diseño experimental con sas
DESCRIPTION
diseño experimental con sas [email protected] whatsapp: 591 70082831TRANSCRIPT
![Page 1: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/1.jpg)
CIENTIFICA
Tercera Edición
Universidad Mayor de San Simon-Cochabamba-Bolivia
NO COPIA
R
![Page 2: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/2.jpg)
1 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 1
CONTENIDO PAGINAS
Capítulo 1 Introducción…………………………………………………………………………………………………….2
Capítulo 2 DCA, Diseño completamente al azar……………………………………………........................10
Capítulo 3 DCA_F, Diseño factorial…………………………………………………………………………............18
Capítulo 4 DBCA, Diseño en bloques completos al azar………………………………………….............31
Capítulo 5 DBCA_F, Diseño en bloques completos al azar factorial………………………………….43
Capítulo 6 DCL, Diseño en cuadrado latino…………………………………………………….......................58
Capítulo 7 Transformaciones de datos……………………………………………………………….................68
Capítulo 8 Diseño factorial 2ⁿ……………………………………………………………………………..................84
Capítulo 9 Diseño fraccional………………………………………………………............................................102
Capítulo 10 DB, Diseño binomial…………………………………………………………….............................107
Capítulo 11 DM, Diseño multinomial………………………………………………………...........................115
Capítulo 12 RM, Regresión múltiple…………………………………………………………….......................123
Capítulo 13 DBI, Diseño de bloques incompletos…………………………………………………………..133
Capítulo 14 Bibliografía, Tablas……………………………...…………………………………………….146-159
NO COPIA
R
![Page 3: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/3.jpg)
2 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 2
Diseño experimental: es la aplicación o planificación de un experimento con base científica y donde un método
estadístico forma parte integrante del diseño experimental. Se dice que nada contribuye más a la angustia de un
estadístico que el investigador ingenuo que obtiene datos con la convicción alegre de que un método estadístico
estará automáticamente disponible para analizarlos.
Una investigación debe ser útil a un entorno a un grupo humano a una sociedad, de tal manera que mejore sus
condiciones de vida o que mejore sus conocimientos.
Tener conocimiento del problema que se está investigando:
1. Para no investigar problemas ya investigados.
2. Para definir las posibilidades de llevar a cabo la investigación.
3. Para dimensionar los recursos con que se dispone:
Recursos humanos
Materiales y equipos
Recursos financieros
En un problema de investigación el más importante es:
1. Objetivos
2. Factores (variables)
Si realizamos pruebas de hipótesis a efectos aleatorios (aplazados).
NO COPIA
R
![Page 4: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/4.jpg)
3 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 3
La prueba de hipótesis solamente se realiza a efectos fijos:
1. Tipo de medicamento
2. Peso
Efecto aleatorio: no controlable.
Efecto fijo: si se controla.
Formulación de los objetivos: El objetivo es la declaración del problema de investigación en términos claros y
concretos, de tal manera que sea experimentalmente alcanzado y estadísticamente probado.
Los objetivos se formulan como:
1. Una pregunta a ser respondida; Ejemplo: cuales son los efectos del N₂ y P en la producción del microorganismo
picchia spartinae en la producción de semibatch?
2. Como una hipótesis va a ser aprobada:
Ho: la producción del MO no está afectada por las fuentes de N₂ y P.
Ha: la producción del MO está afectada por las fuentes de N₂ y P.
3. Como efectos a ser estimados:
Ejemplo: determinar los efectos del N₂ y P en la producción de semibatch del MO.
Los objetivos deben ser definidos de forma clara y concreta, no debe dar lugar a dudas.
Ejemplo: como el transporte afecta a la contaminación?
El tipo de contaminante
El tipo de transporte
Tampoco especifica el lugar
Reformulado: como el transporte pesado afecta a la contaminación con compuestos sulfurados en la ciudad de
Cochabamba?
NO COPIA
R
![Page 5: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/5.jpg)
4 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 4
Elementos de un diseño experimental:
Tratamiento: Es el procedimiento seleccionado por el investigador cuyo efecto sobre la variable de respuesta va a ser
medido.
Ejemplo: Dosis de un químico
Concentración de un herbicida
Velocidad de agitación en un reactor
Factor: Es el conjunto de tratamientos de un solo tipo.
Ejemplo: Factor dieta (todas las dietas)
Factor variedades (todas son variedades)
Factor insecticida (todos son insecticidas)
Factor temperatura (todas son temperaturas)
Efectos aleatorios= No se hace prueba de hipótesis.
Efectos fijos= Si se hace prueba de hipótesis.
NO COPIA
R
![Page 6: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/6.jpg)
5 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 5
Nivel de un factor: Es un factor en particular Ejemplo:
Factor dosis nivel del factor
3 dosis D1, D2, D3= 3 niveles
Factor variedades nivel del factor
2 variedades V1, V2= 2 niveles
Factor temperatura nivel del factor
3 temperaturas T1, T2, T3= 3 niveles
Selección de tratamientos: Definir claramente cada tratamiento y entender el papel de cada tratamiento jugara para
alcanzar los objetivos de la investigación, ejemplo:
Determinar la fuente de nitrógeno y la concentración apropiada para determinar el rendimiento de un cultivo de
levaduras del genero Saccharomyces ellipsoideus en un mosto de manzanas de 15⁰ brix cuyas fuentes de nitrógeno
son NH₄CL y (NH₄)₂SO₄ con concentraciones de 1, 2 y 3%.
Factor cuantitativo: Son aquellos cuyos valores pueden ser clasificados por orden de magnitud y generalmente
expresan cantidades medibles con algún instrumento y no tienen diferenciación natural, ejemplo: Se miden con
instrumento y se ordena según su magnitud
NO COPIA
R
![Page 7: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/7.jpg)
6 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 6
Su interés es determinar la tendencia lineal o cuadrática de la variable de respuesta.
Factor cualitativo: Son aquellos cuyos valores no están ordenados por orden de magnitud y tienen diferenciación
natural.
Su interés radica en estimar medias, diferencia de medias, grafico de barras o líneas.
Unidad experimental (ue): Es la entidad más pequeña donde se aplica un tratamiento, ejemplo: un reactor, una caja
Petri, una maceta, una rata albina, un pollo, un individuo, una parcela.
Para medir el efecto del tratamiento de la unidad experimental debe ser lo más homogéneo posible, ejemplo: Cajas
Petri con el mismo medio de cultivo, macetas con el mismo sustrato.
Unidad de muestreo (um): Es la entidad más pequeña donde se realiza la medición de la variable de respuesta, en
muchos casos es la misma unidad experimental.
Aleatorización: Para determinar los efectos de cada tratamiento estos tratamientos deben ser asignados a las
unidades experimentales de forma aleatoria de tal manera que cada unidad experimental tenga la misma probabilidad
de recibir cualquiera de los tratamientos.
Repetición: Es el número de veces que un mismo tratamiento se asigna a diferentes unidades experimentales, son
importantes para estimar la varianza del error experimental.
NO COPIA
R
![Page 8: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/8.jpg)
7 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 7
Los errores experimentales se pueden deber a:
1. Uso de instrumentos inexactos.
2. Errores en las mediciones.
3. A la variación natural de las unidades experimentales, la que no llega a ser explicada por los tratamientos
asignados.
Bloqueo o agrupamiento de unidades experimentales homogéneas: Cuando las unidades experimentales varían
significativamente entonces las unidades experimentales deben agruparse o formar bloques de tal manera que las
unidades experimentales dentro del bloque son homogéneas y entre bloques las unidades experimentales son
diferentes.
Efecto fijo: Son los efectos o niveles de un factor que uno escoge o fija anticipadamente, ejemplo:
Cuantitativo: Regresión lineal, regresión cuadrática.
Cualitativo: Medias, comparación de medias, grafico de barras.
Efecto aleatorio: Son los efectos o niveles del factor que se escogen al azar o aleatoriamente de una población grande
o de niveles, ejemplo:
NO COPIA
R
![Page 9: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/9.jpg)
8 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 8
El proceso del diseño experimental.
El diseño de experimentos es un proceso en el cual el diseñar un experimento es solo un paso para cualquier
experimento, se siguen los siguientes pasos:
1. Determinar los objetivos del experimento: General y específico.
2. Determinar factores y la variable de respuesta.
3. Diseñar el experimento de tal manera de lograr los objetivos planteados.
4. Obtener los datos de la variable de respuesta.
5. Analizar los datos con ayuda del:
Modelo estadístico
Graficas
Estadística
6. Reportar los resultados de forma científica.
7. Diseñar un nuevo experimento.
8. Si un experimento es diseñado en su totalidad habría que suponer conocidas:
a) Que variables son las más importantes.
b) En que rango de valores hay que estudiar estas variables.
c) Con que modelos hay que analizarlos:
Lineal
Logarítmico
Reciproco, etc.
Todo lo anterior destaca la conveniencia de realizar una secuencia de experimentos de tamaño moderado.
Regla: Utilizar el 25% del presupuesto total.
Factores cualitativos: Se clasifican en: Nominales y ordinales.
Factor cualitativo nominal.
Son los que establecen una distribución de los objetos o individuos en categorías sin implicar orden entre ellas. Es
decir no son números, son nombres, ejemplo: clasificar individuos por:
NO COPIA
R
![Page 10: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/10.jpg)
9 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 9
Factor cualitativo ordinal.
Son aquellos factores que agrupan a los objetos o individuos en categorías ordenadas para establecer relaciones
comparativas, es decir son susceptibles de orden pero no de medición cuantitativa. Ejemplo:
Clasificar el daño de una enfermedad midiéndola por la severidad de 0 a 3.
Para variables continuas cuantitativas.
Los datos de la variable de respuesta y los residuales deben tener una distribución normal como:
Los efectos son independientes.
La varianza de los residuales es constante.
¿Todas las variables tienen esos efectos?
Clasificar un grupo de individuos por su grado de instrucción: Clasificar un grupo de individuos por su hábito de fumar:
Analfabeto No fumadores
Primaria Fumadores leves
Secundaria Fumadores moderados
Superior Fumadores severos
NO COPIA
R
![Page 11: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/11.jpg)
10 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 10
M1. DISEÑO COMPLETAMENTE AL AZAR O ALEATORIO (DCA):
El DCA se utiliza cuando todas las unidades experimentales (ue) son homogéneas. Ejemplo:
Macetas con el mismo sustrato.
Cajas Petri con el mismo medio de cultivo.
Una camada de hámster del mismo sexo.
Cada tratamiento es asignado a las ue de forma aleatoria con igual número de repeticiones o con diferente número de
repeticiones.
Las ue no se agrupan porque son homogéneas.
Cuando se considera un solo factor quiere decir que se trata de un comportamiento no estructurado, si el número de
factores es mayor o igual a dos quiere decir que se trata de un comportamiento estructurado. Ejemplo:
Determine los objetivos y los elementos del diseño experimental para el siguiente problema, los datos que se indican
en una tabla son contenidos de ácido ascórbico de duraznos maduros de 3 variedades cultivadas en la localidad de San
Benito todas las unidades fueron dadas en mg/100g:
1. Objetivo: Determinar el contenido de ácido ascórbico en las 3 variedades de duraznos.
2. Factores: 1 solo factor VARIEDAD con 3 niveles VAR1, VAR2, VAR3.
3. Variable de respuesta: Concentración de ácido ascórbico en mg/100g.
4. Unidad experimental: 1 parcela.
5. Unidad de muestreo: El durazno.
6. Repetición: 10 veces.
7. Bloqueo: No hay.
8. Modelo estadístico para DCA:
𝒀𝒊𝒋 = 𝝁 + 𝜻𝒊 + 𝜺𝒋𝒊
I= 1, 2,3 variedades.
J= 1,2…, 10 unidades experimentales/tratamiento.
Yij= Concentración de ácido ascórbico en la j-esima unidad experimental de la i-esima variedad de durazno.
μ= Media general.
ζᵢ= Efecto fijo de la i-esima variedad.
ξᴊ₍ᵢ₎= Efecto aleatorio de los residuales.
ξᴊ₍ᵢ₎˷NIID (0, σe2)
NO COPIA
R
![Page 12: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/12.jpg)
11 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 11
𝑆𝐶𝑇 = 𝑆𝐶𝑡𝑟𝑡 + 𝑆𝐶𝑅𝑒𝑠𝑣𝑎𝑟𝑖𝑎𝑐𝑖𝑜𝑛 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑑𝑎𝑡𝑜𝑠
𝑑𝑒 𝑢𝑛𝑎 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒 𝑑𝑒 𝑟𝑒𝑠𝑝𝑢𝑒𝑠𝑡𝑎𝑣𝑎𝑟𝑖𝑎𝑐𝑖𝑜𝑛 𝑑𝑒𝑏𝑖𝑑𝑎𝑎 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠
𝑣𝑎𝑟𝑖𝑎𝑐𝑖𝑜𝑛 𝑛𝑜 𝑒𝑥𝑝𝑙𝑖𝑐𝑎𝑏𝑙𝑒
𝑜 𝑟𝑒𝑠𝑖𝑑𝑢𝑎𝑙𝑒𝑠
Termino corrector (TC):
𝑟 = 𝑢𝑒; 𝑡 = 𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠
𝑇𝐶 =𝑌..
2
𝑟×𝑡=
186,432
10𝑥30= 1158,5382
∑ 𝑐𝑜𝑙𝑢𝑚𝑛𝑎𝑠 = 𝑌𝑖.
54,76 = 𝑌1.
69,1462,53
186,43
= 𝑌2.
= 𝑌3.
= 𝑌..
Suma de cuadrados totales (SCT):
𝑆𝐶𝑇 = ∑ ∑ 𝑌𝑖𝑗2 − 𝑇𝐶 = (5,342 + 5,582 + 5,262 + ⋯+ 6,372) − 1158,5382 = 10,78194
𝑟=10
𝑗=1
𝑡=3
𝑖=1
Suma de cuadrados de tratamientos (SCtrt):
𝑆𝐶𝑡𝑟𝑡 = (1
𝑟∑𝑌𝑖.
2
𝑡=3
𝑖=1
) − 𝑇𝐶 = [1
10(54,762 + 69,142 + 62,532)] − 1158,5382 = 10,3616
Suma de cuadrados residuales (SCRes):
𝑆𝐶𝑅𝑒𝑠 = 𝑆𝐶𝑇 − 𝑆𝐶𝑡𝑟𝑡 = 10,78194 − 10,3616 = 0,4203
Análisis de varianza:
Cuadro ANVA:
FV GL SC CM= SC/GL E(CM) Fcal Pr>F
VARIEDADES t-1= 3-1=2 SCtrt= 10,3616CMtrt= SCtrt/(t-1)=
10,3616/2=5,1808
CMtrt/CMRes=
5,1808/0,01557
=332,74
0,0001=SAS
RESIDUALESt(r-1)
=3(10-1)=27SCRes=0,4203
CMRes=SCRes/t(r-1)
=0,4203/27=0,01557σe²
TOTALEStr-1=3x10-1
=29SCT=10,7819
t
σe²+Σζᵢ²/(t-1)
i=1
NO COPIA
R
![Page 13: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/13.jpg)
12 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 12
9. Prueba de hipótesis para el factor variedad:
Ho: μvar1= μ var2= μ var3 → Significa que la conc. de ac. Ascórbico es la misma en las 3 variedades.
Ha: la conc. de ac. Ascórbico es diferente en al menos una de las 3 variedades.
Nivel significativo (NS): α=0,05
Estadístico de prueba (EP):
CMtrt
CMRes~F(α=0,05,t−1=2,Res=27)
Región de rechazo (RR de rechazo de la H₀):
Pr(F≥Fcal)<0,05→SRHo
Fcal>Ftablas → SRHo
332,74> F(α=0,05, t-1=2, Res=27) → SRHo
332,74>3,35→ SRHo
Cálculos y comparaciones (CC):
Pr(F≥Fcal)<0,05→SRHo
0,0001<0,05→SRHo
SAS ERR→SRHo
Conclusión: Con 95% de seguridad se puede concluir que la concentración de ac. Ascórbico es diferente en al menos
una de las 3 variedades de durazno. ¿Cuál variedad?
Analizando el factor variedades de durazno:
Factor cualitativo: Comparación de medias y grafico de barras.
Ordenar de mayor a menor las medias de las 3 variedades:
Para probar que la conc. de ac. Ascórbico es diferente en al menos una de las tres variedades de durazno, realizamos
las pruebas de hipótesis: ojo los contrastes se calculan cuando no hay resultados del SAS y así poder hallar los
resultados de tablas.
NO COPIA
R
![Page 14: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/14.jpg)
13 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 13
Comparación entre medias μvar2 y μvar3:
Ho: μvar2=μvar3 o C= (0) μvar1+ (1) μvar2+ (-1) μvar3=0→ Significa que la conc. de ac. Ascórbico de las variedades 2 y 3 es la
misma.
Ha: μvar2≠μvar3 o C ≠ 0→ Significa que la conc. de ac. Ascórbico de las variedades 2 y 3 son diferentes.
NS: α= 0,05 de cada 100 ensayos podemos fallar 5 ensayos.
EP: CMc
CMRes~F(α=0,05,t−1=1,Res=27)
RR: Pr(F≥Fcal)<0,05→SRHo o Fcal>Ftablas → SRHo
CC:
�� = (0)𝜇𝑣𝑎𝑟1 + (1)𝜇𝑣𝑎𝑟2 + (−1)𝜇𝑣𝑎𝑟3
�� = (1)(6,914) + (−1)(6,253) = 0,661
𝐶𝑀�� =��2
∑(𝜆𝑖)
2
𝑛𝑖
𝑡=3𝑖=1
=(0,661)2
(0)2
10+
(1)2
10+
(−1)2
10
= 2,1846
𝜆𝑖 = 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒𝑠, 𝑛𝑖 = 𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑢𝑒/𝑡𝑟𝑡
𝐹𝑐𝑎𝑙 =𝐶𝑀��
𝐶𝑀𝑅𝑒𝑠=
2,1846
0,01557
𝐹𝑐𝑎𝑙 = 140,31 = 𝐹𝑣𝑎𝑙𝑢𝑒 𝑆𝐴𝑆
Pr(F≥Fcal)<0,05→SRHo
Pr(F≥140,31)<0,05→SRHo
0,0001<0,05→SRHo y se acepta la Ha.
Conclusión: Con 95% de seguridad se puede concluir que la conc. de ac. Ascórbico de la variedad 2 es diferente de la
variedad 3. ¿De qué manera es diferente?
μvar2>μvar3; La variedad 2 es superior en conc. de ac. Ascórbico (6,914-6,253)= 0,661mg/100g.
Comparación entre medias μvar3 y μvar1:
Ho: : μvar3=μvar1 o C= (-1) μvar1+ (0) μvar2+ (1) μvar3=0→ Significa que la conc. de ac. Ascórbico de las variedades 3 y 1 es la
misma.
Ha: μvar3≠μvar1 o C ≠ 0→ Significa que la conc. de ac. Ascórbico de las variedades 3 y 1 son diferentes.
NS: α= 0,05
EP: CMc
CMRes~F(α=0,05,t−1=1,Res=27)
RR: Pr(F≥Fcal)<0,05→SRHo o Fcal>Ftablas → SRHo
NO COPIA
R
![Page 15: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/15.jpg)
14 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 14
CC:
�� = (−1)𝜇𝑣𝑎𝑟1 + (0)𝜇𝑣𝑎𝑟2 + (1)𝜇𝑣𝑎𝑟3
�� = (−1)(5,476) + (1)(6,253) = 0,777
𝐶𝑀�� =��2
∑(𝜆𝑖)
2
𝑛𝑖
𝑡=3𝑖=1
=(0,777)2
(−1)2
10+
(0)2
10+
(1)2
10
= 3,0186
𝜆𝑖 = 𝑐𝑜𝑒𝑓𝑖𝑐𝑖𝑒𝑛𝑡𝑒𝑠, 𝑛𝑖 = 𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑢𝑒/𝑡𝑟𝑡
𝐹𝑐𝑎𝑙 =𝐶𝑀��
𝐶𝑀𝑅𝑒𝑠=
3,0186
0,01557
𝐹𝑐𝑎𝑙 = 193,9 = 𝐹𝑣𝑎𝑙𝑢𝑒 𝑆𝐴𝑆
Pr(F≥Fcal)<0,05→SRHo
Pr(F≥193,9)<0,05→SRHo
0,0001<0,05→SRHo y se acepta la Ha.
Conclusión: Con 95% de seguridad se puede concluir que la conc. de ac. Ascórbico de la variedad 3 es diferente de la
variedad 1. ¿De qué manera es diferente?
μvar3>μvar1; La variedad 3 es superior en conc. de ac. Ascórbico (6,253-5,476)= 0,777mg/100g.
10. Conclusión final: μvar2>μvar3>μvar1; La variedad 2 es la mejor o la que contiene la mayor conc. de ac. Ascórbico de las
3 variedades de durazno.
NO COPIA
R
![Page 16: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/16.jpg)
15 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 15
11. Programación en SAS:
Nota: en el programa SAS V8, no existe (,) solo funciona con (.)
Options ls=76 ps=56;
data pract1;
input var$ y;
cards;
var1 5.34
var1 5.58
var1 5.26
var1 5.47
var1 5.39
var1 5.50
var1 5.42
var1 5.47
var1 5.71
var1 5.62
var2 7.12
var2 6.89
var2 6.93
var2 6.82
var2 7.06
var2 6.80
var2 6.91
var2 6.76
var2 6.97
var2 6.88
var3 6.28
var3 6.01
var3 6.27
var3 6.15
var3 6.38
var3 6.40
var3 6.12
var3 6.24
var3 6.31
var3 6.37
;
proc glm;
class var;
model Y=var/ss3;
lsmeans var/pdiff;
contrast "var2-var3" var 0 1 -1;
contrast "var3-var1" var -1 0 1;
run;
NO COPIA
R
![Page 17: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/17.jpg)
16 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 16
Resultados del SAS:
The SAS System 1
12:10 Thursday, April 21, 2013
The GLM Procedure
Class Level Information
Class Levels Values
var 3 var1 var2 var3
Number of Observations Read 30
Number of Observations Used 30
The SAS System 2
12:10 Thursday, April 21, 2013
The GLM Procedure
Dependent Variable: y
Sum of
Source DF Squares Mean Square F Value Pr > F
Model 2 10.36164667 5.18082333 332.82 <.0001
Error 27 0.42029000 0.01556630
Corrected Total 29 10.78193667
R-Square Coeff Var Root MSE y Mean
0.961019 2.007697 0.124765 6.214333
Source DF Type III SS Mean Square F Value Pr > F
var 2 10.36164667 5.18082333 332.82 <.0001
The SAS System 3
12:10 Thursday, April 21, 2013
The GLM Procedure
Least Squares Means
LSMEAN
var y LSMEAN Number
var1 5.47600000 1
var2 6.91400000 2
var3 6.25300000 3
Least Squares Means for effect var
Pr > |t| for H0: LSMean(i)=LSMean(j)
Dependent Variable: y
i/j 1 2 3
1 <.0001 <.0001
2 <.0001 <.0001
3 <.0001 <.0001
NOTE: To ensure overall protection level, only probabilities associated
with pre-planned comparisons should be used.
The SAS System 4
12:10 Thursday, April 21, 2013
The GLM Procedure
Dependent Variable: y
Contrast DF Contrast SS Mean Square F Value Pr > F
var2-var3 1 10.33922000 10.33922000 664.21 <.0001
var3-var1 1 2.18460500 2.18460500 140.34 <.0001
NO COPIA
R
![Page 18: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/18.jpg)
17 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 17
12. Ejercicios propuestos:
1. Un ingeniero Químico investiga el tratamiento de aguas de YPFB uso tres métodos para eliminar el carbono
orgánico, los tres métodos usados en el experimento fueron:
a) Flotación en el aire (AF= Air Floating).
b) Separación con espuma (FS= Foam separation).
c) Cloración férrica clorada (FCC= Ferric chloric chloration).
La cantidad de carbono orgánico eliminado fueron los siguientes porcentajes:
2. Una investigación se realizó con la finalidad de evaluar la eficiencia de cinco cepas de Rhizobium Trifolii en la
fijación de nitrógeno en el cultivo de trébol rojo. Cinco macetas aleatoriamente escogidas de un total de treinta con
sustrato homogéneo fueron sembradas con semilla inoculada con cada una de las cepas por cada maceta se tuvo cinco
plantas después de la floración la cantidad de nitrógeno en miligramos fue medida en cada maceta tomando la planta
ubicada en la parte central las cantidades de nitrógeno halladas fueron las siguientes:
a) Cuáles son los elementos del diseño experimental.
b) Defina un modelo estadístico para analizar los datos de acuerdo a los objetivos.
c) Utilizando los resultados del SAS plantee y pruebe las hipótesis necesarias para identificar la cepa más eficiente en
la fijación de nitrógeno.
d) Indique el programa del SAS que se ha utilizado para utilizar los datos.
NO COPIA
R
![Page 19: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/19.jpg)
18 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 18
M2. Tratamientos estructurados o diseño factorial (DCA_F):
Se considera un tratamiento estructurado cuando se consideran en el experimento dos o más factores.
La finalidad principal es determinar:
a) Los efectos de los niveles de cada uno de los factores que se conocen como efectos principales.
b) Los efectos combinados de los niveles de los factores que se conocen como efectos de interacción.
Los efectos de interacción ocurren cuando los efectos de los niveles de un factor son modificados por los niveles de
otro factor u otros factores.
d1=d2 y m1=m2→no existe interacción. d1≠d2 y m1≠m2→ existe interacción.
Tratamientos: Son las combinaciones de los niveles de dos factores Ejemplo: A con 2 niveles y B con 3 niveles:
NO COPIA
R
![Page 20: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/20.jpg)
19 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 19
Modelo estadístico: 𝒀𝒊𝒋𝒌 = 𝝁 + 𝜶𝒊 + 𝜷𝒋 + 𝜸𝒊𝒋 + 𝜺𝒊𝒋𝒌
i= 1,2,…a niveles del factor A; j= 1,2,…b niveles del factor B.
k= 1,2,…r unidades experimentales o tratamientos.
Yijk= Valor observado de una variable de respuesta en la k-esima unidad experimental que recibe la combinación del i-
esimo nivel del factor A y el j-esimo nivel del factor B.
μ= media general.
αi= Efecto fijo del i-esimo nivel del factor A.
βi= Efecto fijo del j-esimo nivel del factor B.
Ƴij= Efecto fijo de la interacción entre el i-esimo nivel del factor A y el j-esimo nivel del factor B.
Ԑijk= Efecto aleatorio de los residuales con: Ԑijk ~NIID(0,σe²).
Efecto fijo x efecto fijo= efecto fijo
Efecto fijo x efecto aleatorio= efecto aleatorio
Cuadro de ANVA:
NO COPIA
R
![Page 21: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/21.jpg)
20 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 20
Balanceados: Igual al número de repeticiones.
No balanceados: Diferente al número de repeticiones.
Nunca se hace prueba de hipótesis en aleatorios.
Cuando los niveles de un factor no son los mismos con los niveles del otro factor se trata de un factor anidado donde
se dice que se está anidando el factor de variedad.
Las variedades son las mismas, factor cruzado donde se producen efectos cruzados cuando cada uno de los niveles de
un factor se combinan con los mismos niveles del otro factor.
Ejemplo:
Un estudiante de ingeniería de alimentos estudio la estabilidad de la vitamina C en el jugo de naranja de tres industrias
diferentes (A, B y C) congelado y almacenado a diferentes tiempos en un refrigerador para tal efecto doce latas de
jugo de naranja de 12 onzas fueron aleatoriamente escogidas de cada industria y fueron sometidos a diferentes
tiempos de almacenamiento (0, 3, 6) días, después de cada tratamiento se determinó el contenido de ac. Ascórbico en
(mg/L).
a) Definir el modelo estadístico.
b) Construir el cuadro de ANVA.
c) Realizar las hipótesis necesarias a fin de alcanzar el objetivo de la investigación.
Los resultados obtenidos son los siguientes:
NO COPIA
R
![Page 22: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/22.jpg)
21 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 21
2 factores: Industria es un factor cualitativo entonces se realiza diferencia de medias y grafico de barras.
Tiempo de almacenamiento es un factor cuantitativo entonces se realza regresión lineal y cuadrática se necesita 3
puntos como mínimo.
1. Objetivo: Determinar el contenido de ácido ascórbico (mg/l).
2. Factores: 2 factores INDUSTRIA (A, B, C) es cualitativo, tiempo de almacenamiento (0, 3, 6) es cuantitativo.
3. Variable de respuesta: Concentración de ácido ascórbico en mg/l.
4. Unidad experimental: 1 lata de jugo de naranja de 12 onzas.
5. Unidad de muestreo: 1 lata de jugo de naranja de 12 onzas.
6. Repetición: 4 veces/trt.
7. Bloqueo: No hay por qué las latas son homogéneas 12 onzas, si fueran diferentes se bloquearían.
8. Modelo estadístico para DCA_factorial:
𝒀𝒊𝒋𝒌 = 𝝁 + 𝜶𝒊 + 𝜷𝒋 + 𝜸𝒊𝒋 + 𝜺𝒊𝒋𝒌
i: 1, 2, 3,…, industrias (A, B, C).
j: 1, 2, 3,…, niveles de tiempo de almacenamiento (0, 3, 6).
k: 1, 2, 3, 4 ue(latas)/trt.
Yijk= Conc de ac. Ascórbico observado en la k-esima lata de la i-esima industria y almacenada en el j-esimo tiempo de
almacenamiento.
μ= media general.
αi= Efecto fijo de la i-esima industria.
βi= Efecto fijo del j-esimo tiempo de almacenamiento.
Ƴij= Efecto fijo de la interacción entre la i-esima industria y el j-esimo tiempo de almacenamiento.
Ԑijk= Efecto aleatorio de los residuales con: Ԑijk ~NIID(0,σe²).
NO COPIA
R
![Page 23: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/23.jpg)
22 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 22
Análisis de varianza:
Termino corrector (TC):
𝑇𝐶 =𝑌…
2
𝑎𝑥𝑏𝑥𝑐=
(1732,3)2
3𝑥3𝑥4= 83357,3136
Suma de cuadrados totales (SCT):
𝑆𝐶𝑇 = ∑ ∑ ∑ 𝑌𝑖𝑗𝑘2 − 𝑇𝐶 = 52,62 + 54,22 + 49,82 + 46,52 + 49,42 + ⋯+ 48,12 … − 83357,3136 = 478,3964
𝑟=4
𝑘=1
𝑏=3
𝑗=1
𝑎=3
𝑖=1
Suma de cuadrados para el factor industrias (SCI):
𝑆𝐶𝐼 =1
𝑏𝑥𝑟∑ 𝑌𝑖..
2
𝑎=3
𝑖=1
− 𝑇𝐶 =1
3𝑥4(582,22 + 560,12 + 5402) − 83357,3136 = 40,0906
Suma de cuadrados para el factor tiempo de almacenamiento (SCt):
𝑆𝐶𝑡 =1
𝑎𝑥𝑟∑ 𝑌.𝑗.
2
𝑏=3
𝑗=1
− 𝑇𝐶 =1
3𝑥4(6152 + 566,62 + 550,72) − 83357,3136 = 186,9406
Suma de cuadrados de la interacción entre los factores industria y tiempo (SCIt):
𝑆𝐶𝐼𝑡 =1
𝑟∑ ∑ 𝑌𝑖𝑗.
2 − 𝑆𝐶𝐼 − 𝑆𝐶𝑡 − 𝑇𝐶
𝑏=3
𝑗=1
𝑎=3
𝑖=1
𝑆𝐶𝐼𝑡 =1
4(203,12 + 194,62 + 184,52 + ⋯ + 187,32) − 40,0906 − 186,9406 − 83357,3136 = 13,6577
Suma de cuadrados de los residuales (SCR):
𝑆𝐶𝑅 = 𝑆𝐶𝑇 − 𝑆𝐶𝐼 − 𝑆𝐶𝑡 − 𝑆𝐶𝐼𝑡 𝑆𝐶𝑅 = 478,3964 − 40,0906 − 186,9406 − 13,6577 = 237,7075
Cuadro de ANVA:
FV GL SC CM=SC/GL Fcal= CM/CMRes Pr>Fcal
INDUSTRIA a-1=3-1=2 40,09 20,045 2,28 0,122
TIEMPO b-1=3-1=2 186,94 93,47 10,62 0,0004
INDUSTRIAXTIEMPO(a-1)(b-1)
2x2=413,66 3,415 0,39 0,8154
RESIDUALES
ab(r-1)
3x3(4-1)
27
237,71 8,804
Total
abr-1
(3x3x4)-1
35
478,4
NO COPIA
R
![Page 24: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/24.jpg)
23 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 23
Prueba de hipótesis de efectos principales: Industrias, cualitativo
Ho: μA=μB =μC → Significa que la conc. de ac. Ascórbico es la misma en las tres industrias.
Ha: Significa que la conc. de ac. Ascórbico es diferente en al menos una de las tres industrias.
NS: α= 0,05
EP: CMI
CMRes~F(α=0,05,a−1=2,Res=27)
RR: Pr(F≥Fcal)<0,05→SRHo o Fcal>Ftablas → SRHo
CC: Pr(F≥2,28)<0,05→SRHo
0,122>0,05→SAHo
Conclusión: Con 95% de seguridad se puede concluir indicando que la concentración de ácido ascórbico es el mismo
en las 3 industrias.
Prueba de hipótesis de efectos principales: Tiempo de almacenamiento, cuantitativo
Ho: μ0=μ3 =μ6 → Significa que la conc. de ac. Ascórbico es la misma con los tres niveles de tiempo de almacenamiento.
Ha: Significa que la conc. de ac. Ascórbico es diferente en al menos un nivel del tiempo de almacenamiento.
NS: α= 0,05
EP: CMt
CMRes~F(α=0,05,b−1=2,Res=27)
RR: Pr(F≥Fcal)<0,05→SRHo o Fcal>Ftablas→ SRHo
CC: Pr(F≥10,62)<0,05→SRHo
0,0004<0,05→SRHo
Fcal>Ftablas→ SRHo
10,62>3,35→ SRHo
Conclusión: Con un 95% de seguridad se puede afirmar que la conc. de ac. Ascórbico es diferente en al menos un nivel
del tiempo de almacenamiento. ¿De qué manera es diferente?
Regresión lineal RL y regresión cuadrática RC, porque es un factor cuantitativo.
NO COPIA
R
![Page 25: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/25.jpg)
24 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 24
Tiempo Media
0 51,20
3 47,217
6 45,89
Con el SAS se obtiene:
Numero de niveles igual al número de coeficientes: Tiempo igual a 3 niveles 0, 3, 6, entonces uso lineal 3 y cuadrático
3.
Prueba de hipótesis para efecto lineal 3:
Ho: C= (-1) μ0+ (0) μ3+ (1) μ6=0→ Significa que la conc. de ac. Ascórbico no disminuye linealmente con el incremento
del tiempo de almacenamiento.
Ha: C ≠ 0→ Significa que la conc. de ac. Ascórbico disminuye linealmente con el incremento del tiempo de
almacenamiento.
NS: α= 0,05
EP: CMc
CMRes~F(α=0,05,DF=1,Res=27)
RR: Pr(F≥Fcal)<0,05→SRHo o Fcal>Ftablas → SRHo
CC: Pr(F≥19,57l)<0,05→SRHo
0,0001<0,05→SRHo
Contrast DF Contrast SS Mean square Fcal Pr>Fcal
"t-lineal" 1 172,2704 172,2704 19,57 0,0001
"t-cuadrado" 1 14,67014 14,67014 1,67 0,2077
TABLA DE CONTRASTES SOLO PARA FACTORES CUANTITATIVOS
REGRESIONES LINEALES Y CUADRATICAS
LINEAL 3 C=(-1)μ1+(0)μ2+(1)μ3=0
CUADRATICO 3 C=(1)μ1+(-2)μ2+(1)μ3=0
LINEAL 4 C=(-3)μ1+(-1)μ2+(1)μ3+(3)μ4=0
CUADRATICO 4 C=(1)μ1+(-1)μ2+(-1)μ3+(1)μ4=0
LINEAL 5 C=(-2)μ1+(-1)μ2+(0)μ3+(1)μ4+(2)μ5=0
CUADRATICO 5 C=(2)μ1+(-1)μ2+(-2)μ3+(-1)μ4+(2)μ5=0
LINEAL 6 C=(-5)μ1+(-3)μ2+(-1)μ3+(1)μ4+(3)μ5+(5)μ6=0
CUADRATICO 6 C=(5)μ1+(-4)μ2+(-1)μ3+(1)μ4+(-4)μ5+(5)μ6=0
NO COPIA
R
![Page 26: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/26.jpg)
25 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 25
Conclusión: Con 95% de seguridad se concluye que el contenido de ácido ascórbico disminuye linealmente con el
incremento en el tiempo de almacenamiento.
𝑌 = 𝑏𝑥 + 𝑎 [𝑐𝑜𝑛𝑐] = −0,885𝑡 + 50,757
[𝑚𝑔
𝑙] = −
𝑚𝑔𝑙
𝑑𝑖𝑎𝑠(𝑑𝑖𝑎𝑠) +
𝑚𝑔
𝑙
Por cada día adicional la concentración de ácido ascórbico disminuye en 0,885mg/L.
Prueba de hipótesis para efecto cuadrático 3:
Ho: C= (1) μ0+ (-2) μ3+ (1) μ6=0→ Significa que la conc. de ac. Ascórbico no disminuye cuadráticamente con el
incremento del tiempo de almacenamiento.
Ha: C ≠ 0→ Significa que la conc. de ac. Ascórbico disminuye cuadráticamente con el incremento del tiempo de
almacenamiento.
NS: α= 0,05
EP: CMc
CMRes~F(α=0,05,DF=1,Res=27)
RR: Pr(F≥Fcal)<0,05→SRHo o Fcal>Ftablas → SRHo
CC: Pr(F≥1,67)<0,05→SRHo
0,2077>0,05→SAHo
Conclusión: Con 95% de seguridad se concluye que el contenido de ácido ascórbico no disminuye cuadráticamente con
el incremento en el tiempo de almacenamiento.
Tiempo Media
0 51,20
3 47,217
6 45,89
NO COPIA
R
![Page 27: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/27.jpg)
26 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 26
INDUSTRIA 0 3 6
A 50,8 48,6 46,1
B 50,5 44,8 44,7
C 52,48 48,2 46,8
TIEMPO(DIAS)
Prueba de hipótesis para efecto de interacción: Industria x tiempo
Ho: Ƴij=0 para Ɏ=0→ Significa que el efecto del tiempo de almacenamiento es el mismo para las 3 industrias.
Ha: Significa que el efecto del tiempo de almacenamiento es diferente en al menos el jugo de una industria.
NS: α= 0,05
EP:
CMIxt
CMRes~F(α=0,05,gl=4,Res=27)
Ftablas(α=0,05, m=4, Res=27)= 2,7278
RR: Pr(F≥Fcal)<0,05→SRHo o Fcal>Ftablas → SRHo
CC: Pr(F≥0,39)<0,05→SRHo
0,8154>0,05→SAHo
Fcal>Ftablas → SRHo
0,39<2,7278→ SAHo
Conclusión: Con 95% de seguridad se concluye que el efecto del tiempo de almacenamiento es el mismo para el jugo
de las 3 industrias.
NO COPIA
R
![Page 28: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/28.jpg)
27 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 27
9. Programación en SAS: options ls=76 ps=56;
data ejem2;
input ind$ tiem y;
cards;
a 0 52.6
a 3 49.4
a 6 44.8
a 0 54.2
a 3 49.2
a 6 48.0
a 0 49.8
a 3 42.8
a 6 41.3
a 0 46.5
a 3 53.2
a 6 50.4
b 0 56.0
b 3 48.8
b 6 49.0
b 0 48.0
b 3 44.0
b 6 44.0
b 0 49.6
b 3 44.0
b 6 43.2
b 0 48.4
b 3 42.4
b 6 42.7
c 0 52.5
c 3 48.0
c 6 47.8
c 0 52.0
c 3 48.2
c 6 45.3
c 0 51.8
c 3 47.0
c 6 46.1
c 0 53.6
c 3 49.6
c 6 48.1
;
proc glm;
class ind tiem;
model Y=ind tiem ind*tiem/ss3;
lsmeans ind/pdiff;
lsmeans tiem/pdiff;
contrast "c-a" ind 1 -1 0;
contrast "a-b" ind 0 1 -1;
contrast "n-lineal" tiem -1 0 1;
contrast "n-cuadra" tiem 1 -2 1;
contrast "n-lineal" ind*tiem -1 0 1 1 0 -1 0 0 0 ;
run;
NO COPIA
R
![Page 29: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/29.jpg)
28 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 28
Resultados del SAS:
The SAS System 1
15:53 Thursday, April 22, 2013
The GLM Procedure
Class Level Information
Class Levels Values
ind 3 a b c
tiem 3 0 3 6
Number of Observations Read 36
Number of Observations Used 36
The SAS System 2
15:53 Thursday, April 22, 2013
The GLM Procedure
Dependent Variable: y
Sum of
Source DF Squares Mean Square F Value Pr > F
Model 8 240.6888889 30.0861111 3.42 0.0077
Error 27 237.7075000 8.8039815
Corrected Total 35 478.3963889
R-Square Coeff Var Root MSE y Mean
0.503116 6.166219 2.967150 48.11944
Source DF Type III SS Mean Square F Value Pr > F
ind 2 40.0905556 20.0452778 2.28 0.1220
tiem 2 186.9405556 93.4702778 10.62 0.0004
ind*tiem 4 13.6577778 3.4144444 0.39 0.8154
The SAS System 3
15:53 Thursday, April 22, 2013
The GLM Procedure
Least Squares Means
LSMEAN
ind y LSMEAN Number
a 48.5166667 1
b 46.6750000 2
c 49.1666667 3
Least Squares Means for effect ind
Pr > |t| for H0: LSMean(i)=LSMean(j)
Dependent Variable: y
i/j 1 2 3
1 0.1400 0.5959
2 0.1400 0.0495
3 0.5959 0.0495
NOTE: To ensure overall protection level, only probabilities associated
with pre-planned comparisons should be used.
NO COPIA
R
![Page 30: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/30.jpg)
29 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 29
The SAS System 4
15:53 Thursday, April 22, 2013
The GLM Procedure
Least Squares Means
LSMEAN
tiem y LSMEAN Number
0 51.2500000 1
3 47.2166667 2
6 45.8916667 3
Least Squares Means for effect tiem
Pr > |t| for H0: LSMean(i)=LSMean(j)
Dependent Variable: y
i/j 1 2 3
1 0.0025 0.0001
2 0.0025 0.2837
3 0.0001 0.2837
NOTE: To ensure overall protection level, only probabilities associated
with pre-planned comparisons should be used.
The SAS System 5
15:53 Thursday, April 22, 2013
The GLM Procedure
Dependent Variable: y
Contrast DF Contrast SS Mean Square F Value Pr > F
c-a 1 20.3504167 20.3504167 2.31 0.1400
a-b 1 37.2504167 37.2504167 4.23 0.0495
n-lineal 1 172.2704167 172.2704167 19.57 0.0001
n-cuadra 1 14.6701389 14.6701389 1.67 0.2077
n-lineal 1 1.2656250 1.2656250 0.14 0.7075
NO COPIA
R
![Page 31: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/31.jpg)
30 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 30
10. Ejercicios propuestos:
1. Un licenciado en Química estudia el problema del polvo en la ciudad de Santa Cruz puede ser resuelto con el uso
de coberturas vegetales establecidas en todas las áreas descubiertas, una buena cobertura puede ser alcanzada
escogiendo la especie vegetal y la fertilización apropiada con tal finalidad se investiga dos variedades de coberturas
vegetales, con cuatro niveles de nitrógeno (0, 30, 60, 90 kg/ha), bajo invernadero utilizando el DCA_Factorial cada una
de las variedades se sembraron en doce macetas y tres de estas fueron asignadas aleatoriamente a cada uno de los
niveles de nitrógeno, los resultados de porcentaje de cobertura fueron los siguientes:
a) Desarrolle el modelo estadístico.
b) Pruebe las hipótesis necesarias a fin de lograr el objetivo del experimento.
c) Indique el programa SAS con glm y mixed.
2. Para investigar el efecto del azufre y el nitrógeno sobre la productividad del trébol rojo un licenciado en Biología
condujo un experimento en un invernadero utilizando el DCA_Factorial con tres repeticiones los tratamientos fueron
constituidos por las combinaciones de cuatro niveles de azufre (0, 3, 6, 9 Lb/acre) y dos niveles de nitrógeno (0, 20
lb/acre), cada uno de estos tratamientos fueron aplicados aleatoriamente en tres macetas con un contenido uniforme
de sustrato los rendimientos de materia seca expresados en (gr/maceta) fueron los siguientes:
a) Defina un modelo estadístico para analizar los datos.
b) Realizar los análisis necesarios para alcanzar los objetivos de la investigación.
c) Indique el programa SAS.
NO COPIA
R
![Page 32: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/32.jpg)
31 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 31
M3. Diseño de bloques completos al azar (DBCA):
Se usa cuando las unidades experimentales están agrupadas en bloques.
Se agrupan las unidades experimentales de tal manera que las diferencias dentro de cada grupo (bloque) sean
mínimas y las diferencias entre grupos san máximas.
El número de repeticiones es igual al número de bloques.
Los tratamientos son asignados aleatoriamente alas unidades experimentales en cada bloque de forma independiente.
Ejemplo:
Un licenciado en matemáticas investiga el efecto de cuatro dietas (d1, d2, d3, d4) sobre la ganancia de peso en ratas
albinas utilizando el diseño de DBCA con cuatro repeticiones para este propósito se dispone de tres camadas
diferentes cada uno con cuatro crías machos o hembras, los animales en cada camada son homogéneos sin embargo
entre camadas son heterogéneos, por lo que cada camada representa un bloque y cada animal representa a una
unidad experimental.
Datos de un experimento en bloques al azar:
Modelo estadístico:
𝒀𝒊𝒋 = 𝝁 + 𝜷𝒊 + 𝜻𝒋 + 𝜺𝒊𝒋
i= 1,2,…, b bloques.
j= 1,2,…, t tratamientos.
NO COPIA
R
![Page 33: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/33.jpg)
32 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 32
Yij= Valor observado de una variable de respuesta una unidad experimental en el i-esimo bloque que recibe el j-esimo
tratamiento.
μ= media general.
βi= Efecto aleatorio del i-esimo bloque con: βi ~NIID(0,σb²).
ζj= Efecto fijo del j-esimo tratamiento.
Ԑij= Efecto aleatorio de los residuales con: Ԑij ~NIID(0,σe²).
Cuadro de ANVA:
Estimación de componentes de varianzas:
Interpretación:
Si σb²>0, quiere decir que hubo variación entre bloques por tanto el DBCA ha sido eficientemente utilizado para
controlar la variación entre unidades experimentales y el modelo estadístico seria:
𝒀𝒊𝒋 = 𝝁 + 𝜷𝒊 + 𝜻𝒋 + 𝜺𝒊𝒋
NO COPIA
R
![Page 34: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/34.jpg)
33 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 33
Si σb²<0 o σb²≡0; No existe (-), significa que no hubo variación entre unidades experimentales y el diseño no es
eficiente en su uso, por lo que el modelo estadístico no es el apropiado y se debe reformular borrando el efecto de
bloques:
Ejemplo:
Una investigación se planteó con la finalidad de determinar el medio más rápido y más eficiente de la descomposición
de la basura recolectada de los diferentes centros de la ciudad de Cochabamba, los diferentes métodos considerados
fueron: Uso de lombrices, Compost, Testigo.
Para la evaluación de estos métodos la basura fue recolectada de los diferentes centros donde se genera la mayor
cantidad esto es en los mercados: Cancha, Calatayud, 25 de mayo, Cementerio.
De cada fuente de basura se prepararon tres canteros de 1x1x0.5 m³ y los diferentes métodos fueron aleatoriamente
aplicados después de 75 días la cantidad de materia descompuesta fue determinada como porcentaje (%) los datos
obtenidos son los siguientes:
a) Identificar los elementos del diseño experimental.
b) Plantear el modelo estadístico y realice las hipótesis necesarias a fin de lograr los objetivos de la investigación
basándose en la salida del SAS con el procedimiento glm y mixed.
Proceso glm: No distingue efecto fijo de efecto aleatorio.
Proceso mixed: Distingue efecto fijo de efecto aleatorio.
1. Objetivo: Determinar el método más rápido para la descomposición de basura.
2. Factores: Factor fijo METODO (Testigo, Compost, Lombrices) es cualitativo, factor aleatorio BLOQUE (Cancha,
Calatayud, 25 de mayo, Cementerio) no se hace prueba de hipótesis de factores aleatorios.
3. Variable de respuesta: (%) porcentaje de basura descompuesta.
4. Unidad experimental: 1 cantero (maceta).
5. Unidad de muestreo: La basura del cantero.
6. Repetición: Igual al número de bloques son 4.
NO COPIA
R
![Page 35: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/35.jpg)
34 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 34
7. Bloqueo: Si hay por qué no son homogéneas las basuras.
8. Aleatorización: Si hay.
9. Modelo estadístico para DBCA:
𝒀𝒊𝒋 = 𝝁 + 𝜷𝒊 + 𝜻𝒋 + 𝜺𝒊𝒋
i= 1, 2, 3, 4, b bloques (efecto aleatorio).
j= 1, 2, 3, métodos (efecto fijo).
Yij= Porcentaje de basura descompuesta en un cantero del i-esimo bloque donde se aplica el j-esimo método de
tratamiento de la basura.
μ= media general.
βi= Efecto aleatorio del i-esimo bloque con: βi ~NIID(0,σb²).
ζj= Efecto fijo del j-esimo método.
Ԑij= Efecto aleatorio de los residuales con: Ԑij ~NIID(0,σe²).
Análisis de varianza:
Termino corrector (TC):
𝑇𝐶 =𝑌..
2
𝑏𝑥𝑡=
6812
4𝑥3= 38646,75
Suma de cuadrados totales (SCT):
𝑆𝐶𝑇 = ∑ ∑𝑌𝑖𝑗2 − 𝑇𝐶 = 342 + 622 + 842 + 352 + 722 − 38646,75 = 5648,25
𝑡=3
𝑗=1
𝑏=4
𝑖=1
Suma de cuadrados del factor bloques (SCB):
𝑆𝐶𝐵 =1
𝑡∑ 𝑌𝑖.
2 − 𝑇𝐶 =1
3
𝑏=4
𝑖=1
(1802 + 1892 + 1742 + 1382) − 38646,75 = 500,25
Suma de cuadrados del factor métodos (SCM=SCTrt):
𝑆𝐶𝑇𝑟𝑡 =1
𝑏∑𝑌.𝑗
2 − 𝑇𝐶
𝑡=3
𝑗=1
=1
4(1262 + 2272 + 3282) − 38646,75 = 5100,50
Suma de cuadrados de los residuales (SCRes):
𝑆𝐶𝑅𝑒𝑠 = 𝑆𝐶𝑇 − 𝑆𝐶𝐵 − 𝑆𝐶𝑇𝑟𝑡 = 5648,25 − 500,25 − 5100,50 = 47,50
NO COPIA
R
![Page 36: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/36.jpg)
35 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 35
Cuadro de ANVA:
Estimación de componentes de varianzas:
𝜎𝑏2 =
𝐶𝑀𝐵 − 𝐶𝑀𝑅𝑒𝑠
𝑡=
166,75 − 7,92
3= 52,94 > 0
Interpretación:
Si σB²>0, quiere decir que hubo variación entre bloques por tanto el DBCA ha sido eficientemente utilizado para
controlar la variación entre unidades experimentales y el modelo estadístico seria:
𝒀𝒊𝒋 = 𝝁 + 𝜷𝒊 + 𝜻𝒋 + 𝜺𝒊𝒋
Prueba de hipótesis de efectos principales: Métodos-cualitativo.
Ho: μ1=μ2 =μ3→ Significa que el porcentaje de basura descompuesta es el mismo con los tres métodos.
Ha: Significa que el porcentaje de basura descompuesta es diferente en al menos uno de los tres métodos.
NS: α= 0,01
EP: CMM
CMRes~F(α=0,01,t−1=2,Res=6)
RR: Pr(F≥Fcal)<0,01→SRHo o Fcal>Ftablas→ SRHo
CC: Pr(F≥322,14)<0,01→SRHo
0,0001<0,01→SRHo
Fcal>Ftablas→ SRHo
322,14>10,92→ SRHo
Conclusión: Con un 99% de seguridad se puede afirmar que el porcentaje de basura descompuesta es diferente con al
menos uno de los métodos.
¿De qué manera es diferente?
NO COPIA
R
![Page 37: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/37.jpg)
36 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 36
Metodo Medias
Lombrices 82 3 I
Compost 56,75 2
Testgo 31,5 1 II
82
56,75
31,5
0
20
40
60
80
100
Lombrices Compost Testigo
Métodos- cualitativo- comparación de medias y grafico de barras.
Prueba de hipótesis para I:
Ho: C= (0) μ1+ (-1) μ2+ (1) μ3=0→ Significa que el porcentaje de basura descompuesta por los métodos lombrices y
compost es el mismo.
Ha: C ≠ 0→ Significa que el porcentaje de basura descompuesta por los métodos lombrices y compost es diferente.
NS: α= 0,01
EP: CMc
CMRes~F(α=0,01,1,Res=6)
RR: Pr(F≥Fcal)<0,01→SRHo o Fcal>Ftablas→ SRHo
CC: Pr(F≥161,07)<0,01→SRHo
0,0001<0,01→SRHo
Fcal>Ftablas→ SRHo
161,07>13,75→ SRHo
Conclusión: Con un 99% de seguridad se puede afirmar que el porcentaje de basura descompuesta por los métodos
lombrices y compost es diferente.
¿De qué manera es diferente?
μ3> μ2→ Por lo tanto el porcentaje de basura descompuesta por el método lombrices es superior al método compost
en: 82,00-56,75= 25,25%.
Prueba de hipótesis para II:
Ho: C= (-1) μ1+ (1) μ2+ (1) μ3=0→ Significa que el porcentaje de basura descompuesta por los métodos compost y
testigo es el mismo.
Ha: C ≠ 0→ Significa que el porcentaje de basura descompuesta por los métodos compost y testigo es diferente.
NO COPIA
R
![Page 38: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/38.jpg)
37 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 37
NS: α= 0,01
EP: CMc
CMRes~F(α=0,01,1,Res=6)
RR: Pr(F≥Fcal)<0,01→SRHo o Fcal>Ftablas→ SRHo
CC: Pr(F≥161,07)<0,01→SRHo
0,0001<0,01→SRHo
Fcal>Ftablas→ SRHo
161,07>13,75→ SRHo
Conclusión: Con un 99% de seguridad se puede afirmar que el porcentaje de basura descompuesta por los métodos
compost y testigo es diferente. ¿De qué manera es diferente?
μ2> μ1→ Por lo tanto el porcentaje de basura descompuesta por el método compost es superior al método testigo en
56,75-31,50= 25,25%.
Conclusión general: μ3> μ3> μ1→ El mejor método para descomponer la basura en un porcentaje alto es el método de
las lombrices.
10. Programa SAS:
options ls=76 ps=56;
data ejem3;
input blq met$ y;
cards;
1 t 34
1 c 62
1 l 84
2 t 35
2 c 64
2 l 90
3 t 33
3 c 59
3 l 82
4 t 24
4 c 42
4 l 72
;
proc glm;
class blq met;
model Y= blq met/ss3;
random blq /test;
lsmeans met/pdiff;
contrast "l-c" met 1 -1 0;
contrast "c-t" met 0 1 -1;
run;
NO COPIA
R
![Page 39: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/39.jpg)
38 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 38
Resultados del SAS:
The SAS System 1
17:47 Thursday, April 22, 2013
The GLM Procedure
Class Level Information
Class Levels Values
blq 4 1 2 3 4
met 3 c l t
Number of Observations Read 12
Number of Observations Used 12
The SAS System 2
17:47 Thursday, April 22, 2013
The GLM Procedure
Dependent Variable: y
Sum of
Source DF Squares Mean Square F Value Pr > F
Model 5 5600.750000 1120.150000 141.49 <.0001
Error 6 47.500000 7.916667
Corrected Total 11 5648.250000
R-Square Coeff Var Root MSE y Mean
0.991590 4.957986 2.813657 56.75000
Source DF Type III SS Mean Square F Value Pr > F
blq 3 500.250000 166.750000 21.06 0.0014
met 2 5100.500000 2550.250000 322.14 <.0001
The SAS System 3
17:47 Thursday, April 22, 2013
The GLM Procedure
Source Type III Expected Mean Square
blq Var(Error) + 3 Var(blq)
met Var(Error) + Q(met)
The SAS System 4
17:47 Thursday, April 22, 2013
The GLM Procedure
Tests of Hypotheses for Mixed Model Analysis of Variance
Dependent Variable: y
Source DF Type III SS Mean Square F Value Pr > F
blq 3 500.250000 166.750000 21.06 0.0014
met 2 5100.500000 2550.250000 322.14 <.0001
Error: MS(Error) 6 47.500000 7.916667
NO COPIA
R
![Page 40: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/40.jpg)
39 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 39
The SAS System 5
17:47 Thursday, April 22, 2013
Least Squares Means
LSMEAN
met y LSMEAN Number
c 56.7500000 1
l 82.0000000 2
t 31.5000000 3
Least Squares Means for effect met
Pr > |t| for H0: LSMean(i)=LSMean(j)
Dependent Variable: y
i/j 1 2 3
1 <.0001 <.0001
2 <.0001 <.0001
3 <.0001 <.0001
NOTE: To ensure overall protection level, only probabilities associated
with pre-planned comparisons should be used.
The SAS System 6
17:47 Thursday, April 22, 2013
Dependent Variable: y
Contrast DF Contrast SS Mean Square F Value Pr > F
l-c 1 1275.125000 1275.125000 161.07 <.0001
c-t 1 5100.500000 5100.500000 644.27 <.0001
options ls=76 ps=56;
data ejem3;
input blq met$ y;
cards;
1 t 34
1 c 62
1 l 84
2 t 35
2 c 64
2 l 90
3 t 33
3 c 59
3 l 82
4 t 24
4 c 42
4 l 72
;
proc mixed;
class blq met;
model Y= met/ddfm=satterth;
random blq;
lsmeans met/pdiff;
contrast "l-c" met 1 -1 0;
contrast "c-t" met 0 1 -1;
run;
NO COPIA
R
![Page 41: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/41.jpg)
40 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 40
Resultados del SAS:
The SAS System 1
18:04 Thursday, April 22, 2013
The Mixed Procedure
Model Information
Data Set WORK.EJEM3
Dependent Variable y
Covariance Structure Variance Components
Estimation Method REML
Residual Variance Method Profile
Fixed Effects SE Method Model-Based
Degrees of Freedom Method Satterthwaite
Class Level Information
Class Levels Values
blq 4 1 2 3 4
met 3 c l t
Dimensions
Covariance Parameters 2
Columns in X 4
Columns in Z 4
Subjects 1
Max Obs Per Subject 12
Number of Observations
Number of Observations Read 12
Number of Observations Used 12
Number of Observations Not Used 0
Iteration History
Iteration Evaluations -2 Res Log Like Criterion
0 1 66.67712629
1 1 57.46308519 0.00000000
Convergence criteria met.
The SAS System 2
18:04 Thursday, April 22, 2013
The Mixed Procedure
Covariance Parameter
Estimates
Cov Parm Estimate
blq 52.9444
Residual 7.9167
Fit Statistics
-2 Res Log Likelihood 57.5
AIC (smaller is better) 61.5
AICC (smaller is better) 63.5
BIC (smaller is better) 60.2
Type 3 Tests of Fixed Effects
Num Den
Effect DF DF F Value Pr > F
met 2 6 322.14 <.0001
NO COPIA
R
![Page 42: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/42.jpg)
41 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 41
Contrasts
Num Den
Label DF DF F Value Pr > F
l-c 1 6 161.07 <.0001
c-t 1 6 644.27 <.0001
Least Squares Means
Standard
Effect met Estimate Error DF t Value Pr > |t|
met c 56.7500 3.9007 3.58 14.55 0.0003
met l 82.0000 3.9007 3.58 21.02 <.0001
met t 31.5000 3.9007 3.58 8.08 0.0020
Differences of Least Squares Means
Standard
Effect met _met Estimate Error DF t Value Pr > |t|
met c l -25.2500 1.9896 6 -12.69 <.0001
met c t 25.2500 1.9896 6 12.69 <.0001
The SAS System 3
18:04 Thursday, April 22, 2013
The Mixed Procedure
Differences of Least Squares Means
Standard
Effect met _met Estimate Error DF t Value Pr > |t|
met l t 50.5000 1.9896 6 25.38 <.0001
NO COPIA
R
![Page 43: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/43.jpg)
42 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 42
11. Ejercicios propuestos:
1. Un ingeniero Mecánico evaluó cuatro tipos de filtros por su habilidad para eliminar las impurezas del aceite de
motor este trabajo fue realizado en laboratorios independientes y se utilizó el mismo aceite con una cantidad
uniforme de impurezas, la cantidad de impurezas (gr) en ¼ de litro de aceite fue determinado en cada laboratorio con
cada uno de estos filtros aleatoriamente escogidos, los resultados fueron los siguientes:
a) Defina el modelo estadístico.
b) En base al modelo planteado realice las pruebas de hipótesis necesarias a fin de lograr los objetivos de la
investigación.
c) Indique cual es el programa del SAS al usar glm y mixed.
2. Un nutricionista con el objetivo de determinar la dieta más apropiada y el nivel de ejercicio en el control de la
obesidad, cuatro dietas ( N= normal, AP= alto nivel de proteína, AG= alto nivel de grasa, AC= alto nivel de
carbohidratos) fueron evaluadas asociados con tres niveles de ejercicios (0, 1, 2 min), para tal efecto se dispone de
cuarenta hombres cada uno excedido en aproximadamente 40 Lb pero que varían principalmente en edad por lo que
se agruparon en dos grupos de edades (bloques), en cada grupo cada combinación de dieta y tiempo de ejercicio fue
aleatoriamente aplicado a una persona, después de tres meses de aplicación de los tratamientos se determinó el peso
perdido, los datos son los siguientes:
a) Defina el modelo estadístico.
b) Realice los análisis necesarios para alcanzar el objetivo de la investigación.
c) Realice el programa SAS.
NO COPIA
R
![Page 44: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/44.jpg)
43 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 43
M4. Diseño en bloques completamente al azar factorial: DBCA_F.
Modelo estadístico:
𝒀𝒊𝒋𝒌 = 𝝁 + 𝜷𝒊 + 𝜶𝒋 + 𝜹𝒌 + 𝝑𝒋𝒌 + 𝜺𝒊𝒋𝒌
Dónde:
I= 1, 2,.., b bloques.
J = 1, 2,.., a niveles del factor A.
k = 1, 2,.., c niveles del factor C.
Yijk = Valor observado de una variable de respuesta en una unidad experimental en el i-esimo bloque que recibe la
combinación del j-esimo nivel del factor A y el k-esimo nivel del factor C.
μ = Media general.
βi = Efecto aleatorio del i-esimo bloque con βi ~NIID(0,σe²).
αj = Efecto fijo del j-esimo nivel del factor A.
δk = Efecto fijo del k-esimo nivel del factor C.
ϑjk = Efecto fijo de interacción entre el j-esimo nivel del factor A y el k-esimo nivel del factor C.
Ԑijk = Efecto aleatorio de los residuales con Ԑijk ~NIID(0,σe²).
NO COPIA
R
![Page 45: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/45.jpg)
44 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 44
Cuadro de ANVA:
Estimación de los componentes de varianza:
Se hallan igualando los cuadrados medios con la esperanza de los cuadrados medios solo de efectos aleatorios:
Interpretación:
Si σb²>0, quiere decir que hubo variación entre bloques por tanto el DBCA-factorial ha sido eficientemente utilizado
para controlar la variación entre unidades experimentales y el modelo estadístico seria:
𝒀𝒊𝒋𝒌 = 𝝁 + 𝜷𝒊 + 𝜶𝒋 + 𝜹𝒌 + 𝝑𝒋𝒌 + 𝜺𝒊𝒋𝒌
Si σb²<0 o σb²≡0; No existe (-), significa que no hubo variación entre bloques por lo que el modelo debe ser
reformulado borrando la columna de bloques:
NO COPIA
R
![Page 46: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/46.jpg)
45 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 45
Ejemplo:
La mara es un árbol maderable de alto valor económico, sin embargo su propagación presenta muchos problemas, por
lo que por una explotación irracional, esta especie se encuentra en peligro de extinción. Considere que uno de los
factores que afecta a su sistema reproductivo es la deficiencia de nutrientes principalmente nitrógeno. Por lo que se
realizó una investigación para determinar el efecto de este nutriente sobre el rendimiento de semilla de tres
ecosistemas de mara (1, 2, 3). Las combinaciones de cada variedad con cuatro niveles de nitrógeno (0, 90, 180, 270
kg/Ha) fueron evaluadas utilizando el DBCA-factorial con cuatro repeticiones. La unidad experimental consistió en un
árbol. Los rendimientos en semilla en Kg/Ha fueron:
a) Indique el modelo estadístico.
b) Realice las pruebas de hipótesis necesarias a fin de lograr los objetivos de la investigación.
c) Indicar la programación en SAS en los procedimientos glm y mixed
1. Objetivos: Determinar el efecto del nitrógeno sobre el rendimiento de semillas de tres eco tipos.
2. Factores: Eco tipo (E1, E2, E3) es cualitativo, nitrógeno (N1, N2, N3, N4) es cuantitativo son dos factores fijos y un
factor aleatorio que es bloques.
3. Variable de respuesta: Rendimiento de semilla Kg/Ha.
4. Unidad experimental: Un árbol.
5. Unidad de muestreo: Un árbol.
6. Repeticiones: Cuatro por tratamiento (4rep/trt).
7. Bloqueo: Hay por qué no son homogéneos, un árbol no es igual a otro.
NO COPIA
R
![Page 47: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/47.jpg)
46 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 46
Modelo estadístico:
𝒀𝒊𝒋𝒌 = 𝝁 + 𝜷𝒊 + 𝜶𝒋 + 𝜹𝒌 + 𝝑𝒋𝒌 + 𝜺𝒊𝒋𝒌
Dónde:
I= 1, 2, 3, 4, b bloques.
J = 1, 2, 3, a eco tipos.
k = 1, 2,3, 4, c nitrógeno.
Yijk = Rendimiento de semilla observado en el i-esimo bloque resultante de la combinación del j-esimo eco tipo con el
k-esimo nivel de nitrógeno.
μ = Media general.
βi = Efecto aleatorio del i-esimo bloque con βi ~NIID(0,σe²).
αj = Efecto fijo del j-esimo nivel del factor eco tipo.
δk = Efecto fijo del k-esimo nivel del factor nitrógeno.
ϑjk = Efecto fijo de interacción entre el j-esimo nivel del factor eco tipo y el k-esimo nivel del factor nitrógeno.
Ԑijk = Efecto aleatorio de los residuales con Ԑijk ~NIID(0,σe²).
Análisis de varianza:
Termino corrector (TC):
𝑇𝐶 =𝑌…
2
𝑏𝑥𝑎𝑥𝑐=
199,792
4𝑥3𝑥4= 831,5842
Suma de cuadrados totales (SCT):
𝑆𝐶𝑇 = ∑ ∑ ∑ 𝑌𝑖𝑗𝑘2
𝑐=4
𝑘=1
− 𝑇𝐶 = (4,062 + ⋯+ 4,102) − 831,5842 = 5,8445
𝑎=3
𝑗=1
𝑏=4
𝑖=1
Suma de cuadrados del factor bloques (SCBlq)
𝑆𝐶𝐵𝑙𝑞 =1
𝑎𝑥𝑐∑ 𝑌𝑖..
2 − 𝑇𝐶 =1
3𝑥4
𝑏=4
𝑖=1
(48,832 + 51,522 + 47,762 + 51,682) − 831,5842 = 0,9591
48,832 = 4,06 + 4,24 + 3,66 + 3,99 + 3,62 + 4,27 + 4,17 + 4,06 + 3,85 + 4,41 + 3,91 + 4,59
Suma de cuadrados del factor eco tipo (SCE):
𝑆𝐶𝐸 =1
𝑏𝑥𝑐∑ 𝑌.𝑗.
2 − 𝑇𝐶 =1
4𝑥4(642 + 68,832 + 66,962) − 831,5842 = 0,7414
𝑎=3
𝑗=1
Suma de cuadrados nitrógeno (SCN):
𝑆𝐶𝑁 =1
𝑏𝑥𝑎∑ 𝑌..𝑘
2 − 𝑇𝐶 =1
4𝑥3(46,502 + 51,962 + 50,982 + 50,352) − 831,5842 = 1,4303𝑐=4
𝑘=1
NO COPIA
R
![Page 48: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/48.jpg)
47 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 47
FV GL SC CM Fcal Pr>F
BLOQUES b-1=3 0,9591 0,3197 x x
ECOTIPO a-1= 2 0,7414 0,3707 CMA/CMRes= 4,85 0,0143
NITROGENO c-1=3 1,4303 0,4768 CMC/CMRes= 6,23 0,0018
INTERACCION EXN (a-1)(c-1)= 6 0,1897 0,0316 CMAC/CMRes= 0,41 0,8649
RESIDUALES (b-1)(ac-1)= 33 2,5241 0,0765 x x
TOTAL bac-1= 47 5,8445 x x
Suma de cuadrados de la interacción de los factores eco tipo y nitrógeno (SCEN):
𝑆𝐶𝐸𝑁 =1
𝑏∑ ∑ 𝑌.𝑗𝑘
2
𝑐=4
𝑘=1
− 𝑆𝐶𝐸 − 𝑆𝐶𝑁 − 𝑇𝐶
𝑎=3
𝑗=1
𝑆𝐶𝐸𝑁 =1
4(15,142 + 16,972 + 15,792 + 16,12 + 15,952 + ⋯ + 16,942) − 0,7414 − 1,4303 − 831,5842
𝑆𝐶𝐸𝑁 = 0,1897
Suma de cuadrados de los residuales (SCRes):
𝑆𝐶𝑅𝑒𝑠 = 𝑆𝐶𝑇 − 𝑆𝐶𝐵𝑙𝑞 − 𝑆𝐶𝐸 − 𝑆𝐶𝑁 − 𝑆𝐶𝐸𝑁 = 58,445 − 0,9591 − 0,7414 − 1,4303 − 0,1897 = 2,5241
Cuadro de ANVA:
Estimación de componentes de varianza o evaluación del modelo:
𝜎𝑏2 =
𝐶𝑀𝐵𝑙𝑞 − 𝐶𝑀𝑅𝑒𝑠
𝑎𝑥𝑐=
0,3197 − 0,0765
3𝑥4= 0,0203 > 0
Interpretación:
Si σb²>0, quiere decir que hubo variación entre bloques por tanto el DBCA-factorial ha sido eficientemente utilizado
para controlar la variación entre unidades experimentales y el modelo estadístico seria:
𝒀𝒊𝒋𝒌 = 𝝁 + 𝜷𝒊 + 𝜶𝒋 + 𝜹𝒌 + 𝝑𝒋𝒌 + 𝜺𝒊𝒋𝒌
Prueba de hipótesis para efectos principales: Eco tipo, factor cualitativo.
Ho: μ1=μ2 =μ3→ Significa que el rendimiento de semilla es el mismo en los tres niveles del factor eco tipo.
Ha: Significa que el rendimiento de semilla es el diferente al menos uno de los niveles del factor eco tipo.
NS: α= 0,05
EP: CME
CMRes~F(α=0,05,a−1=2,Res=33)
RR: Pr(F≥Fcal)<0,05→SRHo o Fcal>Ftablas → SRHo
CC: Pr(F≥4,85)<0,05→SRHo
0,0143<0,05→SRHo
NO COPIA
R
![Page 49: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/49.jpg)
48 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 48
Conclusión: Con 95% de seguridad se puede concluir indicando que el rendimiento de semilla es diferente en al menos
un eco tipo. ¿Qué eco tipo?
Comparación entre eco tipo 2- eco tipo 3:
Ho: μ2 =μ3→ Significa que el rendimiento de semilla es el mismo en los eco tipos 2 y 3.
Ha: Significa que el rendimiento de semilla es el diferente en los eco tipos 2 y 3.
NS: α= 0,05
EP: CME
CMRes~F(α=0,05,1,Res=33)
RR: Pr(F≥Fcal)<0,05→SRHo o Fcal>Ftablas → SRHo
CC: Pr(F≥1,43)<0,05→SRHo
0,2408>0,05→SAHo
Conclusión: Con 95% de seguridad se puede concluir indicando que el rendimiento de semilla en el eco tipo 2 y 3 son
iguales.
Comparación entre eco tipo 3 - eco tipo 1:
Ho: μ3 =μ1→ Significa que el rendimiento de semilla es el mismo en los eco tipos 3 y 1.
Ha: Significa que el rendimiento de semilla es el diferente en los eco tipos 3 y 1.
NS: α= 0,05
EP: CME
CMRes~F(α=0,05,1,Res=33)
RR: Pr(F≥Fcal)<0,05→SRHo o Fcal>Ftablas → SRHo
CC: Pr(F≥3,60)<0,05→SRHo
0,0666>0,05→SAHo
Conclusión: Con 95% de seguridad se puede concluir indicando que el rendimiento de semilla es el mismo en el eco
tipos 3 y 1.
NO COPIA
R
![Page 50: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/50.jpg)
49 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 49
Conclusión general: No hay mejor eco tipo en la producción de semilla del árbol de mara.
Prueba de hipótesis para efectos principales: fertilización nitrogenada, factor cuantitativo.
Ho: μ1=μ2 =μ3 =μ4→ Significa que el rendimiento de semilla es el mismo con los cuatro niveles de nitrógeno.
Ha: Significa que el rendimiento de semilla es diferente con al menos un nivel de nitrógeno.
NS: α= 0,05
EP: CMN
CMRes~F(α=0,05,3,Res=33)
RR: Pr(F≥Fcal)<0,05→SRHo o Fcal>Ftablas→ SRHo
CC: Pr(F≥6,23)<0,05→SRHo
0,0018<0,05→SRHo
Fcal>Ftablas→ SRHo
6,23>2,996→ SRHo
Conclusión: Con 95% de seguridad se puede afirmar que el rendimiento de semilla es diferente en al menos un nivel
de nitrógeno.
¿Cuál es ese nivel de nitrógeno?
Como se observa en el grafico aumenta linealmente y disminuye cuadráticamente.
NO COPIA
R
![Page 51: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/51.jpg)
50 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 50
Prueba de hipótesis para efecto lineal 4:
Ho: C= (-3) μ1+ (-1) μ2+ (1) μ3+ (3) μ4=0→ Significa que el rendimiento de semilla no aumenta linealmente a medida
que se incrementan los niveles de nitrógeno.
Ha: C ≠ 0→ Significa que el rendimiento de semilla aumenta linealmente a medida que se incrementan los niveles de
nitrógeno.
NS: α= 0,05
EP: CMĉ/CMRes ~ F(α=0,05, DF=1, Res=33)
RR: Pr(F≥Fcal)<0,05→SRHo o Fcal>Ftablas → SRHo
CC: Pr(F≥6,09)<0,05→SRHo
0,019<0,05→SRHo
Conclusión: Con 95% de seguridad se concluye que el rendimiento de semilla aumenta linealmente a medida que se
incrementan los niveles de nitrógeno.
Prueba de hipótesis para efecto cuadrático 4:
Ho: C= (1) μ1+ (-1) μ2+ (-1) μ3+ (1) μ4=0→ Significa que el rendimiento de semilla no disminuye cuadráticamente a
medida que se incrementan los niveles de nitrógeno.
Ha: C ≠ 0→ Significa que el rendimiento de semilla disminuye cuadráticamente a medida que se incrementan los
niveles de nitrógeno.
NS: α= 0,05
EP: CMc
CMRes~F(α=0,05,DF=1,Res=33)
NO COPIA
R
![Page 52: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/52.jpg)
51 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 51
RR: Pr(F≥Fcal)<0,05→SRHo o Fcal>Ftablas → SRHo
CC: Pr(F≥10,1)<0,05→SRHo
0,0032<0,05→SRHo
Conclusión: Con 95% de seguridad se concluye que el rendimiento de semilla disminuye a medida que se incrementan
los niveles de nitrógeno.
Prueba de hipótesis para efecto de interacción: Eco tipo x Nitrógeno
Ho: Ƴjk=0 para Ɏjk=0→ Significa que el efecto de la fertilización nitrogenada es el mismo en cada uno de los niveles del
factor eco tipo.
Ha: Ƴjk≠0 → Significa que el efecto de la fertilización nitrogenada es diferente en al menos uno de los niveles del factor
eco tipo.
NS: α= 0,05
EP: CMExN
CMRes ~F(α=0,05,gl=6,Res=33)
Ftablas(α=0,05, m=6, Res=33)= 2,3834
RR: Pr(F≥Fcal)<0,05→SRHo o Fcal>Ftablas → SRHo
CC: Pr(F≥0,41)<0,05→SRHo
0,8649>0,05→SAHo
Fcal>Ftablas → SRHo
0,41>2,3894→ SAHo
Conclusión: Con 95% de seguridad se concluye el efecto de la fertilización nitrogenada es el mismo en cada uno de los
niveles del factor eco tipo.
NO COPIA
R
![Page 53: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/53.jpg)
52 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 52
8. Programa SAS:
options ls=76 ps=56;
data dbcaa_f;
input blq ecot$ nitro y;
cards;
1 1 0 4.06
1 2 0 3.62
1 3 0 3.85
1 1 90 4.24
1 2 90 4.27
1 3 90 4.41
1 1 180 3.66
1 2 180 4.17
1 3 180 3.91
1 1 270 3.99
1 2 270 4.06
1 3 270 4.59
2 1 0 3.7
2 2 0 4.16
2 3 0 4.06
2 1 90 4.4
2 2 90 4.49
2 3 90 4.24
2 1 180 4.27
2 2 180 4.94
2 3 180 4.27
2 1 270 4.17
2 2 270 4.65
2 3 270 4.17
3 1 0 3.94
3 2 0 3.61
3 3 0 3.62
3 1 90 4.03
3 2 90 4.1
3 3 90 4.27
3 1 180 3.61
3 2 180 3.93
3 3 180 4.65
3 1 270 3.96
3 2 270 3.95
3 3 270 4.08
4 1 0 3.44
4 2 0 4.56
4 3 0 3.88
4 1 90 4.3
4 2 90 4.96
4 3 90 4.25
4 1 180 4.24
4 2 180 4.71
4 3 180 4.61
4 1 270 3.98
4 2 270 4.65
4 3 270 4.1
;
proc glm;
NO COPIA
R
![Page 54: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/54.jpg)
53 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 53
class blq ecot nitro;
model y = blq ecot nitro ecot*nitro/ss3;
random blq;
lsmeans ecot/pdiff;
lsmeans nitro/pdiff;
lsmeans ecot*nitro/pdiff;
contrast "2-3" ecot 0 1 -1;
contrast "3-1" ecot -1 0 1;
contrast "n_lineal" nitro -3 -1 1 3;
contrast "n_cuadra" nitro 1 -1 -1 1;
contrast "n_lineal" ecot*nitro 0 0 0 0 0 1 -3 -1 1 3 -1 3 1 -1 -3;
estimate "2-3" ecot 0 1 -1;
estimate "3-1" ecot -1 0 1;
estimate "n_lineal" nitro -3 -1 1 3;
estimate "n_cuadra" nitro 1 -1 -1 1;
estimate "n_lineal" ecot*nitro 0 0 0 0 0 1 -3 -1 1 3 -1 3 1 -1 -3;
run;
Resultados del SAS:
The SAS System 1
09:14 Thursday, April 23, 2013
The GLM Procedure
Class Level Information
Class Levels Values
blq 4 1 2 3 4
ecot 3 1 2 3
nitro 4 0 90 180 270
Number of Observations Read 48
Number of Observations Used 48
The SAS System 2
09:14 Thursday, April 23, 2013
The GLM Procedure
Dependent Variable: y
Sum of
Source DF Squares Mean Square F Value Pr > F
Model 14 3.32831667 0.23773690 3.10 0.0037
Error 33 2.52707500 0.07657803
Corrected Total 47 5.85539167
R-Square Coeff Var Root MSE y Mean
0.568419 6.648770 0.276727 4.162083
Source DF Type III SS Mean Square F Value Pr > F
blq 3 0.96267500 0.32089167 4.19 0.0128
ecot 2 0.74465417 0.37232708 4.86 0.0141
nitro 3 1.42857500 0.47619167 6.22 0.0018
ecot*nitro 6 0.19241250 0.03206875 0.42 0.8612
NO COPIA
R
![Page 55: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/55.jpg)
54 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 54
The SAS System 3
09:14 Thursday, April 23, 2013
The GLM Procedure
Source Type III Expected Mean Square
blq Var(Error) + 12 Var(blq)
ecot Var(Error) + Q(ecot,ecot*nitro)
nitro Var(Error) + Q(nitro,ecot*nitro)
ecot*nitro Var(Error) + Q(ecot*nitro)
The SAS System 4
09:14 Thursday, April 23, 2013
The GLM Procedure
Least Squares Means
LSMEAN
ecot y LSMEAN Number
1 3.99937500 1
2 4.30187500 2
3 4.18500000 3
Least Squares Means for effect ecot
Pr > |t| for H0: LSMean(i)=LSMean(j)
Dependent Variable: y
i/j 1 2 3
1 0.0040 0.0666
2 0.0040 0.2408
3 0.0666 0.2408
NOTE: To ensure overall protection level, only probabilities associated
with pre-planned comparisons should be used.
The SAS System 5
09:14 Thursday, April 23, 2013
The GLM Procedure
Least Squares Means
LSMEAN
nitro y LSMEAN Number
0 3.87500000 1
90 4.33000000 2
180 4.24750000 3
270 4.19583333 4
Least Squares Means for effect nitro
Pr > |t| for H0: LSMean(i)=LSMean(j)
Dependent Variable: y
i/j 1 2 3 4
1 0.0003 0.0023 0.0077
2 0.0003 0.4704 0.2435
3 0.0023 0.4704 0.6504
4 0.0077 0.2435 0.6504
NOTE: To ensure overall protection level, only probabilities associated
with pre-planned comparisons should be used.
NO COPIA
R
![Page 56: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/56.jpg)
55 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 55
The SAS System 6
09:14 Thursday, April 23, 2013
The GLM Procedure
Least Squares Means
LSMEAN
ecot nitro y LSMEAN Number
1 0 3.78500000 1
1 90 4.24250000 2
1 180 3.94500000 3
1 270 4.02500000 4
2 0 3.98750000 5
2 90 4.45500000 6
2 180 4.43750000 7
2 270 4.32750000 8
3 0 3.85250000 9
3 90 4.29250000 10
3 180 4.36000000 11
3 270 4.23500000 12
Least Squares Means for effect ecot*nitro
Pr > |t| for H0: LSMean(i)=LSMean(j)
Dependent Variable: y
i/j 1 2 3 4 5 6
1 0.0256 0.4194 0.2287 0.3083 0.0017
2 0.0256 0.1379 0.2744 0.2015 0.2854
3 0.4194 0.1379 0.6853 0.8294 0.0136
4 0.2287 0.2744 0.6853 0.8492 0.0351
5 0.3083 0.2015 0.8294 0.8492 0.0228
6 0.0017 0.2854 0.0136 0.0351 0.0228
7 0.0021 0.3262 0.0169 0.0427 0.0279 0.9293
8 0.0091 0.6668 0.0591 0.1317 0.0916 0.5192
9 0.7323 0.0546 0.6395 0.3844 0.4951 0.0042
10 0.0141 0.7999 0.0850 0.1808 0.1286 0.4122
11 0.0060 0.5523 0.0415 0.0963 0.0657 0.6305
12 0.0279 0.9697 0.1478 0.2910 0.2148 0.2690
Least Squares Means for effect ecot*nitro
Pr > |t| for H0: LSMean(i)=LSMean(j)
Dependent Variable: y
i/j 7 8 9 10 11 12
1 0.0021 0.0091 0.7323 0.0141 0.0060 0.0279
2 0.3262 0.6668 0.0546 0.7999 0.5523 0.9697
3 0.0169 0.0591 0.6395 0.0850 0.0415 0.1478
4 0.0427 0.1317 0.3844 0.1808 0.0963 0.2910
5 0.0279 0.0916 0.4951 0.1286 0.0657 0.2148
6 0.9293 0.5192 0.0042 0.4122 0.6305 0.2690
NO COPIA
R
![Page 57: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/57.jpg)
56 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 56
The SAS System 7
09:14 Thursday, April 23, 2013
The GLM Procedure
Least Squares Means
Least Squares Means for effect ecot*nitro
Pr > |t| for H0: LSMean(i)=LSMean(j)
Dependent Variable: y
i/j 7 8 9 10 11 12
7 0.5778 0.0052 0.4639 0.6946 0.3083
8 0.5778 0.0208 0.8591 0.8691 0.6395
9 0.0052 0.0208 0.0313 0.0141 0.0591
10 0.4639 0.8591 0.0313 0.7323 0.7707
11 0.6946 0.8691 0.0141 0.7323 0.5274
12 0.3083 0.6395 0.0591 0.7707 0.5274
NOTE: To ensure overall protection level, only probabilities associated
with pre-planned comparisons should be used.
The SAS System 8
09:14 Thursday, April 23, 2013
The GLM Procedure
Dependent Variable: y
Contrast DF Contrast SS Mean Square F Value Pr > F
2-3 1 0.10927813 0.10927813 1.43 0.2408
3-1 1 0.27565312 0.27565312 3.60 0.0666
n_lineal 1 0.46464000 0.46464000 6.07 0.0192
n_cuadra 1 0.77013333 0.77013333 10.06 0.0033
Standard
Parameter Estimate Error t Value Pr > |t|
2-3 0.11687500 0.09783790 1.19 0.2408
3-1 0.18562500 0.09783790 1.90 0.0666
n_lineal 0.88000000 0.35725348 2.46 0.0192
n_cuadra -0.50666667 0.15976861 -3.17 0.0033
NO COPIA
R
![Page 58: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/58.jpg)
57 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 57
9. Ejercicio propuesto.
Con el objetivo de determinar la dieta más apropiada y el nivel de ejercicio en el control de la obesidad cuatro dietas
(normal= N, alto nivel de proteínas= AP, alto nivel de grasas= AG, alto nivel de carbohidratos=AC) fueron evaluadas
asociadas con tres niveles de ejercicios (0, 1,2 min) para tal efecto se dispone de cuarenta hombres cada uno excedido
en aproximadamente 40Lb pero que variaban en edad por lo que se agruparon en dos grupos de edades (bloques) en
cada grupo cada combinación de dieta y tiempo de ejercicio fue aleatoriamente aplicado a una persona después de
tres meses de aplicación de los tratamientos se determinó el peso perdido los datos son los siguientes:
a) Defina el modelo estadístico.
b) Realice los análisis necesarios para alcanzar el objetivo de la investigación.
c) Plantee y pruebe las hipótesis necesarias para responder al objetivo de la investigación, usar el programa SAS.
NO COPIA
R
![Page 59: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/59.jpg)
58 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 58
M5. Diseño de cuadrado latino (DCL).
Se usa para eliminar dos fuentes de variabilidad es decir permite analizar sistemáticamente por bloques en dos
direcciones por filas y por columnas, el diseño en cuadrado latino es un diseño en filas y columnas es un cuadrado
donde:
El número de filas= número de columnas= número de tratamientos.
Este diseño se usa cuando la unidad experimental tiene dos fuentes de variación. Ejemplo:
Edad y peso de personas.
Cinco máquinas de diferentes marcas y cinco operadores diferentes.
Estructuración:
1. Hacemos bloques de acuerdo a una característica. Ejemplo: Por el color y luego hacemos bloques de acuerdo con
otra característica por su forma.
2. Por tanto se tienen dos tipos de bloques:
Bloque de filas caracterizada por el color.
Bloque de columnas caracterizada por su forma.
3. En cada fila y cada columna los tratamientos A, B, C, D, deben aparecer sin duplicación.
4. El número de tratamientos a probar= número de repeticiones
A, B, C, D, cuatro tratamientos= cuatro repeticiones.
5. El análisis de un cuadrado latino es similar al DBCA, excepto que la suma de los cuadrados de bloques se sustituye
por una suma de cuadrados para las filas y otra para las columnas es decir:
NO COPIA
R
![Page 60: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/60.jpg)
59 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 59
6. Diseño rectangular latino:
El número de filas= número de tratamientos pero el número de columnas= número de tratamientos. Ejemplo:
Los tratamientos D1, D2, D3, D4, se distribuyen en forma aleatoria en cada columna sin tomar en cuenta las
repeticiones en filas.
Modelo estadístico:
𝒀𝒊𝒋𝒌 = 𝝁 + 𝝋𝒊 + 𝒌𝒋 + 𝑻𝒌 + 𝜺𝒊𝒋𝒌
Donde todos los efectos son aditivos y no hay interacción entre dos cualquieras de los tres factores (fila= f aleatorio,
columna, tratamiento= f fijo).
i= 1, 2,…,f filas.
j= 1, 2,…,c columnas.
k= 1, 2,…,t tratamientos.
Yijk= Es el valor observado de una unidad experimental correspondiente a la i-esima fila y la j-esima columna donde se
aplicó el k-esimo tratamiento.
μ= Media general.
ϕi= Efecto aleatorio de la i-esima fila con: ϕi ≈ NIID (0, σf²).
kj= Efecto aleatorio de la j-esima columna con: kj ≈ NIID (0, σc²).
Τk= Efecto fijo del k-esimo tratamiento.
Ɛijk= Efecto aleatorio de los residuales con: Ɛijk ≈ NIID (0, σe²).
NO COPIA
R
![Page 61: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/61.jpg)
60 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 60
Cuadro de ANVA:
Componentes de varianza para los efectos aleatorios:
Igualando los cuadrados medios a sus respectivas esperanzas:
Interpretación:
Si σf²>0, quiere decir que las unidades experimentales variaron en el sentido de las filas por lo tanto el modelo está
bien aplicado.
Si σc²>0, quiere decir que las unidades experimentales variaron en el sentido de las columnas por lo tanto el modelo
está bien aplicado.
Si σf²≤0, quiere decir que las unidades experimentales no variaron en el sentido de las filas por lo tanto hay que
reformular el modelo eliminando las filas.
Si σc²≤0, quiere decir que las unidades experimentales no variaron en el sentido de las columnas por lo tanto hay que
reformular el modelo eliminando las columnas.
NO COPIA
R
![Page 62: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/62.jpg)
61 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 61
Ejemplo:
Un ingeniero condujo un experimento con el fin de evaluar la eficiencia en tiempo de cuatro métodos de fabricación
(A, B, C, D) de una parte electrónica. Se eligieron cuatro técnicos para el estudio, pero como el proceso de fabricación
produce fatiga de manera que el tiempo requerido por el técnico aumenta al cambiar de un método a otro sin
importar el orden, el ingeniero uso un diseño en cuadrado latino con los técnicos en las columnas y los turnos en las
filas. Los métodos de fabricación se asignaron al azar a los técnicos y a los turnos de acuerdo con el arreglo en
cuadrado latino. Los datos corresponden a los tiempos de fabricación en minutos requeridos para el parte electrónico
con el método indicado entre paréntesis.
1. Objetivo: Evaluar la eficiencia en tiempo de cuatro métodos de fabricación de una parte electrónica.
2. Factores: F. aleatorios: hay dos turno (filas), técnico (columnas), Factor fijo: método (tratamiento).
3. Variable de respuesta: Tiempo de fabricación (min).
4. Unidad experimental: Una parte electrónica.
5. Unida de muestreo: Una parte electrónica.
6. Bloqueo: Existe por filas y por columnas.
7. Defina el modelo estadístico:
𝒀𝒊𝒋𝒌 = 𝝁 + 𝝋𝒊 + 𝒌𝒋 + 𝑻𝒌 + 𝜺𝒊𝒋𝒌
i= 1, 2, 3, 4, turnos.
j= 1, 2, 3, 4, técnicos.
i= 1, 2, 3, 4, métodos o tratamientos (A, B, C, D).
Yijk= Tiempo de fabricación (min) observado con el k-esimo método de fabricación de una parte electrónica con el j-
esimo técnico y el i-esimo turno.
μ= Media general.
ϕi= Efecto aleatorio del i-esimo turno con: ϕi ≈ NIID (0, σturno²).
kj= Efecto aleatorio del j-esimo técnico con: kj ≈ NIID (0, σtecnico²).
Τk= Efecto fijo del k-esimo método de fabricación.
Ɛijk= Efecto aleatorio de los residuales con: Ɛijk ≈ NIID (0, σe²).
NO COPIA
R
![Page 63: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/63.jpg)
62 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 62
Análisis de varianza:
Termino corrector (TC):
𝑇𝐶 =𝑌…
2
𝑓𝑥𝑐=
15192
4𝑥4= 144210,063
Suma de cuadrados totales (SCT):
𝑆𝐶𝑇 = ∑ ∑ ∑ 𝑌𝑖𝑗𝑘2 − 𝑇𝐶 = (902 + 962 + ⋯+ 1062) − 144210,0625 = 652,9375
𝑡=4
𝑘=1
𝑐=4
𝑗=1
𝑓=4
𝑖=1
Suma de cuadrados de filas (SCF= Turnos):
𝑆𝐶𝐹 =1
𝑐∑ 𝑌𝑖..
2 − 𝑇𝐶 =1
4(3582 + 3652 + 3822 + 4142) − 144210,0625 = 467,1875
𝑓=4
𝑖=1
Suma de cuadrados de columnas (SCC= Técnicos):
𝑆𝐶𝐶 =1
𝑓∑ 𝑌.𝑗.
2 − 𝑇𝐶 =1
4(3732 + 3842 + 3822 + 3802) − 144210,0625 = 17,1875
𝑐=4
𝑗=1
Suma de cuadrados de los tratamientos (SCTrt= método):
𝑆𝐶𝑇𝑟𝑡 =1
𝑟𝑒𝑝𝑒𝑡𝑖𝑐𝑖𝑜𝑛𝑒𝑠∑ 𝑌..𝑘
2 − 𝑇𝐶 =1
4(3612 + 3792 + 3852 + 3942) − 144210,0625 = 145,6875
𝑡=4
𝑘=1
3612 = 89 + 100 + 54 + 88 𝑡𝑜𝑑𝑜𝑠 𝑙𝑜𝑠 𝑑𝑒 𝐴
Suma de cuadrados de los residuales (SCRes):
𝑆𝐶𝑅𝑒𝑠 = 𝑆𝐶𝑇 − 𝑆𝐶𝐹 − 𝑆𝐶𝐶 − 𝑆𝐶𝑇𝑟𝑡 = 652,9375 − 467,1875 − 17,1875 − 145,6875 = 22,875
Cuadro de ANVA:
Numero de filas= número de columnas= número de tratamientos
NO COPIA
R
![Page 64: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/64.jpg)
63 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 63
Componentes de varianza para los efectos aleatorios:
Igualando los cuadrados medios a la esperanza de cada uno de los efectos aleatorios tenemos:
Interpretación: Como la varianza de filas y columnas es mayor que cero significa que las unidades experimentales
variaron entre filas y columnas por tanto el diseño en cuadrado latino fue eficiente para controlar la varianza de las
unidades experimentales por filas y por columnas por lo tanto el modelo estadístico es el correcto.
𝒀𝒊𝒋𝒌 = 𝝁 + 𝝋𝒊 + 𝒌𝒋 + 𝑻𝒌 + 𝜺𝒊𝒋𝒌
Prueba de hipótesis para efectos principales: Método de fabricación-cualitativo.
Ho: μA=μB =μC =μD→ Significa que tiempo de fabricación es el mismo con los cuatro métodos de fabricación.
Ha: Significa que tiempo de fabricación es diferente con al menos uno de los métodos de fabricación.
NS: α= 0,05
EP: CMTrt
CMRes ~F(α=0,05,3,Res=6)
RR: Pr(F≥Fcal)<0,05→SRHo o Fcal>Ftablas→ SRHo
CC: Pr(F≥12,74)<0,05→SRHo
0,005<0,05→SRHo
Conclusión: Con 95% de seguridad se puede afirmar que el tiempo de fabricación es diferente con al menos uno de los
métodos. ¿Cuál es método de fabricación?
El que tenga el menor tiempo de fabricación es el mejor, entonces ordeno de menor a mayor.
NO COPIA
R
![Page 65: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/65.jpg)
64 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 64
Comparación entre: método A-B.
Ho: C= (-1) μA+ (1) μB+ (0) μC+ (0) μD=0→ Significa que el tiempo de fabricación es el mismo con los métodos A y B.
Ha: C ≠ 0→ Significa que el tiempo de fabricación es diferente con los métodos A y B.
NS: α= 0,05
EP: CMc
CMRes~F(α=0,05,DF=1,Res=6)
RR: Pr(F≥Fcal)<0,05→SRHo o Fcal>Ftablas → SRHo
CC: Pr(F≥10,62)<0,05→SRHo
0,0173<0,05→SRHo
Conclusión: Con 95% de seguridad se concluye que el tiempo de fabricación es diferente con los métodos A y B.
¿ De qué manera son diferentes?.
μA< μB El método de fabricación más eficiente es el que permite fabricar en menos tiempo y es A.
8. Programa SAS.
options ls=76 ps=56;
data cl;
input turno tec met$ y;
cards;
1 1 c 90
1 2 d 96
1 3 a 84
1 4 b 88
2 1 b 90
2 2 c 91
2 3 d 96
2 4 a 88
3 1 a 89
3 2 b 97
3 3 c 98
3 4 d 98
4 1 d 104
4 2 a 100
4 3 b 104
4 4 c 106
;
proc glm;
class turno tec met;
model y=turno tec met/ss3;
random turno tec/test;
lsmeans met/pdiff;
contrast "a-b" met -1 1 0 0;
run;
NO COPIA
R
![Page 66: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/66.jpg)
65 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 65
Resultado del SAS:
The SAS System 1
22:15 Wednesday, April 24, 2013
The GLM Procedure
Class Level Information
Class Levels Values
turno 4 1 2 3 4
tec 4 1 2 3 4
met 4 a b c d
Number of Observations Read 16
Number of Observations Used 16
The SAS System 2
22:15 Wednesday, April 24, 2013
The GLM Procedure
Dependent Variable: y
Sum of
Source DF Squares Mean Square F Value Pr > F
Model 9 630.0625000 70.0069444 18.36 0.0011
Error 6 22.8750000 3.8125000
Corrected Total 15 652.9375000
R-Square Coeff Var Root MSE y Mean
0.964966 2.056682 1.952562 94.93750
Source DF Type III SS Mean Square F Value Pr > F
turno 3 467.1875000 155.7291667 40.85 0.0002
tec 3 17.1875000 5.7291667 1.50 0.3065
met 3 145.6875000 48.5625000 12.74 0.0052
The SAS System 3
22:15 Wednesday, April 24, 2013
The GLM Procedure
Source Type III Expected Mean Square
turno Var(Error) + 4 Var(turno)
tec Var(Error) + 4 Var(tec)
met Var(Error) + Q(met)
The SAS System 4
22:15 Wednesday, April 24, 2013
The GLM Procedure
Tests of Hypotheses for Mixed Model Analysis of Variance
Dependent Variable: y
Source DF Type III SS Mean Square F Value Pr > F
turno 3 467.187500 155.729167 40.85 0.0002
tec 3 17.187500 5.729167 1.50 0.3065
met 3 145.687500 48.562500 12.74 0.0052
Error: MS(Error) 6 22.875000 3.812500
NO COPIA
R
![Page 67: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/67.jpg)
66 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 66
The SAS System 5
22:15 Wednesday, April 24, 2013
Least Squares Means
LSMEAN
met y LSMEAN Number
a 90.2500000 1
b 94.7500000 2
c 96.2500000 3
d 98.5000000 4
Least Squares Means for effect met
Pr > |t| for H0: LSMean(i)=LSMean(j)
Dependent Variable: y
i/j 1 2 3 4
1 0.0173 0.0048 0.0010
2 0.0173 0.3190 0.0348
3 0.0048 0.3190 0.1543
4 0.0010 0.0348 0.1543
NOTE: To ensure overall protection level, only probabilities associated
with pre-planned comparisons should be used.
The SAS System 6
22:15 Wednesday, April 24, 2013
Dependent Variable: y
Contrast DF Contrast SS Mean Square F Value Pr > F
a-b 1 40.50000000 40.50000000 10.62 0.0173
NO COPIA
R
![Page 68: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/68.jpg)
67 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 67
9. Ejercicios propuestos.
1. Un investigador condujo un experimento para comparar el rendimiento de tres nuevas variedades con una
variedad estándar de maní, las variedades fueron asignadas a las parcelas en un arreglo de cuadrado latino debido a
que el terreno tuvo una pendiente ligera de este a oeste y gradientes de nitrógeno disponibles de norte a sur las
variedades y sus rendimientos por parcelas (Lbm/parcela)=R, los resultados obtenidos son los siguientes:
a) Identifique los elementos del diseño experimental y defina el modelo estadístico para analizar los datos.
b) En base al modelo realice los análisis necesarios usando proc glm para determinar la variedad de maní con el
rendimiento significativamente más alto.
2. Un centro de control supone que existe diferencia en el contenido de nitrato de amonio en lotes de fertilizante que
son suministrados por proveedores, existen en estos momentos gran cantidad de lotes en el almacén se han escogido
aleatoriamente cinco de estos mediante un análisis químico sobre cada lote donde se obtienen los siguientes datos:
a) Defina el modelo estadístico.
b) En base al modelo y mediante el procedimiento proc glm realice los análisis necesarios para determinar la
eficiencia del modelo.
c) Indicar los programas en SAS con proc glm y mixed utilizados para indicar la diferencia entre ellos.
NO COPIA
R
![Page 69: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/69.jpg)
68 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 68
M6. Transformaciones de datos.
Previo a cualquier análisis deben ser satisfechos tres supuestos:
1. Efectos independientes.
Cada dato de la variable de respuesta y los residuales deben ser independientes.
Este requisito es satisfecho en gran manera cuando los tratamientos han sido asignados aleatoriamente a las unidades
experimentales.
2. Distribución normal.
Los datos e la variable de respuesta y los residuales deben seguir una distribución normal:
La distribución es simétrica y unimodal (un solo pico).
Para determinar si los datos siguen o no una distribución normal se utiliza el estadístico de Shapiro Wilks (W) o
Kolnogorov-Smirnot.
Si (Pr<W)≥0,05 entonces los datos de la variable de respuesta y los residuales siguen una distribución normal caso
contrario si (Pr<W)<0,05 los datos de la variable de respuesta y los residuales no siguen una distribución normal Ɛij ≈
NIID (0, σe²).
Si los datos no siguen una distribución normal entonces no se deben analizar los datos con el modelo planteado por
que sería incorrecto.
Si los datos no siguen una distribución normal se tienen dos opciones:
Primera opción:
Analizar los datos bajo la teoría de los modelos lineales generales es decir los datos pueden tener:
Distribución binomial
Distribución multinomial
Distribución poisson
Distribución gamma
Segunda opción:
Transformar los datos de la variable de respuesta a otra escala de tal manera que se lleven los datos a una distribución
normal, los datos pueden tener la siguiente distribución:
NO COPIA
R
![Page 70: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/70.jpg)
69 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 69
Sesgada a la derecha → cola derecha:
En estos casos los datos pequeños son más abundantes que los datos grandes entonces la transformación que
corresponde es el logaritmo que hace que los datos pequeños sean menos abundantes y los datos grandes sean más
abundantes.
La transformación es: Y → Z= Log (Y)
Sesgada a la izquierda → cola izquierda:
La transformación es: Y → Z= exp (Y)
Sesgada a la izquierda:
La transformación es la raíz cuadrada de la variable de respuesta: Y → Z= sqrt (Y)
Sesgada a la derecha:
La transformación es elevar al cuadrado la variable de respuesta: Y → Z= Y**2
El objetivo es (Pr<W)≥0,05
NO COPIA
R
![Page 71: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/71.jpg)
70 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 70
3. Homogeneidad de varianzas (Idénticas).
Homogeneidad de varianzas significa:
S²1=S²2=S²3=…=S²t → Si no ocurre esta igualdad entonces no se puede llevar acabo los análisis.
Para probar si es cierto o no la homogeneidad de varianzas, se hace una prueba de hipótesis como si fueran medias.
1. Hipótesis:
Ho: σ²1=σ²2=σ²3=…=σ²t → Quiere decir que la varianza de los datos de la variable de respuesta es la misma para cada
tratamiento.
Ha: La varianza de datos de una variable de respuesta es diferente en al menos uno de los tratamientos.
2. NS: α= 0,05
3. EP: 𝑴
𝑪~𝑿𝒈𝒍=𝒕−𝟏
𝟐
El estadístico para probar esta hipótesis es el estadístico de Bartlett.
4. RR: Pr(X²≥X²cal)<0,05
𝑀 = (𝑁 − 𝐾)𝑙𝑜𝑔𝑆𝑝2 − ∑(𝑛𝑖 − 1)𝑙𝑜𝑔𝑆𝑖
2
𝑘
𝑖=1
𝑆𝑝2 =
∑ (𝑛𝑖 − 1)𝑆𝑖2𝑘
𝑖=1
𝑁 − 𝐾
𝐶 = 1 +1
3(𝐾 − 1)[∑(𝑛𝑖 − 3)−1 − (𝑁 − 𝐾)−1
𝑘
𝑖=1
]
Si K= Numero de tratamientos y Si² es la varianza del i-esimo tratamiento.
NO COPIA
R
![Page 72: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/72.jpg)
71 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 71
5. Programa SAS:
Options ls=76 ps=56;
Data transf;
Input A B y;
Y → Z= Log (Y);
Y → Z= exp (Y); cualquiera hasta que cumpla (Pr<W)≥0,05
Y → Z= sqrt (Y);
Y → Z= Y**2;
Cards;
-
-
;
Proc univariate normal plot;
Var Z;
Run;
Proc glm;
Cuando son varios programas o varias transformaciones:
Options ls=76 ps=56;
Data transf_1;
Input trt y;
Y → Z= Log (Y);
Cards;
-
-
;
Proc univariate data= transf_1 normal plot;
Var Z;
Run;
Proc glm data= transf_1;
Class trt;
Model Y=trt/ss3;
Means trt/ hovtest= Bartlett;
Run;
Ejemplo:
Una investigación se llevó acabo con el objetivo de determinar el nivel óptimo de nitrógeno que permite maximizar el
rendimiento de grano de una variedad X de cebada en la localidad de Cotoca para tal efecto fueron evaluados cuatro
niveles de nitrógeno (0, 40, 80, 120 Kg/Ha) de acuerdo al diseño completamente aleatorio los rendimientos de grano
expresados en Ton/Ha fueron los siguientes:
NO COPIA
R
![Page 73: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/73.jpg)
72 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 72
Observamos:
Diferente número de repeticiones.
El factor nitrógeno es cuantitativo: Regresión lineal y cuadrática.
Debe existir transformación.
a) Desarrolle el modelo estadístico para analizar los datos:
DCA= Un solo factor; Factor= Nivel de nitrógeno (0, 40, 80, 120 Kg/Ha).
Modelo: 𝒀𝒊𝒋 = 𝝁 + 𝜻𝒊 + 𝜺𝒋(𝒊)
Tratamientos: i= 1, 2, 3, 4, niveles de nitrógeno (0, 40, 80, 120).
j= 1, 2, … ri parcelas/i-esimo nivel de nitrógeno.
i=1→r1=4, i=2→r2= 5, i=3→r3= 3, i=4→r4=5
Yij= Rendimiento del grano expresado en (Ton/Ha) observado en la j-esima parcela donde se sembró la variedad X de
cebada del i-esimo nivel de nitrógeno.
μ= Media general.
ζᵢ= Efecto fijo del i-esimo nivel de nitrógeno.
ξᴊ₍ᵢ₎= Efecto aleatorio de los residuales con: ξ j(i) ≈NIID (0, σe2).
b) Verifique los supuestos de distribución normal y homogeneidad de varianza, en el caso de que no se cumplan estos
requisitos realice la transformación apropiada.
SAS → (Pr<W)≈0,0212<0,05→no sigue una distribución normal (Y ij , Ɛj(i) ), luego se requiere de una transformación de
los datos
NO COPIA
R
![Page 74: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/74.jpg)
73 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 73
Ahora (Pr<W)≈0,1397>0,05→ los datos de (Y ij , Ɛj(i) ) siguen una distribución normal podemos realizar los análisis ahora
probar la homogeneidad de varianzas se realiza antes o después.
1. Hipótesis:
Ho: σ²0=σ²40=σ²80=σ²120 → Quiere decir que la varianza de los datos de la variable de respuesta es la misma para cada
tratamiento.
Ha: La varianza de datos de una variable de respuesta es diferente en al menos uno de los tratamientos.
2. NS: α= 0,05
3. EP: (𝑴
𝑪) ≈ 𝑿𝒕−𝟏=𝟒−𝟏=𝟑
𝟐
El estadístico para probar esta hipótesis es el estadístico de Bartlett.
4. RR: Pr(X²≥X²cal)<0,05
5. CC: Pr(X²≥6,0189)<0,05
0,1107>0,05 →SAHo
SAS- chi-square
6. Conclusión: con 95% de seguridad se concluye que las varianzas del exponencial de rendimiento de grano es la
misma en cada nivel de nitrógeno eso significa varianzas homogéneas.
Como se cumple la distribución normal de los datos y la homogeneidad de varianzas se puede analizar los datos
transformados.
Análisis de varianza:
1. Termino corrector (TC):
𝑇𝐶 =𝑌..
2
𝑛=
109,52752
17= 705,6631
2. Suma de cuadrados totales (SCT):
𝑆𝐶𝑇 = ∑ ∑𝑌𝑖𝑗2
𝑟𝑖
𝑗=1
− 𝑇𝐶 = (2,77322 + 2,27052 + ⋯+ 8,58492) − 705,6631 = 127,9562
𝑡=4
𝑖=1
3. Suma de cuadrados del factor nitrógeno (SCN):
𝑆𝐶𝑁 = (∑𝑌𝑖.
2
𝑟𝑖
𝑡=4
𝑖=1
) − 𝑇𝐶 = (10,10162
4+
28,47612
5+
26,29512
3+
44,6542
5) − 705,6631 = 111,3106
NO COPIA
R
![Page 75: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/75.jpg)
74 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 74
4. Suma de cuadrados de los residuales (SCRes):
𝑆𝐶𝑅𝑒𝑠 = 𝑆𝐶𝑇 − 𝑆𝐶𝑁 = 127,9562 − 111,3106 = 16,6456
Cuadro de ANVA:
Prueba de hipótesis para efectos principales: nitrógeno- factor cuantitativo.
Ho: μ0=μ40 =μ80 =μ120→ Quiere decir que el rendimiento de grano de la variedad X de cebada es el mismo con cada
nivel de nitrógeno.
Ha: Significa que el rendimiento de grano de la variedad X de cebada es diferente con al menos un nivel de nitrógeno.
NS: α= 0,05
EP: CMN
CMRes~F(α=0,05,3,Res=13)
RR: Pr(F≥Fcal)<0,05→SRHo o Fcal>Ftablas→ SRHo
CC: Pr(F≥28,98)<0,05→SRHo
0,0001<0,05→SRHo
Conclusión: Con 95% de seguridad se puede afirmar que el rendimiento de grano de la variedad X de cebada es
diferente con al menos un nivel de nitrógeno. ¿Cuál nivel de nitrógeno?
Factor nitrógeno es cuantitativo entonces corresponde RL y RC.
Como se observa en la gráfica aumenta linealmente y disminuye cuadráticamente.
FV GL SC CM Fcal Pr>F
Nitrogeno t-1=4-1=3 111,3106 37,1035 28,98 <0,0001
Residuales 13 16,6456 1,2804
Total n-1=16 127,9562
NO COPIA
R
![Page 76: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/76.jpg)
75 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 75
Prueba de hipótesis para efecto lineal 4:
Ho: C= (-3) μ0+ (-1) μ40+ (1) μ80+ (3) μ120=0→ Quiere decir que el rendimiento de grano de la variedad X de cebada no
se incrementa linealmente a medida que aumenta el nivel de nitrógeno.
Ha: C ≠ 0→ Significa que el rendimiento de grano de la variedad X de cebada se incrementa linealmente a medida que
aumenta el nivel de nitrógeno.
NS: α= 0,05
EP: CMc
CMRes~F(α=0,05,DF=1,Res=13)
RR: Pr(F≥Fcal)<0,05→SRHo o Fcal>Ftablas → SRHo
CC: Pr(F≥84,63)<0,05→SRHo
0,0001<0,05→SRHo
Conclusión: Con 95% de seguridad se concluye que el rendimiento de grano de la variedad X de cebada aumenta
linealmente a medida que se incrementa el nivel de nitrógeno.
Prueba de hipótesis para efecto cuadrático 4:
Ho: C= (1) μ0+ (-1) μ40+ (-1) μ80+ (1) μ120=0→ Quiere decir que el rendimiento de granos de la variedad X de cebada no
disminuye cuadráticamente a medida que se incrementa el nivel de nitrógeno.
Ha: C ≠ 0→ Significa que el rendimiento de grano de la variedad X de cebada disminuye cuadráticamente a medida que
se incrementa el nivel de nitrógeno.
NO COPIA
R
![Page 77: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/77.jpg)
76 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 76
NS: α= 0,05
EP: CMĉ/CMRes ~ F(α=0,05, DF=1, Res=13)
RR: Pr(F≥Fcal)<0,05→SRHo o Fcal>Ftablas → SRHo
CC: Pr(F≥7,17)<0,05→SRHo
0,019<0,05→SRHo
Conclusión: Con 95% de seguridad se concluye que el rendimiento de grano de la variedad X de cebada disminuye
cuadráticamente a medida que se incrementa el nivel de nitrógeno.
Para hallar el nivel óptimo se usa el siguiente modelo de ayuda:
𝒀𝒊 = 𝜷𝟎 + 𝜷𝟏𝑿𝒊 + 𝜷𝟐𝑿𝒊𝟐 + 𝜺𝒊
𝒍𝒊𝒏𝒆𝒂𝒍 𝒄𝒖𝒂𝒅𝒓𝒂𝒕𝒊𝒄𝒐
I= 1, 2, 3, 4 niveles de nitrógeno (0, 40, 80, 120 Kg/Ha).
Yi= Rendimiento de grano de la variedad X de cebada con el i-esimo nivel de nitrógeno.
Bo= Intercepto o media general ( rendimiento de grano sin la adición de nitrógeno).
Xi= Efecto fijo del i-esimo nivel de nitrógeno.
B1= Cambio lineal del rendimiento de grano por cada adición de 1Kg/Ha de nitrógeno.
𝛽1 =∆𝑌
∆𝑋=
𝑟𝑒𝑛𝑑𝑖𝑚𝑖𝑒𝑛𝑡𝑜
𝑛𝑖𝑡𝑟𝑜𝑔𝑒𝑛𝑜=
3
1
B2= Cambio cuadrático del rendimiento de grano por cada adición de 1Kg/Ha de nitrógeno.
𝒀�� = ��𝟎 + ��𝟏𝑿𝒊 + ��𝟐𝑿𝒊𝟐
𝒍𝒊𝒏𝒆𝒂𝒍 𝒄𝒖𝒂𝒅𝒓𝒂𝒕𝒊𝒄𝒐
𝜕𝑌𝑖
𝜕𝑋𝑖
= ��1 + 2��2𝑋𝑖 = 0
𝑋𝑖 = −𝛽1
2𝛽2
Xoptimo= Ymax= Rendimiento máximo
Del SAS obtenemos:
B1= Incremento lineal= 0,112039657
B2= Disminución cuadrática= -0,000469364
𝑋𝑖 = −��1
2��2
= −0,112039657
2𝑥(−0,000469364)= 119,35
El rendimiento de grano de la variedad X de cebada se maximiza con el uso de 119,35 Kg/Ha.
NO COPIA
R
![Page 78: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/78.jpg)
77 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 77
5. Programa SAS:
Programa con los datos tal cual:
options ls=76 ps=56;
data dca_stran;
input nitro y;
cards;
0 1.02
0 0.82
0 1.00
0 0.85
40 1.62
40 2.02
40 1.87
40 1.42
40 1.66
80 2.16
80 1.98
80 2.34
120 2.13
120 2.34
120 2.04
120 2.26
120 2.15
;
proc univariate data=dca_stran normal plot;
var y;
proc glm data=dca_stran;
class nitro;
model y=nitro/ss3;
means nitro/hovtest=bartlett;
run;
Resultado (Pr<W)≈0,0212<0,05→no sigue una distribución normal, hay que usar una transformación.
Pr(X²≥X²cal) <0,05→SRHo
Pr(X²≥36,354) <0,05→SRHo
O,4513>0,05→SAHo
Resultados del SAS:
The SAS System 1
14:17 Thursday, April 25, 2013
The UNIVARIATE Procedure
Variable: y
Moments
N 17 Sum Weights 17
Mean 1.74588235 Sum Observations 29.68
Std Deviation 0.53367896 Variance 0.28481324
Skewness -0.7165636 Kurtosis -0.9727085
Uncorrected SS 56.3748 Corrected SS 4.55701176
Coeff Variation 30.5678651 Std Error Mean 0.12943616
NO COPIA
R
![Page 79: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/79.jpg)
78 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 78
Basic Statistical Measures
Location Variability
Mean 1.745882 Std Deviation 0.53368
Median 1.980000 Variance 0.28481
Mode 2.340000 Range 1.52000
Interquartile Range 0.73000
Tests for Location: Mu0=0
Test -Statistic- -----p Value------
Student's t t 13.48837 Pr > |t| <.0001
Sign M 8.5 Pr >= |M| <.0001
Signed Rank S 76.5 Pr >= |S| <.0001
Tests for Normality
Test --Statistic--- -----p Value------
Shapiro-Wilk W 0.869055 Pr < W 0.0212 no sigue una DN no es mayor a 0.005 hay que transformar
Kolmogorov-Smirnov D 0.198967 Pr > D 0.0734
Cramer-von Mises W-Sq 0.13647 Pr > W-Sq 0.0335
Anderson-Darling A-Sq 0.846772 Pr > A-Sq 0.0234
Quantiles (Definition 5)
Quantile Estimate
100% Max 2.34
99% 2.34
95% 2.34
90% 2.34
75% Q3 2.15
50% Median 1.98
25% Q1 1.42
Programa transformado:
options ls=76 ps=56;
data dca_ctran;
input nitro y;
z=exp(y);
cards;
0 1.02
0 0.82
0 1.00
0 0.85
40 1.62
40 2.02
40 1.87
40 1.42
40 1.66
80 2.16
80 1.98
80 2.34
120 2.13
120 2.34
120 2.04
120 2.26
120 2.15
;
NO COPIA
R
![Page 80: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/80.jpg)
79 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 79
proc univariate data=dca_ctran normal plot;
var z;
proc glm data=dca_ctran;
class nitro;
model z=nitro/ss3;
contrast"nitro-lin" nitro -3 -1 1 3;
contrast"nitro-cua" nitro 1 -1 -1 1;
means nitro/hovtest=bartlett;
lsmeans nitro/out=medias;
proc glm data=medias;
model lsmean=nitro nitro*nitro/ss3;
run;
Resultados del SAS:
The SAS System 1
14:28 Thursday, April 25, 2013
The UNIVARIATE Procedure
Variable: z
Moments
N 17 Sum Weights 17
Mean 6.44279668 Sum Observations 109.527544
Std Deviation 2.82794319 Variance 7.99726271
Skewness -0.2314896 Kurtosis -1.3250256
Uncorrected SS 833.619897 Corrected SS 127.956203
Coeff Variation 43.8931001 Std Error Mean 0.68587697
Basic Statistical Measures
Location Variability
Mean 6.44280 Std Deviation 2.82794
Median 7.24274 Variance 7.99726
Mode 10.38124 Range 8.11074
Interquartile Range 4.44774
Tests for Location: Mu0=0
Test -Statistic- -----p Value------
Student's t t 9.393517 Pr > |t| <.0001
Sign M 8.5 Pr >= |M| <.0001
Signed Rank S 76.5 Pr >= |S| <.0001
Tests for Normality
Test --Statistic--- -----p Value------
Shapiro-Wilk W 0.918579 Pr < W 0.1397 cumple una DN es mayor a 0.005
Kolmogorov-Smirnov D 0.140774 Pr > D >0.1500
Cramer-von Mises W-Sq 0.065931 Pr > W-Sq >0.2500
Anderson-Darling A-Sq 0.456202 Pr > A-Sq 0.2391
NO COPIA
R
![Page 81: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/81.jpg)
80 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 80
Quantiles (Definition 5)
Quantile Estimate
100% Max 10.38124
99% 10.38124
95% 10.38124
90% 10.38124
75% Q3 8.58486
50% Median 7.24274
25% Q1 4.13712
The SAS System 2
14:28 Thursday, April 25, 2013
The UNIVARIATE Procedure
Variable: z
Quantiles (Definition 5)
Quantile Estimate
10% 2.33965
5% 2.27050
1% 2.27050
0% Min 2.27050
Extreme Observations
------Lowest----- ------Highest-----
Value Obs Value Obs
2.27050 2 8.58486 17
2.33965 4 8.67114 10
2.71828 3 9.58309 16
2.77319 1 10.38124 12
4.13712 8 10.38124 14
Stem Leaf # Boxplot
10 44 2 |
9 6 1 |
8 467 3 +-----+
7 257 3 *-----*
6 5 1 | + |
5 13 2 | |
4 1 1 +-----+
3 |
2 3378 4 |
----+----+----+----+
Normal Probability Plot
10.5+ *+++ *
| *++
| **+*+
| **+*++
6.5+ *++
| *+*+
| ++*
| ++++
2.5+ * ++* * *
+----+----+----+----+----+----+----+----+----+----+
-2 -1 0 +1 +2
NO COPIA
R
![Page 82: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/82.jpg)
81 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 81
The SAS System 3
14:28 Thursday, April 25, 2013
The GLM Procedure
Class Level Information
Class Levels Values
nitro 4 0 40 80 120
Number of Observations Read 17
Number of Observations Used 17
The SAS System 4
14:28 Thursday, April 25, 2013
The GLM Procedure
Dependent Variable: z
Sum of
Source DF Squares Mean Square F Value Pr > F
Model 3 111.3106115 37.1035372 28.98 <.0001
Error 13 16.6455918 1.2804301
Corrected Total 16 127.9562034
R-Square Coeff Var Root MSE z Mean
0.869912 17.56319 1.131561 6.442797
Source DF Type III SS Mean Square F Value Pr > F
nitro 3 111.3106115 37.1035372 28.98 <.0001
Contrast DF Contrast SS Mean Square F Value Pr > F
nitro-lin 1 108.3672304 108.3672304 84.63 <.0001
nitro-cua 1 9.1765366 9.1765366 7.17 0.0190
The SAS System 5
14:28 Thursday, April 25, 2013
The GLM Procedure
Bartlett's Test for Homogeneity of z Variance
Source DF Chi-Square Pr > ChiSq
nitro 3 6.0189 0.1107
The SAS System 6
14:28 Thursday, April 25, 2013
The GLM Procedure
Level of --------------z--------------
nitro N Mean Std Dev
0 4 2.52540582 0.25695912
40 5 5.69522859 1.32815921
80 3 8.76503907 1.57135247
120 5 8.93093203 1.05512833
NO COPIA
R
![Page 83: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/83.jpg)
82 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 82
The SAS System 7
14:28 Thursday, April 25, 2013
The GLM Procedure
Least Squares Means
nitro z LSMEAN
0 2.52540582
40 5.69522859
80 8.76503907
120 8.93093203
The SAS System 8
14:28 Thursday, April 25, 2013
The GLM Procedure
Number of Observations Read 4
Number of Observations Used 4
The SAS System 9
14:28 Thursday, April 25, 2013
The GLM Procedure
Dependent Variable: LSMEAN
Sum of
Source DF Squares Mean Square F Value Pr > F
Model 2 27.09005553 13.54502777 34.46 0.1196
Error 1 0.39309423 0.39309423
Corrected Total 3 27.48314976
R-Square Coeff Var Root MSE LSMEAN Mean
0.985697 9.676765 0.626972 6.479151
Source DF Type III SS Mean Square F Value Pr > F
nitro 1 8.19780223 8.19780223 20.85 0.1372
nitro*nitro 1 2.25589857 2.25589857 5.74 0.2517
Standard
Parameter Estimate Error t Value Pr > |t|
Intercept 2.385210559 0.61109698 3.90 0.1597
nitro 0.112039657 0.02453417 4.57 0.1372
nitro*nitro -0.000469364 0.00019593 -2.40 0.2517
NO COPIA
R
![Page 84: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/84.jpg)
83 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 83
6. Ejercicio propuesto.
Se lleva a cabo una investigación con el objetivo de determinar el nivel óptimo de pH que maximice el rendimiento de
extracto en un mosto congreso. Para este efecto se preparó mostos estériles de un litro a partir de una mezcla de 50%
de maíz desgerminado y 50% de centeno procesado los niveles de pH utilizado fueron 3; 3,5; 5; 6. Los mostos fueron
distribuidos bajo el DCA con distinto número de repeticiones luego de 48 horas de proceso se medió el rendimiento en
extracto los resultados obtenidos fueron los siguientes:
a) Pruebe la normalidad de los datos de la variable de respuesta y la homogeneidad de varianzas.
b) Plantee el modelo utilizado en este experimento y pruebe las hipótesis necesarias para alcanzar los objetivos de la
investigación.
3 3,5 5 6
0 12 80 40
2 8 45 36
1 10 72 40
1 17 43 37
0 15 . 22
NO COPIA
R
![Page 85: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/85.jpg)
84 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 84
M7. Diseño factorial 2n:
Donde n= Numero de factores y 2= Niveles del factor.
23= 8 experimentos
24= 16 experimentos
25= 32 experimentos
Un diseño factorial general:
Como se observa en los dos ejemplos el diseño factorial 23 es el más barato y con los mismos resultados.
Factores: los dos se obtuvieron en una planta piloto de un proceso simplificado para la obtención de un producto
químico ordinario, la matriz del diseño se presenta con los niveles codificados es decir (-) representa al nivel bajo de
factor y (+) al nivel alto del factor.
Temperatura (T): Factor cuantitativo (˚C)
Concentración ©: Factor cuantitativo (%)
Catalizador (K): Factor cualitativo
Variable de respuesta = Rendimiento (Gr).
1. Matriz del diseño 2³= 8ee
Codificado (usar signos):
2K-1→K= Numero de columnas
21-1=20=1→una vez (-) y una vez (+)
22-1=21=2
23-1=22=4→cuatro veces (-) y cuatro veces (+)
A B C
niveles 2X 3X 5= 30 experimentos elementalesX1000Bs=30,000Bs para hacer
mas caro
2³
A B C
niveles 2 X 2 X 2= 8 experimentos elementalesX1000Bs= 8000Bs para hacer
mas barato+ - + - + -
160˚C 180˚C 20% 40% A B
- + - + - +
Nivel Bajo Alto Bajo Alto Bajo Alto
T C K
NO COPIA
R
![Page 86: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/86.jpg)
85 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 85
Los números rojos indican el orden aleatorio para evitar un error experimental grande.
2. Matriz del diseño 2³= 8ee
No codificado:
Calculo de efectos principales: Tablas (*)
Por efecto de un factor se entiende como el cambio de la variable de respuesta al ir del nivel bajo al nivel alto del
factor.
T C K rend(gr)
20=1 2
1=2 2²=4 Y
1(6) - - - 60=Y1
2(4) + - - 72=Y2
3(2) - + - 54=Y3
4(5) + + - 68=Y4
5(7) - - + 52=Y5
6(1) + - + 83=Y6
7(8) - + + 45=Y7
8(3) + + + 80=Y8
ee
T C K rend(gr)
20=1 2
1=2 2²=4 Y
1(6) 160 20 A 60=Y1
2(4) 180 20 A 72=Y2
3(2) 160 40 A 54=Y3
4(5) 180 40 A 68=Y4
5(7) 160 20 B 52=Y5
6(1) 180 20 B 83=Y6
7(8) 160 40 B 45=Y7
8(3) 180 40 B 80=Y8
ee
Y7=45 35 Y8=80
-9 12
14
40 (+) Y3=54 Y4=68
-3
-7 -4
C (%) -6
Y5=52 31 Y6=83
(+)B
-8
11 K
12
20 (-) Y1=60 Y2=72 (-)A
T (˚C)
160 180
NO COPIA
R
![Page 87: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/87.jpg)
86 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 86
Medida individual del efecto de cambiar la T de 160 a 180 ˚C:
NO COPIA
R
![Page 88: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/88.jpg)
87 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 87
Efecto de las iteraciones:
Iteraccion de sus factores:
Interacción TxK:
Una medida de esta interacción la proporciona la diferencia entre el efecto medio de la temperatura con el catalizador
A (-) por convección a la mitad de esa diferencia se le llama interacción entre la temperatura y el catalizador (TxK).
Ver efectos principales en tabla (*):
Interacción TxC:
Interacción CxK:
T K
12 A
14 A
31 B
35 B
NO COPIA
R
![Page 89: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/89.jpg)
88 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 88
Interacción de los tres factores TxCxK:
En el experimento se dispone de dos medidas de la interacción TxC (una para cada catalizador, ver (*)).
Interacción TxC con el catalizador (+) B:
interacción TxC con el catalizador (-) A:
También se podría hacer con: Método de signos, Algoritmo de yates.
Interpretación de resultados:
Efectos calculados para el diseño 23:
Efectos principales:
Interacción de dos factores:
Interacción de tres factores:
(Y8-Y7)-(Y6-Y5)= (50-45)-(83-52)= 2
2 2
NO COPIA
R
![Page 90: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/90.jpg)
89 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 89
Si la estimación está cerca, será a una unidad( es decir debería ser 1,4 o -1,4) si no está lejos. Si está lejos tiene efecto,
si está cercano no tiene efecto (también si está dentro del rango).
Regla: Tiene prioridad las interacciones sobre los efectos principales para la interpretación de los efectos.
Por tanto nuestro resultado tiene efecto en la T, pero en la interacción también se encuentra T por lo que nos
olvidamos de T y solo tomamos en cuenta la interacción.
1. El efecto de la concentración C es disminuir el rendimiento en 5gr y esto sucede independientemente de los niveles
de las otras variables.
2. Los efectos de la temperatura T y catalizador K no se pueden interpretar separadamente debido a la existencia de
la interacción TxK por lo que se los interpreta conjuntamente en la siguiente gráfica.
La mejor concentración C seria 20% porque dice que si se va del nivel bajo al alto el rendimiento disminuirá en 5%.
NO COPIA
R
![Page 91: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/91.jpg)
90 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 90
Calculo de la desviación típica:
𝑆2 =∑𝑆𝑖
2
𝛾=
64
8= 8 𝑣𝑎𝑟(𝑒𝑓𝑒𝑐𝑡𝑜𝑠) =
4𝜎2
𝑁=
4𝑆2
𝑁=
4𝑥8
16= 2 𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖𝑜𝑛 𝑡𝑖𝑝𝑖𝑐𝑎 = √𝑣𝑎𝑟(𝑒𝑓𝑒𝑐𝑡𝑜) = √2 = 1,4
𝛾 = 𝑁 = 𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑜𝑠 𝑒𝑥𝑝𝑒𝑟𝑖𝑚𝑒𝑛𝑡𝑎𝑙𝑒𝑠
NO COPIA
R
![Page 92: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/92.jpg)
91 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 91
3. Método de los signos:
4. Algoritmo de yates:
5. Bloqueo:
Se usa un diseño factorial 23=8ee, para hacer ocho experimentos lo más homogéneamente posible.
Si en vez de contar ocho mezcladores solo se cuenta con cuatro mezcladores, significa que se tendrá que bloquear
cuatro mezcladores:
El diseño factorial 23 se divide en dos bloques de elementos experimentales para neutralizar el efecto de posibles
diferencias en la mezcla.
NO COPIA
R
![Page 93: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/93.jpg)
92 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 92
Los elementos marcados de color negro 1,4,6,7, fueron hechos en un primer bloque y los elementos experimentales
marcados de rojo 2,3,5,8, fueron hechos como un segundo bloque.
La división en bloques se consigue colocando todos los elementos experimentales en que 123 es negativo en un
bloque y todos en los que 123 es positivo en otro bloque.
Resultado: Se ha confundido de forma deliberada la interacción de tres factores con la diferencia de mezclas de dos
bloques, luego con este diseño no se puede estimar la interacción de tres factores porque normalmente se considera a
la interacción 123 poco importante.
A cambio el experimento en dos bloques garantiza que los efectos principales y las interacciones de dos factores son
medidos con mayor precisión que si no se hubieran bloqueado.
Bloqueo de un 23 en bloques de tamaño 2.
1. Introducir dos factores de bloqueo 4 y 5.
2. Asociar la interacción 123 con el factor del bloque 4 y el factor del bloque 5 con alguna interacción de 2 factores
por ejemplo:23 el resultado es 4=123, 5=23
ee 1 2 3 12 13 23 123 bloque 1 2 3 ee
1 - - - + + + - I - - - 1
2 + - - - - + + II + + - 4
3 - + - - + - + II bloque I + - + 6
4 + + - + - - - I - + + 7
5 - - + + - - + II + - - 2
6 + - + - + - - I - + - 3
7 - + + - - + - I bloque II - - + 5
8 + + + + + + + II + + + 8
NO COPIA
R
![Page 94: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/94.jpg)
93 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 93
Se asigna los elementos experimentales a los diferentes bloques de acuerdo a los signos de la variable 4 y 5.
6. Diseño factorial 24=16ee.
Ejemplo:
ee 1 2 3 4=123 5=23 BLOQUE 1 2 3 ee
1 - - - - + + + - 4
2 + - - + + + - + 6
3 - + - + - - + - 3
4 + + - - - - - + 5
5 - - + + - - - - 1
6 + - + - - - + + 7
7 - + + - + + - - 2
8 + + + + + + + + 8IV
I
II
III
EXPERIMENTOS DIVIDIDOS EN BLOQUES
4 5
a) Los que tienen - y - al primer bloque I
b) Los que tienen + y - al segundo bloque II
c) Los que tienen - y + al tercer bloque III
d) Los que tienen + y + al cuarto bloque IV
Variables
- +
1. Carga del catalizador (lbm) 10 15
2. Temperatura (°C) 220 240
3. Presion (Psi) 50 80
4. Concentracion (%) 10 12
ee 1 2 3 4 conversion (%)
1 - - - - 71
2 + - - - 61
3 - + - - 90
4 + + - - 82
5 - - + - 68
6 + - + - 61
7 - + + - 87
8 + + + - 80
9 - - - + 61
10 + - - + 50
11 - + - + 89
12 + + - + 83
13 - - + + 59
14 + - + + 51
15 - + + + 85
16 + + + + 78
Datos del procesoNO COPIA
R
![Page 95: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/95.jpg)
94 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 94
Calculo de la desviación típica utilizando interacciones de orden superior: Miden diferencias debidas principalmente al
error experimental.
ee I 1 2 3 4 12 13 14 23 24 34 123 124 134 234 1234 conversion (%)
1 + - - - - + + + + + + - - - - + 71
2 + + - - - - - - + + + + + + - - 61
3 + - + - - - + + - - + + + - + - 90
4 + + + - - + - - - - + - - + + + 82
5 + - - + - + - + - + - + - + + - 68
6 + + - + - - + - - + - - + - + + 61
7 + - + + - - - + + - - - + + - + 87
8 + + + + - + + - + - - + - - - - 80
9 + - - - + + + - + - - - + + + - 61
10 + + - - + - - + + - - + - - + + 50
11 + - + - + - + - - + - + - + - + 89
12 + + + - + + - + - + - - + - - - 83
13 + - - + + + - - - - + + + - - + 59
14 + + - + + - + + - - + - - + - - 51
15 + - + + + - - - + + + - - - + - 85
16 + + + + + + + + + + + + + + + + 78
16 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8
Signos para el calculo de los efectos del factorial 24
Efectos Efectos estimados ± desviacion tipica
Media 72,25
1 -8 ± 0,55
2 24 ± 0,55
3 -2,25 ± 0,55
4 -5,50 ± 0,55
12 1,0 ± 0,55
13 0,75 ± 0,55
14 0,0 ± 0,55
23 -1,25 ± 0,55
24 4,50 ± 0,55
34 -0,25 ± 0,55
123 -0,75 ± 0,55
124 0,50 ± 0,55
134 -0,25 ± 0,55
234 -0,75 ± 0,55
1234 -0,25 ± 0,55
Efectos estimados del diseño
efecto (efectos)²
1 123 -0,75 0,5625
2 124 0,5 0,25
3 134 -0,25 0,0625
4 234 -0,75 0,5625
5 1234 -0,25 0,0625
suma= 1,50grados de libertad γ=5
NO COPIA
R
![Page 96: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/96.jpg)
95 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 95
𝑣𝑎𝑟2𝑥(𝑒𝑓𝑒𝑐𝑡𝑜) =𝑠𝑢𝑚𝑎
𝛾=
1,5
5= 0,3 𝑆 = √𝑣𝑎𝑟2𝑥(𝑒𝑓𝑒𝑐𝑡𝑜) = √0,3 = ±0,5
𝑑𝑒𝑠𝑣𝑖𝑎𝑐𝑖𝑜𝑛 𝑡𝑖𝑝𝑖𝑐𝑎 𝑐𝑜𝑛 𝑟𝑒𝑝𝑙𝑖𝑐𝑎𝑠 = 𝑆2 =𝛾1𝑆1
2 + 𝛾2𝑆22 + ⋯ + 𝛾𝑞𝑆𝑞
2
𝛾1 + 𝛾2 + ⋯+ 𝛾𝑞
Interpretación de los resultados:
1. Un aumento de la carga del catalizador desde 10 a 15 lbm reduce el grado de conversión en un 8% y el efecto es
estable a todos los niveles de los otros factores ensayados: -8±0,55.
Ya que no existe interacción de la carga del catalizador con otras variables.
2. Puesto que hay interacción entre la temperatura (variable “) y la concentración (variable 4) los efectos se deben
considerar conjuntamente con el siguiente gráfico.
Nos da el SAS hay que hacer:
NO COPIA
R
![Page 97: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/97.jpg)
96 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 96
3. De el grafico se puede concluir que las altas temperaturas registran altas conversiones la interacción ocurre porque
a bajas temperaturas un aumento de la concentración hace que disminuya el grado de conversión mientras que a altas
temperaturas el efecto de concentración, no tiene un efecto apreciable.
4. Diagnostico o ecuación predictiva la da el SAS.
�� = 𝟕𝟐, 𝟐𝟓 + (−𝟖
𝟐) 𝑪𝑲 +
𝟐𝟒
𝟐𝑻 + (
−𝟓, 𝟓
𝟐)𝑪 +
𝟒, 𝟓
𝟐𝑻𝑪
Donde CK, T, C, TC, toman el valor de (-1) o (+1) de la matriz de datos (tablas).
Los coeficientes que aparecen en la ecuación son la mitad de los efectos calculados porque en un cambio de (-1) a
(+1) es un cambio de dos unidades en la dirección del eje X:
NO COPIA
R
![Page 98: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/98.jpg)
97 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 97
7. Programa SAS:
Vamos al SAS, luego hacemos click en los siguientes pasos:
Solutions
Analysis
Desing of experiments
Yes
Add
Cancel
Hacer click en un cubo
Definir variables
Add (3)
X1 click cambio a T
Low level 160
High level 180
Factor label temperature (°C) y asi hasta terminar las 3 variables
Cerrar
Aceptar los cambios si
Select desing
Full Factory
Cerrar
En Yi introducir todos los valores que son 8
Cerrar
Yes
Explore
Interaccion plot
Cubo plot
Cambiar X por C
Cambiar Y por K
Cambiar Z por T
Cerrar
Fit
Cerrar
Yes si es rojo good back
Elegir catalizador
Ok
Optimizer
Yes
Next
Cerrar
Numerical optimizer
Next
Next
Finish
Reports
NO COPIA
R
![Page 99: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/99.jpg)
98 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 98
Select todo
Text o html
Generacion de reportaje.
8. Resultados del SAS:
ADX Report for Untitled Experiment
Today's date: 25SEP1997
Experiment creation date: 25SEP1997
DESIGN DETAILS
Design type: Two-level
Design description: Full Factorial
Number of factors: 3
Number of runs: 8
Resolution: Full
FACTORS
Factors and Levels:
___________________________________________
Factor Label Low Center High
____________________________________________
T Temperatura(C) 160 170 180
C Concentracion(%)20 30 40
K Catalizador A 0 B
____________________________________________
RESPONSE
________
Response
________
Y1
________
CONFOUNDING RULES
No confounding rules
ALIAS STRUCTURE
No effects aliased
DESIGN POINTS (Coded)
___________________________
RUN T C K Y1
___________________________
1 -1 -1 -1 60
2 1 -1 -1 72
3 -1 1 -1 54
4 1 1 -1 68
5 -1 -1 1 52
6 1 -1 1 83
7 -1 1 1 45
8 1 1 1 80
___________________________
NO COPIA
R
![Page 100: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/100.jpg)
99 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 99
DESIGN POINTS (Uncoded)
___________________________
RUN T C K Y1
___________________________
1 160 20 A 60
2 180 20 A 72
3 160 40 A 54
4 180 40 A 68
5 160 20 B 52
6 180 20 B 83
7 160 40 B 45
8 180 40 B 80
___________________________
FIT DETAILS:
Y1 Check Assumptions Analysis
_______________________________________________________
Response Transformation
Optimal power from Box-Cox plot: Y1**2
Power recommended by ADX: Y1**2
Power applied for response transformation: Y1**2
Response Scaling Shift: 0
Outlier Observations
Outlier statistic: Poutlier
Outlier criterion: 0.05
Run numbers deleted from analysis: None
Influential Observations
Influential statistic: Dffits
Influential criterion: 2
Run numbers deleted from analysis: None
_______________________________________________________
ANOVA for Y1
____________________________________________________________________________________________________
Master Model Predictive Model
_____________________________________________ _____________________________________________
Source DF SS MS F Pr > F DF SS MS F Pr > F
____________________________________________________________________________________________________
T 1 17558738 17558738 32247.45 0.003545 1 17558738 17558738 3875.816 0.0001
C 1 727218 727218 1335.57 0.017416 1 727218 727218 160.522 0.001061
K 1 358704.5 358704.5 658.7778 0.024791 1 358704.5 358704.5 79.17839 0.002993
T*C 1 12324.5 12324.5 22.63453 0.131892
T*K 1 3468978 3468978 6370.942 0.007975 1 3468978 3468978 765.7225 0.000104
C*K 1 722 722 1.325987 0.455242
Model 6 22126685 3687781 6772.784 0.009301 4 22113639 5528410 1220.31 0.0001
Error 1 544.5 544.5 3 13591 4530.333
Total 7 22127230 7 22127230
____________________________________________________________________________________________________
NO COPIA
R
![Page 101: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/101.jpg)
100 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 100
Fit Statistics for Y1
____________________________________________
Master Model Predictive Model
____________________________________________
Mean 4292.75 4292.75
R-square 100.0% 99.94%
Adj. R-square 99.98% 99.86%
RMSE 23.33452 67.30775
CV 0.54358 1.56794
____________________________________________
Alias Structure for Y1
_________________________________________
Master Model Predictive Model
_________________________________________
No effects aliased. No effects aliased.
_________________________________________
Predictive Model for Y1
___________________________________________________________________
Coded Levels(-1,1):
Y1 = 4292.75 + 1481.5*T - 301.5*C + 211.75*K + 658.5*T*K
Uncoded Levels:
Y1 = -30971 + 214*T - 30.15*C + 21965.5*(K='A') - 131.7*T*(K='A')
___________________________________________________________________
Effect Estimates for Y1
__________________________________________________________________________________________________________
Master Model Predictive Model
___________________________________________ ___________________________________________
Term Estimate Std Err t Pr > |t| Estimate Std Err t Pr > |t|
__________________________________________________________________________________________________________
T 2963 16.5 179.5758 0.003545 2963 47.59377 62.25605 0.0001
C -603 16.5 -36.5455 0.017416 -603 47.59377 -12.6697 0.001061
K 423.5 16.5 25.66667 0.024791 423.5 47.59377 8.898224 0.002993
T*C 78.5 16.5 4.757576 0.131892
T*K 1317 16.5 79.81818 0.007975 1317 47.59377 27.67169 0.000104
C*K 19 16.5 1.151515 0.455242
__________________________________________________________________________________________________________
OPTIMIZATION
Factors:
____________________________________
Factor Label Setting
____________________________________
T Temperatura(C) 170
C Concentracion(%) 30
K Catalizador A
____________________________________
Response(s):
_______________________________________
Response Est. Value
_______________________________________
Y1 63.88271 [45.42071,82.3447]
_______________________________________
Desirability:
____________________________
Overall
54.85%
NO COPIA
R
![Page 102: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/102.jpg)
101 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 101
Y1
D(Y1) = 0 when Y1 < 20
D(Y1) = 0.5 when Y1 = 60
D(Y1) = 1 when Y1 > 100
Function power:
Lower half: 1
Upper half: 1
___________________________
9. Ejercicio propuesto.
En el siguiente experimento diseñado con el factorial completo 25 realizado para aumentar el rendimiento de un
proceso químico para la obtención de un producto, se tomaron en cuenta cinco factores estos son los siguientes:
Los resultados del rendimiento en gramos del producto son los siguientes:
a) Determinar todos los efectos y sus interacciones.
b) Calcular los efectos principales las interacciones y la desviación
Típica de los datos.
c) Interpretar los resultados obtenidos indicando que efectos son
significativos y de qué manera (SAS).
d) Calcular con tres replicas como se muestra en la tabla:
RENDIMIENTO Y(gr del producto)
15,6
13,5
16,3
17,1
26,8
25
30
28,9
15,4
12,7
15,3
15,9
20,3
21,3
27
24,1
28,9
29
33,7
33,6
47,4
44,2
52,6
46,2
27,8
29,5
30,1
29,6
35,9
36,4
40
38,6
NO COPIA
R
![Page 103: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/103.jpg)
102 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 102
M8. Diseño factorial fraccional a dos niveles.
Cuando n es grande en el diseño 2n se puede obtener la misma información realizando solo una fracción del diseño
factorial 2n.
Redundancia.
Considerando un diseño con K variables por ejemplo:
27= 128 experimentos elementales: permite calcular 128 estadísticos que estiman los siguientes efectos:
La importancia de los efectos principales tiende a ser mayor que el de dos factores que a su vez tiende a ser mayor que
el de 3 factores y así sucesivamente.
A partir de un cierto punto las interacciones de orden superior resultan insignificantes y pueden prescindirse de ellas,
luego existe redundancia en términos de exceso de interacciones o en exceso de variables. Los diseños fraccionales
explotan esta redundancia.
Media fracción de un diseño 25= 32 ee →(1/2)x25= 25-1= 16ee→R
NO COPIA
R
![Page 104: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/104.jpg)
103 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 103
123 45 12 345
- - + +
+ + - -
+ + - -
- - + +
+ + + +
- - - -
- - - -
+ + + +
- - + +
+ + - -
+ + - -
- - + +
+ + + +
- - - -
- - - -
+ + + +
1. Construcción y análisis de medias fracciones.
El diseño 25-1 se constituye de la siguiente manera:
1. Se escribe un diseño 24 completo para las cuatro variedades (1, 2, 3, 4).
2. Se escribe la columna de signos para la interacción 1234 y estos signos sirven para definir las cinco variables es
decir: 5=1234.
2. Análisis de la media fracción.
1. Con los 16ee estimados 16 efectos son:
Una media
Cinco efectos principales
Diez iteraciones de dos factores
2. Un efecto es no estimable cuando está confundido con otro efecto:
Numero signos par→ positivo (+)
Numero de signos impar→ negativo (-)
Así 123 está confundido con 45 y 12 está confundido con 345
Equivalentemente se dice que
123 y 45 son alias, así como también 12 y 345 son alias.
Si están confundidos entonces tienen el mismo efecto:
𝑙45 =1
8(−56 + 53 + 63 − 65 + 53 − 55 − 67 + 61 − 69 + 45 + 78 − 93 + 49 − 60 − 95 + 88) = −9,5
3. Patrón de confusión y efectos estimados del diseño 25-1:
1=2345 l1=1+2345 l1=-2,0
2=1345 l2=2+1345 l2=20,5
3=1245 l3=3+1245 l3=0,0
4=1235 l4=4+1235 l4=12,25
5=1234 l5=5+1234 l5=-6,25
12=345 l12=12+345 l12=1,5
13=245 l13=13+245 l13=0,5
14=235 l14=14+235 l14=-0,75
15=234 l15=15+234 l15=1,25
23=145 l23=23+145 l23=1,5
24=135 l24=24+135 l24=10,75
25=134 l25=25+134 l25=1,25
34=125 l34=34+125 l34=0,25
35=124 l35=35+124 l35=2,25
45=123 l45=45+123 l45=-9,5
I=12345
RELACION ENTRE
PARES DE COLUMNAS
PATRON DE
CONFUSIOESTIMACION
NO COPIA
R
![Page 105: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/105.jpg)
104 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 104
1x1=12=I
2x2=22=I
4x4=42=I
5x5=52=I
5x5=1234x5
52=12345
I=12345
I=123
1xI=1x123
1=12x23
1=I23
1=23
I=1234
1xI=1x1234
1=Ix234
Ix3=234x3
13=2324
13=2I4
13=24
I=12345
12=345
123=45
1=23
I= columna idéntica.
La multiplicación de los elementos de cualquier columna
por una columna de elementos idénticos o multiplicación
por si misma da una columna de signos (+) que se designa con la letra I:
4. Generador y relación de definición:
El diseño 25-1 se construye haciendo 5=1234,
A esta relación se lo llama generador del diseño
Pero más convenientemente se llama generador del diseño a I también se lo conoce como relación de definición:
5. Resolución de un diseño:
El diseño 25-1 es de resolución 5 porque de acuerdo al patrón de confusión se puede notar: l1=1+2345 y l2=12+345 de
manera que los efectos principales están confundidos con las iteraciones de cuatro factores de dos factores están
confundidos con la de tres factores
La resolución de un diseño se escribe como subíndice con un número romano: 2𝑣5−1
1. Un diseño de R=III,
No confunde los efectos principales entre sí,
Pero los confunde con la iteración de dos factores
2. Un diseño de R=IV,
No confunde los efectos principales
Con las iteraciones de dos factores,
Pero confunde las iteraciones de dos factores entre sí.
3. Un diseño de R=V,
no confunde los efectos principales
con las iteraciones de dos factores
porque faltarían dos pero confunde
las de dos factores con las de tres, etc.
No existe porque siempre tiene que estar las cinco variables porque además faltan 4 y 5.
NO COPIA
R
![Page 106: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/106.jpg)
105 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 105
En general la resolución está dada por el segundo miembro de:
𝐼 = ±123 → 𝑅 = 3 → 2𝐼𝐼𝐼3−1
𝐼 = ±1234 → 𝑅 = 4 → 2𝐼𝑉4−1
𝐼 = ±12345 → 𝑅 = 5 → 2𝑉5−1
Ejemplo:
Complemento diseño de Placket Burman:
NO COPIA
R
![Page 107: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/107.jpg)
106 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 106
6. Ejercicio propuesto:
Estimar los efectos del siguiente diseño factorial 25-1 que toma en cuenta los siguientes factores:
La variable de respuesta es expresada en velocidad de filtración (m3/min) y los resultados son los siguientes:
a) Determinar cuáles son los efectos significativos y elegir los niveles apropiados del experimento.
Y
14,8
14,5
18,1
19,4
18,4
15,7
27,3
28,2
16
15,1
18,9
22
19,8
18,9
29,9
27,4 NO COPIA
R
![Page 108: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/108.jpg)
107 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 107
M9. Diseño binomial (DB).
Estadístico de Wald, para datos pequeños:
Si la distribución es normal la varianza es constante:
Si la distribución no es normal las varianzas son diferentes:
El estadístico de Wald tiene una distribución X² con: 𝑾~𝑿𝒈𝒍𝟐
Función de ligamiento.
𝐹𝑢𝑛𝑐𝑖𝑜𝑛 𝑑𝑒 𝑙𝑖𝑔𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑜 𝑙𝑜𝑔𝑖𝑡 = 𝑙𝑜𝑔 =𝜋𝑖
1 − 𝜋𝑖 𝑑𝑜𝑛𝑑𝑒 𝜃𝑖 =
𝜋𝑖
1 − 𝜋𝑖=
𝑜𝑐𝑢𝑟𝑟𝑒 𝑒𝑙 𝑒𝑣𝑒𝑛𝑡𝑜
𝑛𝑜 𝑜𝑐𝑢𝑟𝑟𝑒 𝑒𝑙 𝑒𝑣𝑒𝑛𝑡𝑜
Se usa la función logit para la distribución binomial y multinomial en SAS se indica como: link= logit
Análisis de datos binarios.
Se presenta cuando la Yi tiene dos alternativas, ejemplo:
En cereales: germinados (%) no germinados (%)
En alimentos: gusta (%) no gusta (%)
En reacciones químicas: convertido (%) no convertido (%)
Donde la variable de respuesta:
𝒀𝒊~𝒃𝒊𝒏[𝒏𝒊𝝅𝒊, 𝒏𝒊𝝅𝒊(𝟏 − 𝝅𝒊)]
ni πi= media, ni= número de individuos.
NO COPIA
R
![Page 109: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/109.jpg)
108 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 108
πi= probabilidad de ocurrencia, ni πi (1-πi)= varianza.
La binomial pertenece a la distribución exponencial quiere decir que los análisis se pueden llevar a cabo bajo los
modelos lineales generales (glm).
Estos modelos se formulan considerando que la ocurrencia pertenece [0,1] y la probabilidad se expresa como una
función de X'iB donde X'i es la transpuesta de la matriz de datos y B el vector de parámetros a estimar, pueden tomar
valores de -∞ a +∞ cuando se realiza la siguiente transformación:
Transformación de logit:
El interés radica en calcular la probabilidad πi para probar las hipótesis utilizamos el estadístico de wald.
𝑙𝑜𝑔 =𝜋𝑖
1 − 𝜋𝑖= 𝑋𝑖
′
𝜋𝑖
1 − 𝜋𝑖= 𝑒𝑋𝑖
′𝐵
𝜋𝑖 = 𝑒𝑋𝑖′𝐵(1−𝜋𝑖)
𝜋𝑖 =𝑒𝑋𝑖
′𝐵
1 + 𝑒𝑋𝑖′𝐵
Estimación de prueba de hipótesis:
�� = (𝑿′𝑾𝑿)−𝟏𝑿′𝑾𝒁
Donde Z es la variable de respuesta W son las cargas o frecuencias (Weight).
El modelo estadístico es:
𝑛𝑖 = 𝑙𝑜𝑔 =𝜋𝑖
1 − 𝜋𝑖= 𝛽0 + 𝛽1𝑋𝑖
𝐹𝑢𝑛𝑐𝑖𝑜𝑛 𝑙𝑜𝑔𝑎𝑟𝑖𝑡𝑚𝑖𝑐𝑎 = 𝑅𝑒𝑔𝑟𝑒𝑠𝑖𝑜𝑛 𝑙𝑖𝑛𝑒𝑎𝑙
Donde Xi= el factor.
B1= el parameo.
Bo= el interceptor, en el SAS log es interpretado como Ln.
Los parámetros que tenemos que encontrar son Bo y B1 sobre la probabilidad de ocurrencia y no ocurrencia.
NO COPIA
R
![Page 110: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/110.jpg)
109 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 109
Ejemplo:
Una investigación desea determinar el efecto del consumo de alimentos con alto nivel de grasas atraves de la
medición de la presión sanguínea sobre la presencia de alguna enfermedad en el corazón en una población X de
mujeres para tal finalidad se escogieron aleatoriamente 1331 mujeres las cuales fueron evaluadas por su presión
sanguínea y la presencia o no de alguna enfermedad en el corazón. Los resultados fueron los siguientes:
¿Cuál es el efecto de la presión sobre alguna enfermedad en el corazón?
Modelo estadístico:
𝒍𝒐𝒈 =𝝅𝒊
𝟏 − 𝝅𝒊= 𝜷𝟎 + 𝜷𝟏𝑿𝒊
𝒏𝒊 = 𝜷𝟎 + 𝜷𝟏𝑿𝒊
Probabilidad π ϵ [0-1]
Log ϵ[-∞,+∞]
I= 1, 2,…, 1331 mujeres.
πi= probabilidad de que la i-esima mujer tenga alguna enfermedad en el corazón.
Bo= intercepto.
Xi= Presión sanguínea medida en la i-esima mujer.
B1= Cambio en el logit de la probabilidad de tener alguna enfermedad en el corazón debido al cambio en una unidad
de la presión sanguínea.
NO COPIA
R
![Page 111: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/111.jpg)
110 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 110
Diagrama de la regresión lineal:
Se trata de estimar B0 y B1, Ecuación que utiliza el SAS:
𝜷 = (𝜷𝟎
𝜷𝟏) (𝑿′𝑾𝑿)−𝟏𝑿′𝑾𝒁
Luego de ejecutar el programa SAS, nos entrega dos cuadros:
Parameter DF Estimate Standard Chi-Square
Pr>ChiSq Error
Bo Intercept 1 -6.0078 0.7591 -7.4955 -4.5200 62.64
<.0001
B1 presion 1 0.0240 0.0051 0.0140 0.0340 22.06
<.0001
Scale 0 1.0000 0.0000 1.0000 1.0000
Source Deviance DF Chi-Square Pr>ChiSq
Intercept 679.4729
presion 653.4571 1 21.02 <.0001
Wald 95%
confidence Limits
Analysis Of Parameter Estimates
NOTE: The scale parameter was held fixed.
LR Statistics For Type 1 Analysis
NO COPIA
R
![Page 112: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/112.jpg)
111 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 111
1. Prueba de hipótesis de efecto principal: Presión sanguínea.
Ho: B1= 0 → Quiere decir que la presión sanguínea no tienen efecto sobre la probabilidad de tener una enfermedad en
el corazón.
Ha: B1≠ 0 → Quiere decir que la presión sanguínea si tiene efecto sobre la probabilidad de tener alguna enfermedad en
el corazón.
NS: α= 0,01
EP: Wald ~ X21=gl
RR: Pr(X²≥X²cal)<0,01
CC: Pr(X²≥21,02)≡0,0001<0,01→SRHo
Conclusión: Con 99% de seguridad se puede afirmar que la presión sanguínea tiene efecto sobre la probabilidad de
tener alguna enfermedad en el corazón. ¿De qué manera tiene efecto?
B1= 0,0240 x 100= 2,4% → Es decir por cada incremento en una unidad de presión sanguínea la probabilidad de tener
alguna enfermedad en el corazón se incrementa en 2,4% sobre el 100%.
𝑎𝑝𝑙𝑖𝑐𝑎𝑛𝑑𝑜 𝑎𝑛𝑡𝑖𝑙𝑜𝑔𝑎𝑟𝑖𝑡𝑚𝑜 𝛽1 = 0,024 → 𝑒0,024 = 1,024
Logit es lineal:
𝑛𝑖 = 𝑙𝑜𝑔 =𝜋𝑖
1 − 𝜋𝑖= 𝛽0 + 𝛽1𝑋𝑖
Pero πi Vs presión no es lineal:
𝜋𝑖 =𝑒𝑋𝑖
′𝐵
1 + 𝑒𝑋𝑖′𝐵
𝑛𝑖 = 𝛽0 + 𝛽1𝑋𝑖 = −6,0078 + 0,024(117) = −3,1998
𝑒𝑛𝑖 = 𝑒−3,1998 = 0,04077
𝑛𝑖 = 𝑙𝑛 =𝜋𝑖
1 − 𝜋𝑖→ 𝜋𝑖 =
𝑒𝑛𝑖
1 + 𝑒𝑛𝑖=
0,04077
1 + 0,0407= 0,0392
NO COPIA
R
![Page 113: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/113.jpg)
112 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 112
2. Conclusión general: Se puede afirmar con un 99% que por cada incremento de 0,04077 unidades de presión
sanguínea la probabilidad de tener una enfermedad en el corazón se incrementa en 2,4%.
3. Programa SAS:
options ls=76 ps=56;
data bin_reg;
input presion resp ind;
n=1;
cards;
117 1 5
117 0 153
121.5 1 17
121.5 0 235
131.5 1 12
131.5 0 272
141.5 1 16
141.5 0 255
151.5 1 12
151.5 0 127
161.5 1 8
161.5 0 77
176.5 1 16
176.5 0 83
186 1 8
186 0 35
;
proc genmod data=bin_reg;
model resp/n=presion/dist=binomial link=logit wald type1;
weight ind;
run;
NO COPIA
R
![Page 114: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/114.jpg)
113 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 113
Resultados del SAS:
The SAS System 1 20:51 Wednesday, April 26, 2013 The GENMOD Procedure Model Information Data Set WORK.BIN_REG Distribution Binomial Link Function Logit Response Variable (Events) resp Response Variable (Trials) n Scale Weight Variable ind Number of Observations Read 16 Number of Observations Used 16 Sum of Weights 1331 Number of Events 8 Number of Trials 16 Criteria For Assessing Goodness Of Fit Criterion DF Value Value/DF Deviance 14 658.4571 47.0327 Scaled Deviance 14 658.4571 47.0327 Pearson Chi-Square 14 1344.2793 96.0199 Scaled Pearson X2 14 1344.2793 96.0199 Log Likelihood -329.2286 Algorithm converged. Analysis Of Parameter Estimates Standard Wald 95% Chi- Parameter DF Estimate Error Confidence Limits Square Pr > ChiSq Intercept 1 -6.0078 0.7591 -7.4955 -4.5200 62.64 <.0001 presion 1 0.0240 0.0051 0.0140 0.0340 22.06 <.0001 Scale 0 1.0000 0.0000 1.0000 1.0000 NOTE: The scale parameter was held fixed. LR Statistics For Type 1 Analysis Chi- Source Deviance DF Square Pr > ChiSq Intercept 679.4729 presion 658.4571 1 21.02 <.0001
NO COPIA
R
![Page 115: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/115.jpg)
114 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 114
4. Ejercicio propuesto.
Se considera que el daño causado por las larvas de una mosca (melanogramica spp) es una vía de ingreso del fusarium
en las raíces de la arveja para verificar esta teoría se tomaron aleatoriamente plantas de arveja en un campo donde se
conoce que existe fusarium y las moscas en cada una de ellas se determinó el número de larvas y la presencia o
ausencia de fusarium los resultados son los siguientes:
0=ausencia de fusarium, 1= presencia de fusarium.
a) Desarrolle el modelo estadístico y el programa SAS.
b) Realice los análisis necesarios a fin de lograr los objetivos del experimento.
N LARVAS FUSARIUM
1 9 0
2 13 0
3 6 0
4 8 0
5 10 0
6 4 0
7 14 0
8 8 0
9 11 0
10 7 0
11 9 0
12 7 0
13 5 0
14 14 0
15 13 1
16 16 1
17 10 1
18 12 1
19 11 1
20 14 1
21 15 1
22 18 1
23 7 1
24 16 1
25 9 1
26 9 1
27 11 1
28 13 1
29 15 1
30 13 1
31 10 1
32 11 1
33 6 1
34 17 1
35 14 1
36 19 1
37 9 1
38 11 1
39 14 1
40 10 1
41 16 1
42 10 1
43 16 1
44 14 1
45 13 1
46 13 1
47 9 1
48 15 1
49 10 1
50 11 1
51 12 1
52 4 1
53 14 1
54 20 1
NO COPIA
R
![Page 116: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/116.jpg)
115 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 115
M10. Diseño Multinomial-(DM).
Se trata de una regresión como el capítulo anterior con la diferencia de que esta regresión tiene más de un nivel del
factor.
Ejemplo:
Una investigación se realizó con la finalidad de determinar la línea de arveja más resistente a la contaminación
causada por fusarium para tal efecto siete líneas de arveja provenientes de un centro de investigación fueron
establecidas en macetas e inoculadas bajo invernadero durante el estado de floración se evaluó el grado de daño en
una escala de 1 a 3 donde:
1= Muy resistente, 2= Moderadamente resistente, 3= Susceptible.
Se obtuvieron los siguientes resultados:
1. Objetivo: Determinar la línea de arveja más resistente al fusarium.
2. Variable de respuesta: Severidad o grado de daño.
3. Unidad experimental: Una maceta.
4. Unidad de muestreo: Una maceta.
5. Modelo estadístico: Tomando como referencia la última categoría de severidad es decir la 3= susceptible,
planteamos la probabilidad de daño con una severidad determinada en cada una de las líneas de arveja como:
𝒍𝒐𝒈𝝅𝒊𝒋
𝝅𝒊𝟑= 𝒏𝒋 + 𝜶𝒊𝒋
i= 1, 2, .., 7 líneas de arvejas.
j= 1, 2, 3, niveles de severidad.
Πij = Es la probabilidad de que una planta de la i-esima línea de arveja tenga el j-esimo nivel de severidad. πi3 el tres
es la última categoría de referencia el último nivel.
nj= Media general de logit para el j-esimo nivel de severidad, se calcula 2j el ultimo sirve de referencia.
αij= Es el efecto fijo del j-esimo nivel de severidad sobre la i-esima línea de arveja, i= 6 niveles de arveja, j= 2 niveles de
severidad→6x2=12 seis líneas asociadas en dos niveles de severidad.
1 2 3
1 1 12 46
2 16 27 80
3 43 26 60
4 54 15 41
5 39 10 38
6 30 5 33
7 18 2 37
LINEA DE
ARVEJA
SEVERIDAD 0 GRADO DE DAÑO
NO COPIA
R
![Page 117: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/117.jpg)
116 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 116
Línea 1:
𝒍𝒐𝒈 =𝝅𝟏𝟏
𝝅𝟏𝟑
= 𝒏𝟏 + 𝜶𝟏𝟏
𝒍𝒐𝒈 =𝝅𝟏𝟐
𝝅𝟏𝟑
= 𝒏𝟐 + 𝜶𝟏𝟐
Línea 2:
𝒍𝒐𝒈 =𝝅𝟐𝟏
𝝅𝟐𝟑
= 𝒏𝟏 + 𝜶𝟐𝟏
𝒍𝒐𝒈 =𝝅𝟐𝟐
𝝅𝟐𝟑
= 𝒏𝟐 + 𝜶𝟐𝟐
.
.
.
Línea 6:
𝒍𝒐𝒈 =𝝅𝟔𝟏
𝝅𝟔𝟑
= 𝒏𝟏 + 𝜶𝟔𝟏
𝒍𝒐𝒈 =𝝅𝟔𝟐
𝝅𝟔𝟑
= 𝒏𝟐 + 𝜶𝟔𝟐
Para la línea 7:
Coeficientes para: 2-7
α1+α2+α3+α4+α5+α6+α7=0
α2-α7= α2 -(-α1-α2-α3-α4-α5-α6)
α2-α7= 1 α1+2α2+1α3+1α4+1α5+1α6
Coeficientes para: 4-7
α1+α2+α3+α4+α5+α6+α7=0
α4-α7= α4 -(-α1-α2-α3-α4-α5-α6)
α4-α7= 1 α1+1α2+1α3+2α4+1α5+1α6
NO COPIA
R
![Page 118: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/118.jpg)
117 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 117
La sentencia Weight: Se utiliza para introducir la variable que contiene las ponderaciones o pesos de las observaciones
la sintaxis es:
Weight nombre de la variable; Se usa para datos agrupados
6. Programa SAS:
options ls=76 ps=56;
data multi;
input linea sev frec;
cards;
1 1 1
1 2 12
1 3 46
2 1 16
2 2 27
2 3 80
3 1 43
3 2 26
3 3 60
4 1 54
4 2 15
4 3 41
5 1 39
5 2 10
5 3 38
6 1 30
6 2 5
6 3 33
7 1 18
7 2 2
7 3 37
;
proc catmod;
response logits;
model sev=linea/ml pred=prob;
contrast '4-5' linea 0 0 0 1 -1 0;
contrast '2-7' linea 1 2 1 1 1 1;
weight frec;
run;
Resultado del SAS:
The SAS System 1 22:13 Wednesday, April 26, 2013 The CATMOD Procedure Data Summary
Response sev Response Levels 3 Weight Variable frec Populations 7 Data Set MULTI Total Frequency 633 Frequency Missing 0 Observations 21
NO COPIA
R
![Page 119: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/119.jpg)
118 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 118
Population Profiles Sample linea Sample Size ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒffffffffffƒƒƒƒƒƒ 1 1 59 2 2 123 3 3 129 4 4 110 5 5 87 6 6 68 7 7 57 Response Profiles Response sev ƒƒƒƒƒƒƒƒƒƒffffffffƒƒƒƒƒ 1 1 2 2 3 3 Maximum Likelihood Analysis Maximum likelihood computations converged. Maximum Likelihood Analysis of Variance Source DF Chi-Square Pr > ChiSq ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒffffffffffƒƒƒ Intercept 2 109.14 <.0001 linea 12 61.49 <.0001 Likelihood Ratio 0 . .
The SAS System 2 22:13 Wednesday, April 26, 2013 The CATMOD Procedure Analysis of Maximum Likelihood Estimates Function Standard Chi- Parameter Number Estimate Error Square Pr > ChiSq ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒffffffffffffffffffffffƒƒƒƒ Intercept 1 -0.8980 0.1677 28.68 <.0001 2 -1.4874 0.1555 91.52 <.0001 linea 1 1 -2.9307 0.8705 11.33 0.0008 1 2 0.1436 0.3150 0.21 0.6484 2 1 -0.7115 0.2858 6.20 0.0128 2 2 0.4012 0.2440 2.70 0.1002 3 1 0.5648 0.2380 5.63 0.0176 3 2 0.6511 0.2521 6.67 0.0098 4 1 1.1734 0.2424 23.43 <.0001 4 2 0.4818 0.2987 2.60 0.1067 5 1 0.9239 0.2554 13.09 0.0003 5 2 0.1524 0.3382 0.20 0.6524 6 1 0.8026 0.2712 8.76 0.0031 6 2 -0.3997 0.4344 0.85 0.3575 Contrasts of Maximum Likelihood Estimates Contrast DF Chi-Square Pr > ChiSq ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒffffffffffffffƒƒƒ 4-5 2 0.86 0.6511 5-6 2 0.87 0.6488 2-7 2 12.46 0.0020
NO COPIA
R
![Page 120: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/120.jpg)
119 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 119
The SAS System 3 22:13 Wednesday, April 26, 2013 The CATMOD Procedure Maximum Likelihood Predicted Values for Response Functions ------Observed----- -----Predicted----- Function Standard Standard linea Number Function Error Function Error Residual ƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒfffffffffffffffffffffffffƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒffƒƒƒƒƒƒƒƒƒƒ 1 1 -3.82864 1.010811 -3.82864 1.010725 -1.51E-8 2 -1.34373 0.324149 -1.34373 0.324149 0 2 1 -1.60944 0.273861 -1.60944 0.273861 0 2 -1.08619 0.222569 -1.08619 0.222569 0 3 1 -0.33314 0.199806 -0.33314 0.199806 0 2 -0.83625 0.234794 -0.83625 0.234794 0 4 1 0.275412 0.207144 0.275412 0.207144 0 2 -1.00552 0.301756 -1.00552 0.301756 0 5 1 0.025975 0.22794 0.025975 0.22794 0 2 -1.335 0.355409 -1.335 0.355409 0 6 1 -0.09531 0.252262 -0.09531 0.252262 0 2 -1.88707 0.479899 -1.88707 0.479899 0 7 1 -0.72055 0.287372 -0.72055 0.287372 0 2 -2.91777 0.725966 -2.91777 0.725966 0
The SAS System 4 22:13 Wednesday, April 26, 2013 The CATMOD Procedure Maximum Likelihood Predicted Values for Probabilities -------Observed------- -------Predicted------ Standard Standard linea sev Probability Error Probability Error Residual ƒƒƒƒƒƒƒƒƒƒƒƒƒƒffffffffffffffffffffƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒƒ 1 1 0.0169 0.0168 0.0169 0.0168 -3E-10 2 0.2034 0.0524 0.2034 0.0524 0 3 0.7797 0.054 0.7797 0.054 2E-10 2 1 0.1301 0.0303 0.1301 0.0303 0 2 0.2195 0.0373 0.2195 0.0373 0 3 0.6504 0.043 0.6504 0.043 0 3 1 0.3333 0.0415 0.3333 0.0415 0 2 0.2016 0.0353 0.2016 0.0353 0 3 0.4651 0.0439 0.4651 0.0439 0 4 1 0.4909 0.0477 0.4909 0.0477 0 2 0.1364 0.0327 0.1364 0.0327 0 3 0.3727 0.0461 0.3727 0.0461 0 5 1 0.4483 0.0533 0.4483 0.0533 0 2 0.1149 0.0342 0.1149 0.0342 0 3 0.4368 0.0532 0.4368 0.0532 0 6 1 0.4412 0.0602 0.4412 0.0602 0 2 0.0735 0.0317 0.0735 0.0317 0 3 0.4853 0.0606 0.4853 0.0606 0 7 1 0.3158 0.0616 0.3158 0.0616 0 2 0.0351 0.0244 0.0351 0.0244 0 3 0.6491 0.0632 0.6491 0.0632 0
NO COPIA
R
![Page 121: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/121.jpg)
120 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 120
7. Prueba de hipótesis: Intercepto
Ho: n1=n2=n3→ Significa que el grado de severidad o daño causado por el fusarium es el mismo.
Ha: Significa que el grado de severidad o daño causado por el fusarium es diferente en al menos un nivel de severidad.
NS: α= 0,01
EP: Wald ~ X22=gl
RR: Pr(X2≥ X2cal)<0,01
CC: Pr(X2≥ 109,14)≡0,001<0,01→SRHo
Conclusión: Con 99% de seguridad se puede afirmar que la severidad es diferente en el menos un nivel.
8. Prueba de hipótesis: Línea de arvejas.
Ho: αij=0 para Ɏij→ Quiere decir la severidad es la misma para cualquier línea de arveja.
Ha: αij≠0→ Significa que al menos una línea de arveja tiene una severidad diferente.
NS: α= 0,01
EP: Wald ~ X212=gl
RR: Pr(X2≥ X2cal)<0,01
CC: Pr(X2≥ 61,49)≡0,001<0,01→SRHo
Conclusión: Con 99% de seguridad se puede afirmar que al menos una línea de arveja tiene una severidad diferente.
¿Cuál línea es diferente?
Para saber cuál línea es diferente se escogen los datos más altos y luego se realizan las comparaciones:
NO COPIA
R
![Page 122: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/122.jpg)
121 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 121
Comparación entre 4-5:
C=(0)α1+(0)α2+(0)α3+(1)α4+(-1)α5+(0)α6=0→0001-10 son los coeficientes para el contraste.
Hipótesis:
Ho: C=(0)α1+(0)α2+(0)α3+(1)α4+(-1)α5+(0)α6=0→ Significa que el grado de severidad o daño causado por el fusarium es
el mismo para las líneas 4 y 5.
Ha: Significa que el grado de severidad o daño causado por el fusarium es diferente para las líneas 4 y 5.
NS: α= 0,01
EP: Wald ~ X21=gl
RR: Pr(X2≥ X2cal)<0,01
CC: Pr(X2≥ 0,86)≡0,651<0,01→SAHo
Conclusión: Con 99% de seguridad se puede afirmar que la severidad es el mismo con las líneas 4 y 5.
Comparación entre 5-6:
C=(0)α1+(0)α2+(0)α3+(0)α4+(1)α5+(-1)α6=0→00001-1 son los coeficientes para el contraste.
Hipótesis:
Ho: C=(0)α1+(0)α2+(0)α3+(0)α4+(1)α5+(-1)α6=0→ Significa que el grado de severidad o daño causado por el fusarium es
el mismo para las líneas 5 y 6.
Ha: Significa que el grado de severidad o daño causado por el fusarium es diferente para las líneas 5 y 6.
NS: α= 0,01
EP: Wald ~ X21=gl
RR: Pr(X2≥ X2cal)<0,01
CC: Pr(X2≥ 0,87)≡0,651<0,01→SAHo
Conclusión: Con 99% de seguridad se puede afirmar que la severidad es el mismo con las líneas 5 y 6.
Conclusión final: α4=α5=α6→La línea elegida como resistente es la línea 4.
NO COPIA
R
![Page 123: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/123.jpg)
122 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 122
9. Ejercicio propuesto:
Una investigación tiene la finalidad de determinar la variedad de manzana de mejor preferencia por la población de la
zona de Valle grande para tal efecto fueron desarrolladas cinco variedades en un centro de investigación a la madurez
se entregó aleatoriamente a cada uno de cien pobladores un formulario con una sola pregunta que dice lo siguiente en
qué medida le gusta cada una de las variedades: NG= no gusta, GM= gusta medianamente, GMCH= gusta mucho,
luego cada uno evaluó cada variedad sobre las tres categorías de preferencia los resultados fueron los siguientes:
a) Indique el modelo estadístico y su significado.
b) Realice los análisis necesarios a fin de lograr los objetivos de la investigación.
VARIEDAD NG GM GMCH
1 23 65 12
2 78 15 7
3 2 7 91
4 4 82 14
5 2 12 86
NO COPIA
R
![Page 124: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/124.jpg)
123 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 123
M11. Regresión Múltiple (RM).
En forma de matrices y vectores:
[
𝑌1
𝑌2..𝑌𝑛
] =
[ 1 𝑋11 𝑋21 𝑋31 . 𝑋𝑝1
1 𝑋12 𝑋22 𝑋32 . 𝑋𝑝2..1
.
.𝑋1𝑛
.
.𝑋2𝑛
.
.𝑋3𝑛
.
.
.
.
.𝑋𝑝𝑛]
= [
𝛽0
𝛽1..𝛽𝑝
] + [
𝐸1
𝐸2..𝐸𝑛
]
𝑌 = 𝑋𝛽 + 𝐸
Donde los datos pueden ser:
Filas= Individuos (bosques, ríos, lagunas, etc.) o unidades experimentales (n).
Columnas= Indican las diferentes variables independientes (p variables independientes).
Y, B, E= Vectores y X= Matriz.
Varianza y covarianza:
Donde ∑= matriz de varianzas y covarianzas.
∑ =
[ 𝑆1
2 𝑆12 𝑆13 . 𝑆1𝑝
𝑆21 𝑆22 𝑆23 . 𝑆2𝑝
.
.𝑆𝑝1
.
.𝑆𝑝2
. . .
. . .
𝑆𝑝3 . 𝑆𝑝2]
=𝑓𝑢𝑒𝑟𝑎 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙 𝑐𝑜𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎𝑠𝑑𝑒𝑛𝑡𝑟𝑜 𝑑𝑒 𝑙𝑎 𝑑𝑖𝑎𝑔𝑜𝑛𝑎𝑙 𝑣𝑎𝑟𝑖𝑎𝑛𝑧𝑎𝑠
Varianza:
𝑆12 = ∑
(𝑋𝑖1 − ��1)2
𝑛 − 1
𝑛
𝑖=1
Covarianza:
𝑆12 = ∑(𝑋𝑖1 − ��1)(𝑋𝑖2 − ��2)
𝑛 − 1
𝑛
𝑖=1
La covarianza entre dos variables mide la relación entre una y otra variable.
Modelo estadístico:
𝑅𝑒𝑔𝑟𝑒𝑠𝑖𝑜𝑛 𝑆𝑖𝑚𝑝𝑙𝑒 𝑌𝑖 = 𝛽0 + 𝛽1𝑋𝑖 + 𝐸𝑖 𝑅𝑒𝑔𝑟𝑒𝑠𝑖𝑜𝑛 𝑀𝑢𝑙𝑡𝑖𝑝𝑙𝑒 𝑌𝑖𝑗 = 𝛽0 + 𝛽1𝑋𝑖1 + 𝛽2𝑋𝑖2 + 𝛽𝑝𝑋𝑖𝑝 + 𝐸𝑖𝑗
Dónde:
I= 1,2,.., n unidades experimentales.
J= 1,2,…, p variables o factores.
NO COPIA
R
![Page 125: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/125.jpg)
124 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 124
Yij= Es el vector de valores observados en la variable de respuesta.
Bo= Intercepto o media general.
Bj= Efecto sobre la variable de respuesta Y por cada cambio en una unidad de la j-esima variable X con: j=1,2,.., p
variables o factores:
𝛽𝑗 =∆𝑌
∆𝑋
Xij= Vector de valores de la j-esima variable independiente o valores observados de una variable independiente en la
i-esima unidad experimental con: i= 1,2,..,n.
Eij= Efecto aleatorio de los residuales, con Eij≈NIID(0,σe2).
Por tanto la finalidad de la regresión múltiple es estimar e interpretar los parámetros Bj.
Pruebas de hipótesis:
Las hipótesis acerca de los parámetros en el modelo se pueden probar mediante pruebas de F en un análisis de
varianza.
Las hipótesis más comunes para probar son:
1. Que los efectos de las variables independientes Xij sobre la variable dependiente o variable de respuesta Y son
todas iguales a cero:
Ho: Bo=B1=B2=..Bp=0→ Significa que el efecto de las variables independientes X sobre Y es cero.
𝛽 =∆𝑌
∆𝑋= 0
Ha: Al menos el efecto de una variable independiente X sobre Y es diferente de cero.
𝛽 =∆𝑌
∆𝑋≠ 0
2. Cuando la hipótesis nula en el punto 1 es rechazada se desea probar cuales de los efectos son significativos F
parciales, es decir se realiza prueba de hipótesis para cada parámetro:
Ho: B1=0 contra Ha: B1≠0.
Ho: B2/B1=0 contra Ha: B1/B2≠0.
Ho: B3/B2/B1=0 contra Ha: B3/B2/B1≠0.
.
.
Ho: Bp/Bp-1/…./B1=0 contra Ha: Bp/Bp-1/…./B1≠0.
NO COPIA
R
![Page 126: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/126.jpg)
125 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 125
3. Cada hipótesis se prueba con el estadístico de prueba F:
𝐶𝑀𝑋.𝑗
𝐶𝑀𝑒 = 𝐹𝑗,(𝑛−𝑝)
N parámetros = n variables +1
Selección del mejor modelo de regresión:
En el SAS: R2, Ra2, C son métodos.
Inicialmente pueden existir muchas variables independientes las cuales explicaran adecuadamente los datos de una
variable de respuesta, sin embargo algunas de ellas posiblemente no contribuyen significativamente sobre la precisión
de la estimación.
a) Lo que se desea es un modelo más simple y que explique mejor los datos de la variable de respuesta.
b) Las pruebas estadísticas sobre Bi no son suficientes para determinar el uso de una variable, para fines de
predicción por tanto son necesarios otros criterios diferentes a las pruebas de significancia para seleccionar el mejor
modelo de regresión:
1. Hallar R2 se lo conoce como el coeficiente de determinación su valor significa el porcentaje de la varianza de la
variable de respuesta Y explicada por un modelo particular, ejemplo:
Y=Bo+B1X1→ Donde R²=0,47 significa que la varianza de Y es explicada por el modelo solo en un 47%.
Con otro modelo Y= Bo+B1X1+B2X2 → Donde R²= 0,87 significa que el modelo con las variables X1 y X2 explica el 87%
de la varianza de Y por tanto este es el mejor modelo, ordenar de menor a mayor los R².
2. Uso del estadístico CP: elegir el modelo con el valor de cp lo más próximo al número de parámetros y con cp lo más
bajo posible: Cp≈P↓ y R²↑ Ejemplo:
Sabiendo que:
X1 y X2 97,9%
X1 y X4 97,2%
Se observa que el modelo 12(X1,X2) tiene el valor de cp más bajo 2,7 y próximo al número de parámetros que es
Cp= p → 2,7≈3, es decir 3 parámetros Bo, B1, B, 2 variables X1 y X2.
SUBINDICES DE LA
VARIABLES DEL MODELO VALORES DE CP P
443,2 1
1; 2; 3; 4 202,5; 142,5; 15,2; 38,7 2
12; 13; 14 2,7; 198,1; 5,5 3
23; 24; 34 62,4; 138,2; 22,4 3
123; 124; 134; 234 3; 3; 3,5; 7,3 4
1234 5 5
NO COPIA
R
![Page 127: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/127.jpg)
126 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 126
En cambio 14 (X1,X4)→ Cp≠p 5,5≠3
Más simple tiene 2 variables (X1,X2)…. Cp=p con R² lo más alto posible 97,9%.
12= Yij= Bo+B1X1+B2X2+E
1234= Yij= Bo+B1X1+B2X2+B3X3+B4X4+E
Ejemplo:
Chaoborus es un insecto muy parecido al mosquito sin embargo no chupa sangre su vida larval pasa generalmente en
las profundidades de las aguas para aprender acerca del efecto de ciertas características ambientales en la vida larval
un grupo de investigadores recolectaron información de treinta muestras aleatorias en un lago las variables medidas
fueron las siguientes:
35 8,4 8 1
9 3,5 6,2 6,5
20 6,5 6,5 7,5
28 12,4 6,4 4
29 5,8 6,1 3
18 6 7,3 4,5
32 9 6,5 2,5
25 4,3 7,8 3,3
39 11,6 4,9 1,2
22 2,9 7,4 1,3
6 5,8 7,7 10,3
12 6 5,1 6,8
19 4,4 7,1 3,2
20 3 5,3 6,2
24 9,3 7,6 5,2
10 2 6,5 8,5
30 10,4 5 1,5
23 6,2 7,3 4,5
8 7 6 10
4 3 5,4 11
14 5,5 6,6 5,5
6 1,1 5,8 7
19 9,7 6,7 9,1
2 2,6 6,6 13,1
26 3,4 6,6 3
27 3,6 6,2 1,3
23 8 5,1 5,3
29 8,7 6,5 4,4
36 12,9 6,8 2,2
26 11 5,6 2,2
Numero de
larvas
Profundidad
(m)
Conductividad
(μmHo/m)
Oxigeno disuelto
(mg/L)
NO COPIA
R
![Page 128: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/128.jpg)
127 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 127
X1= La profundidad del lago al punto de muestreo (m).
X2= La conductividad del agua medida en la muestra de agua obtenida en la base del punto de muestreo (μmHo/dm).
X3= Oxígeno disuelto (mg/L) en el agua obtenida de la base del lago en el punto de muestreo.
Y= El número de larvas encontradas en el sedimento en aproximadamente 225cm² en la base del lago al punto de
muestreo.
¿Cuál de los factores condicionan mejor la sobrevivencia de las larvas de Chaoborus?
Programa SAS:
Options ls=90 ps=1000;
Data rm;
Input nlarvas prof cond od;
Cards;
35 8.4 8 1
9 3.5 6.2 6.5
20 6.5 6.5 7.5
28 12.4 6.4 4
29 5.8 6.1 3
18 6 7.3 4.5
32 9 6.5 2.5
25 4.3 7.8 3.3
39 11.6 4.9 1.2
22 2.9 7.4 1.3
6 5.8 7.7 10.3
12 6 5.1 6.8
19 4.4 7.1 3.2
20 3 5.3 6.2
24 9.3 7.6 5.2
10 2 6.5 8.5
30 10.4 5 1.5
23 6.2 7.3 4.5
8 7 6 10
4 3 5.4 11
14 5.5 6.6 5.5
6 1.1 5.8 7
19 9.7 6.7 9.1
2 2.6 6.6 13.1
26 3.4 6.6 3
27 3.6 6.2 1.3
23 8 5.1 5.3
29 8.7 6.5 4.4
36 12.9 6.8 2.2
26 11 5.6 2.2
;
Proc reg;
Model nlarvas=prof cond od/selection=maxr;
Run;
NO COPIA
R
![Page 129: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/129.jpg)
128 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 128
Resultados del SAS:
The SAS System 07:51 Thursday, April 27, 2013 1 The REG Procedure Model: MODEL1 Dependent Variable: nlarvas Number of Observations Read 30 Number of Observations Used 30 Maximum R-Square Improvement: Step 1 Variable od Entered: R-Square = 0.7483 and C(p) = 26.5960 Analysis of Variance Sum of Mean Source DF Squares Square F Value Pr > F Model 1 2188.33712 2188.33712 83.26 <.0001 Error 28 735.96288 26.28439 Corrected Total 29 2924.30000
Parameter Standard Variable Estimate Error Type II SS F Value Pr > F Intercept 34.47083 1.77592 9902.74206 376.75 <.0001 od -2.66360 0.29192 2188.33712 83.26 <.0001 Bounds on condition number: 1, 1 ------------------------------------------------------------------------------------------ The above model is the best 1-variable model found. Maximum R-Square Improvement: Step 2 Variable prof Entered: R-Square = 0.8748 and C(p) = 2.1571 Analysis of Variance Sum of Mean Source DF Squares Square F Value Pr > F Model 2 2558.29005 1279.14502 94.36 <.0001 Error 27 366.00995 13.55592 Corrected Total 29 2924.30000
Parameter Standard Variable Estimate Error Type II SS F Value Pr > F Intercept 24.44464 2.30435 1525.45450 112.53 <.0001 prof 1.17981 0.22584 369.95293 27.29 <.0001 od -2.20001 0.22765 1266.02347 93.39 <.0001 Bounds on condition number: 1.1792, 4.7167 ------------------------------------------------------------------------------------------ The above model is the best 2-variable model found. Maximum R-Square Improvement: Step 3 Variable cond Entered: R-Square = 0.8756 and C(p) = 4.0000 Analysis of Variance Sum of Mean Source DF Squares Square F Value Pr > F Model 3 2560.48810 853.49603 61.00 <.0001 Error 26 363.81190 13.99277 Corrected Total 29 2924.30000
NO COPIA
R
![Page 130: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/130.jpg)
129 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 129
Parameter Standard Variable Estimate Error Type II SS F Value Pr > F Intercept 22.28153 5.93868 196.97637 14.08 0.0009 prof 1.19140 0.23131 371.22414 26.53 <.0001 cond 0.31722 0.80038 2.19805 0.16 0.6951 od -2.19004 0.23265 1239.91092 88.61 <.0001 Bounds on condition number: 1.1984, 10.236 ------------------------------------------------------------------------------------------ The above model is the best 3-variable model found. No further improvement in R-Square is possible.
Modelo estadístico:
𝒀𝒊𝒋 = 𝜷𝟎 + 𝜷𝟏𝑿𝒊𝟏 + 𝜷𝟐𝑿𝒊𝟐 + 𝜷𝟑𝑿𝒊𝟑 + 𝜺𝒊𝒋
i= 1,2,..,30 unidades de muestreo. j= 1, 2,3, variables independientes (prof, cond, od) por separados sus mediciones son independientes. Yij= Numero de larvas encontradas en el i-esimo punto de muestreo con el efecto de la j-esima variable. Bo= Media general o intercepto. X1i= Profundidad del lago (m) en la i-esima unidad de muestreo. B1= Cambio en el número de larvas encontradas por cada metro de incremento en la profundidad del lago. X2i= Conductividad del agua (μmHo/dm) en la i-esima unidad de muestreo. B2= Cambio en el número de larvas encontradas por cada (μmHo/dm) de incremento en la conductividad del agua. X3i= Oxígeno disuelto (mg/l) en la i-esima unidad de muestreo. B3= Cambio en el número de larvas encontradas por cada (mg/l) de incremento en el nivel de oxígeno disuelto Eij= Efecto aleatorio de los residuales con: Eij≈NIID (0,σe
2).
De la salida del SAS: 1. Hallar R² y ordenarlo de menor a mayor. 2. Hallar cp≈p, lo más bajo posible. 3. Criterio del modelo más simple.
Resultados: 1. Comparación del R²,cp,p de cada posible modelo de regresión:
Step Modelo R² Cp P
1 X₃ 0,7483 26,5960 2
2 X₁X₃ 0,8748 2,1571 3
3 X₁X₂X₃ 0,8756 4,0000 4
En base a criterios el modelo más simple es el segundo que corresponde al paso dos (step=2) con cp≈3↓ y R²=0,8738↑, cada modelo tiene su propio cuadro de anva entonces escogemos el segundo. 2. ANVA del Step=2:
FV GL SC CM Fcal Pr>F
Model 2 2558,29005 1279,14502 94,36 <0,0001
Error 27 366,00995 13,55592
Corrected Total 29 2924,30000
NO COPIA
R
![Page 131: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/131.jpg)
130 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 130
Prueba de hipótesis: Ho: B=0→Significa que los factores Xji no tienen efecto sobre el número de larvas encontradas. Ha: B≠0→Significa que al menos uno de los factores tiene efecto sobre el número de larvas encontradas. NS: α=0,05 EP: CMReg/CMRes≈F2,27
RR: Pr(F≥Fcal)<0,05→SRHo
CC: Pr(F≥94,36)≈0,0001<0,05→SRHo
Conclusión: Con 95% de seguridad se puede concluir que al menos uno de los factores tiene efecto sobre el número de larvas encontradas. ¿Cuál de los factores? 3. ANVA de las variables utilizadas por el modelo escogido Step=2:
FV GL SC CM Fcal Pr>F
X₁=Prof 1 369,95293 369,95293 27,29 <0,0001
X₃=Od 1 1266,02347 1266,02347 93,39 <0,0001
4. Estimadores de variación de cada parámetro utilizado por el modelo del SAS:
Variable Parameter Estimate
β₁ 1,17981
β₃ -2,20001
B1=n de larvas/m de profundidad=∆Y/∆X. Prueba de hipótesis: Para B1. Ho: B1=0→Significa que la profundidad a la cual se toma la muestra no tiene efecto sobre el número de larvas encontradas. Ha: B1≠0→Significa que la profundidad a la cual se toma la muestra tiene efecto sobre el número de larvas encontradas. NS: α=0,05
NO COPIA
R
![Page 132: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/132.jpg)
131 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 131
EP: CMX1/CMRes≈F1,27
RR: Pr(F≥Fcal)<0,05→SRHo CC: Pr(F≥27,29)≈0,0001<0,05→SRHo Conclusión: Con 95% de seguridad se puede concluir que a la profundidad a la cual se toma la muestra tiene efecto sobre el número de larvas encontradas. ¿De qué manera tiene efecto? ∆Y/∆X1=B1= 1,1927→por cada 1m de incremento en la profundidad del lago el número de larvas encontradas aumenta en 1,1927 unidades. Prueba de hipótesis: Para B3. Ho: B3/B1=0→Significa que el efecto de la demanda de oxígeno disuelto X3 (sabiendo que la profundidad tiene efecto)no tiene efecto sobre el número de larvas encontradas. Ha: B3/B1≠0→Significa que el efecto de la demanda de oxigeno X3 (sabiendo que la profundidad tiene efecto) tiene efecto sobre el número de larvas. NS: α=0,05 EP: CMX3/CMRes≈F1,27
RR: Pr(F≥Fcal)<0,05→SRHo CC: Pr(F≥93,39)≈0,0001<0,05→SRHo Conclusión: Con 95% de seguridad se puede concluir que el oxígeno disuelto (sabiendo que la profundidad tiene efecto) tiene efecto sobre el número de larvas. ¿De qué manera tiene efecto?. B3=∆Y/∆X3=-2,20001, por cada 1(mg/l) de incremento en la demanda de oxigeno el número de larvas disminuye en 2,20001 unidades.
NO COPIA
R
![Page 133: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/133.jpg)
132 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 132
Conclusión general: Tanto la profundidad como la demanda de oxigeno tiene efecto sobre el número de larvas la profundidad tiene efecto (+) es decir a mayor profundidad es mayor el número de larvas, en cambio la demanda de oxígeno disuelto tiene efecto (-) a medida que aumenta la demanda de oxígeno disuelto el número de larvas disminuye, no se observa efecto d la conductividad de las aguas del lago sobre el número de larvas.
5. Ejercicio propuesto: Una investigación tiene la finalidad de determinar las características que mayor efecto tienen sobre la productividad de arveja (rend). Para tal efecto se evaluaron diferentes genotipos para las siguientes características: VAP= vainas por planta, VPN= vainas por nudo, ALPL= altura de planta, LVA= longitud de vaina, GVA= granos por vaina, OID= incidencia de oidiosis, FUS= incidencia de fusariosis, P100= pesos de 100 semillas, los datos fueron:
VAP VPN ALPL LVA GVA OID FUS P100 REND
13.7 1.415 125.0 6.60 4.2 1.0 2.0 23.0 1469.72
11.9 1.210 100.5 7.35 4.9 1.0 2.0 26.65 1384.58
19.1 1.255 124.0 5.65 4.7 0.5 1.0 23.25 1832.08
9.8 1.250 107.8 7.70 3.9 1.5 1.5 25.80 993.61
19.5 1.300 119.7 6.85 4.3 1.1 1.0 22.55 1697.08
16.0 1.305 109.6 6.30 4.2 3.0 1.0 19.25 1255.83
8.2 1.220 97.5 7.20 5.4 2.0 1.0 21.75 1371.81
14.2 1.115 102.5 7.15 5.1 0.5 1.0 29.25 1539.31
19.8 1.405 123.7 7.40 4.6 1.5 1.0 30.70 1763.19
11.8 1.190 94.9 6.20 6.1 0.5 1.0 20.0 1990.83
8.7 1.325 85.6 7.05 4.4 2.0 2.5 26.85 1000.56
6.2 1.025 83.9 7.10 4.9 1.0 2.0 23.40 736.25
12.1 1.170 72.6 5.95 4.7 3.5 1.5 12.65 806.39
9.1 1.310 97.9 6.50 4.2 0.5 2.0 27.15 1244.86
16.0 1.110 84.7 7.50 4.7 3.5 2.5 28.50 435.56
11.7 1.565 104.2 6.10 5.0 0 2.0 20.70 1667.08
22.1 1.470 106.7 6.25 5.9 1.5 1.5 15.75 2091.81
14.3 1.235 84.5 6.35 4.4 3.5 1.5 18.55 1427.64
8.2 1.330 85.0 6.55 4.8 3.0 2.0 14.40 452.50
8.1 1.080 93.2 7.20 6.0 2.5 3.0 20.55 871.94
13.1 1.285 103.0 6.85 5.4 2.0 1.5 20.30 1725.14
15.2 1.450 97.5 5.75 4.9 2.0 3.0 15.35 582.08
8.5 1.115 93.2 6.80 4.7 2.0 2.5 24.70 862.78
6.3 1.115 66.0 7.75 5.2 3.5 2.5 23.75 693.89
8.8 1.785 88.0 6.10 4.5 0 2.0 20.40 1163.06
8.0 1.355 91.9 7.05 4.9 1.0 2.0 19.45 1040.28
11.8 1.375 99.9 7.15 4.8 2.0 1.5 20.80 1112.08
8.0 1.175 78.4 6.85 3.5 3.5 3.0 24.05 678.33
12.7 1.110 89.7 6.95 4.5 1.0 1.0 23.80 1475.56
11.7 1.220 115.3 7.40 6.4 4.0 1.5 18.75 1380.14
8.1 1.235 107.1 7.05 4.3 3.0 2.0 26.90 581.53
9.0 1.330 111.5 6.75 4.5 3.5 1.0 22.90 1654.72
7.8 1.125 101.7 7.30 5.2 2.5 2.0 25.05 1314.17
20.7 1.305 140.0 6.70 4.1 1.0 1.0 25.15 2057.08
16.1 1.305 115.5 7.10 5.0 0 2.5 27.65 790.97
10.9 1.385 94.8 6.65 3.4 1.0 0.5 24.20 1454.44
16.6 1.330 106.5 6.50 3.7 3.5 1.5 24.15 1576.11
15.3 1.340 118.0 6.25 3.9 1.0 1.5 25.25 1404.31
16.1 1.575 131.8 5.80 3.8 1.0 1.0 26.60 2074.03
24.5 1.455 118.2 5.70 3.2 2.0 1.5 26.70 1387.36
15.7 1.480 120.5 6.15 5.4 1.0 1.0 20.65 1372.36
20.6 1.325 107.5 6.10 5.3 2.0 1.0 17.70 2155.83
NO COPIA
R
![Page 134: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/134.jpg)
133 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 133
M12. Diseño de bloques incompletos (DBI). Bloques: Tres tratamientos (A, B, C).
Se puede comparar efectos de los tratamientos del bloque 1 y el bloque 2 ( es decir todos los tratamientos son comparables).
No se pueden comparar los tratamientos del bloque 1 y el bloque 2 (son dos bloques y seis tratamientos).
Se pueden comparar los tratamientos que estén en el mismo bloque. Son comparables: 1. A-C 2. B-C 3. Atreves del tratamiento C se puede comparar:
(A-C)-(B-C)
Donde C es común a ambos es decir a A y B se pueden comparar todos los tratamientos de un bloque con otro bloque pero si los tratamientos son diferente no se puede comparar, excepto si hay uno común a un tercero si se pude realizar las comparaciones mientras más terceros hay más cera la comparación. Comparaciones de la misma importancia: Para comparar tratamientos con el mismo grado de precisión se usa:
𝜆 =𝑟(𝐾 − 1)
𝑡 − 1
λ= Número de veces que ocurre un par de tratamientos. r= Numero de repeticiones por tratamiento. K= Número de unidades experimentales por bloque. t= Numero de tratamientos.
BLQ1 BLQ2
A A
B B
C C
BLQ1 BLQ2
A D
B E
C F
BLQ1 BLQ2
A B
C C
NO COPIA
R
![Page 135: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/135.jpg)
134 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 134
Ejemplo 1: Se dispone de 24 unidades experimentales distribuidos en 4 bloques cada uno de 6 unidades experimentales este material se desea utilizar para evaluar 6 tratamientos A, B, C, D, E, F de tal manera que la precisión de las comparaciones entre pares de tratamientos sea la misma.
𝐾 =𝑛
𝑏𝑙𝑞=
24
6= 6
𝑢𝑒
𝑏𝑙𝑞 𝑟 =
𝑛
𝑡=
24
6= 4 𝑟𝑒𝑝𝑒𝑡𝑖𝑐𝑖𝑜𝑛𝑒𝑠 𝜆 =
𝑟(𝐾 − 1)
𝑡 − 1=
4(6 − 1)
6 − 1= 4 𝑐𝑎𝑑𝑎 𝑝𝑎𝑟 𝑑𝑒 𝑡𝑟𝑡𝑜𝑠 𝑜𝑐𝑢𝑟𝑟𝑒 4 𝑣𝑒𝑐𝑒𝑠
a) Cada par de tratamientos debe ocurrir 4 veces como se observa en la imagen. b) Estos tratamientos deben ser aleatorizados, en el cuadro anterior se ve quienes deben estar pero se debe aleatorizar.
Ejemplo 2: Se dispone de 30 unidades experimentales agrupados en 6 bloques cada uno de 5 unidades experimentales y este material se desea utilizar para evaluar los mismos 6 tratamientos A, B, C, D, E, F.
𝐾 =𝑛
𝑏𝑙𝑞=
30
6= 5
𝑢𝑒
𝑏𝑙𝑞 𝑟 =
𝑛
𝑡=
30
6= 5 𝑟𝑒𝑝𝑒𝑡𝑖𝑐𝑖𝑜𝑛𝑒𝑠 𝜆 =
𝑟(𝐾 − 1)
𝑡 − 1=
5(5 − 1)
6 − 1= 4 𝑜𝑐𝑢𝑟𝑟𝑒 𝑐𝑎𝑑𝑎 𝑝𝑎𝑟 𝑑𝑒 𝑡𝑟𝑡𝑜𝑠
Ejemplo 3: Se dispone de 30 unidades experimentales distribuidos en 10 bloques cada uno con 3 unidades experimentales para evaluar 6 tratamientos A, B, C, D, E, F, con la misma precisión.
𝐾 =𝑛
𝑏𝑙𝑞=
30
10= 3
𝑢𝑒
𝑏𝑙𝑞 𝑟 =
𝑛
𝑡=
30
6= 5 𝑟𝑒𝑝𝑒𝑡𝑖𝑐𝑖𝑜𝑛𝑒𝑠 𝜆 =
𝑟(𝐾 − 1)
𝑡 − 1=
5(3 − 1)
6 − 1= 2 𝑜𝑐𝑢𝑟𝑟𝑒 𝑐𝑎𝑑𝑎 𝑝𝑎𝑟 𝑑𝑒 𝑡𝑟𝑡𝑜𝑠
NO COPIA
R
![Page 136: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/136.jpg)
135 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 135
¿Cómo un par de tratamientos se compara con el mismo grado de precisión? El grado de precisión de un estimador lo mide el error estándar (ee) y este debe ser el mismo para cada par de tratamientos que garantiza que se ha evaluado con precisión: ee (Yi - Y'i), se usa el proc mixed para verificar si los ee son los mismos. Los DBI se caracterizan porque las comparaciones son con diferente precisión en los tratamientos. Cuando se tienen nuevas alternativas y se quiere comparar con un estándar para tener mayor precisión en las comparaciones de partes de los tratamientos la ocurrencia de estos tratamientos debe ser con mayor frecuencia que los tratamientos cuyas comparaciones se desea con menor precisión.
Ejemplo 4: Para evaluar 10 tratamientos se dispone de 10 unidades experimentales agrupadas en 3 bloques los dos primeros con 4 unidades y el tercero con 2 unidades además se desea que las nuevas comparaciones con el estándar sean con mayor precisión.
NO COPIA
R
![Page 137: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/137.jpg)
136 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 136
El segundo procedimiento es más preciso porque el grado de precisión se mide por la diferencia en el primero es de 4 a 3 (4-3=1) y en segundo es de 3 a 1 (3-1=2), luego el de mayor diferencia es más preciso. En el caso de contar con 100, 1000, unidades experimentales heterogéneas es decir los tratamientos no pueden ser comparados entonces se usan los diseños en LATICES que son casos especiales del DBI, se usan para comparar tratamientos en gran número. Latices cuadrados: Se utilizan cuando el número de tratamientos es tal que K es una raíz cuadrada exacta:
𝑡 = 16 → 𝐾√𝑡 = √16 = 4𝑢𝑒
𝑏𝑙𝑞
Latices rectangulares: Ocurre cuando forma un rectángulo:
Ejemplo 5: Un ingeniero químico piensa que el tiempo de reacción de un proceso químico es función del tipo de catalizador empleado para esto se investigan cuatro catalizadores el procedimiento experimental consiste en seleccionar un lote de materia prima (bloque) cargar al reactor y aplicar cada catalizador en una corriente para medir el tiempo de reacción debido a que las variaciones en la materia prima pueden afectar el desempeño de los catalizadores se decide utilizar lotes de materia prima como bloques sin embargo cada lote es apena lo suficientemente grande para permitir que se prueben tan solo tres catalizadores por lo cual debe usarse un diseño de bloques incompletos (DBI) aleatorizados los resultados del tiempo de reacción en minutos fueron los siguientes:
1. El modelo estadistico:
𝒀𝒊𝒋 = 𝝁 + 𝜷𝒊 + 𝑻𝒋 + 𝜺𝒊𝒋
i=1, 2, 3, 4, bloques.
j= 1, 2, 3, 4, tipos de catalizador o tratamientos.
Yij= Tiempo de reacción medido en minutos con el i-esimo bloque al aplicar el j-esimo tipo de catalizador.
μ= Media general de la variable de respuesta.
Bi= Efecto aleatorio del i-esimo bloque con Bi≈NIID(0,σb²).
Tj= Efecto fijo del j-esimo tipo de catalizador.
1 2 3 4 Yi.
1 73 74 . 71 218
2 . 75 67 72 214
3 73 75 68 . 216
4 75 . 72 75 222
Y.j 221 224 207 218 870=Y..
CATALIZADOR
TRATAMIENTO
BLOQUES (LOTES DE MATERIA PRIMA)
NO COPIA
R
![Page 138: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/138.jpg)
137 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 137
Eij= Efecto aleatorio de los residuales con: Eij≈NIID(0,σe²).
TC:
𝜆 =𝑟(𝐾 − 1)
𝑡 − 1
𝑇𝐶 =𝑌..
2
𝑁 𝑑𝑒 𝑡𝑟𝑡𝑜=
8702
12= 63075
SCT:
𝑆𝐶𝑇 = ∑ ∑𝑌𝑖𝑗2 − 𝑇𝐶 = (732 + 742 + ⋯+ 752) − 63075 = 81
4
𝑗=1
4
𝑖=1
SCBLq:
𝐾 =𝑛
𝑡=
12
3= 3
𝑢𝑒
𝑏𝑙𝑞
𝑆𝐶𝐵𝑙𝑞 =1
𝐾∑𝑌.𝑗
2 − 𝑇𝐶 =1
3(2212 + 2242 + 2072 + 2182) − 63075 = 55 ← 𝒔𝒊𝒏 𝒂𝒋𝒖𝒔𝒕𝒂𝒓 𝒑𝒐𝒓 𝒍𝒂 𝒎𝒆𝒅𝒊𝒂
𝑛𝑖𝑗 𝑝𝑢𝑒𝑑𝑒 𝑡𝑜𝑚𝑎𝑟 𝑒𝑙 𝑣𝑎𝑙𝑜𝑟 𝑑𝑒 0 = 𝐴𝑢𝑠𝑒𝑛𝑡𝑒 𝑜 1 = 𝑃𝑟𝑒𝑠𝑒𝑛𝑡𝑒
𝑄𝑗′ = 𝑌.𝑗 −
1
𝑟∑ 𝑛𝑖𝑗𝑌𝑖.
𝑛=4
𝑖=1
NO COPIA
R
![Page 139: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/139.jpg)
138 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 138
𝑆𝐶𝐵𝑙𝑞𝑎𝑗𝑢𝑠𝑡𝑎𝑑𝑜 𝑝𝑜𝑟 𝑒𝑙 𝑆𝐴𝑆 =𝑟 ∑ (𝑄𝑗
′)2𝑏=4
𝑗=1
𝜆𝑥𝑏𝑙𝑞=
3 [(73)2
+ (243
)2
+(313
)2
+ (03)2
]
2𝑥4= 66,08
SCTrt:
𝐾 =𝑛
𝑏𝑙𝑞=
12
4= 3
𝑢𝑒
𝑏𝑙𝑞 𝑟 =
𝑛
𝑡=
12
4= 3 𝑟𝑒𝑝 𝑡 = 4 𝑡𝑟𝑡𝑜
𝜆 =𝑟(𝐾 − 1)
𝑡 − 1=
3(3 − 1)
4 − 1= 2 𝑣𝑒𝑐𝑒𝑠 𝑜𝑐𝑢𝑟𝑟𝑒 𝑐𝑎𝑑𝑎 𝑝𝑎𝑟 𝑑𝑒 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠
𝑄𝑖′ = 𝑌.𝑖 −
1
𝐾∑ 𝑛𝑖𝑗𝑌.𝑗
𝑡=4
𝑗=1
𝑆𝐶𝑇𝑟𝑡𝑎𝑗𝑢𝑠𝑡𝑎𝑑𝑜 𝑝𝑜𝑟 𝑒𝑙 𝑆𝐴𝑆 =𝐾 ∑(𝑄𝑖
′)2
𝜆𝑥𝑡=
3 [(−9 3
)2
+ (−7 3
)2
+(203
)2
+ (−4 3
)2
]
2𝑥4= 22,75
SCRes:
𝑆𝐶𝑅𝑒𝑠 = 𝑆𝐶𝑇 − 𝑆𝐶𝑇𝑟𝑡 − 𝑆𝐶𝐵𝑙𝑞 = 81 − 22,75 − 55 = 3,25
2. Cuadro de ANVA:
El proceso mixed diferencia efectos fijos de aleatorios, glm no.
NO COPIA
R
![Page 140: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/140.jpg)
139 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 139
𝜎𝑏𝑙𝑞2 =
𝐶𝑀𝐵𝑙𝑞 − 𝐶𝑀𝑅𝑒𝑠
𝑇𝑟𝑡=
22,027 − 0,65
4= 4,42 > 0
Significa que el modelo DBI fue eficiente para controlar la varianza de las unidades experimentales.
3. Prueba de hipótesis para factor tratamiento o tipo de catalizador: Es cualitativo.
Ho: μ1=μ2=μ3=μ4→ Significa que el tiempo de reacción es el mismo con los cuatro catalizadores.
Ha: El tiempo de reacción es diferente con al menos un catalizador.
NS: α=0,05
EP: CMtrt/CMRes≈F3,5
RR: Pr(F≥Fcal)<0,05
CC: Pr(F≥11,67)≈0,0110<0,05→SRHo
Conclusión: Con 95% de seguridad se puede afirmar que el tiempo de reacción es diferente con al menos uno de los
catalizadores. ¿De qué forma?
El mejor es el que tarde menos.
Prueba de hipótesis para la comparación entre 1-2:
Ho: C=(-1)μ1+(1)μ2+(0)μ3+(0)μ4=0→Significa que el tiempo de reacción es el mismo con el uso de los catalizadores 1 y
2.
Ha: C≠0→ El tiempo de reacción es diferente con los catalizadores 1 y 2.
NS: α=0,05
NO COPIA
R
![Page 141: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/141.jpg)
140 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 140
EP: C/ee(ĉ)≈t5=Glres
RR: Pr(t≥tcal)<0,05
CC: Pr(t≥0,29)≈0,7822<0,05→SAHo
Conclusión: Con 95% de seguridad se puede afirmar que los tiempos de reacción con los catalizadores 1 y 2 es el
mismo.
Prueba de hipótesis para la comparación entre 2-3:
Ho: C=(0)μ1+(-1)μ2+(1)μ3+(0)μ4=0→Significa que el tiempo de reacción es el mismo con el uso de los catalizadores 2 y
3.
Ha: C≠0→ El tiempo de reacción es diferente con los catalizadores 2 y 3.
NS: α=0,05
EP: C/ee(ĉ)≈t5=Glres
RR: Pr(t≥tcal)<0,05
CC: Pr(t≥0,54)≈0,6142<0,05→SAHo
Conclusión: Con 95% de seguridad se puede afirmar que los tiempos de reacción con los catalizadores 2 y 3 es el
mismo.
Prueba de hipótesis para la comparación entre 3-4:
Ho: C=(0)μ1+(0)μ2+(-1)μ3+(1)μ4=0→Significa que el tiempo de reacción es el mismo con el uso de los catalizadores 3 y
4.
Ha: C≠0→ El tiempo de reacción es diferente con los catalizadores 3 y 4.
NS: α=0,05
EP: C/ee(ĉ)≈t5=Glres
RR: Pr(t≥tcal)<0,05
CC: Pr(t≥4,26)≈0,0079<0,05→SRHo
Conclusión: Con 95% de seguridad se puede afirmar que los tiempos de reacción es diferente con los catalizadores 3 y
4.
Conclusión general: el mejor es el catalizador 1.
NO COPIA
R
![Page 142: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/142.jpg)
141 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 141
4. Programa SAS:
Sin contrastes.
options ls=76;
data dbi_1;
input blq cat$ y;
cards;
1 1 73
1 3 73
1 4 75
2 1 74
2 2 75
2 3 75
3 2 67
3 3 68
3 4 72
4 1 71
4 2 72
4 4 75
;
proc mixed;
class blq cat;
model y=cat/ddfm=satterth;
random blq;
lsmeans cat/pdiff;
run;
Resultados del SAS:
The SAS System 1
17:52 Thursday, April 29, 2013
The Mixed Procedure
Model Information
Data Set WORK.DBI_1
Dependent Variable y
Covariance Structure Variance Components
Estimation Method REML
Residual Variance Method Profile
Fixed Effects SE Method Model-Based
Degrees of Freedom Method Satterthwaite
Class Level Information
Class Levels Values
blq 4 1 2 3 4
cat 4 1 2 3 4
Dimensions
Covariance Parameters 2
Columns in X 5
Columns in Z 4
Subjects 1
Max Obs Per Subject 12
NO COPIA
R
![Page 143: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/143.jpg)
142 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 142
Number of Observations
Number of Observations Read 12
Number of Observations Used 12
Number of Observations Not Used 0
Iteration History
Iteration Evaluations -2 Res Log Like Criterion
0 1 44.37333968
1 1 34.22046396 0.00000000
Convergence criteria met.
The SAS System 2
17:52 Thursday, April 29, 2013
The Mixed Procedure
Covariance Parameter
Estimates
Cov Parm Estimate
blq 8.0167
Residual 0.6500
Fit Statistics
-2 Res Log Likelihood 34.2
AIC (smaller is better) 38.2
AICC (smaller is better) 40.6
BIC (smaller is better) 37.0
Type 3 Tests of Fixed Effects
Num Den
Effect DF DF F Value Pr > F
cat 3 5.03 11.41 0.0111
Least Squares Means
Standard
Effect cat Estimate Error DF t Value Pr > |t|
cat 1 71.4131 1.4968 3.51 47.71 <.0001
cat 2 71.6164 1.4968 3.51 47.84 <.0001
cat 3 72.0000 1.4968 3.51 48.10 <.0001
cat 4 74.9705 1.4968 3.51 50.09 <.0001
Differences of Least Squares Means
Standard
Effect cat _cat Estimate Error DF t Value Pr > |t|
cat 1 2 -0.2033 0.6971 5.03 -0.29 0.7822
cat 1 3 -0.5869 0.6971 5.03 -0.84 0.4380
cat 1 4 -3.5574 0.6971 5.03 -5.10 0.0037
cat 2 3 -0.3836 0.6971 5.03 -0.55 0.6056
cat 2 4 -3.3541 0.6971 5.03 -4.81 0.0048
cat 3 4 -2.9705 0.6971 5.03 -4.26 0.0079
NO COPIA
R
![Page 144: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/144.jpg)
143 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 143
Con contrastes de las medias.
options ls=76;
data dbi_1;
input blq cat$ y;
cards;
1 1 73
1 3 73
1 4 75
2 1 74
2 2 75
2 3 75
3 2 67
3 3 68
3 4 72
4 1 71
4 2 72
4 4 75
;
proc mixed;
class blq cat;
model y=cat/ddfm=satterth;
random blq;
lsmeans cat/pdiff;
contrast "1-2" cat 1 -1 0 0;
contrast "2-3" cat 0 1 -1 0;
contrast "3-4" cat 0 0 1 -1;
run;
Resultados del SAS:
The SAS System 1
18:00 Thursday, April 29, 2013
The Mixed Procedure
Model Information
Data Set WORK.DBI_1
Dependent Variable y
Covariance Structure Variance Components
Estimation Method REML
Residual Variance Method Profile
Fixed Effects SE Method Model-Based
Degrees of Freedom Method Satterthwaite
Class Level Information
Class Levels Values
blq 4 1 2 3 4
cat 4 1 2 3 4
Dimensions
Covariance Parameters 2
Columns in X 5
Columns in Z 4
Subjects 1
Max Obs Per Subject 12
NO COPIA
R
![Page 145: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/145.jpg)
144 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 144
Number of Observations
Number of Observations Read 12
Number of Observations Used 12
Number of Observations Not Used 0
Iteration History
Iteration Evaluations -2 Res Log Like Criterion
0 1 44.37333968
1 1 34.22046396 0.00000000
Convergence criteria met.
The SAS System 2
18:00 Thursday, April 29, 2013
The Mixed Procedure
Covariance Parameter
Estimates
Cov Parm Estimate
blq 8.0167
Residual 0.6500
Fit Statistics
-2 Res Log Likelihood 34.2
AIC (smaller is better) 38.2
AICC (smaller is better) 40.6
BIC (smaller is better) 37.0
Type 3 Tests of Fixed Effects
Num Den
Effect DF DF F Value Pr > F
cat 3 5.03 11.41 0.0111
Contrasts
Num Den
Label DF DF F Value Pr > F
1-2 1 5.03 0.09 0.7822
2-3 1 5.03 0.30 0.6056
3-4 1 5.03 18.16 0.0079
Least Squares Means
Standard
Effect cat Estimate Error DF t Value Pr > |t|
cat 1 71.4131 1.4968 3.51 47.71 <.0001
cat 2 71.6164 1.4968 3.51 47.84 <.0001
cat 3 72.0000 1.4968 3.51 48.10 <.0001
cat 4 74.9705 1.4968 3.51 50.09 <.0001
The SAS System 3
18:00 Thursday, April 29, 2013
The Mixed Procedure
Differences of Least Squares Means
Standard
Effect cat _cat Estimate Error DF t Value Pr > |t|
cat 1 2 -0.2033 0.6971 5.03 -0.29 0.7822
cat 1 3 -0.5869 0.6971 5.03 -0.84 0.4380
cat 1 4 -3.5574 0.6971 5.03 -5.10 0.0037
cat 2 3 -0.3836 0.6971 5.03 -0.55 0.6056
cat 2 4 -3.3541 0.6971 5.03 -4.81 0.0048
cat 3 4 -2.9705 0.6971 5.03 -4.26 0.0079
NO COPIA
R
![Page 146: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/146.jpg)
145 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 145
5. Ejercicio propuesto:
Se requiere estudiar las características del rendimiento de combustible de cinco tipos de aditivos de gasolina. En la
prueba de carretera se desea utilizar los automóviles como bloques, sin embargo debido a una restricción de tiempo
se debe usar un DBI con los siguientes resultados:
a) Plantear el modelo estadístico.
b) Realizar los análisis necesarios a fin de lograr los objetivos.
c) Hacer el programa según glm y mixed.
1 2 3 4 5
1 . 17 14 13 12
2 14 14 . 13 10
3 12 . 13 12 9
4 13 11 11 12 .
5 11 12 11 . 8
AUTOMOVILAUDITIVO
NO COPIA
R
![Page 147: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/147.jpg)
146 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 146
TABLAS ESTADISTICAS
Ejemplo
Para �φ = 10 grados de
libertad:
P[ t > 1.812] = 0.05
P[ t < -1.812] = 0.05
r α 0,25 0,2 0,15 0,1 0,05 0,025 0,01 0,005 0,0005
1 1,000 1,376 1,963 3,078 6,314 12,706 31,821 63,656 636,578
2 0,816 1,061 1,386 1,886 2,920 4,303 6,965 9,925 31,600
3 0,765 0,978 1,250 1,638 2,353 3,182 4,541 5,841 12,924
4 0,741 0,941 1,190 1,533 2,132 2,776 3,747 4,604 8,610
5 0,727 0,920 1,156 1,476 2,015 2,571 3,365 4,032 6,869
6 0,718 0,906 1,134 1,440 1,943 2,447 3,143 3,707 5,959
7 0,711 0,896 1,119 1,415 1,895 2,365 2,998 3,499 5,408
8 0,706 0,889 1,108 1,397 1,860 2,306 2,896 3,355 5,041
9 0,703 0,883 1,100 1,383 1,833 2,262 2,821 3,250 4,781
10 0,700 0,879 1,093 1,372 1,812 2,228 2,764 3,169 4,587
11 0,697 0,876 1,088 1,363 1,796 2,201 2,718 3,106 4,437
12 0,695 0,873 1,083 1,356 1,782 2,179 2,681 3,055 4,318
13 0,694 0,870 1,079 1,350 1,771 2,160 2,650 3,012 4,221
14 0,692 0,868 1,076 1,345 1,761 2,145 2,624 2,977 4,140
15 0,691 0,866 1,074 1,341 1,753 2,131 2,602 2,947 4,073
16 0,690 0,865 1,071 1,337 1,746 2,120 2,583 2,921 4,015
17 0,689 0,863 1,069 1,333 1,740 2,110 2,567 2,898 3,965
18 0,688 0,862 1,067 1,330 1,734 2,101 2,552 2,878 3,922
19 0,688 0,861 1,066 1,328 1,729 2,093 2,539 2,861 3,883
20 0,687 0,860 1,064 1,325 1,725 2,086 2,528 2,845 3,850
21 0,686 0,859 1,063 1,323 1,721 2,080 2,518 2,831 3,819
22 0,686 0,858 1,061 1,321 1,717 2,074 2,508 2,819 3,792
23 0,685 0,858 1,060 1,319 1,714 2,069 2,500 2,807 3,768
24 0,685 0,857 1,059 1,318 1,711 2,064 2,492 2,797 3,745
25 0,684 0,856 1,058 1,316 1,708 2,060 2,485 2,787 3,725
26 0,684 0,856 1,058 1,315 1,706 2,056 2,479 2,779 3,707
27 0,684 0,855 1,057 1,314 1,703 2,052 2,473 2,771 3,689
28 0,683 0,855 1,056 1,313 1,701 2,048 2,467 2,763 3,674
29 0,683 0,854 1,055 1,311 1,699 2,045 2,462 2,756 3,660
30 0,683 0,854 1,055 1,310 1,697 2,042 2,457 2,750 3,646
40 0,681 0,851 1,050 1,303 1,684 2,021 2,423 2,704 3,551
60 0,679 0,848 1,045 1,296 1,671 2,000 2,390 2,660 3,460
120 0,677 0,845 1,041 1,289 1,658 1,980 2,358 2,617 3,373
∞ 0,674 0,842 1,036 1,282 1,645 1,960 2,326 2,576 3,290
DISTRIBUCION (t) DE STUDENT
NO COPIA
R
![Page 148: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/148.jpg)
147 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 147
Para φ>100 tómese 𝑋2 =1
2(𝑍𝛼 + √2∅ − 1)
2. Zα es la desviación normal estandarizada correspondiente al nivel de
significancia y se muestra en la parte superior de la tabla.
Ejemplo:
Para φ = 10 grados de libertad:
P [x²> 15.99] = 0.10
π
φ 0,995 0,99 0,975 0,95 0,9 0,75 0,5 0,25 0,1 0,05 0,025 0,01 0,005
π
φ
1 3,93E-05 1,57E-04 9,82E-04 3,93E-03 1,58E-02 0,102 0,455 1,323 2,71 3,84 5,02 6,63 7,88 1
2 1,00E-02 2,01E-02 5,06E-02 0,103 0,211 0,575 1,386 2,77 4,61 5,99 7,38 9,21 10,6 2
3 7,17E-02 0,115 0,216 0,352 0,584 1,213 2,37 4,11 6,25 7,81 9,35 11,34 12,84 3
4 0,207 0,297 0,484 0,711 1,064 1,923 3,36 5,39 7,78 9,49 11,14 13,28 14,86 4
5 0,412 0,554 0,831 1,145 1,61 2,67 4,35 6,63 9,24 11,07 12,83 15,09 16,75 5
6 0,676 0,872 1,237 1,635 2,2 3,45 5,35 7,84 10,64 12,59 14,45 16,81 18,55 6
7 0,989 1,239 1,69 2,17 2,83 4,25 6,35 9,04 12,02 14,07 16,01 18,48 20,3 7
8 1,344 1,647 2,18 2,73 3,49 5,07 7,34 10,22 13,36 15,51 17,53 20,1 22 8
9 1,735 2,09 2,7 3,33 4,17 5,9 8,34 11,39 14,68 16,92 19,02 21,7 23,6 9
10 2,16 2,56 3,25 3,94 4,87 6,74 9,34 12,55 15,99 18,31 20,5 23,2 25,2 10
11 2,6 3,05 3,82 4,57 5,58 7,58 10,34 13,7 17,28 19,68 21,9 24,7 26,8 11
12 3,07 3,57 4,4 5,23 6,3 8,44 11,34 14,85 18,55 21 23,3 26,2 28,3 12
13 3,57 4,11 5,01 5,89 7,04 9,3 12,34 15,98 19,81 22,4 24,7 27,7 29,8 13
14 4,07 4,66 5,63 6,57 7,79 10,17 13,34 17,12 21,1 23,7 26,1 29,1 31,3 14
15 4,6 5,23 6,26 7,26 8,55 11,04 14,34 18,25 22,3 25 27,5 30,6 32,8 15
16 5,14 5,81 6,91 7,96 9,31 11,91 15,34 19,37 23,5 26,3 28,8 32 34,3 16
17 5,7 6,41 7,56 8,67 10,09 12,79 16,34 20,5 24,8 27,6 30,2 33,4 35,7 17
18 6,26 7,01 8,23 9,39 10,86 13,68 17,34 21,6 26 28,9 31,5 34,8 37,2 18
19 6,84 7,63 8,91 10,12 11,65 14,56 18,34 22,7 27,2 30,1 32,9 36,2 38,6 19
20 7,43 8,26 9,59 10,85 12,44 15,45 19,34 23,8 28,4 31,4 34,2 37,6 40 20
21 8,03 8,9 10,28 11,59 13,24 16,34 20,3 24,9 29,6 32,7 35,5 38,9 41,4 21
22 8,64 9,54 10,98 12,34 14,04 17,24 21,3 26 30,8 33,9 36,8 40,3 42,8 22
23 9,26 10,2 11,69 13,09 14,85 18,14 22,3 27,1 32 35,2 38,1 41,6 44,2 23
24 9,89 10,86 12,4 13,85 15,66 19,04 23,3 28,2 33,2 36,4 39,4 43 45,6 24
25 10,52 11,52 13,12 14,61 16,47 19,94 24,3 29,3 34,4 37,7 40,6 44,3 46,9 25
26 11,16 12,2 13,84 15,38 17,29 20,8 25,3 30,4 35,6 38,9 41,9 45,6 48,3 26
27 11,81 12,88 14,57 16,15 18,11 21,7 26,3 31,5 36,7 40,1 43,2 47 49,6 27
28 12,46 13,56 15,31 16,93 18,94 22,7 27,3 32,6 37,9 41,3 44,5 48,3 51 28
29 13,12 14,26 16,05 17,71 19,77 23,6 28,3 33,7 39,1 42,6 45,7 49,6 52,3 29
30 13,79 14,95 16,79 18,49 20,6 24,5 29,3 34,8 40,3 43,8 47 50,9 53,7 30
40 20,7 22,2 24,4 26,5 29,1 33,7 39,3 45,6 51,8 55,8 59,3 63,7 66,8 40
50 28 29,7 32,4 34,8 37,7 42,9 49,3 56,3 63,2 67,5 71,4 76,2 79,5 50
60 35,5 37,5 40,5 43,2 46,5 52,3 59,3 67 74,4 79,1 83,3 88,4 92 60
70 43,3 45,4 48,8 51,7 55,3 61,7 69,3 77,6 85,5 90,5 95 100,4 104,2 70
80 51,2 53,5 57,2 60,4 64,3 71,1 79,3 88,1 96,6 101,9 106,6 112,3 116,3 80
90 59,2 61,8 65,6 69,1 73,3 80,6 89,3 98,6 107,6 113,1 118,1 124,1 128,3 90
100 67,3 70,1 74,2 77,9 82,4 90,1 99,3 109,1 118,5 124,3 129,6 135,8 140,2 100
Zα -2,58 -2,33 -1,96 -1,64 -1,28 -0,674 0 0,674 1,282 1,645 1,96 2,33 2,58 Zα
DISTRIBUCION (X²)
NO COPIA
R
![Page 149: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/149.jpg)
148 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 148
NO COPIA
R
![Page 150: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/150.jpg)
149 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 149
NO COPIA
R
![Page 151: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/151.jpg)
150 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 150
NO COPIA
R
![Page 152: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/152.jpg)
151 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 151
Media T C K TC TK CK TCK Prod. Media
+ - - - + + + - 60
+ + - - - - + + 72
+ - + - - + - + 54
+ + + - + - - - 68
+ - - + + - - + 52
+ + - + - + - - 83
+ - + + - - + - 45
+ + + + + + + + 80
Div. 8 4 4 4 4 4 4 4
a) Metodo de los signos
METODOS RAPIDOS PARA CALCULAR LOS EFECTOS
Para obtener los efectos se realiza el producto de los signos
SIGNOS PARA CALCULAR LOS EFECTOS DEL DISEÑO 25
La estimación de la mea se calcula con la primera columna:
𝑀𝑒𝑑𝑖𝑎 =+60 + 72 + 54 + 68 + 52 + 83 + 45 + 80
8= 64,25
El efecto principal T se calcula con la segunda columna:
𝑇 =−60 + 72 − 54 + 68 − 52 + 83 − 45 + 80
4= 23,0
El efecto de interacción TK resulta:
𝑇𝐾 =+60 − 72 + 54 − 68 − 52 + 83 − 45 + 80
4= 10
eeMedia
del ee
T C K
20 21 22
1 - - - 60 132 254 514 8 64,25
2 + - - 72 122 260 92 4 23
3 - + - 54 135 26 -20 4 -5
4 + + - 68 125 66 6 4 1,5
5 - - + 52 12 -10 6 4 1,5
6 + - + 83 14 -10 40 4 10
7 - + + 45 31 2 0 4 0
8 + + + 80 35 4 2 4 0,5
Divisor Estimacion
ALGORITMO DE YATES:
variables de
la matriz de
diseño
Algoritmo
Y 1 2 3
NO COPIA
R
![Page 153: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/153.jpg)
152 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 152
- +
10 15
220 240
50 80
10 12
Variables:
1.Carga del catalizador (Lbm)
2.Temperatura (°C)
3.Presion (Psi)
4.Concentracion (%)
Diseño factorial 24
ee 1 2 3 4 Conversion (%)
1 - - - - 71
2 + - - - 61
3 - + - - 90
4 + + - - 82
5 - - + - 68
6 + - + - 61
7 - + + - 87
8 + + + - 80
9 - - - + 61
10 + - - + 50
11 - + - + 89
12 + + - + 83
13 - - + + 59
14 + - + + 51
15 - + + + 85
16 + + + + 78
Datos del proceso
SIGNOS PARA EL CALCULO DE LOS EFECTOS DEL FACTORIAL 24
I 1 2 3 4 12 13 14 23 24 34 123 124 134 234 1234
20 21 22 23
+ - - - - + + + + + + - - - - + 71
+ + - - - - - - + + + + + + - - 61
+ - + - - - + + - - + + + - + - 90
+ + + - - + - - - - + - - + + + 82
+ - - + - + - + - + - + - + + - 68
+ + - + - - + - - + - - + - + + 61
+ - + + - - - + + - - - + + - + 87
+ + + + - + + - + - - + - - - - 80
+ - - - + + + - + - - - + + + - 61
+ + - - + - - + + - - + - - + + 50
+ - + - + - + - - + - + - + - + 89
+ + + - + + - + - + - - + - - - 83
+ - - + + + - - - - + + + - - + 59
+ + - + + - + + - - + - - + - - 51
+ - + + + - - - + + + - - - + - 85
+ + + + + + + + + + + + + + + + 78
NO COPIA
R
![Page 154: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/154.jpg)
153 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 153
Efectos Efectos estimados ± desviacion tipica
Media 72,25
1 -8,00±0,55
2 24,00±0,55
3 -2,25±0,55
4 -5,50±0,55
12 1,00±0,55
13 0,75±0,55
14 0,00±0,55
23 -1,25±0,55
24 4,50±0,55
34 -0,25±0,55
123 -0,75±0,55
124 0,50±0,55
134 -0,25±0,55
234 -0,75±0,55
1234 -0,25±0,55
Efectos estimados del diseño
NO COPIA
R
![Page 155: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/155.jpg)
154 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 154
- +
10 15
1 2
100 120
140 180
3 6
Variable
Factores de un diseño 25
MEDIA FRACCION DE UN DISEÑO 25
DISEÑOS FACTORIALES FRACCIONALES A DOS NIVELES (M8)
1.Velocidad de alimentacion (L/min)
2.Catalizador (%)
3.Velocidad de agitacion (rpm)
4.Temperatura(°C)
5.Concentracion (%)
Tabla1
1 2 3 4 5
1 - - - - - 61
*2 + - - - - 53
*3 - + - - - 63
4 + + - - - 61
*5 - - + - - 53
6 + - + - - 56
7 - + + - - 54
*8 + + + - - 61
*9 - - - + - 69
10 + - - + - 61
11 - + - + - 94
*12 + + - + - 93
13 - - + + - 66
*14 + - + + - 60
*15 - + + + - 95
16 + + + + - 98
*17 - - - - + 56
18 + - - - + 63
19 - + - - + 70
*20 + + - - + 65
21 - - + - + 59
*22 + - + - + 55
*23 - + + - + 67
24 + + + - + 65
25 - - - + + 44
*26 + - - + 45
*27 - + - + + 78
28 + + - + + 77
*29 - - + + + 49
30 + - + + + 42
Exp.
Elemental
Variable Var. Resp. (%)
reaccionado
Y
NO COPIA
R
![Page 156: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/156.jpg)
155 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 155
Media 65,5
1=-1,375 123=1,50
2=19,5 124=1,375
3=-0,625 125=-1,875
4=10,75 134=-0,75
5=-6,25 135=-2,50
145=0,625
12=1,375 235=0,125
13=0,75 234=1,125
14=0,875 245=-0,250
15=0,125 345=0,125
23=0,875
24=13,25 1234=0,0
25=2,00 1245=0,625
34=2,125 2345=-0,625
35=0,875 1235=1,50
45=-11,0 1345=1,0
12345=-0,25
obteniendose los siguientes resultados
Estimaciones de los efectos
Se pueden obtener los mismos resultados al realizar
los 16 experimentos elementales MARCADOS (*)
Resultados del diseño factorial 25
- +
10 15
1 2
100 120
140 180
3 6
4.Temperatura (°C)
5.Concentracion (%)
2.Catalizador (%)
1.Velocidad de alimentacion (L/min)
Variable
Diseño fraccional 25-1
Analisis de media fraccion de un diseño 25
3.Velocidad de agitacion (rpm)
NO COPIA
R
![Page 157: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/157.jpg)
156 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 156
1 2 3 4 5=1234 12 13 14 15 23 24 25 34 35 45 Y
20 21 22 23
17 - - - - + + + + - + + - + - - 56
2 + - - - - - - - - + + + + + + 53
3 - + - - - - + + + - - - + + + 63
20 + + - - + + - - + - - + + - - 65
5 - - + - - + - + + - + + - - + 53
22 + - + - + - + - + - + - - + - 55
23 - + + - + - - + - + - + - + - 67
8 + + + - - + + - - + - - - - + 61
9 - - - + - + + - + + - + - + - 69
26 + - - + + - - + + + - - - - + 45
27 - + - + + - + - - - + + - - + 78
12 + + - + - + - + - - + - - + - 93
29 - - + + + + - - - - - - + + + 49
14 + - + + - - + + - - - + + - - 60
15 - + + + - - - - + + + - + - - 95
32 + + + + + + + + + + + + + + + 82
ee
DISEÑO FRACCIONAL 25-1
Media 65,25
1=-2,0 12=1,5
2=20,5 13=0,5
3=0,0 14=-0,75
4=12,25 15=1,25
5=-6,25 23=1,50
24=10,75
25=1,25
34=0,25
35=2,25
45=-9,50
ESTIMACION DE LOS EFECTOS
Suponiendo que las interacciones de 3 o mas factores son despreciables
𝒍𝟒𝟓 =𝟏
𝟖(−𝟓𝟔 + 𝟓𝟑 + 𝟔𝟑 − 𝟔𝟓 + 𝟓𝟑 − 𝟓𝟓 − 𝟔𝟕 + 𝟔𝟏 − 𝟔𝟗 + 𝟒𝟓 + 𝟕𝟖 − 𝟗𝟑 + 𝟒𝟗 − 𝟔𝟎 − 𝟗𝟓 + 𝟖𝟐) = −𝟗, 𝟓𝟎
NO COPIA
R
![Page 158: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/158.jpg)
157 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 157
Relacion entre pares
de columnasPatron de confusion Estimacion
1=2345 L1=1+2345 L1=-2,0
2=1345 L2=2+1345 L2=20,5
3=1245 L3=3+1245 L3=0,0
4=1235 L4=4+1235 L4=12,25
5=1234 L5=5+1234 L5=-6,25
12=345 L12=12+345 L12=1,5
13=245 L13=13+245 L13=0,5
14=235 L14=14+235 L14=-0,75
15=234 L15=15+234 L15=1,25
23=145 L23=23+145 L23=1,5
24=135 L24=24+135 L24=10,75
25=134 L25=25+134 L25=1,25
34=125 L34=34+125 L34=0,25
35=124 L35=35+124 L35=2,25
45=123 L45=45+123 L45=-9,50
PATRON DE CONFUSION Y EFECTOS ESTIMADOS DEL DISEÑO 25-1
Diseño factorial 24
No .ee 1 2 3 4 G. Conv Orden
20 21 22 23 (%) Del ee
1 - - - - 71 8
2 + - - - 61 2
3 - + - - 90 10
4 + + - - 82 4
5 - - + - 68 15
6 + - + - 61 9
7 - + + - 87 1
8 + + + - 80 13
9 - - - + 61 16
10 + - - + 50 5
11 - + - + 89 11
12 + + - + 83 14
13 - - + + 59 3
14 + - + + 51 12
15 - + + + 85 6
16 + + + + 78 7
1. Carga catalizador (lbm) 10-15
2. Temperatura (°C) 220-240
3. Presion (Psi) 50-80
4. Conc. (%) 10-12
Variables - +
Datos del proceso en orden estandar
NO COPIA
R
![Page 159: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/159.jpg)
158 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 158
I 1 2 3 4 12 13 14 23 24 34 123 124 134 234 1234 Con
20 21 22 23 (%)
+ - - - - + + + + + + - - - - + 71
+ + - - - - - - + + + + + + - - 61
+ - + - - - + + - - + + + - + - 90
+ + + - - + - - - - + - - + + + 82
+ - - + - + - + - + - + - + + - 68
+ + - + - - + - - + - - + - + + 61
+ - + + - - - + + - - - + + - + 87
+ + + + - + + - + - - + - - - - 80
+ - - - + + + - + - - - + + + - 61
+ + - - + - - + + - - + - - + + 50
+ - + - + - + - - + - + - + - + 89
+ + + - + + - + - + - - + - - - 83
+ - - + + + - - - - + + + - - + 59
+ + - + + - + + - - + - - + - - 51
+ - + + + - - - + + + - - - + - 85
+ + + + + + + + + + + + + + + + 78
16 8 8 8 8 8 8 8 8 8 8 8 8 8 8 8
Signos para calcular los efectos de un factorial 24
Efectos estimados del diseño 24
Efectos Efectos estimados ± desviacion tipica
Media 72,25
1 -8,00±0,55
2 24,00±0,55
3 -2,25±0,55
4 -5,50±0,55
12 1,00±0,55
13 0,75±0,55
14 0,00±0,55
23 -1,25±0,55
24 4,50±0,55
34 -0,25±0,55
123 -0,75±0,55
124 0,50±0,55
134 -0,25±0,55
234 -0,75±0,55
1234 -0,25±0,55
NO COPIA
R
![Page 160: Diseño experimental con sas](https://reader038.vdocuments.pub/reader038/viewer/2022102506/568cac9f1a28ab186da84787/html5/thumbnails/160.jpg)
159 APUNTES DE DISEÑO EXPERIMENTAL
Universidad Mayor de San Simon Cochabamba-Bolivia Página 159
Bibliografía
1. Diseño Experimental, análisis e interpretación, 1996-Feutos Amendola. Editorial Pergamino.
2. Optimum Experimental Designs, Atkinson A. C, Donev A.N. Oxford pres-England.
3. Métodos multivariados aplicados al análisis de datos, Jhonson A. Edit.-Thompson.
4. Statistics for experiments, 2001 Boxo Hunter W. Editorial Limusa.
5. SAS procedure guides, Inc. Cary N. C, 1990.
6. Métodos estadísticos para la investigación, 2000- Calzada. B. Universidad Nacional Agraria, Lima-Perú.
7. Curso de estadística avanzada, 2003. FCAF-UMSS.
8. El sistema estadístico SAS, 2001 Pérez C. Editorial-Prentice Hall España.
9. Diseños experimentales, Cochiane, Cox B. 2005 Editorial Limusa.
10. Principios estadísticos para el análisis de investigaciones, Robert O. Editorial-Thompson.
11. Statistical analysis of designed experiment. Helge Toutenburg. Editorial-Springer.
12. Análisis de experimentos con el sistema SAS. Msc. Víctor M. Universidad de Guatemala.
13. Introducción a la programación en SAS V8. Universidad Complutense de Madrid-España.
14. Practicas estadísticas y de programación en SAS. Universidad Autónoma de Barcelona-España.
15. The theory of the desing of experiments. D.R. Cox-University of Toronto-Canada.
NO COPIA
R