Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Diseno2 PDF
Diseno2 PDF
donde:
Yijk= es la ijk-esima observación en el i-esimo nivel del
factor A y j-esimo nivel del factor B; µ= es la media general;
α i= es el efecto del j-esimo nivel del factor A; τj= es el
efecto del k-esimo nivel del factor B; ατij= es la interacción
del i-esimo nivel del factor A con el j-esimo nivel del factor
B; y eijk= es el error aleatorio NID (0, σ2).
donde:
Yijk= es la ijk-esima observación en el i-esimo bloque que
contiene el j-ésimo nivel del factor A y el k-esimo nivel del
factor B; µ= es la media general; ßi= es el efecto del i-ésimo
bloque; α j= es el efecto del j-ésimo nivel del factor A; τk= es
el efecto del k-esimo nivel del factor B; ατjk= es la
interacción del j-esimo nivel del factor A con el k-esimo
nivel del factor B; y eijk= es el error aleatorio NID (0, σ2).
CUADRO 23
Resultados de un experimento factorial.
73 94 98 90 49 108
102 79 74 76 82 95
118 96 56 90 73 97
104 98 111 64 86 80
81 102 95 86 81 98
107 102 88 51 97 74
100 108 82 72 106 74
87 91 77 90 70 67
117 120 86 95 61 89
111 105 92 78 82 58
CUADRO 24
Análisis de varianza para un diseño factorial 2x3.
FV GL SC CM Fc
57
Tratamiento: 5 4612.93
Proteína 1 3168.23 3168.23 14.8**
Grasa 2 266.50 133.20 0.62ns
Interacción 2 1178.20 589.10 2.7ns
Error 54 11585.77 214.60
Total 59 16198.70
** P<0.01
CUADRO 25
Cálculo de los contrates ortogonales.
SC= 0.0;
CUADRO 26
Subdivisión y significancia de la suma de cuadrados de
tratamientos para los efectos principales e interacciones.
GL SC CM
Tratamiento: 5 4613.0
1)Niveles de Prot. 1 3168.3 3168.3**
2)Animal vs Veg. 1 264.0 264.0ns
59
donde:
99.8= (1000 + 995)/20; 85.8= 859/10;
79.0= (792 + 787)/20; 83.9= 839/10;
CM error CM error
EE = +
r1 r2
214.6 214.6
Dif. entre fuentes, nivel alto= + = ±5.67
20 10
214.6 214.6
Dif. entre fuentes, nivel bajo= + = ±5.67
20 10
214.6 214.6
Dif. entre niveles, fuente animal= + = ±4 .63
20 20
214.6 214.6
Dif. entre fuentes, fuente vegetal= + = ±6.55
10 10
Data uno;
Input Nivel 1 Fuente 2 a1 4-6 a2 8-10 a3 12-14 a4 16-18 a5 20-
22 a6 24-26 a7 28-30 a8 32-34 a9 36-38 a10 40-42 trat 1-2;
drop a1-a10;
Pesog= a1; a=1; output;
Pesog= a2; a=2; output;
Pesog= a3; a=3; output;
Pesog= a4; a=4; output;
Pesog= a5; a=5; output;
Pesog= a6; a=6; output;
Pesog= a7; a=7; output;
Pesog= a8; a=8; output;
Pesog= a9; a=9; output;
Pesog= a10; a=10; output;
*** NIVEL 1=alto 2= bajo FUENTE 1=res 2=cerdo 3=vegetal;
Cards;
11 73 102 118 104 81 107 100 87 117 111
12 94 79 96 98 102 102 108 91 120 105
13 98 74 56 111 95 88 82 77 86 92
21 90 76 90 64 86 51 72 90 95 78
22 49 82 73 86 81 97 106 70 61 82
23 108 95 97 80 98 74 74 67 89 58
Title " ANVA para un diseño factorial";
Proc GLM;
classes Nivel Fuente;
Model Pesog= Nivel Fuente Nivel*Fuente;
run;
Title "Comparaciones ortogonales para un experimento
factorial;
Proc GLM;
classes trat;
Model Pesog= trat;
*** T R A T A M I E N T O S;
CONTRAST 'ALTA vs BAJA PROTEINA' TRAT 1 1 1 -1 -1
-1;
CONTRAST 'PROT. ANIMAL vs VEGETAL' TRAT 1 1 -2 1 1
-2;
CONTRAST 'INT. NIVEL-PROT. ANIMAL y VEG.' TRAT 1 1 -2 -1 -1
2;
CONTRAST 'RES vs CERDO' TRAT 1 -1 0 1 -1
0;
CONTRAST 'INT. NIVEL-PROT. RES y CERDO' TRAT 1 -1 0 -1 1
0;
RUN;
61
donde:
Yijk= es la ijk-esima observacion en el i-esimo bloque, j-esimo
nivel del factor A y k-esimo nivel del factor B; µ= es la
media general; τi= es el efecto del i-esimo bloque; α j= es el
efecto del j-esimo nivel del factor A; ßk= es el efecto del k-
esimo nivel del factor B; αßjk= es la interacción del j-esimo
nivel del factor A con el k-esimo nivel del factor B; y eijk=
es el error aleatorio NID (0, σ2).
CUADRO 27
ANALISIS DE VARIANZA PARA UN EXPERIMENTO FACTORIAL EN UN
DISEÑO DE BLOQUES AL AZAR.
FV GL SC CM Fc
Bloque r-1 ∑Y 2
i ..
− FC
SM bloque CM bloque
ab r−1 CM error
Factor A a-1 ∑Y 2
.j.
− FC
SCA CM A
rb a −1 CM error
Factor B b-1 ∑Y 2
..k
− FC
SCB CM B
ra b −1 CM error
62
SCerror
Error ab(r-1) DIFERENCIA
ab ( r − 1)
Ejemplo.
CUADRO 28
Resultados del experimento en parcelas divididas.
Frecuencia Altura
de corte de corte R E P L I C A S
(días) (cm) I II III IV
Frecuencia
de corte Altura de corte
5 10 15 Total
a) Factor de corrección:
(187.90)² 35,306.41
F.C. = = = 980.73
36 36
8,842.71
= - 980.73 = 982.52 - 980.73 = 1.79
9
12
11,964.23
= - 980.73 = 16.29
12
12,223.36
= - 980.73 = 1018.61 - 980.73 = 37.88
12
4,174.45
= - FC - SCPG - SCPCH
4
3084.74
= - FC = 1028.25 - 980.73 = 47.52
3
68
CUADRO 29
Análisis de varianza para un diseño de Parcelas
Divididas con cuatro bloques (réplicas).
FV GL SC CM Fc
Total 35 149.01
** P<0.01
CMInt. 2.19
Fc = = = 0.72
CMerror PCH 3.05
Data parcela;
Input Frec 1-2 Altura 4-5 r1 7-11 r2 13-17 r3 19-23 r4 25-29;
Drop r1 r2 r3 r4;
ms= r1; r=1; output;
ms= r2; r=2; output;
ms= r3; r=3; output;
ms= r4; r=4; output;
cards;
20 5 5.69 5.98 5.37 6.30
20 10 3.72 3.20 3.90 4.51
20 15 3.66 2.85 2.60 3.83
40 5 6.48 7.92 4.74 6.30
40 10 3.86 4.54 4.42 5.06
40 15 11.15 3.54 3.91 3.66
60 5 4.90 5.73 12.00 8.56
60 10 5.34 4.28 6.16 6.34
60 15 3.40 5.47 4.78 3.75
Title " Diseño completamente al azar con arreglo de parcelas";
proc anova;
classes frec altura;
model ms= frec r(frec) altura frec*altura;
test H=frec E=r(frec);
means frec /duncan tukey alpha=0.01 E= r(frec);
means altura /duncan tukey; run;
Usos del ANCOVA. Los más importantes usos del ANCOVA son:
1.- Para controlar el error y aumentar la precisión, al
reducir la variación entre tratamientos debido al efecto de
variables concomitantes.
2.- Para ajustar las medias de tratamientos de la variable
dependiente por diferencias en conjuntos de valores de la
correspondientes variables independientes, es decir como sí el
efecto de la variable concomitante no hubiera existido.
3.-Para ayudar en la interpretación de datos, especialmente
con respecto a la naturaleza de los efectos de los
tratamientos.
4.- Para dividir una covarianza total o suma de productos
cruzados en sus componentes.
5.- Para estimar datos perdidos.
-
TRATAMIENTOS
A B C D Total
# cerdo X Y X Y X Y X Y X Y
-
1 4 10 1 5 2 5 3 5 10 25
2 3 7 3 7 6 12 1 7 13 33
3 4 8 2 5 4 10 4 6 14 29
4 6 15 1 1 6 10 2 9 15 35
5 4 12 3 5 2 8 1 3 10 28
-
21 52 10 23 20 45 11 30 62 150
CUADRO 27
Análisis de covarianza para un diseño de bloques al azar
Bloques r-1 ∑X 2
.j
− FCX ∑ X. j ∑Y. j − FCXY ∑Y 2
.j
− FCY
t t
Tratamiento t-1 ∑X 2
i.
− FCX ∑ X i. ∑ Yi . − FCXY ∑Y 2
i.
− FCY
r r
Error (t-1)(r-1) D I F E R E N C I A
Total tr-1 ∑∑ X 2
ij - FCX ∑∑ X Y -FCXY
ij ij ∑∑Y 2
ij -FCY
(∑ ∑ X ) ∑∑ X (∑ ∑Y )
2 2
ij Y
ij ij ij
FCX= FCXY= FCY=
N N N
CUADRO 28
ANOVA para las variables X e Y.
ANOVA Y ANOVA X
F.V. G.L. SC CM G.L. S.C. C.M.
74
SP(XY):
donde:
62(150) 9,300
FC= = = 465;
4(5) 20
CUADRO 29
Análisis de covarianza
Y ajustado por
X
FV GL SC(X) SP(XY) SC(Y) GL SC CM F
75
[SP(XY)]2 40.252
SCerror(corregido)= SC(Y) - ---------- = 122.0 - ------- =
67.27;
SC(X) 29.60
[SP(XY)]2 78.752
SC(trat+error)= SC(Y) - -------- = 207.0 - ------- = 77.12
SC(X) 47.75
[SP(XY)]2 40.252
SC(Reg) = = = 54.73;
SC(X) 29.60
76
Ajuste de medias.
Yai = Yi . - b( Xi . - X .. )
donde:
Yai . = media ajustada para cada tratamiento;
2
+ ( X i − X .. )
2
Sd = 2
SYX r
SC( X )
77
2
+ ( 4.0 − 2.0)
2
Data ancova;
Input Cerdo 1-2 Trat$ 4 X 6 Y 8-9;
cards;
1 A 4 10
2 B 1 5
3 C 2 5
4 D 3 5
5 A 2 5
6 B 3 9
7 C 6 12
8 D 1 7
9 A 4 8
10 B 2 5
11 C 4 10
12 D 4 6
13 A 6 15
14 B 1 1
15 C 6 10
16 D 2 9
17 A 4 12
18 B 3 5
19 C 2 8
20 D 1 3
PROC GLM;
CLASSES TRAT;
MODEL Y= X TRAT ;
LSMEANS TRAT/PDIFF STDERR;
MEANS TRAT;
RUN;
Bloque 1 2 3 4
Tratamiento A C A B
D B C C
B A D D
r (k-1)= h (t-1)
_ _
Xti= X + (kΣtj - Σbi)/ht
Xbi= X +
FC= (ΣΣYij)2/kr
Por ejemplo:
donde:
CMbloque=12.46
CMerror=5.41
G.L. bloques= 5-1
G.L. del error= (5(5-1).
En el ejemplo:
VCA (16+1)(20+3)
= * 1.22= 1.87
VBA (16+3)(20+1)
r = 2
CV
(t1 + t2)²
d
donde:
DE
CV = 100 = Coeficiente de variación
X
t1= el valor de "t" de tablas al 5 o 1 % y los GL del error del
ANVA del diseño a utilizar.
t2= El valor de "t" para los GL del error y una probabilidad de
(1-P), donde P es la probabilidad de descubrir un
resultado significativo en un experimento. Si P=0.80,
entonces (1-P)=0.20 en la distribución de "t" de
una cola. d=/µ-X/= es la precisión requerida. En
las ciencias biológicas se utiliza normalmente el 10% de
precisión.
Ejemplo:
Estime el número de réplicas para un diseño completamente
al azar con 5 tratamientos, y con los niveles de error tipo I
y II de 5 y 10 % respectivamente. Elija según su criterio el
coeficiente de variación y la diferencia mínima a detectar
(d).
Solución:
gl DCA= t(r-1)
t= número de tratamientos a comparar= 5
α =5%
ß=10%
1-ß= 90%
CV=15%
d=10%
Otro ejemplo.
a) Estime el número de réplicas para un diseño de bloques al
azar con cuatro tratamientos, y con los niveles de error tipo
I y II de 5 y 20 % respectivamente. El coeficiente de
variación es del 10% y la diferencia mínima a detectar (d) es
también del 10%.
Solución:
Primer cálculo;
gl DBA= (t-1)(r-1)
t=4
α=5%
ß=20%
1-ß= 80%
CV=10%
d=10%
Segundo cálculo:
Segundo cálculo:
r= 2(2) (7.997)= 32
Ejemplo
REFERENCIAS