ANALISIS DE EXPERIMENTOS FACTORIALES pxq CON FACTORES

CUANTITATIVOS
Suponga que se tiene experimento factorial p q , donde ambos factores en estudio son
cuantitativos, con niveles para el factor A: X11 , X12 , , X1 p y para el factor B:

, X 2 q . Luego se tiene

X 21 , X 22 ,

Yijk i j ij ijk , para; i 1,

, p,

j 1,

, q , k 1,

,r

(1)

una reparametrizacin del modelo dado en (1) es:

p 10 X 1ip 1 01 X 2 j 02 X 22 j

Yijk 00 10 X 1i 20 X 12i

11 X 1i X 2 j 11 X 1i X 22 j

1 q 1 X 1i X 2 qj 1

21 X 12i X 2 j 22 X 12i X 22 j

2 q 1 X 12i X 2 qj 1

0 q 1 X 2 qj 1

(2)

p 11 X 1ip 1 X 2 j

p 1 q 1 X 1ip 1 X 2 qj 1 ijk

Siendo el modelo dado en (2) el que se desea estimar. Para encontrar los estimados de
este modelo se debe reparametrizar a un modelo con polinomios ortogonales:

Yijk 00 10 P1 Zijk

p 10 Pp 1 Zijk 01Q1 Z ijk

11P1 Zijk Q1 Zijk

i 1,

, p,

Z ijk toma los valores X11 , X12 ,

Qh Zijk

0 q 1Qq 1 Z ijk

p 1 q 1 Pp 1 Z ijk Qq 1 Z ijk ijk

j 1,

, q , k 1,

,r

(1)

, X1 p para los Ph Zijk y X 21 , X 22 ,

donde:
P0 X1i 1

P1 X1i X1i P0 X1i 1P0 X1i

P2 X1i X1i P1 X1i 2 P1 X1i 1P0 X1i

Ph1 X1i X1i Ph X1i h1Ph X1i h Ph1 X1i

i 1, 2,
con P1 X1i 0 y m p 1 . Siendo

,m

, X2 q para los

 X P X
p

j 1

1h

h 1

1h

P X
p

h 1

P X

X1h Pj X1h Pj 1 X1h

h 1

P X
p

h 1

h 1
p

1h

P X

j 1

1h

1h

j 1

h 1

1h

Q0 X 2 j 1

Q1 X 2 j X 2 j Q0 X 2 j 1Q0 X 2 j

Q2 X 2 j X 2 j Q1 X 2 j 2Q1 X 2 j 1Q0 X 2 j

Qh1 X 2 j X 2 j Qh X 2 j h1Qh X 2 j hQh1 X 2 j

j 1, 2,

,n

con Q1 X 2i 0 y n q 1 . Siendo

X Q X
q

j 1

2h

h 1

2h

Q X
q

h 1

2h

X 2hQ j X 2h Q j 1 X 2h
h 1

Q X
q

j 1

h 1

Q X
q

2h

h 1
q

2h

Q X

j 1

h 1

2h

En este caso, se puede demostrar que se cumple:

P X
p

h 1

1h

j 1, 2,

h 1

2h

j 1, 2,
p

h 1

, q 1 , l 1, 2,

1i

P X P X 0 , para

h 0

2h

1h

1h

, p 1 , y para j l .

1h

Q X 0

0,

P X Q X 0
i 0 h 0

, p 1 , l 1, 2,

Q X
h 1

P X 0

0,

2h

Q X Q X 0
h 0

, q 1 , y para j l .

2h

2h

Es decir estos polinomios son ortogonales. En este modelo se puede considerar menos
polinomios ortogonales, dependiendo de la significancia de los efectos obtenido al
realizar la prueba de F parcial.

Estimacin de Parmetro
Sean

Qh Z111

Qh Z112

Qh
,

Qh Z pqr

Ph Z111

Ph Z112

Ph
,

Ph Z pqr
P 1 P1

Pp-1 Q1

Qq 1 P1Q1

Pp 1Qq 1 ,

00
Y111
111

10
Y

112
112

, 20 ,
Y

Ypqr
pqr
p 1 q 1

Entonces, el modelo dado en (2) puede ser escrito

Y P

(3)

Entonces el estimador mnimo cuadrtico de est dado por:

1
PP PY

Se puede observar:

(4)

 pqr
0

p
2
0 qr
P1 X1i

i 1

0
0

0
0

PP

0
0

0
0

0
0

Es una matriz diagonal

qr Pp 1 X1i
i 1

j 1
q

pr Q1 X 2 j

j 1

pr Qq 1 X 2 j

i 1 j 1

p q

r P1 X1i Q1 X 2 j

p q

r Pp 1 X1i Qq 1 X 2 j
i 1 j 1

P1 X 1i Yi

i 1

Pp 1 X 1i Yi

i 1

Q1 Z ijk Y j

j 1

PY

Qq 1 Z ijk Y j

p q
P1 Z ijk Q1 Z ijk Yij
i 1 j 1

p q
Pp 1 Z ijk Qq 1 Z ijk Yij
i 1 j 1

Luego,

pqr

0
p

qr P1 X 1i

Entonces

i 1

qr Pp 1 X 1i
i 1

0
q

pr Q1 X 2 j
j 1

pr Qq 1 X 2 j
j 1

0
p

r P1 X 1i Q1 X 2 j
i 1 j 1

p q
2
r Pp 1 X 1i Qq 1 X 2 j
i 1 j 1

P X Y

P X Y

Q Z Y

Q Z Y

P Z Q Z Y

P Z Q Z Y

1i

i 1

p 1

1i

i 1

ijk

j 1

q 1

ijk

j 1

i 1

j 1

i 1

j 1

ijk

p 1

ijk

q 1

ijk

ij

ijk

ij

P1 X 1i Yi

i 1

p
2

qr P1 X 1i

i 1

Pp 1 X 1i Yi

i 1

p
2

qr Pp 1 X 1i

i 1

Q1 X 2 j Y j

j 1

q
2

pr Q1 X 2 j

jk 1

Q1 X 2 j Y j

j 1

q
2

pr Q1 X 2 j

jk 1
p q

P1 X 1i Q1 X 2 j Yij
i 1p j q1

r P1 X 1i Q1 X 2 j

i 1 j 1

p q

Pp 1 X 1i Qq 1 X 2 j Yij

i 1 j 1
p q

2
r P X Q X
i 1 j 1 p 1 1i q 1 2 j

Anlisis de Variancia
Se puede observar que la
2

2
SC Re g PY pqrY

P1 X 1i Yi
i 1

p
2
qr P1 X 1i

Pp 1 X 1i Yi
i 1

p
2
qr Pp 1 X 1i

i 1

i 1

Q1 X 2 j Y j
j 1

q
2
pr Q1 X 2 j
j 1

Qq 1 X 2 j Y j
j 1

pr Qq 1 X 2 j
q

j 1

p q

P1 X 1i Q1 X 2 j Yij
i 1 j 1

p
q
2
r P1 X 1i Q1 X 2 j
i 1 j 1

p q

Pp 1 X 1i Qq 1 X 2 j Yij
i 1 j 1

r Pp 1 X 1i Qq 1 X 2 j
p

i 1 j 1

= SCTrat

Tambin
2

Ph X 1i Yi
i 1
,
SC Efecto A h p
2
qr Ph X 1i

para h 1, 2,

, p 1

i 1

SC Efecto Bl

Ql X 2 j Y j
j 1

pr Ql X 2 j
q

j 1 j 1 k 1

para l 1, 2,

, q 1

p q

Ph X 1i Ql X 2 j Yij
i 1 j 1
, para h 1, 2,
SC Efecto A h Bl p q
2
r Ph X 1i Ql X 2 j
i 1 j 1

l 1, 2,

, p 1 ,
, q 1

Luego,
p 1

q 1

p 1 q 1

h 1

l 1

h 1 l 1

SCTrat SC Efecto de Ah SC Efecto de Bl SC Efecto de Ah Bl

Tambin se puede demostrar que:
p 1

q 1

h 1
p 1 q 1

l 1

SC A SC Efecto de Ah , SC B SC Efecto de Bl ,
SC AB SC Efecto de A h Bl
h 1 l 1

Por Tanto, se tiene el siguiente cuadro de ANVA

Fuente de
Variacin
Tratamiento
A
A1
A2
.
.
.
Ap-1
B
B1
B2
.
.
.
Bq-1
AB
A1B1
A1B2
.
.
.
Ap-1Bq-1
Error
Total

SC
SCReg=SCTrat
p-1
SC[A1]
SC[A2]
.
.
.
SC[Ap-1]
SC[B]
SC[B1]
SC[B2]
.
.
.
SC[Bq-1]
SC[AB]
SC[A1B1]
SC[A1B2]
.
.
.
SC[Ap-1Bq-1]
SCE
SCTotal

Sobre la descomposicin de A
H0 : i 0 0

H a : i0 0

para i 1, 2,

, p 1

El estadstico de prueba est dado por:

GL

CM

pq-1
1
1
.
.
.
1
q-1
1
1
.
.
.

CMReg=CMTrat
CM[A]
SC[A1]
SC[A2]
.
.
.
SC[Bp-1]
CM[B]
SC[B1]
SC[B2]
.
.
.
SC[Bpq1]

1
(p-1)(q-1)
1
SC[A1B1]
1
SC[A1B2]
.
.
.
.
.
.
1
SC[Ap-1Bq-1]
pq(r-1) CME
pqr-1

Fc

SC Ai
CME

~ F1, pq ( r 1) / H 0 es verdadera

Se rechaza H 0 a nivel de significacin , si Fc F1 ,1, pq ( r 1)

Sobre la descomposicin de B
H0 : 0 j 0

H a : 0 j 0 para j 1, 2,

, q 1

El estadstico de prueba est dado por:

Fc

SC Bj
CME

~ F1, pq ( r 1) / H 0 es verdadera

Se rechaza H 0 a nivel de significacin , si Fc F1 ,1, pq ( r 1)

Para la descomposicin de AB

H 0 : ij 0
H a : ij 0 para i 1, 2,

, p 1 , j 1, 2,

, q 1

El estadstico de prueba est dado por:

Fc

SC Ai Bj
CME

~ F1, pq ( r 1) / H 0 es verdadera

Se rechaza H 0 a nivel de significacin , si Fc F1 ,1, pq ( r 1)

En el modelo solo se incluye los efectos significativos.
Ejemplo: Agua Consumida por las plantas de Cebada
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 de 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 tres 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 una cmara de cultivo en un arreglo al
azar.
Una de las medidas tomadas al cosechar fue la cantidad de agua consumida por las
plantas durante el experimento, expresada en milmetros de agua por cada 100 gramos
de peso de la planta seca. Los datos se muestran en la siguiente tabla
Salinidad
Das
14
2.2
3.3

0 barios
21
28
5.0
13.2
5.7
12.4

6 barios
21
28
5.9
9.4
7.2
11.0

14
3.7
4.5

14
2.8
3.4

> salinidad<-read.table("salinidad.txt",header=T)
> salinidad
cantidad bario dias
1
2.2
0
14
2
3.3
0
14
3
5.0
0
21
4
5.7
0
21
5
13.2
0
28
6
12.4
0
28
7
3.7
6
14
8
4.5
6
14
9
5.9
6
21
10
7.2
6
21
11
9.4
6
28
12
11.0
6
28
13
2.8
12
14
14
3.4
12
14
15
4.5
12
21
16
5.9
12
21
17
7.6
12
28
18
8.3
12
28

P0 X1i 1
p

X1h P0 X1h

h 1

P X

h 1

X
h 1

1h

0 6 12
6 , entonces
3

1h

P1 X1i X1i P0 X1i 1P0 X1i X1i 1 X1i 6

P1 X1i X1i 6 , luego
P1 0 0 6 6 , P1 6 6 6 0 , P1 12 12 6 6
p

X P X

1h

h 1

1h

P X
h 1

1h

0 6 6 0 12 6

2
2
2
6 0 6
2

12 36 6
2 36

12 barios
21
28
4.5
7.6
5.9
8.3

P X

6 0 6
1

2
2
2
2
1 1 1

P
X
0 1h
1

h 1
p

1h

72
24
3

h 1

P2 X1i X1i P1 X1i 2 P1 X1i 1P0 X1i X1i P1 X1i 6P1 X1i 24
P2 X1i X1i P1 X1i 6P1 X1i 24 , luego
P2 0 0 P1 0 6P1 0 24 0 6 6 6 24 12
P2 6 6 0 6 0 24 24 , P2 12 12 6 6 6 24 72 36 24 12
Q0 X 2 h 1
q

X Q X

2h

h 1

2h

X
h 1

2h

14 21 28
21
3

3
Q X
Q X X Q X Q X X
Q X X 21 , luego
2

h 1

2h

2j

2j

2j

2j

2j

2j

2j

1 X 2 j 21

Q1 14 14 21 7 , Q1 21 21 21 0 , Q1 28 28 21 7
q

X Q X

2h

h 1

Q X

h 1

2h

2h

Q X

14 7 21 0 28 7

2
2
2
7 0 7
2

42 49 21
2 49

7 0 7

2
2
2
2
Q0 X 2h 1 1 1
h 1
q

2h

98
32.666667
3

h 1

Q2 X 2 j X 2 j Q1 X 2 j 21Q1 X 2 j

Q2 14 14 Q1 14 21Q1 14

98
3

98
98 49
14 7 21 7
3
3
3

16.333333
98
98
32.666667
3
3
98
98 49 3 98
Q2 28 X 2 j Q1 28 21Q1 28 28 7 21 7
3
3
3
49

16.333333
3
> y<-salinidad[,1]
> x1i<-salinidad[,2]
> x2i<-salinidad[,3]
> p1<-c(rep(-6,6),rep(0,6),rep(6,6))
Q2 21 21 0 21 0

>
>
>
>
>

p2<-c(rep(12,6),rep(-24,6),rep(12,6))
q1<-rep(c(-7,-7,0,0,7,7),3)
q2<-rep(c(49/3,49/3,-98/3,-98/3,49/3,49/3),3)
uno<-rep(1,length(p1))
P<-cbind(uno,p1,p2,q1,q2,p1*q1,p1*q2,p2*q1,q2*p2

> modp<-lm(y~p1+p2+q1+q2+p1*q1+p1*q2+p2*q1+q2*p2)
> summary(modp)
Call:
lm(formula = y ~ p1 + p2 + q1 + q2 + p1 * q1 + p1 * q2 + p2
*
q1 + q2 * p2)
Residuals:
Min
1Q
Median
-8.000e-01 -4.000e-01 -1.110e-16

3Q
4.000e-01

Max
8.000e-01

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 6.4444444 0.1760331 36.609 4.19e-11 ***
p1
-0.1291667 0.0359326 -3.595 0.005796 **
p2
-0.0210648 0.0103729 -2.031 0.072844 .
q1
0.5000000 0.0307994 16.234 5.67e-08 ***
q2
0.0227891 0.0076209
2.990 0.015192 *
p1:q1
-0.0309524 0.0062869 -4.923 0.000821 ***
p1:q2
-0.0035714 0.0015556 -2.296 0.047320 *
p2:q1
0.0026786 0.0018149
1.476 0.174078
p2:q2
0.0004393 0.0004491
0.978 0.353465
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1
1
Residual standard error: 0.7468 on 9 degrees of freedom
Multiple R-squared: 0.9728,
Adjusted R-squared: 0.9487
F-statistic: 40.27 on 8 and 9 DF, p-value: 3.756e-06
> summary(aov(modp))
Df Sum Sq Mean Sq F value
p1
1
7.208
7.208 12.9218
p2
1
2.300
2.300
4.1240
q1
1 147.000 147.000 263.5458
q2
1
4.988
4.988
8.9422
p1:q1
1 13.520 13.520 24.2390
p1:q2
1
2.940
2.940
5.2709
p2:q1
1
1.215
1.215
2.1783
p2:q2
1
0.534
0.534
0.9572
Residuals
9
5.020
0.558
--Signif. codes: 0 *** 0.001 ** 0.01
1

Pr(>F)
0.0057961
0.0728444
5.667e-08
0.0151921
0.0008209
0.0473198
0.1740780
0.3534647

**
.
***
*
***
*

* 0.05 . 0.1

> modp1<-lm(y~p1+p2+q1+q2+p1*q1+p1*q2)
> summary(modp1)
Call:
lm(formula = y ~ p1 + p2 + q1 + q2 + p1 * q1 + p1 * q2)
Residuals:
Min
1Q
-1.42222 -0.40556

Median
0.06111

3Q
0.49861

Max
0.99444

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 6.444444
0.184895 34.855 1.30e-12 ***
p1
-0.129167
0.037742 -3.422 0.005699 **
p2
-0.021065
0.010895 -1.933 0.079323 .
q1
0.500000
0.032350 15.456 8.31e-09 ***
q2
0.022789
0.008005
2.847 0.015881 *
p1:q1
-0.030952
0.006603 -4.687 0.000664 ***
p1:q2
-0.003571
0.001634 -2.186 0.051343 .
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1
1
Residual standard error: 0.7844 on 11 degrees of freedom
Multiple R-squared: 0.9634,
Adjusted R-squared: 0.9434
F-statistic: 48.2 on 6 and 11 DF, p-value: 2.894e-07
> summary(aov(modp1))
Df Sum Sq Mean Sq F value
p1
1
7.208
7.208 11.7128
p2
1
2.300
2.300
3.7381
q1
1 147.000 147.000 238.8871
q2
1
4.988
4.988
8.1055
p1:q1
1 13.520 13.520 21.9711
p1:q2
1
2.940
2.940
4.7777
Residuals
11
6.769
0.615
--Signif. codes: 0 *** 0.001 ** 0.01
1
Luego la ecuacin de regression estimada es

Pr(>F)
0.0056991
0.0793232
8.312e-09
0.0158810
0.0006636
0.0513427

**
.
***
*
***
.

* 0.05 . 0.1

yijk 6.444444 0.129167 P1 0.021065 P2 0.500000Q1 0.022789Q2 0.030952PQ

1 1 0.003571 PQ
1 2
Pero
P1 X1i X1i 6 ,

P2 X1i X1i P1 X1i 6P1 X1i 24 X1i X1i 6 6 X1i 6 24 X1i 6 24

2

Q1 X 2 j X 2 j 21 ,
Q2 X 2 j X 2 j Q1 X 2 j 21Q1 X 2 j

2
98
98
98
X 2 j X 2 j 21 21 X 2 j 21 X 2 j 21
3
3
3

Reemplazando

2
yijk 6.444444 0.129167 X 1ik 6 0.021065 X 1ik 6 24 0.500000 X 2 jk 21

2
98

0.022789 X 2 jk 21 0.030952 X 1ik 6 X 2 jk 21

3

2
98

0.003571 X 1ik 6 X 2 jk 21
3

Operando
98
yijk 6.444444 0.129167 6 0.021065 24 0.5 21 0.022789
3
0.129167X 1ik 0.021065 X 1ik 6 0.500000 X 2 jk 0.022789 X 2 jk 21
2

2
98

0.030952 X 1ik 6 X 2 jk 21 0.003571X 1ik X 2 jk 21

3

2
98

0.003571 6 X 2 jk 21
3

yijk 3.519435 0.129167X 1ik 0.021065 X 12ik 12 X 1ik 36

0.500000 X 2 jk 0.022789 X 22 jk 42 X 2 jk 441
0.030952 X 1ik X 2 jk 6 X 2 jk 21X 1ik 126
1225

0.003571X 1ik X 22 jk 42 X 2 jk
3

1225

0.003571 6 X 22 jk 42 X 2 jk
3

yijk 3.519435 0.021065 36 0.022789 441 0.030952 126 0.003571 2450

1225
2
0.129167 0.02106512 0.030952 21 0.003571
X 1ik 0.021065X 1ik
3

0.5 0.022789 42 0.030952 6 0.003571 252 X 2 jk

0.022789+0.003571 6 X 22 jk 0.030952 0.003571 42 X 1ik X 2 jk 0.003571X 1ik X 22 jk

yijk 744538 0.021065 36 0.022789 441 0.030952 126 0.003571 2450

1225
2
0.129167 0.02106512 0.030952 21 0.003571
X 1ik 0.021065X 1ik
3

0.5 0.022789 42 0.030952 6 0.003571 252 X 2 jk

0.022789+0.003571 6 X 22 jk 0.030952 0.003571 42 X 1ik X 2 jk 0.003571X 1ik X 22 jk
yijk 10.62117 0.6845533X 1ik 0.021065X 12ik 1.171318X 2 jk
0.044215X 22 jk 0.11903X 1ik X 2 jk 0.003571X 1ik X 22 jk

yijk 10.622222-0.684722 X 1ik -0.021065 X 12ik -1.171429 X 2 jk 0.044218 X 22 jk

0.119048 X 1ik X 2 jk -0.003571X 1ik X 22 jk
OJO LA FORMA MAS FACIL
Usando directamente los comandos del paquete R para regresin polinomial se tiene
> modelr<lm(cantidad~I(bario)+I(bario^2)+I(dias)+I(dias^2)+I(bario)*I(dias)+I(b
ario)*I(dias^2)+I(bario^2)*I(dias)+I(bario^2)*I(dias^2),data=salinidad
)
> summary(modelr)
Call:
lm(formula = cantidad ~ I(bario) + I(bario^2) + I(dias) + I(dias^2) +
I(bario) * I(dias) + I(bario) * I(dias^2) + I(bario^2) *
I(dias) + I(bario^2) * I(dias^2), data = salinidad)
Residuals:
Min
1Q
Median
-8.000e-01 -4.000e-01 -6.939e-16

3Q
4.000e-01

Max
8.000e-01

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept)
12.1000000 5.5135187
2.195 0.05583 .
I(bario)
-2.1625000 2.3427950 -0.923 0.38007
I(bario^2)
0.1020833 0.1875737
0.544 0.59950
I(dias)
-1.3607143 0.5569495 -2.443 0.03717 *
I(dias^2)
0.0494898 0.0131997
3.749 0.00456 **
I(bario):I(dias)
0.3083333 0.2366580
1.303 0.22497
I(bario):I(dias^2)
-0.0088435 0.0056088 -1.577 0.14931
I(bario^2):I(dias)
-0.0157738 0.0189478 -0.832 0.42667
I(bario^2):I(dias^2) 0.0004393 0.0004491
0.978 0.35346
--Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 0.7468 on 9 degrees of freedom
Multiple R-Squared: 0.9728,
Adjusted R-squared: 0.9487
F-statistic: 40.27 on 8 and 9 DF, p-value: 3.756e-06
> anvar<-aov(modelr)
> summary(anvar)

Df Sum Sq Mean Sq F value

Pr(>F)
I(bario)
1
7.208
7.208 12.9218 0.0057961 **
I(bario^2)
1
2.300
2.300
4.1240 0.0728444 .
I(dias)
1 147.000 147.000 263.5458 5.667e-08 ***
I(dias^2)
1
4.988
4.988
8.9422 0.0151921 *
I(bario):I(dias)
1 13.520 13.520 24.2390 0.0008209 ***
I(bario):I(dias^2)
1
2.940
2.940
5.2709 0.0473198 *
I(bario^2):I(dias)
1
1.215
1.215
2.1783 0.1740780
I(bario^2):I(dias^2) 1
0.534
0.534
0.9572 0.3534647
Residuals
9
5.020
0.558
--Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

>
>
>
>

cantidad<-salinidad[,1]
bario<-as.factor(salinidad[,2])
dias<-as.factor(salinidad[,3])
modf<-lm(cantidad~bario+dias+bario*dias)

> summary(aov(modf))
Df Sum Sq Mean Sq F value
Pr(>F)
bario
2
9.508
4.754
8.5229 0.008381 **
dias
2 151.988 75.994 136.2440 1.869e-07 ***
bario:dias
4 18.209
4.552
8.1614 0.004591 **
Residuals
9
5.020
0.558
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Con estos resultados se obtiene el siguiente cuadro de ANVA:
Fuente
A

GL

SC
2

A1
A2
B

1
1
2

B1
B2
AB
A1B1
A1B2
A2B1
A2B2
Residual
Total

7.208
2.300

151.988

4.754
7.208
2.300

75.994

1
1

147.000
4.988

147.000
4.988

1
1
1
1

18.209
13.520
2.940
1.215
0.534
5.020

4.552
13.520
2.940
1.215
0.534
0.558

9
17

CM
9.508

Fc
8.5229
12.9218
4.1240

136.2440
4.1240
8.9422

8.1614
24.2390
5.2709
2.1783
0.978

Pvalue
0.008381
0.0057961
0.0728444

1.869e-07
5.667e-08
0.0151921

0.004591
0.0008209
0.0473198
0.1740780
0.3534647

>
modelr<lm(cantidad~I(bario)+I(bario^2)+I(dias)+I(dias^2)+I(bario)*I(dia
s)+I(bario)*I(dias^2)+I(bario^2)*I(dias)+I(bario^2)*I(dias^2),da
ta=salinidad)
> anvar<-aov(modelr)
> summary(anvar)
Df Sum Sq Mean Sq F value
Pr(>F)
I(bario)
1
7.207
7.207 12.9218 0.0057961 **
I(bario^2)
1
2.300
2.300
4.1240 0.0728444 .

I(dias)
1 147.000 147.000 263.5458 5.667e-08 ***
I(dias^2)
1
4.988
4.988
8.9422 0.0151921 *
I(bario):I(dias)
1 13.520 13.520 24.2390 0.0008209 ***
I(bario):I(dias^2)
1
2.940
2.940
5.2709 0.0473198 *
I(bario^2):I(dias)
1
1.215
1.215
2.1783 0.1740780
I(bario^2):I(dias^2) 1
0.534
0.534
0.9572 0.3534647
Residuals
9
5.020
0.558
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1

Yijk 00 10 P1 Zijk 20 P2 Zijk 01Q1 Z ijk 02Q2 Z ijk

11P1 Zijk Q1 Zijk 12 P1 Zijk Q2 Z ijk 21P2 Z ijk Q1 Z ijk 22 P2 Z ijk Q2 Z ijk ijk
Sobre la descomposicin de A=salinidad
H0 : i 0 0
para i 1, 2
H a : i0 0
El estadstico de prueba est dado por:

Fc

SC Ai

~ F1, pq ( r 1) / H 0 es verdadera
CME
Para el efecto de salinidad del polinomio lineal se tiene un pvalue=0.0057961, y para
el efecto de salinidad del polinomio cuadrtico pvalue=0.072844. La prueba sobre el
efecto lineal de salinidad result altamente significativa; es decir, el polinomio lineal de
salinidad contribuye significativamente sobre la cantidad de agua consumida en plantas
de cebada, Para el caso del polinomio cuadrtico la prueba result significativa a un
nivel del 10%; es decir, este polinomio contribuye significativamente sobre la cantidad
de agua consumida en plantas de cebada.
Sobre la descomposicin de B
H0 : 0 j 0

H a : 0 j 0 para j 1, 2
Para tiempo de cosecha lineal se tiene un pvalue=5.667e-08, y el cuadrtico
pvalue=0.0151921. Para el efecto del polinomio lineal del tiempo de cosecha La
prueba result altamente; es decir, el polinomio lineal de tiempo de cosecha contribuye
significativamente sobre la cantidad de agua consumida en plantas de cebada. Para el
caso del polinomio cuadrtico esta result significativa, Es decir este polinomio
contribuye significativamente sobre la cantidad de agua consumida en plantas de
cebada.
El estadstico de prueba est dado por:

Fc

SC Bj
CME

~ F1, pq ( r 1) / H 0 es verdadera

Para la descomposicin de AB

H 0 : ij 0
H a : ij 0 para i 1, 2 , j 1, 2
Para un nivel de significacin del 0.10 no se encontrado suficiente evidencia para
rechazar la hiptesis planteada para el caso del efecto de interaccin de los polinomio
cuadrtico de salinidad con el polinomio lineal de tiempo de cosecha y tambin del
polinomio cuadrtico de salinidad con el polinomio cuadrtico de tiempo de cosecha es
decir se puede aceptar que estas interacciones de polinomios no contribuye
significativamente en el consumo de agua. En cambio la prueba result altamente
significativa sobre el efecto de la interaccin del polinomio lineal de salinidad con el
polinomio lineal de tiempo de cosecha; es decir esta interaccin contribuye
significativamente sobre el consumo de agua en planta de cebada. Para el efecto de la
interaccin del polinomio lineal de salinidad con el polinomio cuadrtico de tiempo de
cosecha, la prueba result significativa; es decir, esta interaccin contribuye
significativamente en el consumo de agua en plantas de cebada.
> summary(mod1)
Call:
lm(formula = cantidad ~ I(bario) + I(bario^2) + I(dias) + I(dias^2) +
I(bario) * I(dias) + I(bario) * I(dias^2), data = salinidad)
Residuals:
Min
1Q
-1.42222 -0.40556

Median
0.06111

3Q
0.49861

Max
0.99444

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept)
10.622222
5.288138
2.009 0.06976
I(bario)
-0.684722
0.694897 -0.985 0.34563
I(bario^2)
-0.021065
0.010895 -1.933 0.07932
I(dias)
-1.171429
0.534019 -2.194 0.05065
I(dias^2)
0.044218
0.012656
3.494 0.00503
I(bario):I(dias)
0.119048
0.068942
1.727 0.11214
I(bario):I(dias^2) -0.003571
0.001634 -2.186 0.05134
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1

.
.
.
**
.
1

Residual standard error: 0.7844 on 11 degrees of freedom

Multiple R-squared: 0.9634,
Adjusted R-squared: 0.9434
F-statistic: 48.2 on 6 and 11 DF, p-value: 2.894e-07
> anva1<-aov(mod1)
> summary(anva1)
Df Sum Sq Mean Sq F value
Pr(>F)
I(bario)
1
7.208
7.208 11.7128 0.0056991
I(bario^2)
1
2.300
2.300
3.7381 0.0793232
I(dias)
1 147.000 147.000 238.8871 8.312e-09
I(dias^2)
1
4.988
4.988
8.1055 0.0158810
I(bario):I(dias)
1 13.520 13.520 21.9711 0.0006636
I(bario):I(dias^2) 1
2.940
2.940
4.7777 0.0513427
Residuals
11
6.769
0.615
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1

**
.
***
*
***
.
1


cantidad
10.622222-0.684722bario -0.021065 bario2 -1.171429dias 0.044218dias2

6
0

bario

10

12

0.119048bario dias -0.003571bario dias2

> library(rsm)
> image(mod1,bario~dias)

14

16

18

20

22
dias

> contour(mod1,bario~dias)

24

26

28

12
10

10

12

11

bario

22

24

dias

> persp(mod1,bario~dias,zlab="cantidad")

20

18

16

14

26

28

12
10

cantidad

8
6
4
12
10
8

ba

rio

25
2
0

15

20
dias