Está en la página 1de 45

Modelo de diseos factoriales y diseos 2k

Introduccin
En el tema anterior se analizaron la posible inuencia de un factor sobre la variable respuesta, aleatorizando las observaciones para eliminar el efecto de otros factores. En este captulo analizaremos modelos en los cuales dos o ms factores pueden inuir en la variable respuesta. Se emplea la siguiente metodologa: 1. Identicar los factores que pueden inuir en la variable respuesta y proponer un modelo 2. Realizar el experimento, tomando las observaciones necesarias 3. Estimar los parmetros del modelo 4. Contrastar si los factores inuyen en la respuesta 5. Si los factores inuyen en la respuesta, detectar dnde radican las diferencias 6. Si algn factor no inuye, simplicar el modelo y repetir los pasos anteriores 7. Realizar la diagnosis del modelo mediante el anlisis de los residuos Un diseo factorial es aqul en el que se investigan todas las posibles combinaciones de los niveles de los factores en cada ensayo completo. En este caso se dicen que estn cruzados, apareciendo el concepto de interaccin.

Se supone la existencia de repeticiones del experimento en cada una de las posibles combinaciones de los niveles del factor correspondiente.

Concepto de interaccin
Para ilustrar de forma intuitiva lo que es la interaccin vamos a tomar dos conjuntos de datos. Consideramos dos factores: (niveles 1 y 2 ) y (niveles 1 y 2 ). Primer caso: dos factores sin interaccin. Los datos son: \ 1 2 1 10 30 2 20 40

El efecto principal del factor es la diferencia entre la respuesta promedio de 1 y 2 : 10 + 20 30 + 40 = 20 2 2

E =

y el efecto principal del factor es: 10 + 30 20 + 40 = 10 2 2

E =

Ahora bien, para el nivel 1 , el efecto del factor es:

E | 1 = 10 30 = 20 y para el nivel 2 es:

E | 2 = 20 40 = 20 De forma similar, los efectos del factor para los niveles 1 y 2 son, respectivamente:

E |1 = 10 20 = 10 2

E |2 = 30 40 = 10 Entonces, el efecto de uno de los factores no depende de los niveles del otro factor, lo cual indica que no hay interaccin entre los factores. Cuando ambos factores tienen dos niveles, el efecto de la interaccin es la diferencia entre los promedios de las diagonales, que es en este caso: 10 + 40 30 + 20 =0 2 2

E =

lo que indica que no hay interaccin. Los siguientes grcos de perl muestran la falta de interaccin ya que las rectas que aparecen son paralelas.

40 35

factor b b1 b2

Respuesta

30 25 20 15 10 a1 a2

factor a

40 35

factor a a1 a2

Respuesta

30 25 20 15 10 b1 b2

factor b

Segundo caso: dos factores con interaccin. Los datos son: \ 1 2 El efecto principal del factor es 10 + 20 30 + 0 =0 2 2 1 10 30 2 20 0

E =

lo que indicara que el factor no tendra ningn efecto en la respuesta. Sin embargo, para el nivel 1 , el efecto del factor es: E | 1 = 10 30 = 20 y para el nivel 2 es:

E | 2 = 20 0 = 20 Entonces, aunque el efecto principal indique que el factor no inuye en la respuesta, el efecto que produce depende del nivel seleccionado del factor y se concluye que hay interaccin entre y . 4

El efecto de la interaccin es en este caso: 10 + 0 30 + 20 = 20 2 2

E =

lo que indica que hay interaccin. Los siguientes grcos de perl muestran la existencia de interaccin ya que las rectas que aparecen se cruzan entre s.

30 25

factor a a1 a2

Respuesta

20 15 10 5 0 b1 b2

factor b

30 25

factor b b1 b2

Respuesta

20 15 10 5 0 a1 a2

factor a

En este caso, la variable respuesta Y puede depender tambin de dos factores y , pero stos a su vez pueden potenciarse o interactuar. 5

Para comprobar la existencia de interaccin, se puede considerar el grco de residuos frente a valores previstos de un modelo sin interaccin. La idea de este resultado es que los residuos contendrn la inuencia de todos aquellos efectos no considerados de forma explcita en el modelo. Por lo tanto, si la interaccin es signicativa y no ha sido incluida, su efecto se ver en los residuos. La forma de ver la interaccin en los residuos es a travs de cierta curvatura en la nube de puntos del grco de residuos frente a valores previstos. El motivo es que la interaccin implica una relacin no lineal entre los factores y la variable respuesta; por tanto si hay interaccin y el modelo no la incluye, los residuos tendrn una estructura no lineal no incluida en el modelo.

Diseo bifactorial con replicaciones


Se consideran dos factores A y B con a y b niveles respectivamente. Se tienen a b combinaciones o posibles tratamientos y n observaciones para cada tratamiento, esto es, un diseo balanceado. El modelo es

yijk = + i + j + ( )ij + ijk para i = 1, . . . , a j = 1, . . . , b, k = 1, . . . , n donde: es el efecto medio global. i es el efecto incremental sobre la media causado por el nivel i del factor A. j el efecto incremental sobre la media causado por el nivel j del factor B. ( )ij el efecto incremental sobre la media causado por la interaccin del nivel i del factor A y el nivel j del factor B. ijk el trmino de error

Supondremos adems que:


a X i=1 b X j =1 a b X X j = ( )ij = ( )ij = 0 i=1 j =1

i =

Se obtiene una tabla con esta forma B1 . . . Bb donde k = 1, . . . , n.

A1 y11k . . . yb1k

...

Aa y1ak . . . ybak

Estimacin de los parmetros


Se calcula
,i , j ,( )ij

m n

= m n

sujeto a
a X i=1

a X b X n 2 X yijk i j ( )ij i=1 j =1 k=1 a b X X j = ( )ij = ( )ij = 0 i=1 j =1 n

i =

Se tiene

b X j =1 b

Para i jado

1 XXX yijk = y = abn i=1 j =1 k=1


a b n b X n X yijk i j ( )ij = 0 = = 2 i j =1 k=1

a X b X n X i=1 j =1 k=1

XXX = 2 yijk i j ( )ij = 0 = i=1 j =1 k=1


a

yijk abn = 0 =

i = y i y

1 XX yijk y = i = bn j =1 k=1
b n

n b X X j =1 k=1

yijk bn bni = 0 =

Anlogamente, para j jado, j = y j y Para (i, j ) jado, se deriva respecto de ( )ij


n X = 2 yijk i j ( )ij = 0 = ( )ij k=1 n X c yijk ny n ( yi y ) n ( yj y ) n = 0 = ij ij

As

k=1 c =y ij y i y j + y

y ijk = y + ( yi y ) + ( yj y ) + ( yij y i y j + y ) = y ij es decir, ij y ijk = y El nmero de parmetros a estimar en total es 1 + (a 1) + (b 1) + (a 1)(b 1) ya que la suma de las estimas de las interacciones por las es igual a 0, con lo cual hay (b 1) trminos. Del mismo modo sucede para las columnas, y se obtienen (a 1) trminos. En total hay (a 1)(b 1) trminos. Como el nmero total de observaciones es N = abn, entonces el nmero de grados de libertad es abn 1 (a 1) (b 1) (a 1)(b 1) = abn ab = ab(n 1). De este modo, como SCE =
b X n a X X i=1 j =1 k=1

(yijk y ijk )2 =

b X n a X X i=1 j =1 k=1

(yijk y ij )2

entonces la estima de la varianza total es XXX 1 = (yijk y ij )2 ab(n 1) i=1 j =1 k=1


a b n 2

Descomposicin de la varianza
La tcnica de anlisis de la varianza se utilizar en los siguientes contrastes de hiptesis: H0 : 1 = = a = 0 (el factor A no inuye) H1 : algn i 6= 0 (el factor A inuye) H0 : 1 = = b = 0 (el factor B no inuye) H1 : algn i 6= 0 (el factor B inuye) H0 : ( )11 = = ( )ab = 0 (no hay interaccin) H1 : algn ( )ij 6= 0 (hay interaccin)

Para contrastar estas hiptesis, descomponemos la suma de cuadrados total en la siguiente suma de cuadrados:

b X n b X n a X a X X X 2 2 2 (yijk y ) = yijk N y = SCT = i=1 j =1 k=1 i=1 j =1 k=1

= SCA + SCB + SCAB + SCE donde N = abn y

b X n a X X i=1 j =1 k=1

2 yijk

1 2 y = abn

SCA = bn = 1 bn

a a X X 2 2 ( yi y )2 = bn y i = N y i=1 a X i=1 i=1 2 yi

1 2 y abn

Suma de cuadrados explicada debido al factor A

SCB = an 1 an

b b X X 2 ( yj y )2 = an y 2j N y = j =1 j =1 b X j =1

y2j

1 2 y abn

Suma de cuadrados explicada debido al factor B 9

SCAB

= n

b a X X i=1 j =1 b a X X i=1 j =1 a b

b a X X =n ( yij y i y j + y )2 = i=1 j =1

[( yij y ) ( yi y ) ( yj y )]2 =
2 2 y ij SCA SCB = N y a b

= n

1 XX 2 1 X 2 1 X 2 1 2 y yij yi yj + n i=1 j =1 bn i=1 an j =1 abn

Suma de cuadrados explicada debido a la interaccin

a X b X n X (yijk y ij )2 = ab(n 1) 2 SCE = i=1 j =1 k=1

Suma de cuadrados residual

La tabla de anlisis de la varianza es: F. V. Factor A Factor B Interaccin Residual Total Entonces: 1. Rechazamos H0 : 1 = = a = 0 al nivel cuando FA > Fa1,ab(n1); 2. Rechazamos H0 : 1 = = b = 0 al nivel cuando FB > Fb1,ab(n1); 10 S. C. SCA SCB SCAB SCE SCT G. L. a1 b1 (a 1)(b 1) ab(n 1) abn 1 M. C. A MCA = SC a1 B MCB = SC b1 SCAB MCAB = (a 1)(b1) MCE = abSCE (n1) F MCA FA = MC E B FB = MC MCE AB FAB = MC MCE

3. Rechazamos H0 : ( )11 = = ( )ab = 0 al nivel cuando FAB > F(a1)(b1),ab(n1);

Observacin: Siempre trataremos de buscar el modelo ms sencillo que explique bien la variable respuesta. Por ejemplo, si aceptamos H0 : ( )11 = = ( )ab = 0, concluimos que la interaccin no inuye de manera apreciable en la respuesta, y pasaramos a considerar un modelo con dos factores sin interaccin y calcularamos de nuevo la tabla ANOVA. Si adems, aceptamos que uno de los factores no inuye en la respuesta, lo eliminaramos del modelo y trabajaramos con un modelo de un factor. Ejemplo. Se aplican pinturas tapaporos para aeronaves en supercies de aluminio, con dos mtodos: inmersin y rociado. La nalidad del tapaporos es mejorar la adhesin de la pintura, y puede aplicarse en algunas partes utilizando cualquier mtodo. El grupo de ingeniera de procesos responsable de esta operacin est interesado en saber si existen diferencias entre tres tapaporos diferentes en cuanto a sus propiedades de adhesin. Para investigar el efecto que tienen el tipo de pintura tapaporos y el mtodo de aplicacin sobre la adhesin de la pintura, se realiza un diseo factorial. Para ello, se pintan tres muestras con cada tapaporo utilizando cada mtodo de aplicacin, despus se aplica una capa nal de pintura y a continuacin se mide la fuerza de adhesin. Los datos son los siguientes: Tapaporos 1 2 3 Inmersin 4 4.5 4.3 5.6 4.9 5.4 3.8 3.7 4 Rociado 5.4 4.9 5.6 5.8 6.1 6.3 5.5 5 5

Entonces, a = 3, b = 2, n = 3, N = 18. Las medias de las observaciones son:

11

Tapaporos Inmersin Rociado y i 1 y 11 = 4,267 y 12 = 5,3 28,7/6 = 4,783 2 y 21 = 5,3 y 22 = 6,067 34,1/6 = 5,683 3 y 31 = 3,833 y 32 = 5,167 27/6 = 4,5 y j 40,2/9 = 4,467 49,6/9 = 5,511 y = 89,8/18 = 4,989 Las sumas de cuadrados son:

SCT =

18 4,989 = 10,72

b X n b X n a X a X X X 2 2 (yijk y )2 = yijk N y = 42 + 4,52 + + 52 + 52 i=1 j =1 k=1 2 i=1 j =1 k=1

SCA = bn

a X i=1

2 2 y i = 6(4,7832 + 5,6832 + 4,52 ) 18 4,9892 = 4,58 N y

SCB = an

b X j =1

2 y 2j N y = 9(4,4672 + 5,5112 ) 18 4,9892 = 4,91

SCAB = n

3,833 + 5,1672 ) 18 4,9892 4,58 4,91 = 0,24

a X b X i=1 j =1 2

2 2 y ij SCA SCB = 3(4,2672 + 5,32 + 5,32 + 6,0672 + N y

SCE = SCT SCA SCB SCAB = 10,72 4,58 4,91 0,24 = 0,99 La tabla ANOVA es: F.V. S.C. G.L. M.C. F Tapaporo (A) 4.58 2 2.29 27.7576 Mtodo (B) 4.91 1 4.91 59.5152 Interaccin 0.24 2 0.12 1.4545 Error 0.99 12 0.0825 Total 10.72 17 12

F2,12;0,05 = 3,8853 F1,12;0,05 = 4,7472 Por tanto, no hay evidencia de la existencia de interaccin entre los factores. Los efectos del tipo de tapaporos y del mtodo de aplicacin empleado afectan a la fuerza de adhesin. En este caso, debemos simplicar el modelo, considerando un modelo sin interaccin (juntando las sumas de cuadrados de la interaccin a las del error), donde la tabla ANOVA sera: F.V. S.C. G.L. M.C. F Tapaporo (A) 4.58 2 2.29 26.082 Mtodo (B) 4.91 1 4.91 55.9225 Error 0.99+0.24=1.23 12+2=14 0.0878 Total 10.72 17

F2,14;0,05 = 3,7389 F1,14;0,05 = 4,6001 Concluimos que los efectos del tipo de tapaporos y del mtodo de aplicacin empleado afectan a la fuerza de adhesin. Si las medias de los tratamientos son diferentes entre s se pueden considerar los tests de comparaciones mltiples y de rangos estudentizados, que se vieron para el modelo unifactorial general. Se ha de reemplazar el nmero de rplicas por nivel del factor (n), por el correspondiente nmero de elementos de cada casilla. A su vez, los grados de libertad del error (N a) han de cambiarse en el caso general por ab(n 1). Utilizaremos el mtodo de Bonferroni para observar diferencias entre el nivel medio = 3 comparaciones. Si de los tres tipos de tapaporos. Como a = 3, realizaremos m = 3 2
0,06 3

utilizamos T = 0,06, entonces =

= 0,02. 13

r p 1 1 1 1 + = t14;0,01 0,0878 + = tab(n1);/2 bn bn 6 6 r p 1 = 2,624 0,0878 = 0,4489. 3 Las diferencias de medias en valor absoluto son: y 1 = 4,783 y 2 = 5,683 y 2 = 5,683 y 3 = 4,5 0.9 0.283 1.183

En negrita aparece el caso en el cual no rechazamos la hiptesis de igualdad de medias. Por tanto, concluimos que el tapaporos 2 es el ms ecaz y los tapaporos 1 y 3 son iguales en cuanto a ecacia. Ejemplo. Supongamos que un ingeniero disea una batera para su uso en un dispositivo que ser sometido a ciertas variaciones extremas de temperatura. El nico parmetro de diseo que se puede seleccionar es el material de la cubierta de la batera, y tiene tres alternativas. Cuando el dispositivo se manufactura y se enva al campo, el ingeniero no tiene control sobre los extremos de temperatura a que ser expuesto el dispositivo, y sabe por experiencia que es probable que la temperatura inuya en la duracin efectiva de la batera. Sin embargo, s es posible controlar la temperatura en el laboratorio de desarrollo de productos para los nes del ensayo. El ingeniero decide probar los tres materiales de la cubierta a tres niveles de temperatura (15, 70 y 125o F) consistentes en el entorno de uso nal del producto. Se prueban cuatro bateras con cada combinacin de material de la cubierta y temperatura, y las 36 pruebas se ejecutan al azar. Los datos son los siguientes: Material 1 2 3 15o 130 74 150 159 138 168 F 155 180 188 126 110 160 14 70o 34 80 136 106 174 150 F 40 75 122 115 120 139 125o F 20 70 82 58 25 70 58 45 96 104 82 60

En este ejemplo a = 3, b = 3, n = 4, N = 36. Las medias de las observaciones son: Material 15o F 70 F 125o F y i 1 134.75 57.25 57.5 83.17 2 155.75 119.75 49.5 108.33 3 144 145.75 85.5 125.083 y j 144.83 107.583 64.17 y =105.53 Las sumas de cuadrados son: b P n a P P SCT = (yijk y )2 = (130 105,53)2 + (155 105,53)2 +
i=1 j =1 k=1

SCE = SCT SCA SCB SCAB = 18230,75 La tabla ANOVA es:

+(82 105,53)2 + (60 105,53)2 = 77646,972 Pa 2 2 i N y = 12(83,172 + 108,332 + 125,0832 ) SCA = bn i=1 y 36 105,532 = 10683,722 P 2 SCB = an b 2j N y = 12(144,832 + 107,5832 + 192,52 ) j =1 y 36 105,532 = 39118,722 P Pb 2 2 SCAB = n a ij SCA SCB = 4(134,752 + 57,252 + N y i=1 j =1 y +107,5832 + 192,52 ) 36 105,532 10633,167 39083,167 = 9613,778

F.V. S.C. G.L. M.C. F Material (A) 10683,722 2 5341.861 7,91 Temperatura (B) 39118,722 2 19559.361 28.97 Interaccin 9613,778 4 2403.444 3.56 Error 18230,75 27 675.213 Total 77646,972 35

F2,27;0,05 = 3,3541 F4,27;0,05 = 2,7278 Por tanto, existe una interaccin signicativa entre los factores. Los efectos del tipo de material y de la temperatura son signicativos. Utilizaremos el mtodo de Bonferroni para detectar diferencias en el nivel medio de los tres tipos de material. Como la interaccin es signicativa, las comparaciones se realizan en un slo nivel de temperatura. Vamos a tomar, por ejemplo, el nivel 2 (70o F). 15

Como I = 3, realizaremos m = entonces =


0,06 3

= 0,02.
1 n

3
2

= 3 comparaciones. Si utilizamos T = 0,06,

tab(n1);/2

1 n

q = t27;0,01 665,954 1 + 4

1 4

q = 2,473 665,954 1 = 45,126. 2

Las diferencias de medias en valor absoluto son: y 22 = 119,75 y 32 = 145,75 y 12 = 57,25 62.5 88.5 y 22 = 119,75 26 En negrita aparece el caso en el cual no rechazamos la hiptesis de igualdad de medias. Concluimos que para el nivel de temperatura 70o F, el voltaje medio producido por los materiales 2 y 3 es el mismo y el producido por el 1 es signicativamente menor. Estudio de las medias individuales Si se rechaza la igualdad entre los efectos del factor A B se pueden considerar tests de recorrido studentizado (para el factor correspondiente), pero no son recomendables cuando aparece interaccin signicativa. Se puede hacer jando un nivel concreto de uno de los factores. Si se rechaza la igualdad entre las interacciones, se pueden contrastar las medias que aparecen y ij en todos los posibles tratamientos.

Diseo bifactorial sin replicaciones


Se puede considerar un diseo en el que se presentas dos factores y slo se realiza una observacin por cada tratamiento. El modelo es yij = + i + j + ( )ij + ij para i = 1, . . . , a j = 1, . . . , b, donde: es el efecto medio global. i es el efecto incremental sobre la media causado por el nivel i del factor A. 16

j el efecto incremental sobre la media causado por el nivel j del factor B. ( )ij el efecto incremental sobre la media causado por la interaccin del nivel i del factor A y el nivel j del factor B. ij el trmino de error Supondremos adems que:
a X i=1

i =

b X j =1

a b X X j = ( )ij = ( )ij = 0 i=1 j =1

Se obtiene una tabla con esta forma A1 y11 . . . yb1 ... Aa y1a . . . yba

B1 . . . Bb

En este caso, el nmero de parmetros a estimar es igual que en el caso del diseo bifactorial replicado: 1 + (a 1) + (b 1) + (a 1)(b 1) = ab y como el nmero de observaciones es ab, entonces no hay grados de libertad sucientes MCE . para estimar 2 = ab ab Una posible solucin es considerar que la interaccin es nula ( )ij = 0 donde i = 1, . . . , a j = 1, . . . , b, obtenindose la siguiente tabla ANOVA F. V. Factor A Factor B Error Total S. C.
1 2 2 i=1 yi ab y b Pb 1 1 2 2 SCB = a j =1 yj ab y

G. L. Pa 1 a1 b1 (a 1)(b 1) ab 1

F FA = FB =
SCA a1 SCE (a1)(b1) SCB a1 SCE (a1)(b1)

SCA =

SCE = SCT SCA SCB a P b P 1 2 2 SCT = yij ab y


i=1 j =1

17

Se observa que al suponer interaccin nula, el efecto de la interaccin y el error experimental se juntan. Otra alternativa es suponer que el efecto de la interaccin es de la forma ( )ij = ki j donde k es una constante desconocida que se determina mediante Regresin. Se descompone la SCE en dos componentes: (i ) Una componente para la interaccin con 1 grado de libertad, de modo que la suma de cuadrados correspondiente es " a b #2 2 XX 1 y yij yi yj y SCA + SCB + SCN = a b SCA SCB i=1 j =1 ab (ii ) Una componente para el error SCE = SCE SCN con (a 1)(b 1) 1 grados de libertad Se determina F0 = SCN
SCE (a1)(b1)1

Si F0 > F1,(a1)(b1)1, la hiptesis nula de no interaccin se rechaza.

Modelo de efectos aleatorios


Supongamos que los a niveles del factor A y los b niveles del factor B son una muestra aleatoria de poblaciones de niveles. De este modo, la inferencia se puede extender a todos los posibles niveles mediante el clculo sobre la muestra anterior. El modelo es yijk = + i + j + ( )ij + ijk

18

para i = 1, . . . , a j = 1, . . . , b, k = 1, . . . , n donde los parmetros del modelo son variables aleatorias independientes entre s, tales que i N (0, ) j N (0, ) ( )ij N (0, ) ijk N (0, ) De este modo la varianza de cada observacin es
2 2 2 V ar (yijk ) = 2 + + +

que son los componentes de la varianza. Se puede demostrar que SCA 2 E (MCA ) = E = 2 + n 2 + bn a1 SCB 2 E (MCB ) = E = 2 + n 2 + an b1 SCAB = 2 + n 2 E (MCAB ) = E (a 1)(b 1) SCE = 2 E (MCE ) = E ab(n 1) Utilizando las expresiones anteriores, igualando las medias de cuadrados, se obtiene 2 = MCE 2 = 2 2 MCAB MCE n MCA MCAB = bn MCB MCAB = an

19

Las hiptesis que se tienen que contrastar son H0 2 = 0 2 H1 > 0 H0 2 = 0 2 H1 > 0 H0 2 = 0 2 H1 > 0 Las sumas de cuadrados se calculan igual que en el modelo de efectos jos, pero al 2 calcular las medias de cuadrados esperadas, se observa que para contrastar H0 = 0 el estadstico de contraste que ha de usarse es F0 = MCAB MCE

porque si H0 es verdadera tanto el numerador como el denominador de F0 tienen como valor esperado 2 y si es falsa entonces, F0 > F(a1)(b1),ab(n1), rechazndose H0 a nivel . 2 Para contrastar H0 = 0 se usa el contraste F0 = MCA MCAB

porque si H0 es verdadera tanto el numerador como el denominador de F0 tienen como valor esperado 2 + n 2 y si es falsa entonces, F0 > F(a1),(a1)(b1), rechazndose H0 a nivel . 2 De modo similar, para contrastar H0 = 0 se usa el contraste F0 = MCB MCAB 20

porque si H0 es verdadera tanto el numerador como el denominador de F0 tienen como valor esperado 2 + n 2 y si es falsa entonces, F0 > F(b1),(a1)(b1), rechazndose H0 a nivel . Se observa que el mtodo para contrastar efectos no es el mismo en el caso de que los factores A y B sean jos. En cualquier caso, los valores esperados de las medias de cuadrados se deben usar siempre como gua para construir los contrastes. Ejemplo. En el proceso de fabricacin de una pieza de un vehculo se puede elegir un gran nmero posible de materiales y tambin un gran nmero posible de temperaturas a las que puede estar sometida la pieza. Como diseo del experimento se seleccionan 3 posibles tipos de material al azar y tres posibles temperaturas. Se obtiene la siguiente tabla de tiempos de duracin: Material 1 2 3 Las sumas de cuadrados son: SCT = SCA = SCB =
a X b X n X 2 yijk

-10o C 130 155 74 180 150 188 159 126 138 110 168 160

15o 34 80 136 106 174 150

C 40 75 122 115 120 139

32o C 20 70 82 58 25 70 58 45 96 104 82 60

i=1 j =1 k=1 a 1 X 2 1 2 1 37992 y = (9982 + 13002 + 15012 ) = 10683,722 yi bn i=1 abn 12 36 b 1 X 2 1 2 1 37992 y = (17382 + 12912 + 7702 ) = 39118,722 yj an j =1 abn 12 36 1 n i=1 j =1 a P b P 2 yij 1 2 y abn
2

1 2 37992 y = (1302 + 1552 + + 602 ) = 77646,972 abn 36

SCAB =

SCA SCB = 1 (5392 + 2292 + + 3422 ) 4

10633,17 39083,17 = 9613,778 3799 36 SCE = SCT SCA SCB SCAB = 18230,75 21

Se obtiene la siguiente tabla ANOVA F.V. S.C. G.L. M.C. Material (A) 10683.722 2 5341.861 Temperatura (B) 39118.722 2 19559.361 Interaccin 9613.778 4 2403.444 Error 18230.75 27 675.213 Total 77646.972 35 Como F(a1)(b1),ab(n1), = F4,27,00 05 = 2,73. la interaccin entre A y B resulta signicativamente distinta de 0: 2 > 0 Por otro lado, como F(a1),(a1)(b1), = F(b1),(a1)(b1), = F2,4,00 05 = 6,94. El efecto del factor A no resulta signicativo: se acepta que 2 = 0 El efecto de B s resulta signicativamente distinto de 0: 2 > 0. Los componentes de la varianza estimados son 2 = MCE = 675,213 2 = 2 2 MCAB MCE 2403,444 675,213 = = 432,06 n 4 5341,861 2403,444 MCA MCAB = = 244,87 = bn 34 19559,361 2403,444 MCB MCAB = = 1429,7 = an 34 F
5341,861 = 2,223 2403,444 19559,361 = 8,138 2403,444 2403,444 = 3,560 675,213

Modelo bifactorial mixto


Se puede considerar un modelo de efectos mixtos en el que uno de los factores es jo y el otro aleatorio:

yijk = + i + j + ( )ij + ijk

22

donde i (para i = 1, . . . , a ) corresponde al efecto jo del factor A, de modo que

0 y el resto de los parmetros del modelo son variables aleatorias independientes entre s, tales que j N (0, ) ( )ij N (0, ) ijk N (0, ) para i = 1, . . . , a j = 1, . . . , b, k = 1, . . . , n Se puede demostrar que Pa 2 SCA 2 2 E = + n + bn i=1 i a1 a1 SCB 2 = 2 + n 2 E + an b1 SCAB = 2 + n 2 E (a 1)(b 1) SCE E = 2 ab(n 1) As, para contrastar H0 i = 0, H1 i 6= 0 (i = 1, . . . , a) = F0 = MCA MCAB

Pa

i=1

i =

MCB H0 2 = 0 = F0 = 2 > 0 H1 MCAB MCAB H0 2 = 0 = F0 = 2 > 0 H1 MCE

23

y las estimas de efectos y los componentes de la varianza son = y i = y i y 2 = 2 (i = 1, . . . , a) MCB MCAB an MCAB MCE = n

2 = MCE

Diseos factoriales 2k
En diseos industriales es frecuente considerar dos niveles para cada uno de los factores que pueden intervenir en el diseo experimental. Un diseo con k factores que tienen dos niveles requiere un nmero de replicaciones igual a 2k observaciones. En este tipo de modelos se asume que los efectos son jos y la aleatorizacin completa y se consideran las mismas restricciones que en el caso de los diseos factoriales tpicos.

El diseo 22
Se consideran dos factores A y B con dos niveles: bajo: 0 alto: 1 Los niveles altos de los factores se representan mediante las letras a y b respectivamente y los niveles bajos se representan por la ausencia de dichas letras. Si ambos niveles son bajos se considera un valor igual a (1). (0, 0) (1, 0) (0, 1) (1, 1) = (1) = a = b = ab

24

(1), a, b y ab son las respuestas para las n rplicas. Los efectos medios de A y B son 1 (ab + a b (1)) 2n 1 (ab + b a (1)) B = 2n A = Estos valores se obtienen considerando que, por ejemplo, el efecto de A se obtiene como la diferencia entre el nivel alto del factor menos el nivel bajo (en cada caso en relacin a los niveles del otro factor): El efecto of A en el nivel bajo de B es (a (1))/n y el efecto of A en el nivel alto de B es (ab b)/n. As, el efecto medio de A es A= 1 ab + a b + (1) = (ab + a b (1)) 2n 2n 2n

El efecto de la interaccin AB se dene como la diferencia media entre el efecto de A al nivel alto de B, y el efecto de A al nivel bajo de B : AB = 1 [(ab b) (a (1))] = 2n 1 [ab + (1) a b] . 2n

Del mismo modo se puede denir BA, obtenindose que AB = BA. En general, se trata de medir la importancia y el efecto de los factores que intervienen, en trminos de la magnitud y del signo de los efectos anteriores. La sumas de cuadrados se pueden denir en trminos, tambin, de las estimas anteriores: Suma de Cuadrados del Factor = As, en este caso, SCA = n 1 Pa
2 i=1 ci

" a X
i=1

ci yi

#2

[ab + a b (1)]2 , 4n [ab + b a (1)]2 , SCB = 4n [ab + (1) a b]2 , SCAB = 4n 25

La suma de cuadrados total es, como habitualmente, SCT =


2 X n 2 X X i=1 j =1 k=1 2 yijk 2 y 4n

y tiene (2 2 n) 1 grados de libertad. La suma de cuadrados del error es

SCE = SCT SCA SCB SCAB. y SCE tiene 4(n 1) grados de libertad. La tabla de anlisis de la varianza es, entonces, F. V. Factor A Factor B Interaccin Residual Total Ejemplo Se trata de estudiar la inuencia de los factores: Temperatura (1: alta 0: baja) y Catalizador (1: se usa 0: no se usa) en la variable respuesta: dureza de un material cermico. Los datos son: Replicacin Combinacin 1 2 Respuesta total Codicacin (0, 0) 86 92 178 (1) (0, 1) 47 39 86 a (1, 0) 104 114 218 b (1, 1) 141 153 294 ab y = 776 Los efectos medios y las medias de cuadrados son 294 + 86 218 178 = 4 4 294 + 218 86 178 = 62 B = 4 294 + 178 86 218 = 42. AB = 4 A = 26 S. C. SCA SCB SCAB SCE SCT G. L. M. C. 1 1 1 4(n 1) MCE = 4n 1 F SCA FA = MC E SCB FB = MC E AB FAB = SC MCE

SCE 4(n1)

(4A)2 = 32 SCA = 42 (4B )2 = 7688 SCB = 42 (4AB )2 = 3528 SCAB = 42 SCT = (862 + + 1532 ) SCE = 172. La tabla de anlisis de la varianza es F. V. Factor A Factor B Interaccin Residual Total S. C. 32 7688 3528 172 11420 G. L. M. C. 1 32 1 7688 1 3528 4 43 7 F FA = 0,74 FB = 178,79 FAB = 82,05 7762 = 11420 8

De modo que el factor B y la interaccin entre A y B son signicativos al nivel 0,05, ya que F1,4;00 05 = 7,71.

El diseo 23
Se introduce un breve resumen de este modelo. Supongamos que se tienen tres factores binarios A, B y C . El nmero de posibles combinaciones es 8, y con n replicaciones se tiene un total de 8n observaciones. Para calcular los efectos se puede usar la siguiente tabla o matriz de diseo : Combinacin de Efecto Factorial (1) a b ab c I + + + + + A + + B + + AB + + + C + AC + + + + BC ABC + + - + 27 Factores ac bc abc + + + + + + + + + + + + + + + +

La primera la es la identidad y cualquier la multiplicada por ella permanece invariante. El resto de las tiene el mismo nmero de signos + y signos . Se pueden obtener los contrastes y los efectos sustituyendo los signos + por 1 y los por 1, como se ve a continuacin. Por otro lado se pueden obtener las distintas las a partir del producto entre ellas, por ejemplo: A B = AB, (AB ) (B ) = A B 2 = A, (AC ) (BC ) = A C 2 B = AB Estimacin de los efectos: Los efectos medios se calculan a partir de los contrastes indicados en la tabla anterior partidos entre 4n: A = B = C = AB = AC = BC = ABC = 1 [a (1) + ab b + ac c + abc bc] 4n 1 [b + ab + bc + abc (1) a c ac] 4n 1 [c + ac + bc + abc (1) a b ab] 4n 1 [(1) + ab + c + abc a b ac bc] 4n 1 [(1) + b + ac + abc a ab c bc] 4n 1 [(1) + a + bc + abc b ab c ac] 4n 1 [abc + a + b + c ab ac bc (1)] 4n

Las sumas de los cuadrados son, en cada caso, de manera semejante al diseo 22 , SCEf ec Ejemplo Supongamos la siguiente tabla con n = 2 rplicas Contraste2 = 8n

28

Factor B 0 1 Factor A Factor C Factor 0 1 0 0 4 7 20 5 9 14 1 4 2 4 11 7 6 Se tiene que

C 1 10 6 14 16

(1) = 9 c = 16 b = 34 bc = 16 a = 15 ac = 9 ab = 10 abc = 30

A = B = C = AB = AC = BC = ABC = Como, en cada caso,

1 11 [15 9 + 10 34 + 9 16 + 30 16] = = 1,375 8 8 1 41 [34 + 10 + 16 + 30 (9 + 15 + 16 + 9)] = = 5,125 8 8 1 3 [16 + 9 + 16 + 30 (9 + 15 + 34 + 10)] = = 0,375 8 8 9 1 [9 + 10 + 16 + 30 (15 + 34 + 9 + 16)] = = 1,125 8 8 25 1 [9 + 34 + 9 + 30 (15 + 10 + 16 + 16)] = = 3,125 8 8 1 1 [9 + 15 + 16 + 30 (34 + 10 + 16 + 9)] = = 0,125 8 8 51 1 [30 + 15 + 34 + 16 (10 + 9 + 16 + 9)] = = 6,375 8 8 Contraste2 8n

SCEf ec =

29

se tiene que SCA = SCB = SCC = SCAB = SCAC = SCBC = SCABC = y SCT = (42 + 52 + + 142 + 162 ) SCE = 69,52 La tabla de anlisis de la varianza es F. V. Factor A Factor B Interaccin Factor C Interaccin Interaccin Interaccin Residual Total S. C. 7,56 105,06 5,06 0,56 39,06 0,06 162,56 69,52 389,44 G. L. M. C. 1 7,56 1 105,06 1 5,06 1 0,56 1 39,06 1 0,06 1 162,56 8 8,62 15 F 0,87 12,09 0,58 0,06 4,49 0,01 18,71 1 1392 = 389,44 16 1 2 11 = 7,56 16 1 2 41 = 105,06 16 1 2 3 = 0,56 16 1 2 9 = 5,06 16 1 2 25 = 39,06 16 1 2 1 = 0,06 16 1 2 51 = 162,56 16

AB AC BC ABC

Como el valor de la F de Snedecor F1,8,0,05 = 5,32, entonces los valores marcados con son signicativos a nivel 0,05.

30

Aplicacin con R
Se puede usar la librera Rcmdr de R:
library(Rcmdr) Commander() Datos <- read.table("C:/CursoCIII/Disenno/Practicas06/dat2Fac.txt", header=TRUE, sep="", na.strings="NA", dec=".", strip.white=TRUE) Datos$Mat <- as.factor(Datos$Mat) Datos$Temp <- factor(Datos$Temp, labels=c('-10','15','32')) Anova(lm(Resist ~ Mat*Temp, data=Datos)) tapply(Datos$Resist, list(Mat=Datos$Mat, Temp=Datos$Temp), mean, na.rm=TRUE) # means tapply(Datos$Resist, list(Mat=Datos$Mat, Temp=Datos$Temp), sd, na.rm=TRUE) # std. deviations tapply(Datos$Resist, list(Mat=Datos$Mat, Temp=Datos$Temp), function(x) sum(!is.na(x))) # counts plotMeans(Datos$Resist, Datos$Mat, Datos$Temp, error.bars="none") #............................................................................... cosa <- read.table("C:/... /dat2Fac.txt", header=TRUE) attach(cosa) Mat <- as.factor(Mat) Temp <- as.factor(Temp) par(pty="s") par(mfrow=c(2,2)) plot.design(Resist ~ Mat*Temp) plot.design(Resist ~ Mat*Temp, fun=median) plot(Resist ~ Mat*Temp) modelo <- aov(Resist ~ Mat*Temp) summary(modelo) par(pty="s") par(mfrow=c(2,2)) plot(modelo) interaction.plot(Mat,Temp,Resist,type="l",xlab="Material",trace.label="temperatu ra",col=1:3) # Modelo de efectos aleatorios summary(aov(Resist ~ Mat+Temp + Error(Mat:Temp))) summary(aov(Resist ~ Mat:Temp + Error(Mat+Temp)))

31

Aplicacin con SAS


options ps=66 ls=80 nodate; title 'ANOVA bifactorial de efectos fijos'; data ano; input catilaz presion precip; datalines; 1 1 11 1 1 2 1 1 9 1 2 8 1 2 10 1 2 10 1 3 12 1 3 10 1 3 13 1 4 9 1 4 11 1 4 10 2 1 13 2 1 11 2 1 14 2 2 14 2 2 10 2 2 10 2 3 8 2 3 12 2 3 10 2 4 9 2 4 9 2 4 8 3 1 9 3 1 9 3 1 9 3 2 10 3 2 8 3 2 11 3 3 11 3 3 11 3 3 9 3 4 7 3 4 11 3 4 6 ; proc glm; class catilaz presion; model precip=catilaz presion catilaz*presion; run; quit; proc means noprint; var precip; by catilaz presion; output out=outmean mean=mn; run; quit; symbol i=join; proc gplot; plot mn*presion=catilaz;

32

run; quit; /* ------------------------------------------------------- */ proc glm; class catilaz presion; model precip=catilaz presion catilaz*presion; lsmeans catilaz | presion /tdiff adjust=tukey; run; quit; /* ------------------------------------------------------- */ proc glm; class catilaz presion; model precip=catilaz presion catilaz*presion; output out=diag r=res p=pred; run; quit; symbol v=circle; proc univariate noprint; qqplot res / normal (l=1 mu=0 sigma=est); hist res / normal (l=1 mu=0 sigma=est); run; quit; proc gplot; plot res*catilaz; plot res*presion; plot res*pred; run; quit;

33

Dependent Variable: precip Sum of Squares 77.6666667 99.3333333 177.0000000

Source Model Error Corrected Total

DF 11 24 35

Mean Square 7.0606061 4.1388889

F Value 1.71

Pr > F 0.1325

R-Square 0.438795

Coeff Var 20.68908

Root MSE 2.034426

precip Mean 9.833333

Source catilaz presion catilaz*presion

DF 2 3 6

Type I SS 13.16666667 15.22222222 49.27777778

Mean Square 6.58333333 5.07407407 8.21296296

F Value 1.59 1.23 1.98

Pr > F 0.2245 0.3219 0.1078

Source catilaz presion catilaz*presion

DF 2 3 6

Type III SS 13.16666667 15.22222222 49.27777778

Mean Square 6.58333333 5.07407407 8.21296296

F Value 1.59 1.23 1.98

Pr > F 0.2245 0.3219 0.1078

The GLM Procedure Least Squares Means Adjustment for Multiple Comparisons: Tukey precip LSMEAN 9.5833333 10.6666667 9.2500000 LSMEAN Number 1 2 3

catilaz 1 2 3

Least Squares Means for Effect catilaz t for H0: LSMean(i)=LSMean(j) / Pr > |t| Dependent Variable: precip i/j 1 2 3 1.304355 0.4065 -0.40134 0.9154 1 2 -1.30436 0.4065 3 0.40134 0.9154 1.705695 0.2237

-1.7057 0.2237

34

Least Squares Means Adjustment for Multiple Comparisons: Tukey precip LSMEAN 9.6666667 10.1111111 10.6666667 8.8888889 LSMEAN Number 1 2 3 4

presion 1 2 3 4

Least Squares Means for Effect presion t for H0: LSMean(i)=LSMean(j) / Pr > |t| Dependent Variable: precip i/j 1 2 3 4 0.463428 0.9663 1.042712 0.7265 -0.811 0.8486 1 2 -0.46343 0.9663 3 -1.04271 0.7265 -0.57928 0.9373 4 0.810998 0.8486 1.274426 0.5874 1.85371 0.2741

0.579284 0.9373 -1.27443 0.5874

-1.85371 0.2741

Least Squares Means Adjustment for Multiple Comparisons: Tukey precip LSMEAN 7.3333333 9.3333333 11.6666667 10.0000000 12.6666667 11.3333333 10.0000000 8.6666667 9.0000000 9.6666667 10.3333333 8.0000000 LSMEAN Number 1 2 3 4 5 6 7 8 9 10 11 12

catilaz 1 1 1 1 2 2 2 2 3 3 3 3

presion 1 2 3 4 1 2 3 4 1 2 3 4

35

Least Squares Means for Effect catilaz*presion t for H0: LSMean(i)=LSMean(j) / Pr > |t| Dependent Variable: precip i/j 1 2 3 4 5 6 1.20402 0.9834 2.60871 0.3277 1.60536 0.8908 3.21072 0.1131 2.40804 0.4372 1 2 -1.20402 0.9834 3 -2.60871 0.3277 -1.40469 0.9514 4 -1.60536 0.8908 -0.40134 1.0000 1.00335 0.9961 5 -3.21072 0.1131 -2.0067 0.6852 -0.60201 1.0000 -1.60536 0.8908 6 -2.40804 0.4372 -1.20402 0.9834 0.20067 1.0000 -0.80268 0.9995 0.80268 0.9995

1.40469 0.9514 0.40134 1.0000 2.0067 0.6852 1.20402 0.9834

-1.00335 0.9961 0.60201 1.0000 -0.20067 1.0000

1.60536 0.8908 0.80268 0.9995

-0.80268 0.9995

Least Squares Means for Effect catilaz*presion t for H0: LSMean(i)=LSMean(j) / Pr > |t| Dependent Variable: precip i/j 1 2 3 4 5 6 7 -1.60536 0.8908 -0.40134 1.0000 1.00335 0.9961 0 1.0000 1.60536 0.8908 0.80268 0.9995 8 -0.80268 0.9995 0.40134 1.0000 1.80603 0.7999 0.80268 0.9995 2.40804 0.4372 1.60536 0.8908 9 -1.00335 0.9961 0.20067 1.0000 1.60536 0.8908 0.60201 1.0000 2.20737 0.5598 1.40469 0.9514 10 -1.40469 0.9514 -0.20067 1.0000 1.20402 0.9834 0.20067 1.0000 1.80603 0.7999 1.00335 0.9961 11 -1.80603 0.7999 -0.60201 1.0000 0.80268 0.9995 -0.20067 1.0000 1.40469 0.9514 0.60201 1.0000 12 -0.40134 1.0000 0.80268 0.9995 2.20737 0.5598 1.20402 0.9834 2.80938 0.2368 2.0067 0.6852

36

Least Squares Means Adjustment for Multiple Comparisons: Tukey Least Squares Means for Effect catilaz*presion t for H0: LSMean(i)=LSMean(j) / Pr > |t| Dependent Variable: precip i/j 7 8 9 10 11 12 1 1.60536 0.8908 0.80268 0.9995 1.00335 0.9961 1.40469 0.9514 1.80603 0.7999 0.40134 1.0000 2 0.40134 1.0000 -0.40134 1.0000 -0.20067 1.0000 0.20067 1.0000 0.60201 1.0000 -0.80268 0.9995 3 -1.00335 0.9961 -1.80603 0.7999 -1.60536 0.8908 -1.20402 0.9834 -0.80268 0.9995 -2.20737 0.5598 4 0 1.0000 -0.80268 0.9995 -0.60201 1.0000 -0.20067 1.0000 0.20067 1.0000 -1.20402 0.9834 5 -1.60536 0.8908 -2.40804 0.4372 -2.20737 0.5598 -1.80603 0.7999 -1.40469 0.9514 -2.80938 0.2368 6 -0.80268 0.9995 -1.60536 0.8908 -1.40469 0.9514 -1.00335 0.9961 -0.60201 1.0000 -2.0067 0.6852

Least Squares Means for Effect catilaz*presion t for H0: LSMean(i)=LSMean(j) / Pr > |t| Dependent Variable: precip i/j 7 8 9 10 11 12 -0.80268 0.9995 -0.60201 1.0000 -0.20067 1.0000 0.20067 1.0000 -1.20402 0.9834 7 8 0.80268 0.9995 9 0.60201 1.0000 -0.20067 1.0000 10 0.20067 1.0000 -0.60201 1.0000 -0.40134 1.0000 11 -0.20067 1.0000 -1.00335 0.9961 -0.80268 0.9995 -0.40134 1.0000 12 1.20402 0.9834 0.40134 1.0000 0.60201 1.0000 1.00335 0.9961 1.40469 0.9514

0.20067 1.0000 0.60201 1.0000 1.00335 0.9961 -0.40134 1.0000

0.40134 1.0000 0.80268 0.9995 -0.60201 1.0000

0.40134 1.0000 -1.00335 0.9961

-1.40469 0.9514

37

The UNIVARIATE Procedure Fitted Distribution for res Parameters for Normal Distribution Parameter Mean Std Dev Symbol Mu Sigma Estimate 0 1.661102

Goodness-of-Fit Tests for Normal Distribution Test Cramer-von Mises Anderson-Darling ---Statistic---W-Sq A-Sq 0.07858188 0.51155988 -----p Value----Pr > W-Sq Pr > A-Sq >0.250 >0.250

Quantiles for Normal Distribution ------Quantile-----Observed Estimated -5.33333 -2.00000 -1.66667 -1.33333 0.16667 0.83333 2.00000 3.00000 3.66667 -3.864301 -2.732269 -2.128788 -1.120396 -0.000000 1.120396 2.128788 2.732269 3.864301

Percent 1.0 5.0 10.0 25.0 50.0 75.0 90.0 95.0 99.0

38

39

options ls=72 nodate nonumber; title 'ANOVA BIFACTORIAL DE EFECTOS ALEATORIOS'; data ano; input zona $ tienda ventas; cards; A 1 59 A 1 61 A 1 61 A 1 59 A 2 60 A 2 63 A 2 55 A 2 57 A 3 63 A 3 67 A 3 65 A 3 60 A 4 66 A 4 64 A 4 61 A 4 68 B 1 61 B 1 64 B 1 67 B 1 62 B 2 69 B 2 64 B 2 62 B 2 69 B 3 66 B 3 71 B 3 68 B 3 68 B 4 62 B 4 69 B 4 68 B 4 71 C 1 71 C 1 70 C 1 68 C 1 74 C 2 66 C 2 72 C 2 67 C 2 72 C 3 75 C 3 69 C 3 76 C 3 68 C 4 69 C 4 70 C 4 69 C 4 77 ; proc glm; class zona tienda ; model ventas= zona|tienda ; random zona tienda zona*tienda/test; run; proc varcomp method=type1; class zona tienda ;

40

model ventas= zona|tienda run;

Dependent Variable: ventas Sum of Squares 817.062500 355.250000 1172.312500

Source Model Error Corrected Total

DF 11 36 47

Mean Square 74.278409 9.868056

F Value 7.53

Source Model Error Corrected Total

Pr > F <.0001

R-Square 0.696966

Coeff Var 4.737186

Root MSE 3.141346

ventas Mean 66.31250

Source zona tienda zona*tienda

DF 2 3 6 Source zona tienda zona*tienda

Type I SS 648.0000000 123.7291667 45.3333333

Mean Square 324.0000000 41.2430556 7.5555556

F Value 32.83 4.18 0.77

Pr > F <.0001 0.0123 0.6017

Source zona tienda zona*tienda

DF 2 3 6 Source zona tienda zona*tienda

Type III SS 648.0000000 123.7291667 45.3333333

Mean Square 324.0000000 41.2430556 7.5555556

F Value 32.83 4.18 0.77

Pr > F <.0001 0.0123 0.6017

Source zona tienda zona*tienda

Type III Expected Mean Square Var(Error) + 4 Var(zona*tienda) + 16 Var(zona) Var(Error) + 4 Var(zona*tienda) + 12 Var(tienda) Var(Error) + 4 Var(zona*tienda)

41

Type 1 Estimates Variance Component Var(zona) Var(tienda) Var(zona*tienda) Var(Error) Estimate 19.77778 2.80729 -0.57813 9.86806

42

options ls=80 ps=66 nodate; data ano; input materi tempera durac; title 'ANOVA bifactorial efectos mixtos'; datalines; 1 1 130 1 1 155 1 1 74 1 1 180 1 2 34 1 2 40 1 2 80 1 2 75 1 3 20 1 3 70 1 3 82 1 3 58 2 1 150 2 1 188 2 1 159 2 1 126 2 2 136 2 2 122 2 2 106 2 2 115 2 3 25 2 3 70 2 3 58 2 3 45 3 1 138 3 1 110 3 1 168 3 1 160 3 2 174 3 2 120 3 2 150 3 2 139 3 3 96 3 3 104 3 3 82 3 3 60 ; proc mixed covtest; class materi tempera; model durac=materi; random tempera materi*tempera; run; quit;

43

ANOVA bifactorial efectos mixtos The Mixed Procedure Model Information Data Set Dependent Variable Covariance Structure Estimation Method Residual Variance Method Fixed Effects SE Method Degrees of Freedom Method WORK.ANO durac Variance Components REML Profile Model-Based Containment

Class Level Information Class materi tempera Levels 3 3 Values 1 2 3 1 2 3

Dimensions Covariance Parameters Columns in X Columns in Z Subjects Max Obs Per Subject Observations Used Observations Not Used Total Observations 3 4 12 1 36 36 0 36

Iteration History Iteration 0 1 Evaluations 1 1 -2 Res Log Like 352.41258855 327.91147422 Criterion 0.00000000

Convergence criteria met.

Covariance Parameter Estimates Standard Error 1636.09 427.35 183.77 Z Value 0.87 1.01 3.67

Cov Parm tempera materi*tempera Residual

Estimate 1429.66 432.06 675.21

Pr Z 0.1911 0.1560 0.0001

44

Fit Statistics -2 Res Log Likelihood AIC (smaller is better) AICC (smaller is better) BIC (smaller is better) 327.9 333.9 334.7 331.2

Type 3 Tests of Fixed Effects Num DF 2 Den DF 4

Effect materi

F Value 2.22

Pr > F 0.2243

OTRA OPCION:
options ls=76 nodate nonumber; title 'ANOVA bifactorial efectos mixtos'; data ano; input materi tempera durac; cards; 1 1 130 1 1 155 . . . 3 3 82 3 3 60 proc anova; class materi tempera; model durac=materi tempera materi|tempera ; test h=tempera e=materi*tempera; test h=materi e=materi*tempera; run; Sum of Squares 59416.22222 18230.75000 77646.97222

Source Model Error Corrected Total R-Square 0.765210 Source materi*tempera

DF 8 27 35

Mean Square 7427.02778 675.21296

F Value 11.00

Pr > F <.0001

Coeff Var 24.62372 DF 4

Root MSE 25.98486

durac Mean 105.5278 F Value Pr > F 3.56 0.0186

Anova SS 9613.77778

Mean Square 2403.44444

Tests of Hypotheses Using the Anova MS for materi*tempera as an Error Term Source tempera materi DF 2 2 Anova SS 39118.72222 10683.72222 Mean Square 19559.36111 5341.86111 F Value 8.14 2.22 Pr > F 0.0389 0.2243

45