Introduccion Al Anavar

Universidad Central de Venezuela
Facultad de Agronoma
Postgrado de Estadstica
MANEJO DE DATOS-2010
Anlisis para ms de dos tratamientos

Profa. Raquel Mayela Parra
mparrap@gmail.com
Introduccin al ANAVAR
INTRODUCCIN AL ANAVAR
Supngase una variable aleatoria Y, tal que
Y N ( , 2 )
f(y)
.
.
.
.
y1
y2
yn
Si de esta Poblacin de tamao N, se extrae

una muestra de tamao n
y1 , y2 , yn
f(y)
.
.
.
.
y1
y2
yi
yn
i
Podramos decir que para el caso de una
observacin
yi i
MODELO LINEAL ADITIVO
f(y)
.
.
.
.
y1
y2
yi
yn
i
Donde
se estima a travs yde
i N 0, 2
Variaciones aleatorias
Con esta informacin muestral podramos

hacer inferencias con respecto a la Poblacin
a travs de, por ejemplo, Pruebas de
hiptesis.
f(y)
.
.
.
.
H 0 : 2,5
H : 2,5
a
Si Y N ( , )
2
y
t
T n 1 gl
s n
Y
si
queremos
comparar
dos
poblaciones????
Se utilizan dos mtodos que se quieren
contrastar...
Mtodo A:
Mtodo B:
3,5
3
Datos
EJEMPLO
2,5
B
MTODO
Yi N ( , )
Suponemos que
2
i N 0,
Y
si
queremos
comparar
dos
poblaciones????
Se utilizan dos mtodos que se quieren
contrastar...
Mtodo A:
Mtodo B:
3,5
3
Datos
EJEMPLO
2,5
B
MTODO
En este caso el Modelo Lineal Aditivo

estara dado por:
y
ij
ij
i = metodo. i = 1,2
j = repeticin. j = 1,2,3,.....,8
Con esta informacin muestral podramos

hacer inferencias con respecto a las
diferencias entre las 2 Poblaciones a travs
de, por ejemplo, Pruebas de hiptesis.
f(y)
.
.
.
.
H 0 : B A
H :
A
a B
-
B A
Si Yi N ( , )
2
yB y A B A
t
T
sc
1 1
nB n A
nB n A 2 gl
EJEMPLO
Y si queremos comparar ms de dos

poblaciones????
Por ejemplo, supongamos que tenemos 3
muestras de diferentes tamaos que
suponemos
que
provienen
de
tres
poblaciones normales 2con la misma
Y1i N ( 1 , )
varianza:
Y2i N ( 2 , 2 )
Y3i N ( 3 , 2 )
Si queremos realizar el contraste
H 0 : 1 2 3
H :
2
1
3
2
3
a 1
Podramos plantearnos como primer mtodo

el fijar una cantidad prxima a cero y
realizar los 3 contrastes siguientes con
como nivel de significacin:
H 0 ': 1 2
H 0 ' ': 1 3
H 0 ' ' ': 2 3
H ' ' ':

H ':
H ' ':
2
3
2
3
a
a 1
a 1
de modo que se aceptara Ha general y se
rechazara H0 si alguna de las hiptesis
alternativas Ha , Ha Ha es aceptada y
rechazada su correspondiente hiptesis nula.
Y por qu no hacerlo de esta manera?
No es adecuado realizar el contraste de

igualdad de medias de ms de dos muestras
mediante una multitud de contrastes de
igualdad de medias de dos muestras.
Una tcnica que nos permite realizar el
contraste de modo conveniente es el Anlisis
de la varianza que surge como una
generalizacin del contraste para dos medias
de la t de Student.
Tericamente es posible dividir la variabilidad

de la variable que se estudia en dos partes:
La originada por el factor en cuestin;

La
producida por los restantes factores que

entran
en
juego,
conocidos
o
no,
controlables o no, que se conocen con el
nombre de error experimental.
EJEMPLO
Consideremos una variable sobre la que
acta un factor que puede presentarse bajo
un determinado nmero de niveles, t.
Por ejemplo podemos considerar un frmaco
que se administra a t = 3 grupos de
animales y se les realiza cierta medicin del
efecto causado:
t1
t2
t3
r1
i 1,2, , t
r2
r3
r4
r5
j 1,2, , r
r6
Pero cmo se interpreta el Modelo Lineal

Aditivo?
yij i ij
i = tratamientos. i = 1,2,3
j = repeticin. j = 1,2,3,4,5,6
es una constante comn a todos los

niveles;
i es el efecto producido por el i-simo
grupo de animales.
ij es la parte de la variable yij no explicada
por
ni
i, y que se distribuye del mismo modo
(aunque independientemente)
para cada
ij N 0, 2
observacin, de la manera siguiente:
EJEMPLO
yi .
MEDICIONES ( r )
ANIMALES (t)
0-2 AOSt1
2-6 AOSt 2
15
15
10
13
14
15
6 AOS t3
yi .
y1.22 y13,7
.
y2 47
.
y27,8
.
y313
.
y32,2
.
y..82 y4,6
..
Se puede apreciar claramente, de manera

intuitiva, que en el modelo:
yij i ij
Se estiman
con
y..
yi . y..
ij
yi .
Cmo se realiza la descomposicin de la

variabilidad total de los datos en sus
partes componentes?
Partamos entonces del Modelo Lineal
Aditivo y sus estimaciones:
yij i ij
y
t
i 1 j 1
ij
y.. y . y.. y
SCTot
i 1 j 1
SCTrat
i 1 j 1
ij
y .
SCEE
Diseo Completamente
Aleatorizado (DCA)
DCA Y COMPARACIONES
MLTIPLES
EJEMPLO
En la siguiente tabla se presentan los
resultados de un experimento en el que se
evaluaron 6 diferentes insecticidas foliares y
granulares ms un testigo , para el control
del
saltamontes
marrn
del
arroz
Nilaparvata
lugens
(Delphacidae:
Delphacinae:
Delphacini).
La
variable
estudiada fue el rendimiento del grano en
kg/mesa. El experimento fue realizado en
condiciones de invernadero.
t1
t2
t3
t4
t5
t6
t7
y1.
y2 .
y3 .
y4 .
y5 .
y6 .
y7 .
y..
y1.
y2 .
y3 .
y4 .
y5 .
y6 .
y7 .
y..
DCA Y COMPARACIONES
MLTIPLES
Modelo Lineal Aditivo
yij i ij
i = tratamientos. i = 1,2,,7
j = repeticin. j = 1,2,3,4
Yij es el valor de la observacin en el
i-simo tratamiento en la j-sima

repeticin.
es una constante comn a todos los
niveles, la media general del rendimiento de
grano.
tratamiento o tipo de insecticida.
ij es la parte de la variable yij no explicada
por
ij N 0, 2 ni
i, y que se distribuye del mismo modo
DCA Y COMPARACIONES
MLTIPLES
Hiptesis
yij i ij
MODELO I
Efecto fijo
MODELO II
Efecto Aleatorio
H0 : i 0
H1 : i 0
Los niveles del factor

son
seleccionados
por
un
inters
intrnseco en ellos.
Las conclusiones son
pertinentes
nicamente para los
H 0 : 2 0
TRAT
H1 : 2 0
La designacin de los
niveles de un factor
no es de inters
intrnseco por ellos
mismos, sino que
constituyen
una
muestra
de
una
DCA Y COMPARACIONES
MLTIPLES
Esperanza de los Cuadrados

Medios
y

ij
MODELO I
Efecto fijo
MODELO II
Efecto Aleatorio
i
r
i 1 t 1
t
ij
TRAT
2 r 2
EE
DCA Y COMPARACIONES
MLTIPLES
Cuadro de ANAVAR
Fuentes
de Var.
TRAT
EE
TOTAL
Grados de
libertad
Sumas de
Cuadrados
Cuadrado
s Medios
F calculado
t-1
SCTrat/(t-1)
CMTrat/CMEE
glTot-glTrat
=t(r-1)=n-t
SCEE/(n-t)
rt-1=n-1
CMEE
CV (%)
*100
Y ..
.
.
.
.
.
glTrat
1 , glEE
F
1-
DCA Y COMPARACIONES
MLTIPLES
Cuadro de ANAVARInterpretaciones
F calculado
TRAT
CV
ns
bajo
F calculado
TRAT
CV
F calculado
TRAT
CV
*
bajo
ns
alto
F calculado
TRAT
CV
*
alto
Supuestos del ANAVAR
DCA Y COMPARACIONES
MLTIPLES
Supuestos
Varianza
Normalidad
errores
del
de
Anlisis
de
los
Prueba de normalidad
Prueba
de normalidad
de
los residuales.
Se
de losun
residuales.
Se
desea
valor de W
desea un
de W
prximo
a 1valor
y una
prximo
a 1que
y una
P(W)
mayor
0,05
P(W) mayor que 0,05
DCA Y COMPARACIONES
MLTIPLES
Supuestos
Varianza
Homogeneidad
Varianza
del
de
Anlisis
de
Prueba de
Prueba de
homogeneidad
de
homogeneidad
de un
varianza. Se desea
varianza.
Se desea
valor
de P mayor
queun
valor de P mayor que
0,05
0,05
DCA Y COMPARACIONES
MLTIPLES
Supuestos
Varianza
del
Anlisis
de
de
Independencia de los errores Prueba
Prueba de Se desea
aleatoriedad.
aleatoriedad.
Se desea
un
valor de P mayor
un 0,05
valor de P mayor
que
que 0,05
Pruebas de Comparaciones
Mltiples
DCA Y COMPARACIONES
MLTIPLES
PRUEBAS DE COMPARACIONES
MLTIPLES
Pruebas contra un testigo (Dunnett)

Pruebas
que involucran slo algunas

comparaciones (MDS)
Pruebas que involucran la comparacin

de todos los pares de medias (Tukey y
Duncan)
DCA Y COMPARACIONES
MLTIPLES
Pruebas de
Mltiples
comparaciones
Contra un testigo (Control)
Los promedios
Los promedios
marcados
con * son
marcados con * son
estadsticamente
estadsticamente
diferentes
al Control.
diferentes al Control.
DCA Y COMPARACIONES
MLTIPLES
Pruebas de
Mltiples
Contra todos
medias
los
comparaciones
pares
de
Grupos con letras

Gruposno
con
letras
iguales
son
iguales no son
estadsticamente
estadsticamente
diferentes.
diferentes.
DCA Y COMPARACIONES
MLTIPLES
Cuadro de ANAVAR
Fuentes
de Var.
TRAT
EE
TOTAL
Grados de
libertad
Sumas de
Cuadrados
Cuadrado
s Medios
F calculado
t-1
SCTrat/(t-1)
CMTrat/CMEE
glTot-glTrat
=t(r-1)=n-t
SCEE/(n-t)
rt-1=n-1
ANAVAR con
Statistix
DCA Y COMPARACIONES
MLTIPLES
DCA Y COMPARACIONES
MLTIPLES
DCA Y COMPARACIONES
MLTIPLES
DCA Y COMPARACIONES
MLTIPLES
DCA Y COMPARACIONES
MLTIPLES
DCA Y COMPARACIONES
MLTIPLES
Diseo de Bloques Completos

Aleatorizados (DBA)
EJEMPLO
DBA
Machado (2000) condujo un experimento en

la Estacin Exp. Bajo Seco de la UCV, con el
fin de evaluar el comportamiento de algunos
cultivares promisorios de zanahoria y
compararlos con el cultivar de uso ms
comn. El ensayo se llev a cabo en un DBA,
con el cual se pretendi controlar el posible
efecto de la pendiente. En el siguiente
cuadro se muestra parte de los resultados
correspondientesBLOQUES
a la variable respuesta
PROMED
CULTIVARES
TOTAL
2
IO
I
II
III
IV de 2
V m ). VI
rendimiento
(kg/parcela
FLAKEE
BANGOR
AUTUM
MARK
NEW
KURODA
CONTROL
13,85
11,85
12,95
14,50
12,20
13,55
11,30
15,30
13,05
11,50
10,65
10,85
10,75
10,15
13,15
10,60
12,85
13,05
8,95
12,45
8,05
6,85
10,50
11,15
70,75
66,95
67,50
74,85
11,79
11,16
11,25
12,48
12,50
8,90
8,85
9,48
9,60
7,23
56,56
9,43
10,50
76,15
10,65
71,90
8,50
63,40
11,36
65,49
9,60
66,50
4,70
48,48
55,31
391,92
9,22
10,89
DBA
APRENDAMOS
EJEMPLO
UN
BLOQUES
CULTIVARES
FLAKEE
BANGOR
AUTUM
MARK
NEW
KURODA
CONTROL
CON
t1
t2
t3
t4
t5
t6
II
III
IV
VI
13,85
11,85
12,95
14,50
12,20
13,55
11,30
15,30
13,05
11,50
10,65
10,85
10,75
10,15
13,15
10,60
12,85
13,05
8,95
12,45
8,05
6,85
10,50
11,15
12,50
8,90
8,85
9,48
9,60
7,23
10,50
76,15
y.
10,65
71,90
y.
8,50
63,40
y.
11,36
65,49
y.
9,60
66,50
y.
4,70
48,48
y.
TOTAL
PROMED
IO
y1.
y1.11,79
70,75
y266,95
.
y211,16
.
y367,50
.
y311,25
.
y474,85
.
y412,48
.
y556,56
.
y5 .9,43
y6 .
y6 .
y..55,31 y..9,22
391,92
Por qu bloquear el efecto de la pendiente?
10,89
DBA
APRENDAMOS
EJEMPLO
CON
UN
yij i j ij
DBA
Yij
i = tratamientos. i = 1,2,,t
j = bloque o repeticin. j =
1,2,,r
es el valor de la observacin en el isimo

tratamiento
en
la
j-sima
repeticin.
es una constante comn a todos los niveles,
la media general del rendimiento.
tratamiento o cultivar.
j es el efecto producido por el j-simo bloque.
ij es la parte de la variable yij no explicada por
ni
i ni j, y que se distribuye del mismo modo
2
NID
0
,
(aunque
independientemente)
para
cada
ij
observacin, de la manera siguiente:
Hiptesis del modelo
DBA
MODELO I
Efectos fijos
TRAT
H0 : i 0
H1 : i 0
BLOQU
E
H0 : j 0
H1 : j 0
MODELO III
Efectos mixtos
TRAT
BLOQU
E
H0 : i 0
H1 : i 0
H 0 : 2 0
H1 : 2 0
MODELO II
Efectos
Aleatorios
2
H0 : 0
H1 : 2 0
H 0 : 2 0
H1 : 2 0
MODELO III
Efectos mixtos
H 0 : 2 0
H1 : 2 0
H0 : j 0
H1 : j 0

Medios
DBA
MODELO I
Efectos fijos
TRAT
r i
i 1 t 1
BLOQU
E
j
2
t
j 1 r 1
EE
MODELO II
Efectos
Aleatorios
2 r 2
2 t 2

Medios
DBA
TRAT
BLOQU
E
EE
MODELO III
Efectos mixtos
MODELO III
Efectos mixtos
r i
i 1 t 1
2 r 2
2 t 2
j
2
t
j 1 r 1
DBA
Cuadro de ANAVAR
Fuentes
de Var.
Grados de
libertad
TRAT
t-1
BLOQ
r-1
EE
glTotglTratglBloq
TOTAL
rt-1=n-1
CMEE
CV (%)
*100
Y ..
Sumas de
Cuadrados
SCTr
at
SCBlo
q
SCEE
Cuadrados
Medios
F calculado
SCTrat/(t-1)
CMTrat/CMEE
SCBloq/(r-1)
CMBloq/CME
E
SCEE/glEE
SCTo
.t
.
.
.
.
1-
glTrat
1 , glEE
F1 , glBloq
glEE
F calculado
TRAT
DBA
BLOQ
CV
ns
ns
bajo
F calculado
TRAT
BLOQ
CV
*
ns
bajo
F calculado
BLOQ
ns
ns
CV
alto
TRAT
TRAT
BLOQ
CV
F calculado
*
ns
alto
F calculado
TRAT
DBA
BLOQ
CV
ns
*
bajo
F calculado
TRAT
BLOQ
CV
*
*
bajo
F calculado
BLOQ
ns
*
CV
alto
TRAT
TRAT
BLOQ
CV
F calculado
*
*
alto
DBA
Cuadro de ANAVAR
Fuentes
de Var.
Grados de
libertad
TRAT
t-1
BLOQ
r-1
EE
glTotglTratglBloq
TOTAL
rt-1=n-1
Sumas de
Cuadrados
SCTr
at
SCBlo
q
SCEE
SCTo
t
Cuadrados
Medios
F calculado
SCTrat/(t-1)
CMTrat/CMEE
SCBloq/(r-1)
CMBloq/CME
E
SCEE/glEE
ANAVAR con
Statistix
DBA
DBA
Diseo Cuadrado Latino (DCL)
DCL
EJEMPLO
Se quiere evaluar el rendimiento de cinco
variedades de papa, para ello se realiza un
ensayo bajo un diseo cuadrado latino, ya
que en la localidad Timotes, Edo. Mrida,
donde se llev a cabo el ensayo, las
condiciones no son homogneas y se espera
controlar la variabilidad presenten en la
fertilidad del COLUMNAS
suelo y(PENDIENTE)
la pendiente. Los
HILERAS
resultados se presentan en kg/parcela de 6,4
(FERTILIDAD
TOTAL
2
I
II
III
IV
V
m ).
I
II
III
IV
V
TOTAL
1,7
2,0
3,0
3,0
3,2
12,9
3,0
3,6
3,0
2,7
1,7
14,0
2,5
3,2
3,0
1,1
5,4
15,2
3,0
4,0
2,0
2,2
2,6
13,8
0,6
3,0
2,4
3,1
3,3
12,4
10,8
15,8
13,4
12,1
16,2
68,3
TRAT A
TRAT B
TRAT C
TRAT D
TRAT E
13,0
17,8
14,6
15,5
7,4
APRENDAMOS
EJEMPLO
CON
UN
DCL
E
D
C
B
A
A
B
D
C
E
C
D
C
E
A
E
A
B
C
A
B
E
Cmo se ubicaran los tratamientos en el campo?
CUMPLIMIENTO DE LOS
BSICOS DEL DISEO.
PRINCIPIOS
EJEMPLOS DE APLICACIN EN OTRAS

REAS
DCL
Se
probaron 4 raciones alimenticias para

pollos, criados en jaula tipo batera de 4
pisos (filas) y 4 casilleros (columnas). La
variable analizada fu: Peso del pollo (kg.)
a las 8 semanas de edad.
Se
quiere estudiar la posible influencia de

los
aditivos
de
combustible
(factor
tratamiento) en la reduccin de xidos de
nitrgeno
en
las
emisiones
de
los
automviles
(variable
respuesta)
controlando la influencia del conductor y
del tipo de automvil .
yij k i j k ij k
i ;j;k= 1,2,,k
es el valor de la observacin en el isimo tratamiento en la j-sima hilera en

la k-sima columna.
es una constante comn a todos los niveles,
la media general del rendimiento.
tratamiento o cultivar.
j es el efecto producido por la j-sima hilera.
k es el efecto producido por la k-sima
columna.
ij(k) es la parte de la variable2 yij no explicada
ij k NID 0, ni
por
i ni j ni k, y que se distribuye del mismo modo
DCL
ij(k)
DCL
Hiptesis del modelo

MODELO I
Efectos fijos
MODELO II
Efectos
Aleatorios
TRAT
H0 : i 0
H1 : i 0
H 0 : 2 0
HIL
H0 : j 0
H1 : j 0
H 0 : 2 0
H1 : 2 0
COL
H 0 : k 0
H1 : k 0
H 0 : 2 0
H1 : 2 0
H1 : 2 0
MODELO III
Efectos Mixtos
Todas las posibles

combinaciones de
hiptesis segn
los tipos de
efectos para
TRAT, HIL y COL.
DCL

Medios
DCL
Cuadro de ANAVAR
Fuentes
de Var.
Grados de
libertad
TRAT
K-1
HIL
K-1
COL
K-1
EE
glTotglTrat-glHilglCol
TOTAL
rt-1=n-1
Sumas de
Cuadrados
Cuadrados
Medios
F calculado
SCTr
at
SCHil
SCTrat/(K-1)
CMTrat/CMEE
SCHil/(K-1)
CMHil/CMEE
SCCol/(K-1)
CMCol/CMEE
SCCo
l
SCEE
SCTo
t
SCEE/glEE
ANAVAR con
Statistix
Diseos Clsicos con

submuestreo
Anlisis de la varianza con

ms de una observacin por
unidad
experimental
(submuestras). Nmero igual de
submuestras
Las sub-muestras introducen otra fuente

de variabilidad en las observaciones,
adems de la que existe entre unidades
experimentales,
por
lo
que
es
importante
distinguir
entre
la
contribucin a la variacin de las submuestras
y
la
de
las
unidades
experimentales.
Diseos clsicos con ms de una

observacin por unidad experimental
Diseo
Completamente
Aleatorizado (DCA)
Diseo Completamente Aleatorizado (DCA)
ijk i ij ijk
Modelo
i 1,2,..., t
j 1,2,..., r
k 1,2,..., s
observacin de la k - sima sub - muestra de la unidad experimental j

ijk
del tratamiento i
media general
i efecto del i - simo tratamiento
es el error experimental aleatorio para la unidad experimental j
ij
del tratamiento i
efecto aleatorio para la k - sima sub - muestra de la unidad experimental j

ijk
del tratamiento i
ij N (0, 2 )
ijk N (0, 2 )

Valores esperados de los cuadrados medios para los
modelos I y II de un DCA con igual nmero de
repeticiones e igual nmero de sub-muestras por
unidad experimental
Fuentede
Variacin
Tratam
ientos
Errorexperim
ental
Errordem
uestreo
Total
Gl
t-1
t(r-1)
tr(s-1)
rts-1
ijk
i
ij
ijk
M
odeloI
M
odeloII
+
s
+
r
s
+s+rst1
2 2
2+s2
2
i2
2 2
2+s2
2

ANAVAR-DCA
Fuentede
Variacin gl
Tratam
ientos t-1
E
r
r
o
r
t
(
r
1
)
experim
ental
Errordem
uestreort(s-1)
Total rts-1
Sum
asdecuadrados(SC)
Cuadrados
Definicin Operacin m
edios
rs
(YY..)
i i.
2
s
(
Y
Y
)
ij
.
i
.
i,j
2
(
Y
Y
)
ij
k
ij
.
i,j k
2
(
Y
Y
)
ij
k
.
.
i,j,k
2
2Y
2.
Y
i
.
.
r
s
i rts
2.
2
Y
Y
ij
i
.
i,j i
s rY
s2
2kij.
i,j
Y
ij
k s
2.
Y
2
.
Y
ij
k
i,j,k rts
SC
tratamiento
(
t 1)
StC
errorexp
(r1)
SrC
errormust
t(
s1)

EJEMPLO-DCA
Un grupo grande de plantas de un cultivo, se asignaron
aleatoriamente a unas materas, cuatro por matera, la
unidad experimental. Los tratamientos se asignaron al
azar a las materas, tres materas por tratamiento. Los
tratamientos fueron una combinacin de tres tiempos
bajo la luz del da (8,12 y 16 horas) y dos niveles de
temperatura (baja y alta) durante la noche en
condiciones de invernadero, lo que da como resultado 6
tratamientos. La variable medida fue crecimiento en una
semana de tallos de planta (cm) y las observaciones se
hicieron en plantas individuales y se presentan en el
siguiente cuadro resumen. (Se supone que se cumplen
todos los supuestos del anlisis de varianza).
Resumen para los datos de crecimiento de tallos bajo dos condiciones de

temperaturas nocturnas y tres tiempos bajo luz diurna.

EJEMPLO-DCA
ElFcalculadosecom
paraconelFtabuladocon12y54gradosdelibertad2,paradecidir
concualerorseutilizarpararealizarlapruebadeFdetratam
ientos(H
0:0).
Regin de rechazo:
0
,
0
1
2
,
5
3
2
8
FcFt(glerorExp;glerorM)12,54 0,05
,9363
Con una P<0,05 se rechaza la hiptesis nula. Este resultado indica que el
error experimental contiene adems de la variacin de plantas dentro de
materas, la variacin entre plantas de diferentes materas tratadas
anlogamente. Por lo tanto es el error apropiado para realizar la prueba
de F de tratamiento

EJEMPLO-DCA
El F calculado se compara con el F tabulado con 5 y 12

grados de libertad, para decidir si se acepta o no la
hiptesis nula de que no hay diferencias entre las medias
de los tratamientos.
0
,
0
1
5
,
0
6
4
3
FcFt(gltrat;glerror)5,12 0,05
3,1059
Conclusin:
Con una P < 0,05 se rechaza la hiptesis nula, por lo tanto, existen
diferencias significativas entre al menos un par de medias de los
tratamientos para la variable crecimiento de tallos en una semana.

EJEMPLO-DCA
Los datos procesados mediante el programa estadstico Statistix V.7,

producen una salida que corrobora los resultados del anlisis de varianza y
las pruebas de hiptesis desarrolladas anteriormente.

EJEMPLO-DCA
STATISTIX7.0 SUBMUESTREO,EJERC,DCA,07/11/2002,09:14:44a.m.
A
N
A
L
Y
S
I
S
O
F
V
A
R
I
A
N
C
E
T
A
B
L
E
F
O
R
C
R
E
C
S
O
U
R
C
E
D
F
S
S
M
S
F
P
T
R
A
T
A
M
I
E
N
(
A
)
5
1
7
9
.
6
4
2
3
5
.
9
2
8
5
3
8
.
4
7
0
.
0
0
0
0
R
E
P
(
B
)
A
*
B
1
2
2
5
.
8
3
3
3
2
.
1
5
2
7
8
2
.
3
0
0
.
0
1
8
6
R
E
S
I
D
U
A
L
5
4
5
0
.
4
3
7
5
0
.
9
3
4
0
3
TOTAL 71 255.913

EJEMPLO-DCA
STATISTIX7.0
SUBMUESTREO,EJERC,DCA
A
N
A
L
Y
S
I
S
O
F
V
A
R
I
A
N
C
E
T
A
B
L
E
F
O
R
C
R
E
C
S
O
U
R
C
E
D
F
S
S
M
S
F
P
T
R
A
T
A
M
I
E
N
(
A
)
5
1
7
9
.
6
4
2
3
5
.
9
2
8
5
1
6
.
6
9
0
.
0
0
0
0
R
E
P
(
B
)
A
*
B
1
2
2
5
.
8
3
3
3
2
.
1
5
2
7
8
R
E
S
I
D
U
A
L
5
4
5
0
.
4
3
7
5
0
.
9
3
4
0
3
TOTAL 71 255.913

Diseo de Bloques
Completos
Aleatorizados
(DBA)
Diseo de Bloques al Azar (DBA)
Modelo
ijk i j ij ijk
i 1,2,..., t
j 1,2,..., r
k 1,2,..., s
observacin hecha en la k - sima sub - muestra del bloque j

ijk
del tratamiento i
i efecto del i - simo tratamiento
j el efecto del j- simo bloque

es el error experimental aleatorio para la unidad experimental j
ij
del tratamiento i
efecto aleatorio para la k - sima sub - muestra de
ijk
la unidad experimental del bloque j del tratamiento i
N(0, 2 )
ij
ijk N (0, 2 )

modelos I, II y III de un DBA con igual nmero de
unidad experimental
Fuentede
yijkijijijk
Variacin gl M
odeloI M
odeloII M
odeloIII
Bloques r-1 2s2st
i2
2
2
2
2
2
2
s
t
s
t
s
r1
2
Tratam
ientos t-1 2s2sr
i2
i
2
2
2
2
2
srst1
s
r
s
t1
2
2
2
2
2
2
E
r
r
o
r
(
t
1
)
(
r
1
)
experim
ental
2
2
2
E
r
r
o
r
d
e
r
t
(
s
1
)
m
uestreo
Total
rt-1

Ejemplo 4. Diseo de Bloques al Azar
Se desea evaluar dos tipos de medicamentos que
mejoran la resistencia fsica en atletas, usando adems
un tratamiento control (placebo). Los tratamientos
fueron administrados durante el periodo de estudio. Los
datos corresponden al tiempo (en segundos) que tardan
los corredores en recorrer una distancia de 1,5 millas.
Inicialmente los corredores se clasificaron en tres grupos
de estado fsico (bajo, medio y alto), condicin que es
funcin de diversas variables. La unidad experimental
estuvo conformada por 2 corredores. Se desea conocer si
los tiempos medios de carrera son los mismos para los
tres tratamientos. (Se determin que los datos se
cumplen todos los supuestos del anlisis de varianza).

EJEMPLO-DBA

EJEMPLO-DBA
Los datos procesados mediante el programa estadstico
Statistix V.7.

EJEMPLO-DBA
Statistix V.7.

Diseo Cuadrado
Latino (DCL)
Modelo
yijk ( t ) ( t ) i K j ij( t ) ijk ( t )
i 1,2,..., r
j 1,2,..., r
k 1,2,..., s t 1,.., t
ijk (t) observacin hecha en la k - sima sub - muestra de la columna j

y de la fila i y tratamiento t
media general
(t ) efecto del t - simo tratamiento
i el efecto del i - simo bloque
ij(t ) error experimental aleatorio para la unidad experimental de
columna j y de la fila i y tratamiento t
ijk (t) el efecto aleatorio para la k - sima sub - muestra de la

columna j y de la fila i y tratamiento t
ij N (0, 2 )
ijk N (0, 2 )

modelos I, II y III de un DCL con igual nmero de
unidad experimental
F
u
e
n
t
e
y
(
t
)
i
j
i
j
k
(
t
)
i
j
(
t
)
i
j
k
(
t
)
D
e
V
a
r
i
a
c
i
n
g
l
M
o
d
e
l
o
I
M
o
d
e
l
o
I
M
o
d
e
l
o
I
I
2
2
2
2
2
2
2
i
2
2
iC
F
loalusm
r
1
r
s
r
s
r
s
1
2
k
2
2
2
2
2
2
j
2
2
n
a
s
r
1
r
s
r
s
r
s
K
r
1
2
2
2
2
2
i
i
2
2
2
rE
T
arotarm
ientos(r-1r)-(1r-2)2
r
s
r
s
r
s
1
t
1
2
2
2
2
2
2
eE
x
p
e
i
m
e
n
t
a
l
r
2
2
2
2
rm
o
r
d
e
r
(
s
1
)
u
e
s
t
e
o
r
T
otal sr2-1

EJEMPLO-DCL
Un diseo de cuadrado latino 4x4 fue establecido para comparar
los efectos de cuatro intensidades de luz (D=oscuro o cero,
L=500, M=900 y H=1200 lumens de luz) sobre la diferencia en
potencial bioelctrico (en milivoltios) entre un punto en el tallo
de plantas de frijol y el punto en el cual una solucin de
nutrientes hace contacto con el tallo. Ya que la diferencia del
potencial bioelctrico requiri de un perodo de 1 a 1,5 horas
para estabilizarse despus de un cambio en las intensidades de
luz, fue necesario esperar dos horas despus de cambiar las
intensidades de luz con el fin de obtener un medida confiable de
la diferencia en potencial entre los dos puntos medidos sobre el
tallo de la planta de frijol. El primer tratamiento fue aplicado a
las 10:00 a.m., y la lectura fue registrada al medio da. El
segundo tratamiento comenz al medio da y la correspondiente
lectura fue tomada a las 2:00 p.m.

EJEMPLO 5-Diseo Cuadrado Latino
De igual modo, las lecturas del tercer y cuarto tratamiento
fueron registradas a las 4:00 y 6:00 p.m., respectivamente. Se
crey que la hora del da podra tener un efecto sobre las
diferencias en el potencial bioelctrico. De all que fue necesario
tener los tratamientos (intensidad de luz) aplicados una vez en
cada uno de los cuatro horarios. Un perodo de cuatro das fue
requerido para realizar el experimento. La hora del da fue
considerada como el efecto de fila y el da de la semana como el
efecto de columna. Las intensidades de la luz fueron los
tratamientos (tomado de Federer, ?). Los datos que se tomaron
de tres plantas por da expuestas a cada una de las cuatro
intensidades de luz estn registrados en el siguiente cuadro. El
orden para aplicar los tratamientos de intensidad de luz fue al
azar con la restriccin de que cada tratamiento deba ocurrir en
cada uno de los rdenes sobre un perodo de cuatro das.

EJEMPLO-DCL
Cuadro resumen para los datos de diferencias en el potencial
bioelctrico (milivoltios) entre tallo y una solucin de nutrientes para
plantas de frijol bajo cuatro tratamientos de intesidades de luz (D=0,
L=500, M=900 y H=1200 lumens) arreglados en un cuadrado latino 4x4.
TaraJdtauem
livaeensteom
a
n
a
(
c
o
l
u
m
n
a
s
)
H
oradelN
dam
(efriloa1)deplantaTM
T
o
t
a
l
F
i
l
a
iratam
r6ci2eonlteosHD
V
i
e
r
n
e
s
S
b
a
d
o
L
T
r
a
t
a
m
i
e
n
t
o
M
T
r
a
t
a
m
i
e
n
t
o
D
5
6
3
8
3
2
2
4
,
5
3
4
5
,
5
4
6
M
ediodaT
3
3
6
4
3
7
Y
5
6
otal1celdaTrata51m
6
0
1
5
4
1
7
1
2
5
1
.
i
e
n
t
o
M
T
r
a
t
a
m
i
e
n
t
o
D
T
r
a
t
a
m
i
e
n
t
o
L
T
r
a
t
a
m
i
e
n
t
o
H
8
,
5
6
5
9
3
5
2
6
4
5
7
3
5
0
,
2:0p.m
.T
3
2
6
,
5
3
7
,
5
4
9
otal1celdaTrat1a1m
874i,e5,n5toDTrat1a5m
729ie,,5n5toMTrat1am
469i1e,n5toHTrat1a3m
344i,e,5n5toLY
2.648
2
6
1
4
1
4
8
,
5
9
4:0p.m
.T
3
5
7
3
0
,
5
3
6
,
5
Y
5
3
4
otal1celdaTrat1a23m
,6i,e5n5toLTrat1am
5
224i6e,n5toHTrata1m
5
4
1
2
0
3
.
i
e
n
t
o
D
T
r
a
t
a
m
i
e
n
t
o
M
5
2
4
7
2
5
3
3
,
5
4
3
5
3
,
5
6:0p.m
.T
3
,
5
2
5
2
0
Y
4
8
2
o
t
a
l
c
e
l
d
a
1
3
7
1
,
5
1
4
7
1
3
0
,
5
4
.
T
otalcolum
na Y
.220
.1.613Y
.2.529,5Y
.3.567,5Y
.4.510Y

EJEMPLO-DCL
Infostat

EJEMPLO-DCL
Infostat

EJEMPLO-DCL
Infostat
Variable
VAR
N
48
R
0,46
RAj
0,20
CV
24,83
Modelo desbalanceado en celdas.

Se presentan las sumas de cuadrado secuenciales (Tipo I).
Para otra descomposicion de la SC del modelo
especifique los contrastes apropiados.
Cuadro de Anlisis de la
F.V.
SC
gl
Modelo
3574,33 15
TRAT
187,79 3
HORA
1201,67 3
DIA
516,29 3
TRAT*HORA*DIA 1668,58 6
Error
4218,67 32
Total
7793,00 47
Varianza (SC Tipo I)

CM
F
Valor p
238,29 1,81
0,0784
62,60 0,47
0,7020
400,56 3,04
0,0432
172,10 1,31
0,2896
278,10 2,11
0,0795
131,83

EJEMPLO-DCL
Infostat

EJEMPLO-DCL
Infostat
Variable
VAR
N
48
R
0,24
RAj
0,07
CV
26,91
Modelo desbalanceado en celdas.

Se presentan las sumas de cuadrado secuenciales (Tipo I).
Para otra descomposicion de la SC del modelo
especifique los contrastes apropiados.
Cuadro
F.V.
Modelo
TRAT
HORA
DIA
Error
Total
de Anlisis de la
SC
gl
CM
1905,75 9 211,75
187,79 3
62,60
1201,67 3 400,56
516,29 3 172,10
5887,25 38 154,93
7793,00 47
Varianza (SC Tipo I)

F
Valor p
1,37
0,2372
0,40
0,7509
2,59
0,0673
1,11
0,3567

Introduccion Al Anavar

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Introduccion Al Anavar

Cargado por

Copyright:

Formatos disponibles

Universidad Central de Venezuela

Anlisis para ms de dos tratamientos

Supngase una variable aleatoria Y, tal que

Si de esta Poblacin de tamao N, se extrae

MODELO LINEAL ADITIVO

se estima a travs yde

Con esta informacin muestral podramos

En este caso el Modelo Lineal Aditivo

Con esta informacin muestral podramos

Y si queremos comparar ms de dos

Si queremos realizar el contraste

Podramos plantearnos como primer mtodo

H ' ' ':

No es adecuado realizar el contraste de

Tericamente es posible dividir la variabilidad

La originada por el factor en cuestin;

producida por los restantes factores que

Pero cmo se interpreta el Modelo Lineal

es una constante comn a todos los

Se puede apreciar claramente, de manera

Cmo se realiza la descomposicin de la

Modelo Lineal Aditivo

Yij es el valor de la observacin en el

i-simo tratamiento en la j-sima

Los niveles del factor

Esperanza de los Cuadrados

Supuestos del ANAVAR

Pruebas contra un testigo (Dunnett)

que involucran slo algunas

Pruebas que involucran la comparacin

Contra un testigo (Control)

Grupos con letras

Diseo de Bloques Completos

Machado (2000) condujo un experimento en

Por qu bloquear el efecto de la pendiente?

Modelo Lineal Aditivo

es el valor de la observacin en el isimo

observacin, de la manera siguiente:

Hiptesis del modelo

Esperanza de los Cuadrados

Esperanza de los Cuadrados

Diseo Cuadrado Latino (DCL)

Cmo se ubicaran los tratamientos en el campo?

EJEMPLOS DE APLICACIN EN OTRAS

probaron 4 raciones alimenticias para

quiere estudiar la posible influencia de

Modelo Lineal Aditivo

es el valor de la observacin en el isimo tratamiento en la j-sima hilera en

Hiptesis del modelo

Todas las posibles

Esperanza de los Cuadrados

Diseos Clsicos con

Anlisis de la varianza con

Las sub-muestras introducen otra fuente

Diseos clsicos con ms de una

Diseo Completamente Aleatorizado (DCA)

observacin de la k - sima sub - muestra de la unidad experimental j

efecto aleatorio para la k - sima sub - muestra de la unidad experimental j

Diseo Completamente Aleatorizado (DCA)

Diseo Completamente Aleatorizado (DCA)

Diseo Completamente Aleatorizado (DCA)

Resumen para los datos de crecimiento de tallos bajo dos condiciones de

Diseo Completamente Aleatorizado (DCA)