.
.
.
51778
1302132585
131 12 297864
.
.
39764
39764
= 561848405
.
.
= 108.6291669
SSTm = Y' Y NY 2 = 6134.23 6025600833
TABLA DE ANALISIS DE VARIANZA.
F. De V.
G.L.
Debido a regresin 1
Error
10
Total
11
R2 =
S.C.
56.184841
52.444326
108.629167
C.M.
Fobs.
56.184841 10.71**
5.244433
SSRm
561848405
.
x100 = 5172
=
. ,
SSTm 108.6291669
r = 0.72
0.05 0.01
4.96 10.04
TXX =
i =1
TXY =
i =1
X i2.
X ..2
43.52 + 41.9 2 + 45.6 2 131
= 1.7216667
ni
4
12
ni
= 13316666
.
ni
4
12
ni
Yi .2
Y2
99.12 + 85.7 2 + 84.12 (268.9) 2
.. =
= 33.9266667
4
12
i =1 ni
ni
t
TYY =
EXX = Xij2
i =1 j =1
i =1
ni
IJ
K
h FGH
Xi2.
435
. 2 + 419
. 2 + 456
.2
= 74
= 31415
. 2 + 106
. 2 +135
. 2 +L+108
. 2 +114
.2
.
ni
4
i =1
Xi.Yi.
= (74
. )(187
. ) + (106
. )(244
. )+L+(108
. )(207
. ) + (114
. )(210
.)
ni
t ni
t
Y2
EYY = Yij2 i.
i=1 j=1
i=1 ni
- 408 -
.
+ 31415
.
= 331366667
.
S XX = TXX + E XX = 17216667
.
+ 44.48 = 431483334
.
S XY = TXY + E XY = 13316666
SYY = TYY + E YY = 33.926667 + 74.7025 = 108.629167
TABLA DE ANALISIS DE COVARIANZA (ANCOVA).
Suma de Cuadrados y Productos Correg. Desviacin respecto a Regres.
xy
F. De V.
G.L.
Tratamientos
2
1.7216667 -1.3316666 33.9266700
Error exptal.
9
31.4150000 44.4800000 74.7025000
Trat. + Error
11
33.1366667 43.1483334 108.6291700
Diferencias para probar entre medias ajustadas de tratamientos
d xy i
x2
G.L.
11.7239733 8
52.4443132 10
40.7203424 2
C.M.
1.465497
20.36017
2
E XY
(44.48) 2
S E = EYY
= 74.7025
= 1172397382
.
E XX
31415
.
S E2 = 1.465496727 , S T + E
= SYY
2
S XY
= 52.44431618 , S S = 4072034236
.
T +E
E
S XX
F=
(ST+E SE ) (t 1) 2036017118
.
. **,
=
= 1389
1465496727
.
SE2
.
con F82(0.01) = 8649
2
EXY
E2 E
(4448
. )2
=
= XY 2 XX = 4297418413
.
**,
S (EXX ) 1465496727
SE
.
*31415
.
2
E
Para resumir los datos analizados en un tabla necesitamos efectuar los siguientes clculos.
Y..2
(268.9) 2
=
= 6025.600833
12
ni
2
E XY
44.482
= 74.7025
= 1172397382
.
E XX
31415
.
V.
G.L.
S.C.
C.M.
Media
SC() = Y..2
Regresin.
SC ( 1 , 2 ,...., t 1 , ) / )
Debido a
Error exptal.
SC ( )
Tratamiento/
t-1
Total
SC(1,2 ,....,t1 ,)
2
EYY EXY
EXX
t 1
SC Trat ( t 1)
E YY ( ni t 1)
G.L.
1
3
1
2
8
12
S.C.
6025.6008330
96.9051932
56.1848508
40.7203424
11.7239738
6134.2300000
C.M.
Fc.
20.3601712 13.89**
1.4654967
- 410 -
Yi .ajust . = Yi . X i . X ..
donde:
= Coeficiente de regresin.
Y$i = Yi . 1.415884132 X i . X .. ,
Tratamientos
X i.
Xi. X..
X .. =
i.
131
= 10.91666667
12
..
Yi .
Yi . Ajustado
C.V . =
S E2
Y..
x100 =
1465496727
.
x100 = 5.40%
268.9 12
Anlisis y Diseo de Experimentos - 411 La varianza estimada de una media de tratamientos ajustada est dada por:
V$ ajus.Yi = S
Tratamientos
LM 1 c X X h OP
MN n + E PQ
2
2
E
i.
..
X i.
XX
Xi. X..
i.
..
Yi .
Yi . Ajustado
S Ajust .Yi
LM 1 c X X h OP
MN n + E PQ
2
= V$ ajus.Yi = S E
i.
..
XX
LM b
MN
g OP = 036645517
.
PQ
. 1091666667
.
1 10875
V$ ajus.Y1 = 1465496727
.
+
.
4
31415
LM b
MN
g OP = 037547409
.
PQ
. 1091666667
.
1 10475
V$ ajus.Y2 = 1465496727
.
+
.
4
31415
S Ajustado .Yi
LM b
MN
g OP = 0377272043
.
PQ
. 1091666667
.
1 1040
V$ ajus.Y3 = 1465496727
.
+
.
4
31415
- 412 -
LM
MN
Xi X j
1 1
+ +
V$ ajus.Yi ajust.Yj = S E2
ni n j
E XX
i OP
PQ
2
PROGRAMA EN SAS.
DATA CERDOS;
OPTIONS NODATE NOCENTER NONUMBER;
INPUT RAZA $ X Y;
CARDS;
Y 7.4 18.7
Y 10.6 24.4
Y 13.5 30.1
Y 12.0 25.9
H 8.4 20.2
H 10.8 22.5
H 12.4 22.9
H 10.3 20.1
C 12.8 22.0
C 10.6 20.4
C 10.8 20.7
C 11.4 21.0
;
PROC PRINT; RUN;
PROC REG;
MODEL Y = X /XPX I COVB;
RUN;
PROC GLM;
CLASS RAZA;
MODEL Y = RAZA X /SOLUTION SS3;
LSMEANS RAZA /STDERR PDIFF;
RUN; /* PRESIONE F3 PARA EJECUTAR EL PROGRAMA */
Yi.
X
15
18
21
Y
55
60
63
X
16
22
26
Y
65
62
69
X
14
23
27
Y
80
95
100
X
13
15
12
Y
80
95
79
X
16
19
15
Y
83
94
98
54
178
64
196
64
275
40
254
50
Y..
X..
g.l.
S.C.
C.M.
Fc
Regresin
Residual
1
9
248.64
306.69
248.64
34.08
7.30
Fc>Ft, se rechaza la Ho: b=0. Se afirma estadsticamente que el peso inicial tiene
una influencia en el peso final del animal.
Prueba de hiptesis : Ho : ti=0 vs ti0
Segn el resultado de la regresin, el anlisis continua con el ANCOVA.
Fuentes
g.l.
Alimentos
Error
4
10
137.1
170.6
Al. + error 14
307.7
Alimento ajustado
CV=7.43% F
=3.63
0.05(4,9)
xy
-139.0
206.0
2776.4
555.3
66.9
3331.7
3010.45
( xy ) 2
306.69
g.l.
CM Fc
34.0
752.6 22
3317.14
- 414 -
0.05
0.01
Signif
11.99
11.99
10.79
13.48
11.76
11.99
16.22
16.22
15.50
19.37
16.90
16.22
ns
**
**
ns
ns
ns
1 vs 2
1 vs 3
2 vs 3
3 vs 4
3 vs 5
4 vs 5
1.98
28.32
26.34
2.65
5.62
2.97
4.99
4.99
4.77
5.96
5.20
4.99
= Coeficiente de regresin
EJEMPLO:
En la Granja de Animales Menores de la Facultad de Medicina Veterinaria y
Zootecnia de la UNA - Puno, se ensay dos razas de conejos: California y Nueva
Zelandia, para este experimento se ha suministrado tres raciones de tratamientos: T1
= Forraje hidropnico, T2 = 25% de concentrado y 75% de forraje hidropnico y T3
= Puro concentrado, el objetivo del presente estudio fue evaluar el incremento de
peso vivo durante las 8 semanas. La informacin se presenta a continuacin:
T1
X
1 749.5
2 614.7
3 477.7
4 726.5
5 767.4
Total 3335.8
XY 5449586
Y
1996.5
1503.7
1096.4
1807.9
1552.9
7957.4
Raza California
T2
T3
X
Y
X
423.7 1411.7 757.7
550.8 1558.5 391.1
712.6 1834.7 622.5
685.8 1882.1 738.0
691.5 1923.9 627.3
3064.4 8610.9 3136.6
5385087
6042370.6
Y
2197.3
1410.9
1734.4
2132.4
1868.8
9343.8
T1
X
708.0
574.1
692.1
738.8
618.9
3331.9
Y
1490.0
1030.0
1790.5
2070.5
1570.0
7951.0
Y
1900.
1820.
1893.
2200.
1691.
9504.
- 416 -
a) TC =
b)
X 2 ... ( 19968 )2
=
= 13290700.8
abr
2x3x5
2
SCTotal = Xijk
TC
a) TC =
b) SC Total =
br
3x5
2
ijk
2
2
2
c) SC = Yi.. TC = 25912.1 + 25834.5 TC
A
br
3x5
=26665.05
d) SC =
B
=
2
. j.
ar
=200.73
TC
= 15471.774
e) SC Int(AB) = SC comb(AB) SC A SC B
X
r
2
ij.
2
. j.
d) SC B =
.2
6667.7 2 + 6372.2 2 + 69281
TC
2x5
SCcomb(AB) =
TC
. 2 TC
= 1996.52 + 1503.7 2 +L+2200.02 + 16912
= 2461716.71
= 345884.08
.2
c) SC = Xi.. TC = 9536.82 + 104312
TC
A
Y 2 ... ( 51746.6 )2
=
= 89257020.39
abr
30
ar
TC
= 442210.16
e) SCInt(AB) = SCcomb(AB) SCA SCB
SCcomb(AB) =
TC
. 2 + 37915
.2
3335.82 + 3064.42 +L+33078
TC
5
= 64287.052
2
ij.
TC
= 450174.47
= 7763.58
f)
a) TC =
(Producto cruzado)
(X...)(Y...) (19968.0)(51746.6)
=
= 34442536.96
abr
30
xy
b)
xy
Total
ijk
Yijk TC
xy
c)
=
=
xy
d)
e)
i..
Yi..
br
TC =
(9536.8)(25912.1) + (10431.2)(25834.5)
TC = -2313.515
15
X Y
.j. .j.
ar
TC =
SC Int(AB) = SC comb(AB) SC A SC B
SC comb(AB) =
=
ij.
Yij.
TC
- 418 -
Model: MODEL1
Dependent Variable: Y
Sumof
Source
DF
Squares
Model
1
917434.29926
Error
28
1544282.4154
C Total
29
2461716.7147
Root MSE
234.84664
Dep Mean 1724.88667
C.V.
13.61519
Parameter Estimates
Variable
INTERCEP
X
R-square
Adj R-sq
Mean
Square
917434.29926
55152.94341
F Value
16.634
0.3727
0.3503
Parameter
Standard
TforH0:
DF
Estimate
Error
Parameter=0
1 640.871114
269.22243225
2.380
1
1.628629
0.39931816
4.079
Covariance of Estimates
COVB
INTERCEP
INTERCEP
72480.718025
X
-106.1332431
Prob>F
0.0003
X
-106.1332431
0.1594549926
HIDRO
Sumof
Squares
6
1370696.602
23
1091020.112
29
2461716.715
Mean
Square
228449.434
47435.657
DF
R-Square
0.556805
C.V.
12.62676
Root MSE
217.7973
F Value Pr > F
4.82
0.0026
Y Mean
1724.88667
Dependent Variable: Y
Type III SS
Source
DF
Mean Square
F Value
RAZA
1
87451.7603
87451.7603
1.84
ALIM
2
312978.1754 156489.0877
3.30
RAZA*ALIM
2
50597.7288
25298.8644
0.53
X
1
920522.1358 920522.1358
19.41
TforH0:
Estimate
Parameter=0
385.3720360 B
1.33
-0.1302551 B
-0.00
0.0000000B
.
.
94.3146535 B
0.68
CPURO 144.5068573 B
1.01
HIDRO
0.0000000B
.
.
1.8080194
4.41
Parameter
INTERCEPT
RAZA
CALI
ZELA
ALIM
CONC
X
Std Err
LSMEAN
CALI 1781.37642
57.55088
ZELA 1668.39692
57.55088
ALIM
CONC
1750.30159
CPURO 1835.63379
HIDRO 1588.72462
LSMEAN
69.85157
69.77310
68.87522
Pr>|T|
0.1974
0.9993
0.5004
0.3222
0.0002
Pr > |T|
LSMEAN H0:LSMEAN=0
0.0001
0.0001
Std Err
Pr > |T|
LSMEAN H0:LSMEAN=0
0.0001
0.0001
0.0001
StdErrorof
Estimate
290.32814569
137.74746933
.
137.76130216
142.82004148
.
0.41042937
Pr > |T| H0:
LSMEAN1=LSMEAN2
0.1877
LSMEAN
Number
1
2
3
Pr > F
0.1877
0.0550
0.5937
0.0002
- 420 -
6
0.1147
0.0192
0.9993
0.5004
0.3222
.
LSMEAN
Number
1
2
3
4
5
6
Sx1x1 = Tx1x1 + Ex1x1 ; Sx1x2 = Tx1x2 + Ex1x2 ;K; Ux1x1 = Rx1x1 + Ex1x1 ;
U x1x 2 = R x1x 2 + E x1x 2 ;L
Las sumas de productos pueden ser calculadas a partir de las ecuaciones:
r
X Y
.j
R xiy =
j=1
t
t
.j
Txi y =
X Y
i.
i=1
X Y
ij
E xi y =
(X..)(Y..)
rt
i =1 j =1
ij
Txy R xy
(X..)(Y..)
rt
i.
(X..)(Y..)
rt
- 422 -
G.L.
Bloques
r- 1
Rx1x1
Rx1x2
Rx1y
Rx2x2
Rx2y
Tratamientos
t- 1
Tx1x1
Tx1x2
Tx1y
Tx2x2
Tx2y
Ex1x2
Ex1y
Ex2x2
Ex2y
Tox1x2
Tox1y
Tox2x2
Tox2y
Error exptal.
Total
(r - 1)(r - 1) Ex1x1
Tox1x1
rt - 1
Tratamiento + Error
r(t-1)
Sx1x1
Sx1x2
Sx1y
Sx2x2
Sx2y
Bloque + Error
t(r - 1)
Ux1x1
Ux1x2
Ux1y
Ux2x2
Ux2y
F. De V.
RYY
TYY
EYY
SYY
r- 1
t-1
(r - 1)(t - 1)
r(t - 1)
Bloque
Tratamientos (T)
Error Exptal. (E)
i =1
i(T + E)
( b iE E
(b
i=1
t(r - 1)
UYY
i =1
(b
i(B+ E)
B+E
S x iy )
xiy
S.C. Debido a la
regresin
.....
.....
U xiy )
T+ E
S.C.
G.L.
Fuentes de Variacin
i =1
(b
iE
E xiy ) = W
Z- W
i=1
X- W
i=1
Syy (bi(T+E)Sxiy ) =Z
S yy
G.L.
r- 1
t(r - 1)
t-1
r(t - 1) - 2
(r - 1)(t - 1) - 2
- 424 -
G.L.
Suma de Cuadrados
2
..
X rt
1
r+ t
Por diferencia
C.M.
.....
.....
Debido a 1 ,2
Bloques/ 1 , 2
Tratamientos/1 ,2
Error exptal.
Total
k
r- 1
t-1
(r - 1)(t - 1) -2
rt
( b iT o T o
i=1
x iy
Por diferencia
Z- W**
W*
2
ij
.....
(Z - W)
(t - 1)
W
=E
(r -1)(t -1) - 2
.....
EJEMPLO.
Se probaron 5 lneas de soya, conducidas en un Diseo Bloque Completo al Azar
con 4 repeticiones. Los datos que se registaron fueron :
X1 : maduracin, medida en das posteriores al de la variedad testigo
X2 : acame, medido en una escal de 0 a 5.
Y : infeccin por gangrena del tallo medida como porcentaje de tallos infectados.
El objetivo principal es saber cual de los dos, la madurez o el acame, est ms
intimamente relacionadao con la infeccin. Determine esto a partir de la regresin mltiple del error. Pruebe la hiptesis de que no existen diferencias entre los
promedios de infeccin ajustados para las variedades.
Resultados ordenados del experimento de soya conducido en D.B.C.A.
X1
9
10
10
8
12
49
Bloque I
X2
Y
3 19.3
3 10.1
2.5 13.1
2 15.6
2.5 4.3
13 62.4
X1
10
10
9
5
11
45
Bloque II
X2
Y
2 29.2
2 34.7
1.5 59.3
2
49
1 48.2
8.5 220.4
X1
12
9
12
8
13
54
Bloque III
X2
Y
3
1
2
14
2.5 1.1
2 17.4
3
6.3
12.5 39.8
X1
9
9
10
6
10
44
Bloque IV
X2
Y
2.5 6.4
3
5.6
2.5 8.1
2 11.7
2.5 6.7
12.5 38.5
DATA ANCOVAM;
OPTIONS NODATE NOCENTER NONUMBER;
TITLE ANCOVA MULTIPLE EN UN D.B.C.A.;
DO TRAT =A,B,C,D,E;
DO REP=1 TO 4;
INPUT X1 X2 Y @;
OUTPUT;
END;
END;
CARDS;
9 3.0 19.3 10 2.0 29.2 12 3.0 1.0 9 2.5 6.4
10 3.0 10.1 10 2.0 34.7 9 2.0 14.0 9 3.0 5.6
10 2.5 13.1 9 1.5 59.3 12 2.5 1.1 10 2.5 8.1
8 2.0 15.6 5 2.0 49.0 8 2.0 17.4 6 2.0 11.7
12 2.5 4.3 11 1.0 48.2 13 3.0 6.3 10 2.5 6.7
;
PROC PRINT; RUN,
PROC REG;
MODEL Y = X1 X2/ALL;
RUN;
PROC GLM;
CLASS REP TRAT;
MODEL Y=REP TRAT X1 X2/SOLUTION;
LSMEANS TRAT/STDERR PDIFF;
RUN;
PROC GLM;
CLASS REP TRAT;
MODEL Y=REP TRAT X1 X2/SS1;
RUN;
- 426 -
EJERCICIOS:
1. El presete trabajo de investigacin se realiz en el Centro Experimental
Quimsachata de la Estacin Experimental ILLPA - INIA Puno, ubicado en el
distrito de Santa Rosa, Provincia de Lampa, Dpto. de Puno. El objetivo fue determinar las medidas biometricas de altura a la cabeza, altura a la cruz, largo de
cuerpo, permetro torxico (cm) respectivamente, desde el primer mes (marzo)
hasta el destete (octubre) en llamas. La informacin corresponde a la primeras
pariciones (Enero). Los factores que se han considerado son: Raza de llamas
(Chacu y Kara); Sexo ( Machos y Hembras). Y = PEVI = Peso vivo (kg), X1 =
A_CAB = altura a la cabeza (cm), X2 = A_CRUZ = Altura a la cruz (cm), X3 =
LCUERP = Largo del cuerpo (cm), X4 = PTOR = Permetro torxico (cm).
Raza
Sexo
Repet.
1
2
3
4 1ra_Par_Mar
5
6
7
8
9
10
11
12
13
14
15
Raza
Sexo
Repet.
1
2
3
4 1ra_Par_Oct
5
6
7
8
9
10
11
12
13
14
15
Ch'acu
Machos
X1 X2 X3 X4 Y
14.0
17.5
17.0
15.5
19.5
22.0
16.5
14.5
15.0
14.5
19.0
12.0
12.0
18.5
17.5
95.0
107.0
106.5
104.0
109.0
112.0
106.5
96.0
107.0
96.5
107.5
98.0
97.0
106.0
112.5
Ch'acu
Machos
X1 X2 X3 X4 Y
30.0
27.0
38.0
38.0
40.0
48.5
32.0
32.0
42.0
31.0
32.5
26.0
25.0
33.0
30.5
114.5
123.5
130.0
128.0
129.0
133.5
128.5
121.5
127.0
127.0
121.5
111.0
116.5
121.0
127.0
57.5
69.0
68.5
68.0
72.0
71.5
68.5
62.5
67.0
63.0
65.0
65.0
60.0
63.5
64.0
71.5
70.0
82.0
81.5
83.0
84.5
82.0
76.5
76.0
73.0
79.0
74.0
74.5
80.5
78.5
43.5
54.0
52.0
52.0
53.5
54.0
56.0
52.0
52.5
49.5
56.0
49.0
51.0
54.0
52.5
65.0
66.0
72.0
68.0
71.0
78.5
70.0
68.0
69.0
68.5
70.0
66.0
62.5
68.0
63.5
57.0
58.0
61.0
57.0
60.0
64.0
56.0
54.0
58.0
53.0
60.0
56.0
57.0
67.0
57.0
78.0
86.0
95.0
84.0
87.0
89.0
87.0
77.5
83.0
84.0
82.5
79.0
76.5
82.0
78.0
13.0
16.0
16.0
17.5
20.0
12.5
12.5
19.0
19.5
22.5
24.5
20.0
18.5
16.5
20.0
31.0
31.0
35.5
38.0
41.0
26.0
42.5
33.0
42.0
34.0
47.5
33.0
36.0
30.5
27.5
Hembras
X1 X2 X3 X4
99.5
105.0
103.0
99.0
112.5
95.5
101.5
107.5
107.0
110.5
116.0
108.0
105.0
107.5
105.0
62.5
68.0
64.0
64.5
72.0
65.0
61.0
70.0
68.5
69.0
76.0
69.0
68.0
69.5
69.0
21.0
15.0
22.0
10.5
20.5
19.5
18.5
18.5
19.0
21.0
19.0
18.0
18.5
20.5
16.5
107.0
101.5
106.5
98.0
114.0
103.0
106.0
106.5
111.0
113.0
112.5
107.5
111.0
113.5
98.5
Hembras
X1 X2 X3 X4
K'ara
Machos
X1 X2 X3 X4 Y
120.5
124.0
119.5
123.5
133.0
117.0
133.5
126.0
135.0
129.5
131.5
122.0
132.0
122.5
124.0
44.0
30.5
49.0
22.0
47.0
38.5
38.0
38.0
39.0
35.0
40.5
43.5
40.5
47.5
33.0
69.5
80.0
77.0
76.5
87.0
73.0
81.0
76.5
83.5
80.5
87.5
76.5
81.5
81.0
78.0
49.0
51.5
52.0
57.0
57.5
46.0
55.0
55.0
54.5
56.0
59.0
56.0
59.0
50.0
52.0
64.0
65.5
72.5
70.5
77.0
61.5
78.0
72.0
78.0
71.5
80.0
70.0
69.0
68.0
65.0
56.0
62.0
62.0
59.0
67.0
53.0
60.0
61.0
60.0
62.0
66.0
57.0
57.0
55.0
58.0
K'ara
Machos
X1 X2 X3 X4 Y
80.0
92.0
84.0
82.0
96.0
91.0
91.0
82.0
94.0
81.0
96.0
82.0
86.5
82.0
80.0
138.5
123.5
130.5
114.0
144.0
123.5
132.0
133.0
138.5
134.0
137.0
134.5
129.5
136.5
133.5
66.5
74.0
69.5
59.0
74.0
65.5
67.5
69.0
71.0
75.5
76.0
70.0
71.0
76.5
57.5
87.0
79.5
84.0
71.0
92.0
84.5
85.5
82.0
86.5
89.0
86.5
86.5
83.5
88.0
82.0
52.5
54.5
52.0
46.0
59.0
55.5
54.0
54.0
57.0
51.5
55.0
58.0
52.5
53.0
53.5
76.5
71.0
77.0
61.0
92.0
70.0
75.0
73.0
75.5
71.5
77.0
80.5
74.0
73.0
75.0
62.0
56.0
52.0
56.0
59.0
57.0
59.0
62.0
59.0
61.0
59.5
59.0
58.0
60.0
56.0
100.0
72.0
91.0
84.0
91.0
94.0
93.0
93.0
93.0
95.0
93.5
89.0
93.0
91.0
88.0
Hembras
X1 X2 X3 X4
19.0
17.5
15.0
16.0
17.5
16.0
20.0
13.5
19.0
16.0
17.0
23.5
15.0
18.0
15.5
40.0
37.0
28.5
36.0
35.5
35.5
42.5
33.5
40.5
35.5
38.0
49.0
29.5
37.0
38.5
111.0
110.5
106.0
112.5
108.0
108.5
110.0
101.5
109.0
109.5
109.0
113.0
107.5
109.5
92.0
71.5
70.0
64.0
66.5
67.5
65.5
72.5
65.0
67.5
71.5
68.0
72.0
69.5
69.5
65.0
56.0
56.0
51.0
52.5
56.0
45.0
57.0
53.0
55.0
54.0
54.0
63.0
51.0
52.0
51.0
61.0
63.0
59.0
62.0
61.0
59.0
62.0
58.0
53.0
59.0
62.0
63.0
50.0
63.0
56.0
Hembras
X1 X2 X3 X4
134.5
127.5
123.0
126.5
122.5
124.0
136.5
128.5
132.5
130.0
129.5
133.0
119.0
130.5
129.0
82.0
77.0
74.0
79.0
79.0
80.5
86.0
78.5
84.5
83.0
81.5
87.0
78.5
82.5
82.5
69.0
72.0
68.0
72.0
70.5
70.0
77.0
68.0
74.5
72.0
73.0
79.5
64.0
72.0
73.0
90.0
89.0
85.0
84.0
76.0
90.0
94.0
81.0
89.0
87.0
88.0
96.0
74.0
91.0
94.0
5
6
7
8
9
10
11
12
13
14
15
Raza
Sexo
Repet.
1
2
3
4 Ult_Par_Oct
5
6
7
8
9
10
11
12
13
14
15
Ch'acu
Machos
X1 X2 X3 X4 Y
17.0
19.0
17.5
18.5
13.5
15.5
14.0
19.0
14.5
15.5
18.0
16.0
16.0
20.0
18.0
100.5
102.5
106.0
101.0
101.0
97.0
97.0
105.0
103.5
103.5
107.0
105.5
107.5
115.5
112.0
62.5
66.0
69.5
68.0
63.0
64.0
61.5
70.0
66.0
62.5
66.0
72.0
65.0
74.0
72.0
48.0
51.0
54.0
50.0
51.5
51.0
49.0
52.0
52.0
52.0
50.0
51.5
51.0
61.5
59.0
Machos
X1 X2 X3
56.0
60.0
59.0
62.0
52.0
59.0
55.0
62.0
63.0
57.0
61.0
60.0
59.0
67.0
66.0
18.5
15.0
12.0
17.0
16.0
18.0
18.0
14.0
20.0
16.0
20.0
18.0
18.0
17.0
15.0
Hembras
X1 X2 X3 X4
106.5
108.0
93.0
106.0
105.5
104.0
103.5
103.0
118.0
104.0
113.0
105.5
111.0
108.0
102.5
68.0
67.0
58.0
68.5
67.5
63.0
65.5
63.0
74.0
66.5
72.5
68.5
69.0
67.5
62.5
55.5
50.5
45.0
50.5
53.0
52.0
52.0
51.0
58.0
51.5
60.0
57.0
55.5
53.0
49.0
61.0
59.0
57.0
55.0
59.0
60.0
65.0
59.0
71.0
59.0
70.0
58.0
61.0
61.0
59.0
K'ara
Machos
X1 X2 X3 X4 Y
15.0
14.5
17.5
18.0
19.0
16.0
23.0
16.0
21.0
17.0
18.0
20.0
18.0
16.0
14.0
101.0
99.5
106.0
106.0
107.0
103.5
111.0
104.0
115.0
114.5
111.5
109.5
114.5
109.5
104.0
66.0
62.0
69.0
67.0
68.0
67.5
74.0
65.0
74.0
74.5
73.0
67.0
76.5
70.0
66.0
49.0
51.0
54.0
52.0
53.5
55.5
61.0
51.5
57.5
60.0
59.0
60.0
57.0
57.5
49.0
X4
Machos
X1 X2 X3
94.0
83.0
75.0
85.0
93.0
87.0
86.0
79.0
91.5
80.0
87.0
86.0
87.0
85.0
73.0
34.0
34.0
37.0
38.0
31.0
37.0
45.5
30.0
36.0
40.5
39.0
37.5
42.0
34.0
28.5
Ch'acu
34.5
42.5
39.0
35.5
30.0
35.5
35.0
41.0
35.5
31.0
36.0
40.5
37.0
40.5
34.0
126.0
135.5
135.5
128.5
123.0
125.0
118.5
132.0
122.0
130.5
122.5
129.5
128.0
136.0
128.0
80.0
81.0
87.0
83.0
77.5
80.5
77.0
84.5
76.0
77.0
78.0
84.5
80.5
83.0
83.0
69.0
71.0
74.0
78.0
66.0
67.5
70.0
75.0
70.0
66.5
69.5
76.0
70.5
75.0
70.0
X4
84.0
93.0
90.0
95.0
79.0
82.0
88.0
71.0
87.0
87.0
86.0
90.0
91.0
90.0
90.0
43.5
33.5
23.0
34.0
39.0
26.5
38.5
26.0
44.5
27.5
39.0
29.0
36.0
32.5
24.5
58.0
54.0
60.0
56.0
64.0
62.0
66.0
60.0
67.0
66.0
66.0
74.0
65.0
56.0
50.0
18.5
14.0
18.5
16.5
18.0
20.5
12.5
19.0
19.0
17.0
21.0
17.0
19.0
15.0
18.5
Hembras
X1 X2 X3 X4
109.5
106.0
110.0
106.5
111.0
108.0
106.0
118.0
105.0
120.5
114.0
109.5
117.5
112.5
113.0
66.0
66.5
67.5
66.0
71.0
71.0
65.0
76.5
68.0
79.5
75.5
67.5
78.5
74.5
72.5
54.0
55.0
58.0
54.0
55.5
59.0
51.5
61.0
58.0
58.0
55.5
60.5
62.0
57.0
59.0
57.0
66.0
59.0
60.0
59.0
66.0
51.0
69.0
68.0
71.0
65.0
67.0
65.0
69.0
67.0
K'ara
Hembras
X1 X2 X3
132.0
121.5
116.0
126.5
130.5
117.5
123.0
115.5
136.0
118.0
134.0
122.0
128.5
128.5
113.0
83.0
77.0
73.0
78.0
84.0
71.5
76.0
72.5
85.5
71.0
79.0
78.0
82.5
77.0
75.5
76.5
68.0
60.5
70.0
74.0
65.5
74.5
63.0
74.5
67.5
75.5
67.5
71.0
72.0
62.0
127.5
122.5
129.5
131.5
123.0
129.5
137.0
124.0
134.0
135.0
128.0
131.0
136.0
127.0
119.5
80.5
83.0
83.5
81.0
78.0
82.0
91.0
71.5
85.5
85.5
83.0
81.5
85.0
80.5
77.0
68.5
69.0
72.0
68.0
68.0
71.5
79.5
62.0
74.0
71.0
73.0
69.0
73.0
74.0
63.0
Hembras
X2 X3
X4
X1
92.0
87.0
93.0
83.0
89.0
85.5
100.0
78.0
91.0
90.5
95.0
87.0
85.0
85.0
82.0
42.0
34.0
38.0
44.0
38.0
44.0
30.5
39.5
36.0
41.5
31.0
32.5
33.5
38.0
24.5
135.0
134.5
137.0
136.0
132.0
136.0
127.0
135.5
124.0
140.0
123.5
126.5
133.0
129.0
124.0
84.5
85.0
87.0
82.0
88.0
85.0
78.5
88.0
77.5
87.5
80.0
75.0
82.5
83.0
82.5
78.0
79.0
74.0
78.0
76.0
74.0
68.0
73.0
73.0
74.5
68.5
70.0
74.5
71.0
68.0
X4
92.0
100.0
90.0
92.0
85.0
96.0
82.0
94.0
86.0
91.5
83.0
87.5
87.0
91.0
80.0
Raza
Sexo
Repet.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Pariciones
Repet.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Sexo
Raza
Pariciones
Y
30.0
27.0
38.0
38.0
40.0
48.5
32.0
32.0
42.0
31.0
32.5
26.0
25.0
33.0
30.5
Y
14.0
17.5
17.0
15.5
19.5
22.0
16.5
14.5
15.0
14.5
19.0
12.0
12.0
18.5
17.5
X2
57.5
69.0
68.5
68.0
72.0
71.5
68.5
62.5
67.0
63.0
65.0
65.0
60.0
63.5
64.0
Machos
X1 X2
114.5 71.5
123.5 70.0
130.0 82.0
128.0 81.5
129.0 83.0
133.5 84.5
128.5 82.0
121.5 76.5
127.0 76.0
127.0 73.0
121.5 79.0
111.0 74.0
116.5 74.5
121.0 80.5
127.0 78.5
X1
95.0
107.0
106.5
104.0
109.0
112.0
106.5
96.0
107.0
96.5
107.5
98.0
97.0
106.0
112.5
Machos
X3
65.0
66.0
72.0
68.0
71.0
78.5
70.0
68.0
69.0
68.5
70.0
66.0
62.5
68.0
63.5
X3
43.5
54.0
52.0
52.0
53.5
54.0
56.0
52.0
52.5
49.5
56.0
49.0
51.0
54.0
52.5
Y
13.0
16.0
16.0
17.5
20.0
12.5
12.5
19.0
19.5
22.5
24.5
20.0
18.5
16.5
20.0
X4
78.0
86.0
95.0
84.0
87.0
89.0
87.0
77.5
83.0
84.0
82.5
79.0
76.5
82.0
78.0
Y
31.0
31.0
35.5
38.0
41.0
26.0
42.5
33.0
42.0
34.0
47.5
33.0
36.0
30.5
27.5
Ch'acu
X4
57.0
58.0
61.0
57.0
60.0
64.0
56.0
54.0
58.0
53.0
60.0
56.0
57.0
67.0
57.0
Ch'acu
X2
62.5
68.0
64.0
64.5
72.0
65.0
61.0
70.0
68.5
69.0
76.0
69.0
68.0
69.5
69.0
Hembras
X1 X2
120.5 69.5
124.0 80.0
119.5 77.0
123.5 76.5
133.0 87.0
117.0 73.0
133.5 81.0
126.0 76.5
135.0 83.5
129.5 80.5
131.5 87.5
122.0 76.5
132.0 81.5
122.5 81.0
124.0 78.0
X1
99.5
105.0
103.0
99.0
112.5
95.5
101.5
107.5
107.0
110.5
116.0
108.0
105.0
107.5
105.0
Hembras
X4
56.0
62.0
62.0
59.0
67.0
53.0
60.0
61.0
60.0
62.0
66.0
57.0
57.0
55.0
58.0
Y
21.0
15.0
22.0
10.5
20.5
19.5
18.5
18.5
19.0
21.0
19.0
18.0
18.5
20.5
16.5
X3
64.0
65.5
72.5
70.5
77.0
61.5
78.0
72.0
78.0
71.5
80.0
70.0
69.0
68.0
65.0
X4
80.0
92.0
84.0
82.0
96.0
91.0
91.0
82.0
94.0
81.0
96.0
82.0
86.5
82.0
80.0
Y
44.0
30.5
49.0
22.0
47.0
38.5
38.0
38.0
39.0
35.0
40.5
43.5
40.5
47.5
33.0
Machos
X1 X2
138.5 87.0
123.5 79.5
130.5 84.0
114.0 71.0
144.0 92.0
123.5 84.5
132.0 85.5
133.0 82.0
138.5 86.5
134.0 89.0
137.0 86.5
134.5 86.5
129.5 83.5
136.5 88.0
133.5 82.0
X2
66.5
74.0
69.5
59.0
74.0
65.5
67.5
69.0
71.0
75.5
76.0
70.0
71.0
76.5
57.5
Machos
X1
107.0
101.5
106.5
98.0
114.0
103.0
106.0
106.5
111.0
113.0
112.5
107.5
111.0
113.5
98.5
Primeras Pariciones
X3
49.0
51.5
52.0
57.0
57.5
46.0
55.0
55.0
54.5
56.0
59.0
56.0
59.0
50.0
52.0
Primeras Pariciones
X3
76.5
71.0
77.0
61.0
92.0
70.0
75.0
73.0
75.5
71.5
77.0
80.5
74.0
73.0
75.0
X3
52.5
54.5
52.0
46.0
59.0
55.5
54.0
54.0
57.0
51.5
55.0
58.0
52.5
53.0
53.5
Y
19.0
17.5
15.0
16.0
17.5
16.0
20.0
13.5
19.0
16.0
17.0
23.5
15.0
18.0
15.5
X4
100
72.0
91.0
84.0
91.0
94.0
93.0
93.0
93.0
95.0
93.5
89.0
93.0
91.0
88.0
Y
40.0
37.0
28.5
36.0
35.5
35.5
42.5
33.5
40.5
35.5
38.0
49.0
29.5
37.0
38.5
K'ara
X4
62.0
56.0
52.0
56.0
59.0
57.0
59.0
62.0
59.0
61.0
59.5
59.0
58.0
60.0
56.0
K'ara
X2
71.5
70.0
64.0
66.5
67.5
65.5
72.5
65.0
67.5
71.5
68.0
72.0
69.5
69.5
65.0
Hembras
X1 X2
134.5 82.0
127.5 77.0
123.0 74.0
126.5 79.0
122.5 79.0
124.0 80.5
136.5 86.0
128.5 78.5
132.5 84.5
130.0 83.0
129.5 81.5
133.0 87.0
119.0 78.5
130.5 82.5
129.0 82.5
X1
111.0
110.5
106.0
112.5
108.0
108.5
110.0
101.5
109.0
109.5
109.0
113.0
107.5
109.5
92.0
Hembras
X3
69.0
72.0
68.0
72.0
70.5
70.0
77.0
68.0
74.5
72.0
73.0
79.5
64.0
72.0
73.0
X3
56.0
56.0
51.0
52.5
56.0
45.0
57.0
53.0
55.0
54.0
54.0
63.0
51.0
52.0
51.0
X4
90.0
89.0
85.0
84.0
76.0
90.0
94.0
81.0
89.0
87.0
88.0
96.0
74.0
91.0
94.0
X4
61.0
63.0
59.0
62.0
61.0
59.0
62.0
58.0
53.0
59.0
62.0
63.0
50.0
63.0
56.0
Y
34.5
42.5
39.0
35.5
30.0
35.5
35.0
41.0
35.5
31.0
36.0
40.5
37.0
40.5
34.0
Y
17.0
19.0
17.5
18.5
13.5
15.5
14.0
19.0
14.5
15.5
18.0
16.0
16.0
20.0
18.0
X2
62.5
66.0
69.5
68.0
63.0
64.0
61.5
70.0
66.0
62.5
66.0
72.0
65.0
74.0
72.0
Machos
X1 X2
126.0 80.0
135.5 81.0
135.5 87.0
128.5 83.0
123.0 77.5
125.0 80.5
118.5 77.0
132.0 84.5
122.0 76.0
130.5 77.0
122.5 78.0
129.5 84.5
128.0 80.5
136.0 83.0
128.0 83.0
X1
100.5
102.5
106.0
101.0
101.0
97.0
97.0
105.0
103.5
103.5
107.0
105.5
107.5
115.5
112.0
Machos
X3
69.0
71.0
74.0
78.0
66.0
67.5
70.0
75.0
70.0
66.5
69.5
76.0
70.5
75.0
70.0
X3
48.0
51.0
54.0
50.0
51.5
51.0
49.0
52.0
52.0
52.0
50.0
51.5
51.0
61.5
59.0
Y
18.5
15.0
12.0
17.0
16.0
18.0
18.0
14.0
20.0
16.0
20.0
18.0
18.0
17.0
15.0
X4
84.0
93.0
90.0
95.0
79.0
82.0
88.0
71.0
87.0
87.0
86.0
90.0
91.0
90.0
90.0
Y
43.5
33.5
23.0
34.0
39.0
26.5
38.5
26.0
44.5
27.5
39.0
29.0
36.0
32.5
24.5
Ch'acu
X4
56.0
60.0
59.0
62.0
52.0
59.0
55.0
62.0
63.0
57.0
61.0
60.0
59.0
67.0
66.0
Ch'acu
Hem
X1 X
132.0 8
121.5 7
116.0 7
126.5 7
130.5 8
117.5 7
123.0 7
115.5 7
136.0 8
118.0 7
134.0 7
122.0 7
128.5 8
128.5 7
113.0 7
X
6
6
5
6
6
6
6
6
7
6
7
6
6
6
6
Hem
X1
106.5
108.0
93.0
106.0
105.5
104.0
103.5
103.0
118.0
104.0
113.0
105.5
111.0
108.0
102.5
Bibliografa consultada
AYALA, J. y PARDO, R. (1995). Optimizacin por diseos experimentales: con
aplicaciones en ingeniera. Primera Edicin. Edit. A & B S.A. CONCYTEC.
Lima - Per.
BALLUERKA, N. y Vergara, A. (2002). Diseos de Investigacin Experimental en
Psicologa. 1ra. Edicin. Edit. Prentice-Hall. Madrid Espaa
BECKER, W.A. (1986). "Manual de gentica cuantitativa". Academic enterprises.
Pullman Washington U.S.A.
BOWERMAN, B.L., OCONNELL,R.T. y KOEHLER,A. (2007). "Pronsticos, Series
de tiempo y Regresin: un enfoque aplicado". Cuarta Edicin. CENGAGE
Learning. Mxico.
CALZADA, B.J. (1970). "Mtodos Estadsticos para la investigacin". Edit. Jurdica.
Lima Per.
COCHRAN, W.G. (1978). "Mtodos Estadsticos". Primera Edicin. Editorial
Continental S.A. de C.V. Mxico.
COCHRAN, W. G. y COX, G. M. (1978). Diseos experimentales. Editorial Trillas.
S.A. Mxico.
DRAPER, N. and H. SMITH (1969). "Applied regression analysis". 2nd. Ed. New
York: McGraw-Hill Book Company.
FALCONER, D.S. (1983). "Introduccin a la gentica cuantitativa". Tercera edicin.
Impresin en Espaol. Edit. CECSA. Mxico.
GARCIA, R.M. (2004). "Inferencia Estadstica y diseo de Experimentos". Primera
Edicin. Edit. Universitaria de Buenos Aires - Argentina.
GUTIERREZ, H. y DE LA VARA, S. (2004). Anlisis y Diseo de Experimentos.
Primera Edicin. Edit. McGraw-Hill.
- 430 -
Anlisis y Diseo de Experimentos - 431 KUEHL, R.O. (2001). Diseo de experimentos: Principios estadsticos de diseo y
anlisis de investigacin. Segunda Edicin. Editorial Thomson y Learning.
LITTLE, T.M. y HILLS, F.J. (1985). "Mtodos Estadsticos para la Investigacin en
la Agricultura". Editorial TRILLAS S.A. de C.V. Mxico.
LOPEZ, E.A. (2008). "Diseo y Anlisis de Experimentos: Fundamentos y
aplicaciones en agronoma". Primera Edicin. Edit. Facultad de Agronoma.
Guatemala.
MANZANEDA, J. (2000). Diseo Experimental. Estadstica Aplicada.
MARTINEZ, G.A. (1988). "Diseos Experimentales. Mtodos y elementos de teora".
Primera Edicin. Editorial TRILLAS S.A. de C.V. Mxico.
MONTGOMERY, D.C. (2002). Diseo y Anlisis de Experimentos. 2da. Edicin.
Edit. Limusa Wiley, Mxico.
NETER, J. y WASSERMAN, W. (1977). "Applied Linear Statistical Models:
Regression, Analysis of Variance, and Experimental Designs". Octava Edicin.
Editorial Irwin-Dorsey Limited. USA.
OSTLE, B. (1981). " Estadstica Aplicada". Primera Edicin. Editorial LIMUSA
Mxico.
PEREZ-TEJADA, H.E. (2000). Estadstica para las ciencias sociales y del comportamiento.
2da. Edic. Edit. Oxford University Press Mxico, S.A. de C.V.
- 432 -
Tablas Estadsticas
- 434 -
0.25
gl
0.50
1 1.0005
2 0.816
3 0.765
4 0.741
5 0.727
6
7
8
9
10
0.718
0.711
0.706
0.703
0.700
0.906
0.896
0.889
0.883
0.879
1.134
1.119
1.108
1.100
1.093
1.440
1.415
1.397
1.383
1.372
1.943
1.895
1.860
1.833
1.812
2.447
2.365
2.306
2.262
2.228
3.143
2.998
2.896
2.821
2.764
3.707
3.499
3.355
3.250
3.169
5.959
5.405
5.041
4.781
4.587
11
12
13
14
15
0.697
0.695
0.694
0.692
0.691
0.876
0.873
0.870
0.868
0.866
1.088
1.083
1.079
1.076
1.074
1.363
1.356
1.350
1.345
1.341
1.796
1.782
1.771
1.761
1.753
2.201
2.179
2.160
2.145
2.131
2.718
2.681
2.650
2.624
2.602
3.106
3.055
3.012
2.977
2.947
4.437
4.318
4.221
4.140
4.073
16
17
18
19
20
0.690
0.689
0.688
0.688
0.687
0.866
0.863
0.862
0.861
0.860
1.071
1.069
1.067
1.066
1.064
1.337
1.333
1.330
1.328
1.325
1.746
1.740
1.734
1.729
1.725
2.120
2.110
2.101
2.093
2.086
2.584
2.567
2.552
2.540
2.528
2.921
2.898
2.878
2.861
2.845
4.015
3.965
3.922
3.883
3.850
21
22
23
24
25
0.686
0.686
0.685
0.685
0.684
0.859
0.858
0.858
0.000
0.856
1.063
1.061
1.060
1.059
1.058
1.323
1.321
1.319
1.318
1.316
1.721
1.717
1.714
1.711
1.708
2.080
2.074
2.069
2.064
2.060
2.518
2.508
2.500
2.492
2.485
2.831
2.819
2.807
2.797
2.787
3.819
3.792
3.767
3.745
3.725
26
27
28
29
30
0.684
0.684
0.683
0.683
0.683
0.856
0.855
0.855
0.854
0.854
1.058
1.057
1.056
1.055
1.055
1.315
1.314
1.313
1.311
1.310
1.706
1.703
1.701
1.699
1.697
2.056
2.052
2.048
2.045
2.042
0.000
2.473
2.467
2.460
2.457
2.779
2.771
2.763
2.756
2.750
3.707
3.690
3.674
3.659
3.646
35
40
45
50
55
0.682
0.681
0.680
0.680
0.679
0.853
0.851
0.850
0.849
0.849
1.052
1.050
1.048
1.047
1.047
1.306
1.303
1.301
1.299
1.297
1.690
1.684
1.680
1.676
1.673
2.030
2.021
2.014
2.008
2.004
2.438
2.423
2.412
2.403
2.396
2.724
2.704
2.690
2.678
2.669
3.591
3.551
3.520
3.496
3.476
60
70
80
0.679
0.678
0.678
0.848
0.847
0.847
1.046
1.045
1.044
1.296
1.294
1.293
1.671
1.667
1.665
2.000
1.994
1.990
2.390
2.381
2.374
2.600
2.648
2.638
3.460
3.435
3.416
- 436 -
1
1 162
2 18.50
3 10.10
4 7.71
5 6.61
6 5.99
7 5.59
8 5.32
9 5.12
10 4.96
2
200
19.00
9.55
6.94
5.79
5.14
4.74
4.46
4.26
4.10
11
12
13
14
15
4.84
4.75
4.67
4.60
4.54
3.98
3.89
3.81
3.74
3.68
3.59
3.49
3.41
3.34
3.29
3.36
3.26
3.18
3.11
3.06
3.20
3.11
3.03
2.96
2.90
3.09
3.00
2.92
2.85
2.79
3.01
2.91
2.83
2.76
2.71
2.95
2.85
2.77
2.70
2.64
2.90
2.80
2.71
2.65
2.59
2.85
2.75
2.67
2.60
2.54
2.82
2.72
2.63
2.57
2.51
2.79
2.69
2.60
2.53
2.48
2.76
2.66
2.58
2.51
2.45
2.74
2.64
2.55
2.48
2.42
2.72
2.62
2.53
2.46
2.40
16
17
18
19
20
4.49
4.45
4.41
4.38
4.35
3.63
3.59
3.55
3.52
3.49
3.24
3.20
3.16
3.13
3.10
3.01
2.96
2.93
2.90
2.87
2.85
2.81
2.77
2.74
2.71
2.74
2.70
2.66
2.63
2.60
2.66
2.61
2.58
2.54
2.51
2.59
2.55
2.51
2.48
2.45
2.54
2.49
2.46
2.42
2.39
2.49
2.45
2.41
2.38
2.35
2.46
2.41
2.37
2.34
2.31
2.42
2.38
2.34
2.31
2.28
2.40
2.35
2.31
2.28
2.25
2.37
2.33
2.29
2.26
2.22
2.35
2.31
2.27
2.23
2.20
21
22
23
24
25
4.32
4.30
4.28
4.26
4.24
3.47
3.44
3.42
3.40
3.39
3.07
3.05
3.03
3.01
2.99
2.84
2.82
2.80
2.78
2.76
2.68
2.66
2.64
2.62
2.60
2.57
2.55
2.53
2.51
2.49
2.49
2.46
2.44
2.42
2.40
2.42
2.40
2.37
2.36
2.34
2.37
2.34
2.32
2.30
2.28
2.32
2.30
2.27
2.25
2.24
2.28
2.26
2.24
2.22
2.20
2.25
2.23
2.20
2.18
2.16
2.22
2.20
2.18
2.15
2.14
2.20
2.17
2.15
2.13
2.11
2.18
2.15
2.13
2.11
2.09
26
27
28
29
30
4.23
4.21
4.20
4.18
4.17
3.37
3.35
3.34
3.33
3.32
2.98
2.96
2.95
2.93
2.92
2.74
2.73
2.71
2.70
2.69
2.59
2.57
2.56
2.55
2.53
2.47
2.46
2.45
2.43
2.42
2.39
2.37
2.36
2.35
2.33
2.32
2.31
2.29
2.28
2.27
2.27
2.25
2.24
2.22
2.21
2.22
2.20
2.19
2.18
2.16
2.18
2.17
2.15
2.14
2.13
2.15
2.13
2.12
2.10
2.09
2.12
2.10
2.09
2.08
2.06
2.09
2.08
2.06
2.05
2.04
2.07
2.06
2.04
2.03
2.01
40
50
60
70
4.08
4.03
4.00
3.98
3.23
3.18
3.15
3.13
2.84
2.79
2.76
2.74
2.61
2.56
2.53
2.50
2.45
2.40
2.37
2.35
2.34
2.29
2.25
2.23
2.25
2.20
2.17
2.14
2.18
2.13
2.10
2.07
2.12
2.07
2.04
2.02
2.08
2.03
1.99
1.97
2.04
1.99
1.95
1.93
2.00
1.95
1.92
1.89
1.97
1.92
1.89
1.86
1.95
1.89
1.86
1.84
1.92
1.87
1.84
1.81
14
245
19.40
8.71
5.87
4.64
3.96
3.53
3.24
3.03
2.86
15
246
19.40
8.70
5.86
4.62
3.94
3.51
3.22
3.01
2.85
16
1 246
2 19.40
3 8.69
4 5.84
5 4.60
6 3.92
7 3.49
8 3.20
9 2.99
10 2.83
17
247
19.40
8.68
5.83
4.59
3.91
3.48
3.19
2.97
2.81
11
12
13
14
15
2.70
2.60
2.51
2.44
2.38
2.68
2.58
2.50
2.43
2.37
2.67
2.57
2.48
2.41
2.35
2.66
2.56
2.47
2.40
2.34
2.65
2.54
2.46
2.39
2.33
2.57
2.47
2.38
2.31
2.25
2.53
2.43
2.34
2.27
2.20
2.51
2.40
2.31
2.24
2.18
2.49
2.38
2.30
2.22
2.16
2.48
2.37
2.28
2.21
2.15
2.47
2.36
2.27
2.20
2.14
2.46
2.35
2.26
2.19
2.12
2.43
2.32
2.23
2.16
2.10
2.42
2.31
2.22
2.14
2.08
2.40
2.30
2.21
2.13
2.07
16
17
18
19
20
2.33
2.29
2.25
2.21
2.18
2.32
2.27
2.23
2.20
2.17
2.30
2.26
2.22
2.18
2.15
2.29
2.24
2.20
2.17
2.14
2.28
2.23
2.19
2.16
2.12
2.19
2.15
2.11
2.07
2.04
2.15
2.10
2.06
2.03
1.99
2.12
2.08
2.04
2.00
1.97
2.11
2.06
2.02
1.98
1.95
2.09
2.04
2.00
1.97
1.93
2.08
2.03
1.99
1.96
1.92
2.07
2.02
1.98
1.94
1.91
2.04
1.99
1.95
1.91
1.88
2.02
1.97
1.93
1.89
1.86
2.01
1.96
1.92
1.88
1.84
21
22
23
24
25
2.16
2.13
2.11
2.09
2.07
2.14
2.11
2.09
2.07
2.05
2.12
2.10
2.08
2.05
2.04
2.11
2.08
2.06
2.04
2.02
2.10
2.07
2.05
2.03
2.01
2.01
1.98
1.96
1.94
1.92
1.96
1.94
1.91
1.89
1.87
1.94
1.91
1.88
1.86
1.84
1.92
1.89
1.86
1.84
1.82
1.90
1.88
1.85
1.83
1.81
1.89
1.86
1.84
1.82
1.80
1.88
1.85
1.82
1.80
1.78
1.84
1.82
1.79
1.77
1.75
1.82
1.80
1.77
1.75
1.73
1.81
1.78
1.76
1.73
1.71
26
27
28
29
30
2.05
2.04
2.02
2.01
1.99
2.03
2.02
2.00
1.99
1.98
2.02
2.00
1.99
1.97
1.96
2.00
1.99
1.97
1.96
1.95
1.99
1.97
1.96
1.94
1.93
1.90
1.88
1.87
1.85
1.84
1.85
1.84
1.82
1.81
1.79
1.82
1.81
1.79
1.77
1.76
1.80
1.79
1.77
1.75
1.74
1.79
1.77
1.75
1.74
1.72
1.78
1.76
1.74
1.73
1.71
1.76
1.74
1.73
1.71
1.70
1.73
1.71
1.69
1.67
1.66
1.71
1.69
1.67
1.65
1.64
1.69
1.67
1.65
1.64
1.62
40
50
60
70
1.90
1.85
1.82
1.79
1.89
1.83
1.80
1.77
1.87
1.81
1.78
1.75
1.85
1.80
1.76
1.74
1.84
1.78
1.75
1.72
1.74
1.69
1.65
1.62
1.69
1.63
1.59
1.57
1.66
1.60
1.56
1.53
1.64
1.58
1.53
1.50
1.62
1.56
1.52
1.49
1.61
1.54
1.50
1.47
1.59
1.52
1.48
1.45
1.55
1.48
1.44
1.40
1.53
1.46
1.41
1.37
1.51
1.44
1.39
1.35
500
254
19.50
8.53
5.64
4.37
3.68
3.24
2.94
2.72
2.55
Inf
254
19.50
8.53
5.63
4.37
3.67
3.23
2.93
2.71
2.54
- 438 -
1
1 4052
2 98.50
3 34.10
4 21.20
5 16.30
6 13.70
7 12.20
8 11.30
9 10.60
10 10.00
2
4999
99.00
30.80
18.00
13.30
10.90
9.55
8.65
8.02
7.56
3
5403
99.20
29.40
16.70
12.10
9.78
8.45
7.59
6.99
6.55
11
12
13
14
15
9.64
9.33
9.07
8.86
8.68
7.20
6.93
6.70
6.51
6.36
6.21
5.95
5.74
5.56
5.42
5.67
5.41
5.21
5.04
4.89
5.31
5.06
4.86
4.69
4.56
5.07
4.82
4.62
4.46
4.32
4.88
4.64
4.44
4.28
4.14
4.74
4.50
4.30
4.14
4.00
4.63
4.39
4.19
4.03
3.89
4.54
4.30
4.10
3.94
3.80
4.46
4.22
4.02
3.86
3.73
4.39
4.16
3.96
3.80
3.67
4.34
4.10
3.90
3.75
3.61
4.29
4.05
3.86
3.70
3.56
4.25
4.01
3.82
3.66
3.52
16
17
18
19
20
8.53
8.40
8.29
8.18
8.10
6.23
6.11
6.01
5.93
5.85
5.29
5.18
5.09
5.01
4.94
4.77
4.67
4.58
4.50
4.43
4.44
4.34
4.25
4.17
4.10
4.20
4.10
4.01
3.94
3.87
4.03
3.93
3.84
3.77
3.70
3.89
3.79
3.71
3.63
3.56
3.78
3.68
3.60
3.52
3.46
3.69
3.59
3.51
3.43
3.37
3.62
3.52
3.43
3.36
3.29
3.55
3.46
3.37
3.30
3.23
3.50
3.40
3.32
3.24
3.18
3.45
3.35
3.27
3.19
3.13
3.41
3.31
3.23
3.15
3.09
21
22
23
24
25
8.02
7.95
7.88
7.82
7.77
5.78
5.72
5.66
5.61
5.57
4.87
4.82
4.76
4.72
4.68
4.37
4.31
4.26
4.22
4.18
4.04
3.99
3.94
3.90
3.85
3.81
3.76
3.71
3.67
3.63
3.64
3.59
3.54
3.50
3.46
3.51
3.45
3.41
3.36
3.32
3.40
3.35
3.30
3.26
3.22
3.31
3.26
3.21
3.17
3.13
3.24
3.18
3.14
3.09
3.06
3.17
3.12
3.07
3.03
2.99
3.12
3.07
3.02
2.98
2.94
3.07
3.02
2.97
2.93
2.89
3.03
2.98
2.93
2.89
2.85
26
27
28
29
30
7.72
7.68
7.64
7.60
7.56
5.53
5.49
5.45
5.42
5.39
4.64
4.60
4.57
4.54
4.51
4.14
4.11
4.07
4.04
4.02
3.82
3.78
3.75
3.73
3.70
3.59
3.56
3.53
3.50
3.47
3.42
3.39
3.36
3.33
3.30
3.29
3.26
3.23
3.20
3.17
3.18
3.15
3.12
3.09
3.07
3.09
3.06
3.03
3.00
2.98
3.02
2.99
2.96
2.93
2.91
2.96
2.93
2.90
2.87
2.84
2.90
2.87
2.84
2.81
2.79
2.86
2.82
2.79
2.77
2.74
2.81
2.78
2.75
2.73
2.70
40
50
60
70
80
7.31
7.17
7.07
7.01
6.96
5.18
5.06
4.98
4.92
4.88
4.31
4.20
4.13
4.07
4.04
3.83
3.72
3.65
3.60
3.56
3.51
3.41
3.34
3.29
3.25
3.29
3.19
3.12
3.07
3.04
3.12
3.02
2.95
2.91
2.87
2.99
2.89
2.82
2.78
2.74
2.89
2.78
2.72
2.67
2.64
2.80
2.70
2.63
2.59
2.55
2.73
2.62
2.56
2.51
2.48
2.66
2.56
2.50
2.45
2.42
2.61
2.51
2.44
2.40
2.36
2.56
2.46
2.39
2.35
2.31
2.52
2.42
2.35
2.31
2.27
14
6143
99.40
26.90
14.20
9.77
7.60
6.36
5.56
5.01
4.60
15
6157
99.40
26.90
14.20
9.72
7.56
6.31
5.52
4.96
4.56
16
1 6169
2 99.40
3 26.80
4 14.20
5 9.68
6 7.52
7 6.28
8 5.48
9 4.92
10 4.52
17
6182
99.40
26.80
14.10
9.64
7.48
6.24
5.44
4.89
4.49
11
12
13
14
15
4.21
3.97
3.78
3.62
3.49
4.18
3.94
3.74
3.59
3.45
4.15
3.91
3.72
3.56
3.42
4.12
3.88
3.69
3.53
3.40
4.10
3.86
3.66
3.51
3.37
3.94
3.70
3.51
3.35
3.21
3.86
3.62
3.42
3.27
3.13
3.81
3.57
3.37
3.22
3.08
3.77
3.54
3.34
3.18
3.05
3.75
3.51
3.32
3.16
3.02
3.73
3.49
3.30
3.14
3.00
3.70
3.47
3.27
3.11
2.98
3.65
3.41
3.22
3.06
2.92
3.62
3.38
3.19
3.03
2.89
3.60
3.36
3.17
3.00
2.87
16
17
18
19
20
3.37
3.27
3.19
3.12
3.05
3.34
3.24
3.16
3.08
3.02
3.31
3.21
3.13
3.05
2.99
3.28
3.19
3.10
3.03
2.96
3.26
3.16
3.08
3.00
2.94
3.10
3.00
2.92
2.84
2.78
3.02
2.92
2.84
2.76
2.69
2.97
2.87
2.78
2.71
2.64
2.93
2.83
2.75
2.67
2.61
2.91
2.81
2.72
2.65
2.58
2.89
2.79
2.70
2.63
2.56
2.86
2.76
2.68
2.60
2.54
2.81
2.71
2.62
2.55
2.48
2.78
2.68
2.59
2.51
2.44
2.75
2.65
2.57
2.49
2.42
21
22
23
24
25
2.99
2.94
2.89
2.85
2.81
2.96
2.91
2.86
2.82
2.78
2.93
2.88
2.83
2.79
2.75
2.90
2.85
2.80
2.76
2.72
2.88
2.83
2.78
2.74
2.70
2.72
2.67
2.62
2.58
2.54
2.64
2.58
2.54
2.49
2.45
2.58
2.53
2.48
2.44
2.40
2.55
2.50
2.45
2.40
2.36
2.52
2.47
2.42
2.38
2.34
2.50
2.45
2.40
2.36
2.32
2.48
2.42
2.37
2.33
2.29
2.42
2.36
2.32
2.27
2.23
2.38
2.33
2.28
2.24
2.19
2.36
2.31
2.26
2.21
2.17
26
27
28
29
30
2.78
2.75
2.72
2.69
2.66
2.75
2.71
2.68
2.66
2.63
2.72
2.68
2.65
2.63
2.60
2.69
2.66
2.63
2.60
2.57
2.66
2.63
2.60
2.57
2.55
2.50
2.47
2.44
2.41
2.39
2.42
2.38
2.35
2.33
2.30
2.36
2.33
2.30
2.27
2.25
2.33
2.29
2.26
2.23
2.21
2.30
2.27
2.24
2.21
2.18
2.28
2.25
2.22
2.19
2.16
2.25
2.22
2.19
2.16
2.13
2.19
2.16
2.13
2.10
2.07
2.16
2.12
2.09
2.06
2.03
2.13
2.10
2.06
2.03
2.01
40
50
60
70
80
2.48
2.38
2.31
2.27
2.23
2.45
2.35
2.28
2.23
2.20
2.42
2.32
2.25
2.20
2.17
2.39
2.29
2.22
2.18
2.14
2.37
2.27
2.20
2.15
2.12
2.20
2.10
2.03
1.98
1.94
2.11
2.01
1.94
1.89
1.85
2.06
1.95
1.88
1.83
1.79
2.02
1.91
1.84
1.78
1.75
1.99
1.88
1.81
1.75
1.71
1.97
1.86
1.78
1.73
1.69
1.94
1.82
1.75
1.70
1.65
1.87
1.76
1.68
1.62
1.58
1.83
1.71
1.63
1.57
1.53
1.80
1.68
1.60
1.54
1.49
500
6361
99.50
26.10
13.50
9.04
6.90
5.67
4.88
4.33
3.93
Inf
6366
99.50
26.10
13.50
9.02
6.88
5.65
4.86
4.31
3.91
- 440 -
1
2
3
4
5
0.995
0.00
0.01
0.072
0.207
0.412
6
7
8
9
10
0.676
0.989
1.34
1.73
2.16
0.872
1.24
1.65
2.09
2.56
1.24
1.69
2.18
2.70
3.25
1.64
2.17
2.73
3.33
3.94
2.20
2.83
3.49
4.17
4.87
3.45
4.25
5.07
5.90
6.74
5.35
6.35
7.34
8.34
9.34
7.84
9.04
10.20
11.40
12.50
10.60
12.00
13.40
14.70
16.00
12.60
14.10
15.50
16.90
18.30
14.40
16.00
17.50
19.00
20.50
16.80
18.50
20.10
21.70
23.20
18.50
20.30
22.00
23.60
25.20
11
12
13
14
15
2.60
3.07
3.57
4.07
4.60
3.05
3.57
4.11
4.66
5.23
3.82
4.40
5.01
5.63
6.26
4.57
5.23
5.89
6.57
7.26
5.582
6.30
7.04
7.79
8.55
7.58
8.44
9.30
10.20
11.00
10.30
11.30
12.30
13.30
14.30
13.70
14.80
16.00
17.10
18.20
17.30
18.50
19.80
21.10
22.30
19.70
21.00
22.40
23.70
25.00
21.90
23.30
24.70
26.10
27.50
24.70
26.20
27.70
29.10
30.60
26.80
28.30
29.80
31.30
32.80
16
17
18
19
20
5.14
5.70
6.26
6.84
7.43
5.81
6.41
7.01
7.63
8.26
6.91
7.56
8.23
8.91
9.59
7.96
8.67
9.39
10.10
10.90
9.31
10.10
10.90
11.70
12.40
11.90
12.80
13.70
14.60
15.50
15.30
16.30
17.30
18.30
19.30
19.40
20.50
21.60
22.70
23.80
23.50
24.80
26.00
27.20
28.40
26.30
27.60
28.90
30.10
31.40
28.80
30.20
31.50
32.90
34.20
32.00
33.40
34.80
36.20
37.60
34.30
35.70
37.20
38.60
40.00
21
22
23
24
25
8.03
8.64
9.26
9.89
10.50
8.90
9.54
10.20
10.90
11.50
10.30
11.00
11.70
12.40
13.10
11.60
12.30
13.10
13.80
14.60
13.20
14.00
14.80
15.70
16.50
16.30
17.20
18.10
19.00
19.90
20.30
21.30
22.30
23.30
24.30
24.90
26.00
27.10
28.20
29.30
29.60
30.80
32.00
33.20
34.40
32.70
33.90
35.20
36.40
37.70
35.50
36.80
38.10
39.40
40.60
38.90
40.30
41.50
43.00
44.30
41.40
42.80
44.20
45.60
46.90
gl
0.01 0.005
6.63 7.88
9.21 10.60
11.3 12.80
13.30 14.90
15.10 16.70
26 11.20 12.20 13.80 15.40 17.30 20.80 25.30 30.40 35.60 38.90 41.90 45.60 48.30
27 11.80 12.90 14.60 16.20 18.10 21.70 26.30 31.50 36.70 40.10 43.20 47.00 49.60