Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Suponga que tiene interés en un solo factor que tiene a niveles, y que el
experimento se efectúa en b bloques. Las observaciones pueden presentarse con
el modelo estadístico lineal
Modelo Estadístico
Valor esperado
Causa de Grados de Suma de Cuadrado de
variación libertad cuadrados medio cuadrados
medios
Tratamient
os
Bloques
Error
Total
2. La no actividad puede ser más seria ya que puede aumentar el estimado del
error experimental (CM resultando en posibles fallas para detectar diferencias
reales de los tratamientos.
Stefansky (1972) describe un método general para calcular valores críticos del
MRN y provee tablas para el caso de dos vías de clasificación con una
observación por celda. Para algunos valores de solamente acotados para
valores críticos pueden ser obtenidos. Esas tablas son reproducidas en Martin
Tablas C- 6a y C- 6b. Las clasificaciones filas y columnas son intercambiables.
Las pruebas analíticas para igualdad de varianza dadas por el DCA no son
aplicables a bloques ya que no se tienen estimadores independientes de las
varianzas de los tratamientos. Existen algunos procedimientos, pero quizá el más
simple es el desarrollado por Han ( . Esta prueba es especialmente para un
DBC y asume:
Los errores son igualmente correlacionados dentro de los bloques, pero son
independientes entre bloques.
Ejemplo
variedades
Loc. 1 2 3 4
1 43.60 24.05 19.47 19.41
2 40.40 21.76 16.61 23.84
3 18.08 14.19 16.69 16.08
4 19.57 18.61 17.78 18.29
5 45.20 29.33 20.19 30.08
6 25.87 25.60 23.31 27.04
7 55.20 38.77 21.15 39.95
8 55.32 34.19 18.56 25.12
9 19.79 21.65 23.31 22.45
10 46.24 31.52 22.48 29.28
11 14.88 15.68 19.79 22.56
12 7.52 4.69 20.53 22.08
13 41.17 32.59 29.25 43.95
33.29 24.05 20.70 26.16
Tratamientos t-1 SC
Bloques b-1 SC
Residual (t-1)(b-1)
Error (t-1)(b-1)-1 SC
No aditividad 1 SC
TOTAL N-1
Acombe (1961) propuso una prueba general que puede ser usada para cualquier
modelo lineal, incluyendo modelos de regresión
Data TRIGO;
Cards;
PROC GLM;
DATA NUEVO;
SET VALIDA;
Y2= PRE*PRE;
Z= RES*Y2;
VAR Z;
PROC ANOVA;
RUN;
Error* 35
No aditividad 1 SC
TOTAL 51 6251.6
Donde
La hipótesis a probar es
Tratamientos
Bloques A B C
1 4 7 4
2 4 4 4
3 2 5 2
Los valores de los residuos del diseño aleatorizado por bloques completos se
obtienen, como es usual, por la diferencia entre los valores observados y los
estimados
El análisis de varianza del modelo supone que las observaciones están
distribuidas de manera normal e independiente, con la misma varianza para cada
tratamiento o nivel del factor. Estas suposiciones deben verificarse mediante el
análisis de los residuos.
La suposición de normalidad puede verificarse mediante la construcción de una
gráfica de probabilidad normal de los residuos. Para esto, los residuos se agrupan
en una tabla de distribución de frecuencias, se calcula la frecuencia relativa
acumulada para cada valor y se grafican en una hoja de papel de probabilidad
normal. Si la suposición es válida los puntos tenderán a agruparse sobre una línea
recta que pasa por el punto medio.
yij = µ + τi + βj + ǫij
τi = τkl = αk + γl + ξkl
Tratamiento = factor A + factor B + interacción AB
i k l
1 11
2 12
3 13
.. .. ..
t K L
Suponga un diseño con dos factores: A con a niveles y B con b niveles, en diseño
completamente al azar. (Factorial a × b completo, balanceado, efectos fijos)
H03 : βj + ¯γ.j = 0 ∀ j
Material 15 70 125
1 130 155 34 40 20 70
74 180 80 75 82 58
2. Existe un material que produzca uniformemente más larga vida a la batería sin
importar la temperatura? diseño completamente al azar, experimento balanceado,
completo, factores fijos.
Suponga un experimento con dos factores A con a niveles y B con b niveles y una
sola repetición en cada celda (tratamiento).
A a−1 σ2 + bθ2ª
B b−1 σ2 + aθ2b
AB (a − 1)(b − 1) σ2 + θ2ab
Error 0 σ2
Total ab − 1
σ2 no se puede estimar, por lo tanto no hay prueba para los efectos principales a
menos que no haya interacción, y entonces el modelo es
yij = µ + τi + βj + ǫij
A con a niveles
B con b niveles
..............
Debe haber por lo menos 2 repeticiones (n ≥ 2) para podercalcular σˆ2 si todas las
posibles interacciones están incluidas en el modelo.
Tres factores
i = 1,. . ., a; j = 1, . . ., b; k = 1, . . ., c; l = 1, . . ., n
Ejemplo:
En otras palabras, cada tratamiento no ocurre en cada bloque. Existen dos formas
generales de resolver el problema de los valores faltantes. La primera es un
análisis aproximado en el que se estima la observación faltante. A continuación se
efectúa el análisis de varianza usual como si la observación estimada fuera un
dato real, disminuyendo los grados de libertad del error en uno. La segunda es un
análisis exacto usando la prueba de significancia de regresión general.
40 + 52 20 + 30
A = − = 21
2 2
Si los factores tienen más de dos niveles, el procedimiento anterior debe ser
modificado ya que las diferencias entre las respuestas promedio pueden
expresarse de muchas formas.
Factor B
B1 B2
A1 20 40
Factor A
A2 50 12
A = 50 - 20 = 30
A = 12 - 40 = 28
Puede observarse que existe una interacción entre los factores A y B porque el
efecto de A depende del nivel elegido de B.
Estas ideas pueden ilustrarse gráficamente. En la Fig. 1 se muestra una gráfica de
la respuesta de los datos de la Tabla 1 contra los niveles del factor A para ambos
niveles del factor B. Se observa que las rectas B 1 y B2 son, aproximadamente,
paralelas. Esto indica que no hay interacción entre los factores. De manera similar,
en la Fig. 2 se presenta una gráfica de la respuesta de los datos de la Tabla 2.
60
B2
50
B1
Respuesta
40
30 B2
20
B1
10
A1 A2
Factor A
En este caso se ve que las rectas B1 y B2 no son paralelas. Esto muestra que
existe una interacción entre A y B. Sin embargo, no debe ser la única técnica para
analizar los datos, porque su interpretación es subjetiva y su apariencia, a
menudo, es engañosa.
60 B1
50
B2
Respuesta
40
30
20
B1
10 B2
A1 A2
Factor A
Hay que notar que cuando una interacción es grande los correspondientes efectos
principales tienen poco significado práctico. Una estimación del efecto principal de
A de los datos de la Tabla 2 es:
50 + 12 20 + 40
A = − = 1
2 2
l cual resulta ser muy pequeño corriéndose el riesgo de concluir que no existe un
efecto debido a A. Sin embargo, cuando se examinó el efecto de A en niveles
diferentes de B se concluyó que éste no era el caso. El factor A tiene un efecto,
pero depende del nivel del factor B. En otras palabras, es más útil conocer la
interacción AB que el efecto principal. Una interacción significativa oculta a
menudo el significado de los efectos principales.
A1 A1B1 A1B2
Factor A
A2 A2B1 12
Combinación de Replica
A baja, B baja 28 25 27 80
A alta, B alta 31 30 29 90
Así
Cantidad de catalizador B
bajo (1 saco) -
(1) = 80(28+25+27) a = 100(36+32+32)
- +
bajo (15%) alto (20%)
Concentracion de reactivo A
ab − b − a − (1) =
1
AB =
1
ab + (1) − a − (b)
2n 2n
Por otro lado se puede definir AB como la diferencia promedio entre el efecto de B
en el nivel superior de A y el efecto de B en el nivel inferior de A.
Las formulas para los efectos de A, B y AB pueden deducirse por otro método. El
efecto de A puede hallarse como la diferencia en la respuesta promedio de las dos
combinaciones de tratamiento en la mitad derecha (que llamaremos Y A+, puesto
que es la respuesta promedio para las combinaciones de tratamientos a las que A
que se encuentra en el nivel alto) y las dos combinaciones de tratamientos en la
mitad izquierda (o Y A). Esto es,
A = YA + − YA −
ab + a b + (1)
= −
2n 2n
=
1
ab + a − b − (1)
2n
B = YB + − YB −
ab + b a + (1)
= −
2n 2n
ab + b − a − (1)
1
=
2n
ab + (1) a +b
AB = −
2n 2n
=
1
ab + (1) − a − b
2n
Con los datos que aparecen en la figura 1, las estimaciones de los efectos
promedio son:
1
A = (90 + 100 − 60 − 80) = 8.33
2(3)
1
B = (90 + 60 − 100 − 80) = −5.00
2(3)
(90 + 80 − 100 − 60) = 1.67
1
AB =
2(3)
ContrasteA = ab + a − b − (1)
SSc = (1
a
ci yi.)
2 a
n a ci
2
.
ab + b − a − (1)2
SSB =
n * 4
SSAB =
ab + (1) − a − b2
n * 4
Con los datos de la figura 1, las sumas de cuadrados se pueden calcular aplicando
las ecuaciones anteriores, obteniéndose:
2
50
SSA = = 208.33
4(3)
2
− 30
SSB = = 75.00
4(3)
2
10
SSAB = = 8.33
4(3)
2
2 2 n 2 Y ...
SST = i=1 j=1 k=1 Y ijk −
4n
2
2 2 3 2 − Y
SSE = Yijk = 9398.00 − 9075.00 = 323.00
i
=1j=1k =1 4(3)
SSE = SS T − SS A − SSB − SS AB
Efectos (1) a b Ab
A: -1 +1 -1 +1
B: -1 -1 +1 +1
AB: +1 -1 -1 +1
Fuente de
variación SS G.L. MS Fo
Total 323.00 11
a significativo al 1%
Signos algebraicos para calcular los efectos en un diseño 22
Combinación
Efecto Factorial
De
Tratamientos I A B AB
(1) + - - +
a + + - -
b + - + -
ab + + + +
Observe que los coeficientes de los contrastes usados para estimar la interacción
son iguales al producto de los coeficientes correspondientes a los dos efectos
principales. Los coeficientes de los contrastes siempre son +1 o –1 y se puede
usar una tabla de signos positivos y negativos como la mostrada en la de signos
algebraicos para determinar el signo apropiado de cada combinación de
tratamientos. En el encabezado de las columnas de tabla y se encuentran los
efectos principales (A y B), la interacción AB, e I, que representa el total el total o
el promedio de todo el experimento. Se observa que la columna encabezada por I
se compone de solo de signos positivos. Los renglones corresponden a las
combinaciones de tratamientos.
Μ= la media general
Si consideramos una tabla de doble entrada donde las filas y las columnas
representan cada uno de los dos factores de bloque y las celdillas los niveles del
factor principal o tratamientos, el requerimiento anterior supone que cada
tratamiento debe aparecer una vez y sólo una en cada fila y en cada columna.
Se parte de una primera Fila con las letras latinas ordenadas alfabéticamente
Fila 1 A B C ··· K
ABCD
BADC
CDAB
DCBA
BADC
CDAB
ABCD
DCBA
CDBA
BACD
DCAB
ABDC
Por último, se asignan al azar las filas, las columnas y las letras latinas a los tres
factores. Por ejemplo, supongamos que las filas, las columnas y las letras se
asignan, respectivamente, a los tipos de insecticidas, semillas y abonos, de tal
forma que el diseño resultante es
Table 5-1.
Semillas
Insecticidess1 s2 s3 s4
i1 a3 a4 a2 a1
i2 a2 a1 a3 a4
i3 a4 a3 a1 a2
i4 a1 a2 a4 a3
Por convenio, se suele situar el factor principal, en este caso el tipo de semilla, en
las
Tabla 5-2.
Abonos
Insecticidas a1 a2 a3 a4
i1 s4 s3 s1 s2
i2 s2 s1 s3 s4
i3 s3 s4 s2 s1
i4 s1 s2 s4 s3
En resumen, podemos decir que un diseño en cuadrado latino tiene las siguientes
características:
En donde:
μ= La media general
Sólo dos de los cuatro subíndices son necesarios para identificar completamente
cualquier observación.
En el Apéndice C se muestra una tabla de cuadrados latinos que dan lugar, por
superposición de dos de ellos, a cuadrados greco-latinos. Notamos que no es
posible formar cuadrados greco-latinos de orden 6. La Tabla 5-8 ilustra un
cuadrado greco-latino para K = 4
Tabla 5-8.
Cuadrado greco-latino
AαBβCγDδ
DγCδBαAβ
BδAγDβCα
CβDαAδBγ
yij(hp) = µ + τi + βj + γh + δp + ǫij(hp)
i = 1, 2 . . . , K
j = 1, 2 . . . , K
h = 1, 2 . . . , K
p = 1, 2 . . . , K , (8.1)
Donde
µ es un efecto constante, común a todas las unidades. τi es el efecto producido
por el i-ésimo nivel del factor fila. Dichos efectos están sujetos a la restricción
iτi = 0.
Βj es el efecto producido por el j-ésimo nivel del factor columna. Dichos efectos
están sujetos a la restricción
jβj = 0.
Γh es el efecto producido por el h-ésimo nivel del factor letra latina. Dichos efectos
están sujetos a la restricción
hγh = 0.
δp es el efecto producido por el p-ésimo nivel del factor letra griega. Dichos
efectos están sujetos a la restricción
p δp = 0.
La notación yij(hp) indica que los niveles i y j determinan los niveles h y p para un
cuadrado greco-latino especificado. Es decir, los subíndices h y p toman valores
que dependen de la celdilla (i, j).