Académique Documents
Professionnel Documents
Culture Documents
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 ,
, p,
j 1,
, q , k 1,
,r
(1)
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,
Qh Zijk
0 q 1Qq 1 Z ijk
, q , k 1,
,r
(1)
donde:
P0 X1i 1
,m
, X2 q para los
X P X
p
j 1
1h
h 1
1h
P X
p
h 1
P X
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
,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
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
Y P
(3)
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
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
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
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
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
H a : 0 j 0 para j 1, 2,
, q 1
Fc
SC Bj
CME
~ F1, pq ( r 1) / H 0 es verdadera
H 0 : ij 0
H a : ij 0 para i 1, 2,
, p 1 , j 1, 2,
, q 1
Fc
SC Ai Bj
CME
~ F1, pq ( r 1) / H 0 es verdadera
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
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
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
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
2
98
0.003571 6 X 2 jk 21
3
0.003571X 1ik X 22 jk 42 X 2 jk
3
1225
0.003571 6 X 22 jk 42 X 2 jk
3
1225
2
0.129167 0.02106512 0.030952 21 0.003571
X 1ik 0.021065X 1ik
3
1225
2
0.129167 0.02106512 0.030952 21 0.003571
X 1ik 0.021065X 1ik
3
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)
>
>
>
>
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
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
**
.
***
*
***
.
1
cantidad
10.622222-0.684722bario -0.021065 bario2 -1.171429dias 0.044218dias2
6
0
bario
10
12
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