Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Diseño de Experimentos
Diseño de Experimentos
La superficie de respuesta del segundo orden dado por E(Y) puede ser una
parbola, hperbola,
elipse o sus generalizaciones correspondientes en el caso k-dimensional.
As tambin en el
caso de que fuera necesario, superficies polinomiales de orden superior a
dos, se pueden
utilizar. Una superficie polinomial de esta naturaleza, se debe considerar
solo como una
aproximacin de la verdadera relacin funcional en el interior de una
regin considerada en
el experimento. Una extrapolacin que intenta hacer predicciones fuera de
la regin experimental
puede ser arriesgada y no confiable.
Nmero de
factores
3
4
5
5
6
Tamao del
experimento
Fraccin
8
8
8
16
8
Propiedades:
1
1/2
1/4
1/2
1/8
factorial comple to, 2p-1 sern inseparable del parmetro 0 en el modelo y los
restantes
2k - 2p efectos sern mutuamente inseparables en conjuntos de 2p, siendo el
nmero de
tales conjuntos igual a 2k-p.
Mayores detalles de la construccin de los experimentos factoriales
fraccionados se pueden
obtener en Raghava Rao (1971).
(5-1): Diseos de segundo orden:
Los diseos de segundo orden permiten la estimacin de parmetros de un
modelo polinomial
de grado dos. Ejemplos simples de este tipo de diseos son las series de 3k
factorial. La
desventaja de la serie 3k es que con k >3, el nmero de puntos
experimentales que se requieren
para conducir el experimento, llega a ser muy alto. Adems los parmetros
11, ... , kk ; en
general se estiman con precisin relativamente baja. Box y Wilson (1951)
han desarrollado una
familia de diseos llamados diseos compuestos que son mas
convenientes para este propsito
y se presentan a continuacin:
(5-2): Construccin de diseos compuestos centrales:
(-, 0, ... , 0); (, 0, ... , 0); (0, -, ... ,0); (0, , ... ,0); ... ; (0, 0, ... , -,); (0,
0, ... , ,)
2
3
4
0,7844
0,8385
0,8704
5
6
7
8
0,8918
0,9070
0,9184
0,9274
OBS
TIEMPO
OTEMP
OTIEMPO
TEMP
93.6
125.90
171.9
-1.00000
91.7
125.90
218.1
-1.00000
92.5
145.90
171.9
1.00000
92.9
145.90
218.1
1.00000
96.2
135.90
195.0
0.00000
97.0
135.90
195.0
0.00000
92.7
121.75
195.0
-1.41421
92.8
150.04
195.0
1.41421
93.4
135.90
162.3
0.00000
10
92.7
135.90
227.7
0.00000
-1.00000
1.00000
-1.00000
1.00000
0.00000
0.00000
0.00000
0.00000
-1.41421
1.41421
Ratio
3.446
102.9
11.652
44.849
Regression
Prob > F
Degrees
of
Freedom
Linear
0.1349
Quadratic
0.0004
Crossproduct
0.0269
Total Regress
0.0013
Degrees
Type I Sum
of Squares
93.550000
0.336892
0.9825
0.3601
R-Square
0.782267
0.0302
23.346250
0.9012
1.322500
0.0511
25.451016
0.9825
F-
of
Freedom
Ratio
Residual
Prob > F
Lack of Fit
0.9247
Pure Error
Total Error
0.140
Sum of
Squares
Mean Square
0.133984
0.044661
1
4
0.320000
0.453984
0.320000
0.113496
Degrees
F-
of
Parameter
Standard
Freedom
Estimate
Error
H0:
Parameter
Prob > |T|
INTERCEPT
0.0000
TEMP
0.8125
TIEMPO
0.0592
TEMP*TEMP
0.0002
TIEMPO*TEMP
0.0269
TIEMPO*TIEMPO
0.0003
Factor
Degrees
of
Freedom
T for
Parameter=0
96.600000
0.238218
405.5
0.030178
0.119109
0.253
-0.311244
0.119109
-2.613
-1.981250
0.157567
-12.574
0.575000
0.168446
3.414
-1.831250
0.157567
-11.622
Sum of
Squares
Mean Square
F-Ratio
Prob > F
TEMP
3
19.274250
6.424750
56.608
0.0010
TEMPERATURA (CENTIGRADO)
TIEMPO
3
17.427660
5.809220
51.184
0.0012
TIEMPO (SEGUNDOS)
Ejemplo: Khuri y Cornell, Pgina
170
4
Canonical Analysis of Response Surface
(based on coded data)
Factor
Critical Value
Coded
Uncoded
(CENTIGRADO)
TEMP
-0.003412
-0.004826
TEMPERATURA
TIEMPO
-0.060627
-0.085739
TIEMPO
(SEGUNDOS)
Predicted value at stationary point
Eigenvalues
-3.218257
-4.406743
96.613270
Eigenvectors
TIEMPO
TEMP
0.611383
0.791335
0.791335
-0.611383
Bibliografa:
(1): Box, G.E. P. y J.S. Hunter (1951): Multifactor experimental designs for
exploring response
surfaces. J.R.S.S. ser. B, vol. 13, No. 1, 195-240.
(2): Box, G.E. P. y K.B. Wilson (1951): On experimental attainment of optimum
conditions.
J.R.S.S. ser. B, vol 13, No. 1 -45.
(3): Cornell, John A:(1990.): How to apply response surface methodology.
Milwaukee, WI .
(4): Khuri, Andr I. y John A. Cornell.(1996): Response surfaces : designs and
analyses .
Marcel Dekker, New York .
G.L.
S.C.
(k-1)
S1
S2
M2 = S2 / k(n-1)
Tratamientos
Total
C.M.
H0
kn-1
Comentarios:
1. Este diseo tambin se llama el Diseo de clasificacin simple.
2. El diseo completamente aleatorio solo debe ser usado cuando el material
experimental es totalmente homogneo.
3. Este diseo no es apto para ser usado en el campo experimental, pero puede ser
usado en un experimento en laboratorios y tambin invernaderos.
Regresar al Men anterior:
G.L.
S.C.
C.M.
H0
Tratamientos
(k-1)
S1
Error
experimental
ni. - k S2
Total
ni. -1
M1 = S1 / (k-1)
M2 = S2 / (ni. k)
F.V.
G.L.
Tratamientos
Error experimental
S.C.
C.M.
(k-1)
S1
M1 = S1 / (k-1)
k(n-1)
S2
M2 = S2 / k(n-1)
Total
H0
F = M1/M2
kn-1
F.V.
G.L.
S.C.
C.M.
H0
Tratamientos
(k-1)
S1 M1 = S1 / (k-1)
Bloques
(n-1)
S2 M2 = S2 / (n-1)
Error
experimental
(k-1)(n1)
S3
Total
kn-1
S4
M3 = S3 /[ (k-1)(n1)]
1,...,k
1,...,n
F.V.
G.L.
S.C.
C.M.
H0
Tratamientos
(k-1)
S1 M1 = S1 / (k-1)
F1 = M1/M3
Bloques
(n-1)
S2 M2 = S2 / (n-1)
F2 = M2/M3
Error experimental
(k-1)(n-1)
S3 M3 = S3 /[ (k-1)(n-1)]
Total
kn-1
S4
F.V.
G.L.
C.M.
H0
Tratamientos
(k-1)
S1 M1 = S1 / (k-1)
Bloques
(n-1)
S2 M2 = S2 / (n-1)
F2 = M2/M3
Error
experimental
(k-1)(n1)
S3
Total
kn-1
S4
S.C.
M3 = S3 /[ (k-1)(n1)]
1,...,k
F.V.
G.L.
S.C.
C.M.
H0
Filas
(a -1)
S1 M1 = S1 / (a-1)
Columnas
(a -1)
S2 M2 = S2 / (a-1)
Tratamientos
(a-1)
S3 M3 = S3 / (a-1)
Error
experimental
(a-1)(a
-2)
S4
Total
a2-1
S5
1,...,a
1,...,a
1,...,a
M4 = S4 /[ (a-1)(a2)]
F.V.
A
G.L.
(a -1)
S.C.
C.M.
S1 M1 = S1 / (a-1)
F
F1 =
M1/M4
H0
i; para todo i = 1,...,a
F2 =
M2/M4
(b -1)
S2 M2 = S2 / (b-1)
AB
(a-1)(b1)
S3
M3 = S3 / [(a-1) F3 =
(b-1)]
M3/M4
Error
experimental
ab(n-1)
S4
M4 = S4 /
[ ab(n-1)]
Total
abn-1
S5
F.V.
G.L.
S.C.
C.M.
H0
(a -1)
S1 M1 = S1 / (a-1)
F1 =
M1/M8
i; para todo i =
(b -1)
S2 M2 = S2 / (b -1)
F2 =
M2/M8
j; para todo j =
(c-1)
S3 M3 = S3 / (c-1)
F3 =
M3/M8
k; para todo k =
AB
(a -1)(b -1)
S4
M4 = S4 /(a -1)(b F4 =
-1)
M4/M8
ij = 0 para todo i y
j
AC
(a -1)(c-1)
S5
M5 = S5 /(a -1)
(c-1)
F5 =
M5/M8
ik = 0 para todo i y
k
BC
(b -1)(c-1)
S6
M6 = S6 /(b -1)
(c-1)
F6 =
M6/M8
jk = 0 para todo j y
k
1,...,a
1,...,b
1,...,c
ABC
(a -1)(b -1)
(c-1)
S7
Error
experimental
abc(n-1)
S8
M8 = S8 /[ abc(n1)]
Total
abcn -1
S9
F7 =
M7/M8
Anlisis Grfico: 1
2
experimento se vuelven a
analizar en el ejemplo 1.2 considerando los tratamientos como cuantitativos.
Tabla 1.1.1: Datos experimentales:
Los datos que corresponden a un mismo tratamiento se tabulan en una misma fila.
Tratamiento 1: 7 7 15 11 9
Tratamiento 2: 12 17 12 18 18
Tratamiento 3: 14 18 18 19 19
Tratamiento 4: 19 25 22 19 23
Tratamiento 5: 7 10 11 15 11
Salida SAS
Tabla 1.1.2: Tabla de ANDEVA: Diseo Completamente aleatorio
General Linear Models Procedure
Dependent Variable: Y
Source
Pr > F
Model
0.0001
Error
Corrected Total
DF
Sum of
Squares
Mean
Square
F Value
475.76000
118.94000
14.76
20
24
161.20000
636.96000
8.06000
R-Square
C.V.
Root MSE
0.746923
18.87642
2.8390
DF
Type I SS
Mean Square
F Value
118.94000
14.76
Mean
15.040
Source
Pr > F
Tratamientos
0.0001
475.76000
Modelo Lineal:
Yij = iij ; i = 1,...,k ; j = 1,..,n ij ~ NID(0, )
iel efecto del tratamiento i - simo; ij = error aleatorio para j - sima observacin
en el tratamiento i - simo.
En este ejemplo tenemos k = 5 y n = 5 ;
Hiptesis nula y alternante:
0 :i ; para todo i = 1,...,k; A :i ; para algn i = 1,...,k;
Otra forma equivalente de enunciar las mismas hiptesis es:
0 : 1 = 2 = ... = k ; en que i es el promedio poblacional del tratamiento i simo, i = 1,...,k ;
HA : No todos los promedios poblacionales de tratamientos son iguales.
Ya que el valor de F para tratamientos es significativo para = 0,05, obtenemos la
conclusin estadstica que los promedios poblacionales de los 5 tratamientos son
diferentes. Debemos realizar anlisis posterior por el mtodo del Rango mltiple de
Duncan para determinar cual es el mejor tratamiento.
Tabla 1.1.3:
Duncan:
rate,
Mean
21.600
30
B
B
B
17.600
25
15.400
20
C
C
C
10.800
35
9.800
15
Ya que los tratamientos son caracterizados por diferentes porcentajes del algodn
(15, 20, 25, 30 y 35 ) y se encuentran igualmente espaciados, podemos usar el
mtodo de polinomios ortogonales como un mtodo del anlisis posterior.Como un
primer paso calculamos por SAS la significacin de los diferentes componentes de
polinomios ortogonales (ver la Tabla 1.2.1). El polinomio ortogonal es de grado
tres, ya que el componente cuartico no es significativo (estamos usando = 0,05) y
adems el componente cbico si es significativo. A continuacin se desarrolla el
2do. paso que consiste en hallar la ecuacin polinmica ortogonal estimada de
tercer grado.
Tabla 1.2.2:
DE Y SOBRE X:
General Linear Models Procedure
Dependent Variable: Y
Source
Pr > F
Model
0.0001
Error
Corrected Total
Mean
DF
Sum of
Squares
Mean
Square
F Value
441.81429
147.27143
15.85
21
24
195.14571
636.96000
9.29265
R-Square
C.V.
Root MSE
0.693630
20.26852
3.0484
DF
Type I SS
Mean Square
F Value
33.62000
33.62000
3.62
343.21429
343.21429
36.93
64.98000
64.98000
6.99
15.040
Source
Pr > F
X
0.0710
X*X
0.0001
X*X*X
0.0152
T for H0:
Error of
Parameter
Estimate
INTERCEPT
39.75743623
X
5.19660897
X*X
0.21604552
X*X*X
0.00287405
Pr > |T|
Estimate
Parameter=0
62.61142857
1.57
0.1302
-9.01142857
-1.73
0.0976
0.48142857
2.23
0.0369
-0.00760000
-2.64
0.0152
Std
En este 2do. paso , se vuelve a usar el Proc. GLM pero esta vez considerando ambas
variables y e x, en que y es la variable respuesta, siendo x el porcentaje del
algodn. En la instruccin Model del Proc GLM, se declara un modelo del tercer
grado y se obtiene la tabla del Andeva y la estimacin de los parmetros.
No se debe tomar en cuenta la significacin de los componentes en la tabla de
Andeva 1.2.2, porque este paso ya se hizo en la tabla 1.2.1. El clculo de
significacin en la tabla 1.2.2. usa el error de la tabla 1.1.2 que tiene 20 g.l. En
cambio la tabla 1.2.2 usa error con 21 g.l. Este grado de libertad adicional es por el
componente cuartico que automticamente el Proc GLM suma al trmino del error
en la tabla 1.2.2 ya que al no ser significativo en la tabla 1.2.1, se excluy este
trmino en la declaracin del modelo del Proc GLM para generar la tabla 1.2.2 .
La informacin mas
importante que se
consigue en la tabla
1.2.2 es la funcin
polinmica estimada de
tercer grado, la cual es:
Y(estimada) =
62.61142857
-9.01142857*X +
0.48142857*X*X
-0.0076*X*X*X
en que Y es la
resistencia y X es el
porcentaje del algodn.
Se puede maximizar esta
funcin y para hacer
esto se calcula la
derivada de
Y(estimada ) con
respecto X. Luego se
iguala la expresin de la
derivada a cero y se
obtiene una ecuacin
cuadrtica cuya solucin
produce el valor del X
para el cual se obtiene
mximo de
Y(estimada).
Se podr
verificar que el
mximo de la
resistencia se
produce para X =
28.23 y el valor
del mximo es
20.90
Conclusin:
La relacin ente la resistencia de la fibra sinttica y el porcentaje del algodn se
puede representar por la siguiente funcin polinmica estimado de grado tres:
Y(estimada) = 62.61142857 -9.01142857*X + 0.48142857*X*X
-0.0076*X*X*X
41.0
17.9
23.8
19.6
39.4
37.1
42.8
21.8
59.9
41.9
36.1
21.1
46.4
43.6
35.1
43.4
37.9
69.3
63.8
50.7
70.8
57.7
51.1
46.5
Tabla 2.1.1: Anlisis de varianza para
Diseo B. A.
DF
Sum of
Squares
Mean
Square
F Value
6529.2027
725.4670
7.14
20
29
2033.4093
8562.6120
101.6705
R-Square
C.V.
Root MSE
0.762525
22.08317
10.083
45.660
Source
DF
Type I SS Mean Square
Pr > F
VARIEDADES
5
4541.6840
908.3368
0.0001
BLOQUES
4
1987.5187
496.8797
0.0065
Comentarios:
El Modelo Lineal del diseo usado en este experimento es:
F Value
8.93
4.89
simo. ij ~ NID(0, )
para i = 1,...,k ; j = 1,..,n ;)
Hiptesis nula y alternante:
H0: i; para todo i = 1,...,k;
Duncan:
Mean
VARIEDAD
A
A
A
61.080
60.640
B
B
B
B
B
44.820
44.540
35.900
26.980
C
C
C
Comentarios:
El uso del Rango mltiple de Duncan produce tres conjunto disjuntos de variedades.
El grupo con el mejor rendimiento consta de dos variedades que son las variedades
nmeros 5 y 6. Cualquiera de estas dos variedades se pueden usar y entre ellas no
existe diferencia significativa.
(2.2): Diseo Bloques aleatorios: (no balanceado con
efectos fijos)
Sum of
Squares
Mean
Square
F Value
62501.989
10416.998
1.79
7
13
40713.725
103215.714
5816.246
R-Square
C.V.
Root MSE
0.605547
8.029030
76.264
Source
Pr > F
BLOCK
0.2303
TRAT
0.2435
DF
Type I SS
Mean Square
F Value
42255.048
10563.762
1.82
20246.942
10123.471
1.74
Source
Pr > F
BLOCK
0.1785
TRAT
0.2435
DF
Type III SS
Mean Square
F Value
49805.025
12451.256
2.14
20246.942
10123.471
1.74
Source
Pr > F
Model
0.2316
Error
Corrected Total
Mean
949.86
Comentarios:
Este ejemplo tiene el propsito de ilustrar el procedimiento a usar y los aspectos
Pr > F
DF
Squares
Square
87.680000
9.742222
6
15
2.720000
90.400000
0.453333
R-Square
Y Mean
0.969912
10.450
C.V.
DF
Root
6.443065
Type I SS
Mean Square
FILAS
3
1.955000
0.651667
1.44
0.3219
COLUMNAS
3
6.800000
2.266667
5.00
0.0452
TRATAMIENTOS
3
78.925000
26.308333
58.03
0.0001
Comentarios:
Considerando el nivel de significacin = 0,05, observamos que el F
calculado para Filas no es significativo mientras el valor de F calculado
para columnas es significativo. Esto podra indicar que ha habido una falla
en
el planeamiento del diseo y/o la construccin de las columnas. Surgen
dudas sobre la justificacin del diseo utilizado, ya que se pudo utilizar el
diseo bloques aleatorios para controlar la variabilidad por columnas.
F para tratamientos es altamente significativo. Por lo tanto, se debe realizar
Anlisis del Rango Mltiple de Duncan para determinar el mejor
tratamiento. . Se omite este cmputo aqu, ya que sera similar como se ha
hecho esto en ejemplos anteriores.
(4): Experimentos Factoriales
(4.1): Experimento Factorial 2x4 en el Diseo B. A.
(4.1): Experimento Factorial 2x4 en el Diseo B. A.
* Datos: Li, J C. R., Capitulo 18: Introduction to Statistical
Inference
* Factores: Fecha de siembra con 2 niveles: Temprana , Tarda ;
* Factor: Abono con 4 niveles: Abono estndar, Areo, Na, y, K ;
* Nmero de bloques = 4 ;
* Variable respuesta: rendimiento por parcela de soya ;
* Tabulacin de datos:
*
Bloques
;
* Fecha de siembra Abono
1
2
3
4
;
*
Temprana
Abono estndar ;
*
Temprana
Areo
;
*
Temprana
Na
;
*
Temprana
K
;
* .... Despus siguen 4 lineas siguientes para fecha de siembra
tarda ....;
Datos:
28.6 36.8
32.7
32.6
29.1
28.4
29.2
30.3
32.7
29.2
27.4
28.2
32.3
30.8
30.6
26.0
27.7
31.6
31.0
29.1
29.3
32.0
30.9
33.8
30.3
32.7
32.7
31.7
33.0
31.8
33.9
29.4
General Linear Models Procedure
Dependent Variable: Y
Source
Pr > F
Model
0.0169
Error
Corrected Total
Mean
DF
Sum of
Squares
Mean
Square
F Value
10
94.100000
9.410000
2.97
21
31
66.438750
160.538750
3.163750
R-Square
C.V.
Root MSE
0.586151
5.773807
1.7787
DF
Type I SS
Mean Square
F Value
7.306250
2.435417
0.77
32.000000
32.000000
10.11
16.401250
5.467083
1.73
38.392500
12.797500
4.05
30.806
Source
Pr > F
BLOQUE
0.5238
FECHA
0.0045
ABONO
0.1919
FECHA*ABONO
0.0204
Comentarios:
Usaremos el nivel de significacin igual a 0,05 . Observamos que el valor de F
para bloques no es significativo. Esto indica que hubo una falla en el planeamiento
del experimento y/o en la construccin o orientacin de los bloques en el campo
experimental.
Los datos utilizados en este ejemplo proviene del libro de Steel, R.G.D. y Torrie,
J.H. 4 lotes de semillas de avena fueron usados como tratamientos principales. Hay
4 sub tratamientos que consisten en un testigo mas tres productos qumicos que
sirven para controlar una enfermedad de plantas. Se usaron 4 bloques.
Este diseo asigna la mxima precisin de estimacin al factor productos qumicos
(Sub Tratamientos) y la mnima precisin a al factor Lotes de semillas(Tratamiento
principal).
Tabulacin de datos:
Los datos se muestran en el programa de SAS. Las primeras 4 filas de datos
corresponden a los datos de los bloques 1 - 4, para el primer nivel del Tratamiento
principal. Dentro de cada fila hay 4 datos correspondientes a los 4 niveles de sub
tratamientos.
Las prximas 4 filas de datos corresponden a los datos de los bloques 1 - 4, para el
segundo nivel del Tratamiento principal. Dentro de cada fila hay 4 datos
correspondientes a los 4 niveles de sub tratamientos.
etc. y as sucesivamente hasta la tabulacin de las ltimas 4 filas correspondientes al
cuarto y ltimo nivel del Tratamiento principal.
Programa fuente SAS:
data pdivid ;
do tratprin = 1 to 4;
do bloques = 1 to 4;
do subtrat = 1 to 4;
input Y @;
output;
end;
input;
end;
end;
cards;
42.9 53.8 49.5 44.4
41.6 58.5 53.8 41.8
28.9 43.9 40.7 28.3
30.8 46.3 39.4 34.7
53.3 57.6 59.8 64.1
69.6 69.6 65.8 57.4
45.4 42.4 41.4 44.1
35.1 51.9 45.4 51.6
62.3 63.4 64.5 63.6
58.5 50.4 46.1 56.1
44.6 45.0 62.6 52.7
50.3 46.7 50.3 51.8
75.4 70.3 68.8 71.6
65.6 67.3 65.3 69.4
54.0 57.6 45.6 56.6
52.7
;
58.5
51.0
47.4
Sum of
Squares
Mean
Square
F Value
27
7066.1919
261.7108
12.89
36
731.2025
20.3112
63
7797.3944
Source
Pr > F
Model
0.0001
Error
Nombrarla como Error(b)
Corrected Total
R-Square
Mean
0.906225
C.V.
Root MSE
8.534077
4.5068
52.809
Source
DF
Type I SS
BLOQUES
3
2842.8731
0.0001
No usar esta Fila.
TRATPRIN
3
2848.0219
0.0001
No usar esta Fila.
BLOQUES*TRATPRIN
9
618.2944
0.0042
Nombrarla como Error(a)
SUBTRAT
3
170.5369
TRATPRIN*SUBTRAT
9
586.4656
Mean Square
947.6244
F Value
46.66
949.3406
46.74
68.6994
3.38
56.8456
65.1628
2.80
3.21
Pr > F
0.0539
0.0059
DF
Type I SS
Mean Square
F Value
BLOQUES
3
2842.8731
947.6244
13.79
0.0010
Usar esta Fila.
TRATPRIN
3
2848.0219
949.3406
13.82
0.0010
Usar esta Fila.
A continuacin se muestra la Tabla de Andeva definitiva.
Anlisis de Varianza
Fuentes de Variacin
G.L.
S.C.
C.M.
> F
BLOQUES
0.0010
TRATPRIN
0.0010
Error(a)
SUBTRAT
0.0539
TRATPRIN*SUBTRAT
0.0059
Error(b)
Corrected Total
Pr > F
2842.8731
947.6244
13.79
2848.0219
949.3406
13.82
9
3
618.2944
170.5369
68.6994
56.8456
2.80
586.4656
65.1628
3.21
36
63
731.2025
7797.3944
20.3112
Pr
Comentarios:
= 0,05.
F para bloques es significativo y esto indica que hubo justificacin en usar bloques
en el diseo para controlar la variabilidad.
Tratprin es la abreviatura para Tratamientos principales y tiene el valor de F
significativo, lo cual implica que hay diferencias significativas entre los promedios
poblacionales de los 4 lotes de semillas de avena.
La fuente de variacin Sub tratamientos no tiene el valor de F significativo y esto
seala que no existen diferencias significativas entre los promedios poblacionales de
los 4 productos qumicos.
Consideraremos el nivel de significacin
Anlisis Grfico:
En la grfica de la interaccin Tratamiento Principal x Sub
tratamiento, se observa la presencia de una interaccin por el
cambio en la direccin de la respuesta, ya que las lneas,
correspondientes a los tratamientos principales, muestran puntos
de interseccin.
La lnea de promedios correspondiente al Tratamiento
principal nmero 4, siempre se encuentra arriba de las
otras tres lneas restantes. Por lo tanto, el mejor
tratamiento principal, debera ser el cuarto, sujeto a
confirmacin del resultado del Anlisis de Duncan
Anlisis de Duncan:
Ya que la interaccin Tratamiento Principal x Sub
Tratamiento es significativa, no podemos realizar anlisis
posterior sobre los promedios de Tratamientos principales
y asimismo tampoco sobre los promedios de Sub
Tratamientos (adems este ltimo es no significativo). Se
puede hacer la comparacin entre los 16 tratamientos
combinaciones por el Anlisis de Duncan y el resultado de
este procedimiento podr ser usado para responder
preguntas inicialmente planteadas en el objetivo del
experimento.
Para realizar el cmputo del mtodo de Duncan, es
necesario obtener un estimacin del error experimental, la
cual se puede hallar por el promedio ponderado de los
cuadrados medios de los dos errores (a) y (b) en el diseo.
En este ejemplo, esta estimacin mancomunada tendr 45
g.l.
El Anlisis de Duncan revela que el mejor tratamiento es la
combinacin 42. Tambin se ha formado otro grupo que
contiene las combinaciones de tratamientos: 14 y 11, que
tiene los promedios ms bajos para la variable respuesta
rendimiento.
Utilizando los resultados del del Anlisis de Duncan,
tambin se puede determinar: (No se requiere a volver a
Los datos utilizados en este ejemplo proviene del libro de Montgomery, D. Se trata
de una investigacin mdica para estudiar el tiempo de absorcin de un cierto tipo
de cpsula antibitica. En esta investigacin se utilizaron 3 tcnicos como
Tratamientos principales, 3 dosis como Sub Tratamientos y 4 niveles de grosor de
la pared de cpsula como Sub Sub Tratamientos. El experimento se hizo en 4
bloques.
Este diseo asigna la mxima precisin de estimacin al factor grosor (Sub Sub
Tratamientos) , la mediana precisin al factor dosis (Sub Tratamientos) y la mnima
precisin al factor tcnico (Tratamiento principal).
Tabulacin de datos:
El esquema de la tabulacin de datos se presenta a continuacin. Los datos se
muestran en el programa de SAS.
Tcnico
----------------------------------------------------1
2
3
----------------------------------------------------Bloques Dosis 1 2 3 1 2 3 1 2 3
----------------------------------------------------Grosor - - - - - - - 1
- - - - - - - 1
2
- - - - - - - 3
- - - - - - - 4
- - - - - - - - indica un dato. Cada fila tiene 9 datos. Este esquema se repite para los 3
bloques restantes.
Programa fuente SAS:
title Parcelas sub divididas;
data psubdiv ;
do Bloques = 1 to 4;
do Grosor = 1 to 4;
do Tecnico = 1 to 3;
do dosis = 1 to 3 ;
input y @@;
output;
end;
end;
input;
end;
end;
cards;
95 71 108 96 70 108 95 70 100
104 82 115 99 84 100 102 81 106
101 85 117 95 83 105 105 84 113
108 85 116 97 85 109 107 87 115
95 78 110 100 72 104 92 69 101
106 84 109 101 79 102 100 76 104
103 86 116 99 80 108 101 80 109
109 84 110 112 86 109 108 86 113
96 70 107 94 66 100 90 73
98
105 81 106 100 84 101 97 75 100
106 88 112 104 87 109 100 82 104
113 90 117 121 90 117 110 91 112
90 68 109 98 68 106 98 72 101
100 84 112 102 81 103 102 78 105
102 85 115 100 85 110 105 80 110
114 88 118 118 85 116 110 95 120
;
proc print; run;
PROC GLM;
class Bloques Tecnico Dosis Grosor ;
model y = bloques tecnico bloques*tecnico dosis tecnico*dosis
dosis*bloques(tecnico)
grosor tecnico*grosor dosis*grosor tecnico*dosis*grosor/ss1 ;
test h=bloques tecnico e=bloques*tecnico;
test h=dosis tecnico*dosis e=dosis*bloques(tecnico);
Run;
Salida SAS:
Parcelas
subdivididas
General Linear Models Procedure
Dependent Variable: Y
Source
DF
Model
62
Error
81
esta F.V. como Error(c)
Corrected Total
143
Sum of
Squares
25921.472
723.188
Mean
Square
418.088
8.928
F Value
46.83
Pr > F
0.0001
Nombrar
26644.660
R-Square
C.V.
Root MSE
Y Mean
0.972858
3.074926
2.9880
97.174
Source
DF
Type I SS
Mean Square
F Value
Pr > F
BLOQUES
3
No usar esta Fila.
TECNICO
2
No usar esta Fila.
BLOQUES*TECNICO
6
Nombrarla como Error(a)
DOSIS
2
No usar esta Fila.
TECNICO*DOSIS
4
No usar esta Fila.
BLOQUE*DOSIS(TECNIC)
18
Nombrarla como Error(b)
GROSOR
3
TECNICO*GROSOR
6
DOSIS*GROSOR
6
TECNICO*DOSIS*GROSOR
12
48.410
16.137
1.81
0.1524
248.347
124.174
13.91
0.0001
161.153
26.859
3.01
0.0105
20570.056
10285.028
1151.97
0.0001
125.944
31.486
3.53
0.0105
226.000
12.556
1.41
0.1514
3806.910
126.486
402.278
205.889
1268.970
21.081
67.046
17.157
142.13
2.36
7.51
1.92
0.0001
0.0375
0.0001
0.0435
Mean Square
16.13657
124.17361
F Value
0.60
4.62
Pr > F
0.6378
0.0609
Source
DF
Type I SS Mean Square F Value
DOSIS
2
20570.056
10285.028
819.16
TECNICO*DOSIS
4
125.944
31.486
2.51
A continuacin se muestra la Tabla de Andeva definitiva.
Anlisis de Varianza
Fuentes de Variacin
G.L.
S.C.
C.M.
F
BLOQUES
3
48.40972
16.13657
0.60
TECNICO
2
248.34722
124.17361
4.62
Error(a)
6
161.153
26.859
DOSIS
2
20570.056
10285.028
819.16
TECNICO*DOSIS
4
125.944
31.486
2.51
Error(b)
18
226.000
12.556
GROSOR
3
3806.910
1268.970
142.13
TECNICO*GROSOR
6
126.486
21.081
2.36
DOSIS*GROSOR
6
402.278
67.046
7.51
TECNICO*DOSIS*GROSOR
12
205.889
17.157
1.92
Error(c)
81
723.188
8.928
Corrected Total
143
26644.660
Pr > F
0.0001
0.0784
DF
3
2
Type I SS
48.40972
248.34722
Pr > F
0.6378
0.0609
0.0001
0.0784
0.0001
0.0375
0.0001
0.0435
Comentarios:
El valor de F para Tcnico no es significativo. Esto indica que los tres Tcnicos han tenido
xito en conducir el experimento de una manera uniforme. Puesto que F para dosis es
significativo, podemos concluir que existen diferencias significativas entre las potencias de
las 3 dosis que se han probado en este experimento. La interaccin Tcnico*Dosis al no ser
significativa, asegura que las 3 dosis entre ellas mantienen las mismas diferencias relativas
del tiempo de absorcin , no importa cual es el Tcnico quin lo prepara. Esta informacin
es importante ya que esto asegura la uniformidad en la calidad del producto elaborado.
Grosor es significativo, lo cual implica que la potencia del antibitico depende del grosor
de la pared de cpsula. La interaccin DOSIS*GROSOR es significativa. Esto indica que
el factor dosis y el factor grosor de la cpsula no son independientes. La interaccin
TECNICO*GROSOR es significativa indicando que el nivel del factor grosor que tenga el
mejor tiempo de absorcin depende del tcnico quin ha elaborado el antibitico. La
interaccin triple Tecnico*Dosis* Grosor, por ser una interaccin de tres factores puede ser
causada de una manera compleja por la significacin de cualesquiera de las siguientes
interacciones: Tcnico por Dosis*Grosor, o Dosis por Tcnico*Grosor o por Grosor por
Tcnico*Dosis.
A continuacin se presenta la informacin necesaria para hacer el Anlisis grfico de las 3
interacciones dobles:
Anlisis Grfico:
Sabemos que una interaccin doble es causada por una o ambas de las siguientes
raznes:
(1): Existe diferencia en la magnitud de respuesta. (Se identifica esta situacin en
la grfica cuando algunas o todas
de las lneas no son paralelas pero no existe interseccin entre ellas.)
N
N
N
N
N
71.750
112
71.000
132
69.000
122
INDICE
(1): Introduccin
(2): Aproximacin de una superficie de respuesta por polinomios:
(3-1): Requerimientos y propiedades deseables de los diseos ptimos:
(3-2): Estrategia experimental
(3-3): Mtodo del ascenso ms pronunciado:
(4): Diseos de primer orden: (5-1): Diseos de segundo orden:
(5-2): Construccin de diseos compuestos centrales:
(6): Diseos Rotables:
(7): Anlisis Cannico:
(8): Bibliografa:
(1): INTRODUCCION
Regresar al Indice
Supngase
La superficie de respuesta del segundo orden dado por E(Y) puede ser una
parbola, hperbola,
elipse o sus generalizaciones correspondientes en el caso k-dimensional.
As tambin en el
caso de que fuera necesario, superficies polinomiales de orden superior a
dos, se pueden
utilizar. Una superficie polinomial de esta naturaleza, se debe considerar
solo como una
aproximacin de la verdadera relacin funcional en el interior de una
regin considerada en
el experimento. Una extrapolacin que intenta hacer predicciones fuera de
la regin experimental
puede ser arriesgada y no confiable.
Nmero de
factores
3
4
5
5
6
Tamao del
experimento
8
8
8
16
8
Fraccin
1
1/2
1/4
1/2
1/8
Propiedades:
El diseo factorial fraccionado 1/2 tiene las siguientes propiedades:
Existen 2k-p puntos experimentales.
p
factorial comple to, 2p-1 sern inseparable del parmetro 0 en el modelo y los
restantes
2k - 2p efectos sern mutuamente inseparables en conjuntos de 2p, siendo el
nmero de
tales conjuntos igual a 2k-p.
Mayores detalles de la construccin de los experimentos factoriales
fraccionados se pueden
obtener en Raghava Rao (1971).
(5-1): Diseos de segundo orden:
Regresar al Indice
Los diseos de segundo orden permiten la estimacin de parmetros de un
modelo polinomial
de grado dos. Ejemplos simples de este tipo de diseos son las series de 3k
factorial. La
desventaja de la serie 3k es que con k >3, el nmero de puntos
experimentales que se requieren
para conducir el experimento, llega a ser muy alto. Adems los parmetros
11, ... , kk ; en
general se estiman con precisin relativamente baja. Box y Wilson (1951)
han desarrollado una
familia de diseos llamados diseos compuestos que son mas
convenientes para este propsito
y se presentan a continuacin:
(5-2): Construccin de diseos compuestos centrales:
Regresar al Indice
2
3
4
5
6
0,7844
0,8385
0,8704
0,8918
0,9070
7
8
0,9184
0,9274
OBS
OTEMP
OTIEMPO
TEMP
93.6
125.90
171.9
-1.00000
TIEMPO
-1.00000
91.7
125.90
218.1
-1.00000
92.5
145.90
171.9
1.00000
92.9
145.90
218.1
1.00000
96.2
135.90
195.0
0.00000
97.0
135.90
195.0
0.00000
92.7
121.75
195.0
-1.41421
92.8
150.04
195.0
1.41421
93.4
135.90
162.3
0.00000
10
92.7
135.90
227.7
0.00000
1.00000
-1.00000
1.00000
0.00000
0.00000
0.00000
0.00000
-1.41421
1.41421
Ratio
3.446
102.9
11.652
44.849
Regression
Prob > F
Degrees
of
Freedom
Linear
0.1349
Quadratic
0.0004
Crossproduct
0.0269
Total Regress
0.0013
Degrees
of
Type I Sum
of Squares
93.550000
0.336892
0.9825
0.3601
R-Square
0.782267
0.0302
23.346250
0.9012
1.322500
0.0511
25.451016
0.9825
Sum of
F-
Residual
Prob > F
Ratio
Freedom
Lack of Fit
0.9247
Pure Error
Total Error
0.140
Degrees
Mean Square
0.133984
0.044661
1
4
0.320000
0.453984
0.320000
0.113496
of
Parameter
Standard
Freedom
Estimate
Error
H0:
Parameter
Prob > |T|
INTERCEPT
0.0000
TEMP
0.8125
TIEMPO
0.0592
TEMP*TEMP
0.0002
TIEMPO*TEMP
0.0269
TIEMPO*TIEMPO
0.0003
Factor
Squares
Degrees
of
Freedom
T for
Parameter=0
96.600000
0.238218
405.5
0.030178
0.119109
0.253
-0.311244
0.119109
-2.613
-1.981250
0.157567
-12.574
0.575000
0.168446
3.414
-1.831250
0.157567
-11.622
Sum of
Squares
Mean Square
F-
F-Ratio
Prob > F
TEMP
3
19.274250
6.424750
56.608
0.0010
TEMPERATURA (CENTIGRADO)
TIEMPO
3
17.427660
5.809220
51.184
0.0012
TIEMPO (SEGUNDOS)
Ejemplo: Khuri y Cornell, Pgina
170
4
Canonical Analysis of Response Surface
(based on coded data)
Factor
TEMP
(CENTIGRADO)
Critical Value
Coded
Uncoded
-0.003412
-0.004826
TEMPERATURA
TIEMPO
-0.060627
-0.085739
TIEMPO
(SEGUNDOS)
Predicted value at stationary point
Eigenvalues
-3.218257
-4.406743
96.613270
Eigenvectors
TIEMPO
TEMP
0.611383
0.791335
0.791335
-0.611383
Bibliografa:
Regresar al Indice
(1): Box, G.E. P. y J.S. Hunter (1951): Multifactor experimental designs for
exploring response
surfaces. J.R.S.S. ser. B, vol. 13, No. 1, 195-240.
(2): Box, G.E. P. y K.B. Wilson (1951): On experimental attainment of optimum
conditions.
J.R.S.S. ser. B, vol 13, No. 1 -45.
(3): Cornell, John A:(1990.): How to apply response surface methodology.
Milwaukee, WI .
Nota: La enumeracin anterior ocup 2 lneas para escribir, pero como se ha dicho anteriormente,
todos los datos sern entrados en el programa en una sola hilera separados por uno o ms espacios
en blanco.
Nmero-de- tratamientos contiene un solo dato. El nmero de Promedios-de-tratamientos que se
entrarn al programa ser igual al Nmero-de- tratamientos. Los Valores-tabulares-para-el-test-deDuncan sern obtenidos de una tabla estadstica y esto se explicar ms abajo. El Cuadrado-medioerror-experimental (es un solo valor y ) se obtiene de la tabla de Anlisis de varianza.
Nmero-efectivo-de-replicaciones para todos los diseos bsicos y siempre que el experimento no
sea factorial, es igual al nmero de replicaciones del diseo. Para un diseo en bloques aleatorios,
El nmero efectivo de replicaciones tambin ser igual al nmero de bloques. En el caso de un
diseo cuadrado latino, el nmero efectivo de replicaciones = nmero de filas = nmero de columnas
= nmero de tratamientos.
Cmo buscar los Valores-tabulares-para-el-test-de-Duncan ?
Estos valores tabulares se obtiene de una tabla estadstica llamada: Significant ranges for Duncan's
Multiple Range test: (En espaol: Rangos significativos para el test de Rango mtiple de Duncan).
Esta tabla existe para para los niveles de significacin de 1% y 5 % .
Para buscar los valores en la mencionada tabla, Ud. debe de disponer primero de las 3
informaciones siguientes:
(i) El nivel de significacin que ser usado, (ii) El nmero de tratamientos que tiene el diseo, (iii) el
valor numrico de grados de libertad (abreviatura: g.l.) del error del diseo.
Ejemplo:
Deseamos usar el nivel de significacin = 0,05 ; El diseo usado fue Bloques aleatorios con 5
bloques y 6 tratamientos. Los promedios de tratamientos fueron los siguientes:
27 35.9 44.82 44.54 61.08 60.64
g.l. del error experimental = 20 ; C.M. Error experimental = 101.67 ;
Busquemos primero los valores tabulares en la tabla que ha sido nombrada anteriormente. Siga los
siguientes pasos:
Ubique la tabla correspondiente al nivel de significacin = 0,05 ;
Ubique en la tabla la fila correspondiente al g.l del error = 20 ;
Anote de la tabla, 5 valores tabulares correspondiente a las columnas que indican los valores de
rangos iguales a: 2 3 4 5 6 ;
Estos valores tabulares son los siguientes:
2.95 3.10 3.18 3.25 3.30
[En general s el nmero de tratamientos es k, entonces se obtienen (k-1) valores tabulares.]
Ya que tenemos toda la informacin que necesitamos, ahora debe escribir la siguiente hilera de
datos en la caja del texto en el programa:
6 27 35.9 44.82 44.54 61.08 60.64 2.95 3.1 3.18 3.25 3.30 101.67 5
Luego haga click sobre el botn que se llama:
Ejecutar: Duncan
Nota: obsrvese que tambin ser correcto entrar la siguiente hilera de datos en la caja del texto:
6 ; 27 35.9 44.82 44.54 61.08 60.64 ; 2.95 3.1 3.18 3.25 3.30 ; 101.67 5
Esta entrada tiene la ventaja que ; se usa para indicar el comienzo y el fin de ciertos subgrupos de
datos para una mejor visualizacin. El programa no tomar en cuenta el separador ; en el
procesamiento de datos.
Nota: En algunos casos para hallar los valores tabulares, ser necesario usar la interpolacin
lineal, ya que la tabla presenta discontinuidades entre los valores presentados tanto en las filas
como en las columnas. Suceder esto por ejemplo si un diseo tiene 25 g.l. para el error
experimental y/o hay 15 tratamientos.
(II): Experimentos Factoriales:
Todo lo explicado en la seccin anterior es vlido para el caso que se comenta aqu salvo que el
nmero efectivo de replicacin para un experimento factorial asumir valores diferentes para
diferentes tipos de comparaciones.
(II-1): Experimento factorial de 2 factores y cualquier diseo: C.A., B.A. o C.L.
Sean a y b los niveles de un experimento factorial con los factores A y B respectivamente. Sea n el
nmero de replicaciones del experimento. En la siguiente tabla se presenta la informacin acerca del
clculo del nmero efectivo de replicaciones para diferentes tipos de comparaciones:
Tipo de comparaciones:
replicacin:
Entre los ab promedios bidimensionales de los factores A y B
Entre los a promedios marginales del factor A
Entre los b promedios marginales del factor B
Entre los a promedios bidimensionales de los factores A y B
para un nivel fijo de B
Entre los b promedios bidimensionales de los factores A y B
para un nivel fijo de A
.
Nmero efectivo de
n
bn
an
n
n
Ejemplo:
En una investigacin se utiliz un experimento factorial de 4x3 en un diseo B.A. con 2 bloques. Los
nmeros de niveles de los factores A y B fueron 4 y 3 respectivamente. Se obtuvieron datos
experimentales sobre 2 variables respuestas que indicamos por y 1 e y2 . Supongamos las siguientes
situaciones hipotticas para considerar la manera en que se debe usar el mtodo de Duncan,
sabiendo que se obtuvieron los siguientes resultados en la tabla de Anlisis de varianza:
Respuesta
y1
y2
.
.
Obsrvese que para ambas variables respuestas hay 12 promedios bidimensionales, 4 promedios
unidimensionales del factor A y 3 promedios unidimensionales del factor B.
Caso (a): Variable respuesta y1:
Ya que AB es no significativa, podemos hacer 2 test de Duncan separadamente.
(1): Test de Duncan sobre 4 promedios unidimensionales del factor A con la siguiente entrada de
datos:
4 ; los 4 promedios del factor A ; 3 valores tabulares ; C.M. error experimental ; 6 ;
(2): Test de Duncan sobre 3 promedios unidimensionales del factor B con la siguiente entrada de
datos:
3 ; los 3 promedios del factor B ; 2 valores tabulares ; C.M. error experimental ; 8 ;
Caso (b): Variable respuesta y2:
Ya que AB es significativa, la situacin se complica. Podemos considerar algunas de las siguientes
posibilidades vlidas:
(1): Test de Duncan sobre 12 promedios bidimensionales con la siguiente entrada de datos:
12 ; los 12 promedios bidimensionales ; 11 valores tabulares ; C.M. error experimental ; 2 ;
o
(2): Test de Duncan sobre 4 promedios bidimensionales del factor A para cada uno de los niveles
fijos del factor B. Habr que hacer 3 test de Duncan, con la siguiente entrada de datos:
4 ; 4 promedios bidimensionales del factor A para el nivel j de B ; 3 valores tabulares ; C.M.
error ; 2 ;
(repetir el test de Duncan 3 veces para j = 1,...,3)
o
(3): Test de Duncan sobre 3 promedios bidimensionales del factor B para cada uno de los niveles
fijos del factor A. Habr que hacer 4 test de Duncan, con la siguiente entrada de datos:
3 ; 3 promedios bidimensionales del factor B para el nivel i de A ; 2 valores tabulares ; C.M.
error ; 2 ;
(repetir el test de Duncan 4 veces para i = 1,...,4)
(II-2): Experimento factorial de 3 factores y cualquier diseo: C.A., B.A. o C.L.
Sean a, b y c los niveles de los factores A, B y C respectivamente en un experimento factorial de 3
factores con n replicaciones. La situacin aqu se resume de la siguiente manera:
Tipo de comparaciones:
Nmero efectivo de
replicacin:
Entre los abc promedios tridimensionales de los factores A , B y C
n
Entre los a promedios marginales del factor A
bcn
Entre los b promedios marginales del factor B
acn
Entre los ab promedios marginales bidimensionales de los factores A y B
cn
Entre los ac promedios marginales bidimensionales de los factores A y C
bn
Entre los bc promedios marginales bidimensionales de los factores B y C
an
etc.
Nota: Para otros diseos tales como parcela dividida y parcela subdividida que tienen ms de un
tipo del error experimental, ser necesario seleccionar el C.M. error experimental que sea apropiado
para una comparacion en el momento de hacer la entrada de datos en el programa.