Autor: 1

Practica Dirigida De Anlisis y Diseos de

Experimentos
I. DCA
ij i
ij
e u Y
Donde y, denota la j-sima observacin del i-simo grupo en tratamiento; p, es la
media de la i-sima poblacin en tratamiento, y e, es el error experimental. ste es un
modelo estadstico lineal para la clasificacin de tratamientos de un factor, en un
diseo de experimentos totalmente aleatorizado. El modelo tiene cierta tolerancia para
la variacin entre las observaciones de un grupo de tratamiento dado. Debido al error
experimental, cada observacin se desva de la media de su poblacin p, en una
cantidad e,. La varianza del error experimental u2 es la varianza de e,, y se supone que
es la misma para toda la poblacin en tratamiento.
`..|'' :
Se realiz un estudio de ingeniera de trnsito sobre los retrasos en las intersecciones
con semforos en las calles de una ciudad. Se usaron tres tipos de semforo: 1)
programado, 2) semiactivado y 3) activado. Se usaron cinco intersecciones para cada
tipo de semforo. La medida de retraso utilizada fue el promedio de tiempo que cada
vehculo permanece detenido en cada interseccin (segundos/vehculo). Los datos son
los siguientes:
Programado Semiactivado Activado
36.6 17.5 15
39.2 20.6 10.4
30.4 18.7 18.9
37.1 25.7 10.5
34.1 22 15.2
a. Escriba el modelo lineal estadstico para este estudio y explique sus
componentes.
ij i
ij
e u Y
i
u = media del tipo de semforo,
ij
e = error experimental
b. Establezca las suposiciones necesarias para un anlisis de varianza de los datos.
ij
e Aleatorio, independiente con media 0 y varianza igual para todos los semforos
Autor: 2
c. Calcule el anlisis de varianza.
Sintaxis SAS:
data dbca;
input tipo $ rpta;
cards;
programado 36.6
programado 39.2
programado 30.4
programado 37.1
programado 34.1
semiactivado 17.5
semiactivado 20.6
semiactivado 18.7
semiactivado 25.7
semiactivado 22
activado 15
activado 10.4
activado 18.9
activado 10.5
activado 15.2
;
proc glm;
class tipo ;
model rpta=tipo;
means tipo/tukey;
means tipo/duncan;
run;
Source DF Sum of Squares Mean Square F Value Pr > F
Model 2 1202.628000 601.314000 52.35 <.0001
Error 12 137.828000 11.485667
Corrected Total 14 1340.456000
R-Square Coeff Var Root MSE rpta Mean
0.897178 14.44608 3.389051 23.46000
Como Pueden apreciar el P-value es menor a 0.05
entonces rechazamos la hiptesis nula, en otras
palabras los tratamientos producen diferentes tiempos,
existe efecto de los tratamientos sobre el tiempo
promedio de retraso.
Como bien saben el R
2
es un indicador de cmo el
modelo se justifica es decir de que medida de que este
valor es cercano al 100% mejor ser, existen casos en
donde es llamativamente bajo, es ah quizs en donde
no se cumplen los supuestos del modelo.
Autor: 3
d. Pruebe la hiptesis de que no hay diferencia entre las medias de retraso para los
tipos de semforo; a un nivel de significacin de .05.
Means with the same letter are
not significantly different.
Tukey Grouping Mean N tipo
A 35.480 5 programa
B 20.900 5 semiacti
C 14.000 5 activado
PP18 4NFP18P1t
Qu mtodo de comparacin debe usarse?
Si bien es cierto que se reporta un buen desempeo en la deteccin de diferencias reales
con la prueba de rango de Duncan, este no incluye el ndice de error del experimento,
debido a que TUKEY si lo efecta o incluye mucho prefieren su uso.
Contrastes:
Sirven para hacer comparaciones mltiples entre los distintos tratamientos por
ejm:
Programado vs activado: contrast "programado vs activado" tipo 1 0 -1;
Contrast DF Contrast SS Mean Square F Value Pr > F
programado vs activado 1 119.0250000 119.0250000 10.36 0.0074
Por medio de esta Prueba: se pueden observar si existen de manera interna diferencias entre los
tratamientos, como se vio inicialmente el P value nos deca que si existan diferencias entre los
tratamientos, y con estas prueba reafirmamos eso. (El modo de proceder de esta prueba es la
siguiente: si se le asigna letras diferentes, entonces sern los diferentes los tratamientos, si tuviesen
letras iguales, son tratamientos similares, que producirn el mismo efecto.
Como vemos el P-value es menor a 0.05, entonces rechazamos la hiptesis que indica la igualdad, en
otras palabras existe una diferencia entre los tratamientos planteado en este caso programado y
activado.
Autor: 4
Z. D8CA
ij j j ij
e p t u Y
Donde p es la media general, z, es el efecto del tratamiento y e,es el error experimental.
El efecto del bloque p, representa la desviacin promedio de las unidades en el bloque j
a partir de la media general. Se supone que los efectos del tratamiento y del bloque son
aditivos, Aditividad significa que no existe interaccin entre tratamientos y bloques;
tambin se supone que los errores experimentales son independientes, con medias cero
y varianza comn d. La suposicin de independencia se justifica a travs de la
asignacin aleatoria de los tratamientos a las unidades experimentales.
`..|'' .:
Se quiere evaluar si las concentraciones de Cianuro manipuladas por los operarios
tienen el mismo resultado, se sospecha que los operarios del mismo nivel (puede ser: 1,
2,3 4) no tienen el mismo rendimiento con respecto a los resultados esperados de las
concentraciones, por lo que el investigador decide hacer un Diseo de Bloques
Completos al Azar (se escoge a 4 operarios, uno de cada nivel y se les hace manipular
los 3 tipos de concentraciones de cianuro). Con ste diseo se espera reducir en gran
parte la variabilidad causada digamos por la mala capacitacin del personal.
a. Escriba el modelo lineal estadstico para este estudio y explique sus
componentes.
ij j i ij
e p t u Y u: es el efecto de la media global , Ti:es el efecto del i-esimo
tratamiento y Pj es el efecto del j-esimo bloque.
Operario
concentracin op1 op2 op3 op4
c1 35,32,40 37,32,40 27,26,28 31,37,40
c2 31,40,42 40,42,41 26,32,31 41,47,30
c3 42,35,30 35,37,40 25,27,30 26,35,40
Autor: 5
b. Calcule el anlisis de varianza.
Sintaxis SAS:
data dbca;
input cc $ op $ rpta;
cards;
c1 oper-3 27
c1 oper-3 26
c1 oper-3 28
c3 oper-3 25
c3 oper-3 27
c3 oper-3 30
c2 oper-3 26
c2 oper-3 32
c2 oper-3 31
c2 oper-2 40
c2 oper-2 42
c2 oper-2 41
c3 oper-2 35
c3 oper-2 37
c3 oper-2 40
c1 oper-2 37
c1 oper-2 32
c1 oper-2 40
c3 oper-4 26
c3 oper-4 35
c3 oper-4 40
c1 oper-4 31
c1 oper-4 37
c1 oper-4 40
c2 oper-4 41
c2 oper-4 47
c2 oper-4 30
c2 oper-1 31
c2 oper-1 40
c2 oper-1 42
c3 oper-1 42
c3 oper-1 35
c3 oper-1 30
c1 oper-1 35
c1 oper-1 32
c1 oper-1 40
;
proc glm;
class cc op;
model rpta=cc op;
means op/Tukey;
means cc/Tukey;
run;
Source DF Sum of Squares Mean Square F Value Pr > F
Model 5 650.722222 130.144444 6.89 0.0002
Error 30 566.500000 18.883333
Corrected Total 35 1217.222222
Autor: 6
Source DF Type I SS Mean Square F Value Pr > F
cc 2 87.0555556 43.5277778 2.31 0.1172
op 3 563.6666667 187.8888889 9.95 0.0001
PP18:
Los diseos por bloques mejorarn mucho la precisin de las estimaciones de las
medias de tratamiento si la reduccin del SC error con el uso de bloques es sustancial,
reduccin que se puede eliminar si se reducen los grados de libertad, ya que r - 1 de los
grados de libertad deben asignarse al SC bloques.
Means with the same letter are
not significantly different.
Tukey Grouping Mean N op
A 38.222 9 oper-2
A
A 36.333 9 oper-1
A
A 36.333 9 oper-4
B 28.000 9 oper-3
Al ver que no existan diferencias entre las concentraciones de cianuro resulta ms
interesante ver las diferencias entre los operarios y vemos que efectivamente hay
diferencias pero tambin existe similitud entre los operarios 2,1 y 4, adems estos son
diferentes del operario 3.
Si bien es cierto que el DCA nos basamos en este cuadro, en el DBCA ya no lo haremos debido a que
ahora estamos en presencia de 2 factores que son los tratamientos y los bloques, se desdobla este
cuadro en 2, pero de todos modos lo que se puede apreciar del cuadro anterior es el rechazo de la
hiptesis nula
La interpretacin que podemos obtener de los factores seria:
Para el caso de las concentraciones de cianuro (tratamientos) se ve que se acepta la hiptesis nula
es decir que no existe un efecto de las concentraciones en las observaciones.
Pero en el caso de los operarios (bloques) se observa el rechazo de la hiptesis nula es decir que
hay un efecto de los operarios en las observaciones.
Autor: 7
Contrast DF Contrast SS Mean Square F Value Pr > F
op3 vs op1,2y4 1 542.2592593 542.2592593 28.72 <.0001
Otra manera de ver lo antes ya explicado es por medio de contrastes:
contrast "op3 vs op1,2y4" op -1 -1 3 -1;
Autor: 8
3. LATIMO
El modelo estadstico lineal para un experimento con t tratamientos en un diseo de cuadrado latino
de t X t es:
Donde y, es la observacin de la unidad experimental en el i-simo rengln y la j-sima columna del
diseo. Los efectos respectivos de rengln y columna son p, y v; rk es el efecto del k-simo
tratamiento, y las e, son errores experimentales independientes aleatorios con media O y varianza $.
Se supone que no hay interaccin entre los tratamientos y las columnas y renglones. La notacin
para los totales y las medias de las observaciones para renglones y columnas siguen la convencin
usual con y,, = y, para el total de un rengln y y, = Yy,, para el total de una columna. El total del
tratamiento estar representado como y,, que implica un suma de observaciones sobre las t unidades
experimentales que reciben el tratamiento k. De la misma manera, Yk representar la media de
Las observaciones en el k-simo tratamiento.
`..|'' J:
En la tabla se muestran las observaciones junto con las medias de rengln, columna y
tratamiento en un arreglo de cuadrado latino. Los datos se refieren a la cosecha de grano
para cada grfica en cientos de libras por acre.
Tabla: Cosecha de grano de una variedad de trigo para cinco tasas de siembra en un
diseo de cuadrado latino [etiqueta de tratamiento (A, B, C, D o E) en los parntesis
enseguida del valor de la cosecha.
a. Calcule el anlisis de varianza
Sintaxis SAS:
data dbca;
input renglon $ columna $ trat $ rpta;
cards;
1 1 e 59.45
1 2 a 47.28
1 3 c 54.44
1 4 b 50.14
Autor: 9
1 5 d 59.45
2 1 c 55.16
2 2 d 60.89
2 3 b 56.59
2 4 e 60.17
2 5 a 48.71
3 1 b 44.41
3 2 c 53.72
3 3 d 55.87
3 4 a 47.99
3 5 e 59.45
4 1 a 42.26
4 2 b 50.14
4 3 e 55.87
4 4 d 58.74
4 5 c 55.87
5 1 d 60.89
5 2 e 59.45
5 3 a 49.43
5 4 c 59.45
5 5 b 57.31
;
proc glm;
class renglon columna trat;
model rpta=renglon columna trat;
means renglon/tukey;
means trat/tukey;
run;
Source DF Sum of Squares Mean Square F Value Pr > F
Model 12 659.9813120 54.9984427 11.65 <.0001
Error 12 56.6309120 4.7192427
Corrected Total 24 716.6122240
Al igual que en el caso de los bloques nuestro inters se centrara en el siguiente cuadro,
sin dejar de lado que en este ultimo se observa el rechazo de la hiptesis nula a nivel
general.
Autor: 10
Source DF Type I SS Mean Square F Value Pr > F
renglon 4 99.2035040 24.8008760 5.26 0.0111
columna 4 38.4808240 9.6202060 2.04 0.1527
trat 4 522.2969840 130.5742460 27.67 <.0001
Para el caso del rengln:
Means with the same letter
are not significantly different.
Tukey Grouping Mean N renglon
A 57.306 5 5
A
B A 56.304 5 2
B A
B A 54.152 5 1
B
B 52.576 5 4
B
B 52.288 5 3
Lo que podemos apreciar es que para el caso de los renglones el P-value es menor a 0.05 es decir
que se rechaza la hiptesis nula en trminos del problema el factor rengln si produce efectos sobre
la cosecha, para el efecto columna se aprecia lo contrario es decir que factor columna no produce
efectos sobre la cosecha, en cambio el factor tratamiento si produce efectos sobre la cosecha.
Lo que apreciamos por medio de Tukey es que los renglones 5, 2 y 1 son similares pero tambin lo
son 2, 1, 4 y 3.
Autor: 11
Para el caso del tratamiento:
Means with the same letter
are not significantly different.
Tukey Grouping Mean N trat
A 59.168 5 d
A
A 58.878 5 e
A
B A 55.728 5 c
B
B 51.718 5 b
C 47.134 5 a
Lo que apreciamos por medio de Tukey es los tratamientos d, e y c son similares pero tambin lo
son c y b, se puede apreciar tambin que solo uno es totalmente diferente y es el tratamiento a.
Autor: 12
4. FACTOPIAL
ijk ij j i ijk
e tb b t u Y ) (
Donde u es el promedio general, t es del efecto de factor A, b es el efecto del factor B,
(tb) es el efecto de la interaccin.
Suposiciones:
- existe igualdad entre los tratamientos ...
2 1
t t
- existe igualdad entre los tratamientos de los factores A ...
2 1
b b
- existe igualdad entre los interacciones ... tb tb
`..|'' :
Los depsitos de sal se acumulan en los suelos irrigados para cultivos agrcolas y de
horticultura. Con el paso del tiempo, la creciente salinidad del suelo impide el desarrollo
de las plantas y disminuye las cosechas.
Hiptesis de investigacin: Un investigador plante la hiptesis de que la exposicin de
las plantas a elevadas cantidades de sales en su medio inhibe el consumo de agua y
nutrientes de la planta, lo que impide su crecimiento y desarrollo. Se llev a cabo un
experimento con plantas de cebada para medir el efecto del aumento de la salinidad en
la cantidad de agua consumida por las plantas.
Diseo del tratamiento: Se us un arreglo factorial con "salinidad del medio" y "edad
de la planta" en das, como los dos factores. Las plantas se cultivaron en soluciones de
nutrientes con 3 niveles de salinidad que expresados como unidades de presin
osmtica, fueron de 0,6 y 12 barios y se cosecharon a los 14,21 y 28 das.
Diseo del experimento: Cada una de las nueve combinaciones de tratamiento, de
salinidad con das, se asign a dos contenedores rplica en un diseo totalmente
aleatorizado, los contenedores se colocaron en un cmara de cultivo en un arreglo al
azar.
Autor: 13
a. calcule el analisis de varianza
Sintaxis SAS:
data dbca;
input dias $ salinidad $ rpta;
cards;
14 0 2.2
14 0 3.3
14 6 3.7
14 6 4.5
14 12 2.8
14 12 3.4
21 0 5
21 0 5.7
21 6 5.9
21 6 7.2
21 12 4.5
21 12 5.9
28 0 13.2
28 0 12.4
28 6 9.4
28 6 11
28 12 7.6
28 12 8.3
;
proc glm;
class dias salinidad;
model rpta=dias salinidad dias*salinidad;
run;
Source DF Sum of Squares Mean Square F Value Pr > F
Model 8 179.7044444 22.4630556 40.27 <.0001
Error 9 5.0200000 0.5577778
Corrected Total 17 184.7244444
Source DF Type I SS Mean Square F Value Pr > F
dias 2 151.9877778 75.9938889 136.24 <.0001
salinidad 2 9.5077778 4.7538889 8.52 0.0084
dias*salinidad 4 18.2088889 4.5522222 8.16 0.0046
Autor: 14
Para observar la respuesta Optima:
A diferencia de los anteriores modelos si bien es cierto que el anlisis de varianza es til
para este caso solo nos servir para observar las significancias de los factores ya que ahora
lo que se busca es la mejor respuesta basada en que factor o en que interaccin es por esa
razn que usaremos una serie de grficos que nos dirn en que nivel se logra la mejor
respuesta aun as vemos que:
Existe un efecto de los das sobre el consumo de agua, tambin existe un efecto por parte de
la salinidad y de la interaccin de estos mismos factores.
Autor: 15
Resultado efectos principales:
Es en este nivel donde se
logra un mayor consumo de
agua en nivel 28 de das.
Es en este nivel donde se
logra un mayor consumo de
agua en nivel 0 de salinidad
Autor: 16
`..|'' ::
Los investigadores desean conocer como influyen la temperatura y salinidad del agua y
la densidad de poblacin del camarn en la tasa de crecimiento de los camarones
cultivados en acuarios y si estos factores actan independientemente sobre la poblacin.
Diseo del tratamiento: Se us un arreglo factorial con tres factores: "temperatura"
(25"C, 35C); "salinidad del agua (lo%, 25%, 40%), y "densidad" de camarones en el
acuario (80 camarones140 litros, 160 camarones140 litros). Se consider que si el factor
influa en el crecimiento de los camarones stos niveles tenan las posibilidades ms
altas de mostrar efectos.
Diseo del experimento: El diseo del experimento consisti en tres acuarios rplica
para cada una de las 12 combinaciones de tratamiento del factorial 2 x 2 X 3, cada
combinacin se asign al azar a tres acuarios en un diseo totalmente aleatorizado. y al
principio de la prueba se pusieron camarones en etapa postlarvaria en los 36 acuarios.
En la tabla 6.13 se muestra el aumento de peso por camarn en cuatro semanas para
cada acuario.
Aqu tenemos el grafico de interacciones y vemos en donde se produce el mayor
consumo de agua que se da en el nivel de salinidad 0 y en el nivel de das 28.
Autor: 17
a. calcule el anlisis de varianza
Sintaxis SAS:
data dbca;
input t $ D $ S $ rpta;
cards;
25 80 10 86
25 80 10 52
25 80 10 73
25 80 25 544
25 80 25 371
25 80 25 482
25 80 40 390
25 80 40 290
25 80 40 397
25 160 10 53
25 160 10 73
25 160 10 86
25 160 25 393
25 160 25 398
25 160 25 208
25 160 40 249
25 160 40 265
25 160 40 243
35 80 10 439
35 80 10 436
35 80 10 349
35 80 25 249
35 80 25 245
35 80 25 330
35 80 40 247
35 80 40 277
35 80 40 205
35 160 10 324
Autor: 18
35 160 10 305
35 160 10 364
35 160 25 352
35 160 25 267
35 160 25 316
35 160 40 188
35 160 40 223
35 160 40 281
;
proc glm;
class T D S ;
model rpta=T D S T*D T*S D*S;
run;
Source DF Sum of Squares Mean Square F Value Pr > F
Model 9 443597.9444 49288.6605 13.67 <.0001
Error 26 93729.0556 3604.9637
Corrected Total 35 537327.0000
Source DF Type I SS Mean Square F Value Pr > F
t 1 15376.0000 15376.0000 4.27 0.0490
D 1 21218.7778 21218.7778 5.89 0.0225
S 2 96762.5000 48381.2500 13.42 <.0001
t*D 1 8711.1111 8711.1111 2.42 0.1322
t*S 2 300855.1667 150427.5833 41.73 <.0001
D*S 2 674.3889 337.1944 0.09 0.9110
Para este caso el anlisis de varianza solo nos servir para observar las significancias de los
factores ya que ahora lo que se busca es la mejor respuesta basada en que factor o en que
interaccin es por esa razn que usaremos una serie de grficos que nos dirn en que nivel
se logra la mejor respuesta aun as vemos que:
Existe un efecto de la temperatura sobre el aumento de peso, tambin existe un efecto por
parte de la densidad y por parte de la salinidad, se observa tambin que existe un efecto de
la interaccione entre la temperatura y la salinidad mas no en las interaccin de temperatura
densidad y densidad salinidad.
Autor: 19
Resultados efectos Principales
Lo que se quiere mostrar como se logra el mayor aumento de peso en los distintos
niveles, en la temperatura se logra a nivel de 35 en la densidad a nivel de 100 y en
la salinidad a nivel de 350.
Autor: 20
Resultados Interacciones:
Se logra el mayor aumento de
peso cuando estamos en
temperatura 35 y densidad 80
Se logra el mayor aumento de
peso cuando estamos en
temperatura 25 y salinidad 25
Autor: 21
b. AMCOVA
EL enunciado y la data del problema se encuentran en el documento PDF. Que les
envo.
Sintaxis SAS:
data ancova;
input trat $ bloq $ pi pf ;
cards;
1 1 20.4 24.6
2 1 27.2 32.6
3 1 26.8 31.7
4 1 22.4 29.1
5 1 21.8 27.0
1 2 19.6 23.4
2 2 32.0 36.6
3 2 26.5 30.7
4 2 23.2 28.9
5 2 24.3 30.5
1 3 25.1 30.3
2 3 33.0 37.7
3 3 26.8 30.4
4 3 28.6 35.2
5 3 30.3 36.4
1 4 18.1 21.8
2 4 26.8 31.0
3 4 28.6 33.8
4 4 24.4 30.2
5 4 29.3 35.0
;
proc glm;
class trat bloq ;
model pf=trat bloq pi/solution;
run;
La respectiva interpretacin tambin se encuentra en ese documento.