Interpretac Diseños Varios

Técnicas para interpretar resultados de Análisis de Varianza:
con Ejemplos usando SAS:

Por
Prof. S. P. Sinha1
Indice del Contenido:
Objetivos de esta Página:
(1): Diseño Completamente aleatorio
(2): Diseño en bloques aleatorios
(3): Diseño Cuadrado Latino
(4): Experimentos Factoriales
(5): Diseño de Parcelas Divididas
(6): Diseño de Parcelas Sub Divididas
Esta sección hace uso de programas fuentes, salidas SAS y esquemas de Análisis de varianza, que Ud.
puede consultar por los enlaces que se presentan a continuación:
Programa Fuente y Salida SAS Andeva Esquemático
IMPORTANT NOTICE ABOUT THE COPYRIGHTS.
Análisis Gráfico: 1 2 3 4
Objetivos de esta Página:
Esta página tiene los siguientes objetivos:

(1): Ilustrar mediante ejemplos como se debe hacer la interpretación de resultados que se
obtienen por el procesamiento de datos experimentales por SAS.
(2): Plantear y realizar diferentes aspectos de discusión en el análisis de datos
experimentales tales como supuestos de ANDEVA y modelo lineal del diseño usado,
alternativas que existen para analizar datos, complicaciones que pueden surgir para el
análisis posterior de promedios cuando existen interacciones significativas y otros tipos
de problemas variados que pueden presentarse debido a las características propias de
datos y el diseño usado. (3) Capacitar al lector para extraer conclusiones que sean válidas
estadísticamente.
Se asumirá que el lector de esta página cumple con los siguientes requisitos:
(i): ha asistido en alguna ocasión un curso básico de diseño de experimento.
(ii): tiene el conocimiento del lenguaje SAS por lo menos al nivel práctico.
IMPORTANT NOTICE ABOUT THE COPYRIGHTS.

The author of this Web Page makes the following declaration as regards to the examples used in this work: I have used in this
publication, examples which, come from different books which, I have used in the past for teaching courses in Experimental
Designs to both graduate and undergraduate students. In each the of examples used here, a reference to the names of the authors
is given, who are the owners of corresponding copyrights. If no such reference appears in the example, then this is because the
example has been artificially constructed. En consequence, the comments and explanations which I have given in this
publication, should be considered as a bibliographic review, which I have written in order to express my own views about the
statistical methods which can be used to analyze data in these examples.
1
Disponible en: http://mipagina.cantv.net/ssinha/basic.htm. 02/10/2006 03:13 p.m.
1
Diseño Completamente aleatorio
(1.1): Caso fijo y balanceado: Tratamientos cualitativos
(1.2): Caso fijo y balanceado: Tratamientos cuantitativos
(1.1): Caso fijo y balanceado: Tratamientos cualitativos

Este ejemplo proviene del libro de Montgomery, D. (2da. edición: inglés), Página 63.
Se trata de un modelo fijo balanceado. Hay 5 tratamientos que representan diferentes porcentaje de algodón, que son : 15, 20,
25, 30 y 35 respectivamente. Se usaron 5 replicaciones. La variable respuesta es la resistencia de fibra sintética (lb/in cuadrado.)
. Ejemplo 1 no toma en cuenta la información que los 5 tratamientos se pueden considerar cuantitativos caracterizados así por
sus valores respectivos de porcentaje de algodón. Los datos de este experimento se vuelven a analizar en el ejemplo 1.2
considerando los tratamientos como cuantitativos.
Tabla 1.1.1: Datos experimentales:

Los datos que corresponden a un mismo tratamiento se tabulan en una misma fila.
Tratamiento 1: 7 7 15 11 9
Tratamiento 2: 12 17 12 18 18
Tratamiento 3: 14 18 18 19 19
Tratamiento 4: 19 25 22 19 23
Tratamiento 5: 7 10 11 15 11
Salida SAS
Tabla 1.1.2: Tabla de ANDEVA: Diseño Completamente aleatorio

General Linear Models Procedure
Dependent Variable: Y
Sum of Mean
Source DF Squares Square F Value Pr > F
Model 4 475.76000 118.94000 14.76 0.0001
Error 20 161.20000 8.06000
Corrected Total 24 636.96000
R-Square C.V. Root MSE Y Mean

0.746923 18.87642 2.8390 15.040
Source DF Type I SS Mean Square F Value Pr > F
Tratamientos 4 475.76000 118.94000 14.76 0.0001
Fijaremos el nivel de significación  = 0,05 para sacar las conclusiones estadísticas.
El Valor de F para tratamientos es significativo al nivel de significación  = 0,05 ya que Pr >F (Probabilidad
mayor que el F calculado) es igual = 0,0001, siendo este último valor menor que 0,05 , el cual es el valor del nivel
de significación que estamos considerando. También el valor de F para tratamientos es significativo para  = 0,01
por la misma razón, o sea Pr >F = 0,0001 < 0,01 . (obsérvese que si F calculado es significativo para  = 0,01,
entonces esto implica que el F calculado también es significativo para  = 0,05 . Sin embargo la afirmación
inversa no necesariamente es cierta.)
Podemos decir de esta manera que el valor de F para tratamientos es altamente significativo.
Modelo Lineal:
Yij = iij ; i = 1,...,k ; j = 1,..,n; ij ~ NID(0, )  
iel efecto del tratamiento i - ésimo; ij = error aleatorio para j - ésima observación en el tratamiento i - ésimo.
En este ejemplo tenemos k = 5 y n = 5 ;
Hipótesis nula y alternante:

0 :i ; para todo i = 1,...,k; A i ; para algún i = 1,...,k;
2
Otra forma equivalente de enunciar las mismas hipótesis es:
0 : 1 = 2 = ... = k ; en que i es el promedio poblacional del tratamiento i - ésimo, i = 1,...,k ;
HA : No todos los promedios poblacionales de tratamientos son iguales.
Ya que el valor de F para tratamientos es significativo para  = 0,05, obtenemos la conclusión estadística que los
promedios poblacionales de los 5 tratamientos son diferentes. Debemos realizar análisis posterior por el método del
Rango múltiple de Duncan para determinar cual es el mejor tratamiento.
Tabla 1.1.3: Comparación de promedios de tratamientos por el método de

Duncan:
Duncan's Multiple Range Test for variable: Y
NOTE: This test controls the type I comparisonwise error rate,
not the experimentwise error rate
Alpha= 0.05 df= 20 MSE= 8.06
Number of Means 2 3 4 5
Critical Range 3.745 3.931 4.050 4.132
Means with the same letter are not significantly different.
Duncan Grouping Mean N X
A 21.600 5 30
B 17.600 5 25
B
B 15.400 5 20
C 10.800 5 35
C
C 9.800 5 15
Observamos que por la aplicación del Método de Duncan se forman 3 grupos de tratamientos. Los promedios
poblacionales de tratamientos dentro de los grupos entre ellos no son diferentes. El promedio poblacional dentro de
un grupo es diferente del promedio poblacional del tratamiento de cualquier otro grupo.
El mejor tratamiento tiene 30 % del algodón.
Conclusiones:
(1): El Valor de F para tratamientos es significativo al nivel de significación a = 0,05 y en consecuencia los
promedios poblacionales de los 5 tratamientos son diferentes.
(2): La aplicación del método del Rango múltiple de Duncan revela que el mejor tratamiento tiene 30 % del
algodón.
Observación:
Los Tratamientos en este experimento son cuantitativos, pero en este ejemplo fueron analizados como cualitativos.
Los datos de este ejemplo se volverán a analizar en el Ejemplo 1.2, tomando en cuenta la naturaleza cuantitativa de
los tratamientos.
3
(2): Caso fijo y balanceado: Tratamientos cuantitativos
(Este Ejemplo usa datos de la Tabla 1.1.1)
Tabla 1.2.1: Prueba de significación de los componentes del polinomio
ortogonal:
Contrast DF Contrast SS Mean Square F Value Pr > F
LINEAL 1 33.62000 33.62000 4.17 0.0545
CUADRATICO 1 343.21429 343.21429 42.58 0.0001
CUBICO 1 64.98000 64.98000 8.06 0.0101
CUARTICO 1 33.94571 33.94571 4.21 0.0535
Ya que los tratamientos son caracterizados por diferentes porcentajes del algodón (15, 20, 25, 30 y 35 ) y se
encuentran igualmente espaciados, podemos usar el método de polinomios ortogonales como un método del análisis
posterior.Como un primer paso calculamos por SAS la significación de los diferentes componentes de polinomios
ortogonales (ver la Tabla 1.2.1). El polinomio ortogonal es de grado tres, ya que el componente cuartico no es
significativo (estamos usando  = 0,05) y además el componente cúbico si es significativo. A continuación se
desarrolla el 2do. paso que consiste en hallar la ecuación polinómica ortogonal estimada de tercer grado.
Tabla 1.2.2: AJUSTE DE UNA REGRESION CUBICA DE Y SOBRE X:

Sum of Mean
Model 3 441.81429 147.27143 15.85 0.0001
Error 21 195.14571 9.29265

0.693630 20.26852 3.0484 15.040

X 1 33.62000 33.62000 3.62 0.0710
X*X 1 343.21429 343.21429 36.93 0.0001
X*X*X 1 64.98000 64.98000 6.99 0.0152
T for H0: Pr > |T| Std Error of

Parameter Estimate Parameter=0 Estimate
INTERCEPT 62.61142857 1.57 0.1302 39.75743623

X -9.01142857 -1.73 0.0976 5.19660897
X*X 0.48142857 2.23 0.0369 0.21604552
X*X*X -0.00760000 -2.64 0.0152 0.00287405
En este 2do. paso , se vuelve a usar el Proc. GLM pero esta vez considerando ambas variables y e x, en
que y es la variable respuesta, siendo x el porcentaje del algodón. En la instrucción Model del Proc
GLM, se declara un modelo del tercer grado y se obtiene la tabla del Andeva y la estimación de los
parámetros.
No se debe tomar en cuenta la significación de los componentes en la tabla de Andeva 1.2.2, porque este
paso ya se hizo en la tabla 1.2.1. El cálculo de significación en la tabla 1.2.2. usa el error de la tabla 1.1.2
que tiene 20 g.l. En cambio la tabla 1.2.2 usa error con 21 g.l. Este grado de libertad adicional es por el
componente cuartico que automáticamente el Proc GLM suma al término del error en la tabla 1.2.2 ya
4
que al no ser significativo en la tabla 1.2.1, se excluyó este término en la declaración del modelo del Proc
GLM para generar la tabla 1.2.2 .
La información mas
importante que se consigue
en la tabla 1.2.2 es la función
polinómica estimada de
tercer grado, la cual es:
Y(estimada) =
62.61142857
-9.01142857*X +
0.48142857*X*X
-0.0076*X*X*X
en que Y es la resistencia y X
es el porcentaje del algodón.
Se puede maximizar esta

función y para hacer esto se
calcula la derivada de
Y(estimada ) con respecto X.
Luego se iguala la expresión
de la derivada a cero y se
obtiene una ecuación
cuadrática cuya solución
produce el valor del X para el
cual se obtiene máximo de
Y(estimada).
Se podrá verificar que
el máximo de la
resistencia se produce
para X = 28.23 y el
valor del máximo es
20.90
Conclusión:
La relación ente la resistencia de la fibra sintética y el porcentaje del algodón se puede representar por la siguiente
función polinómica estimado de grado tres:
Y(estimada) = 62.61142857 -9.01142857*X + 0.48142857*X*X -0.0076*X*X*X
El valor de la resistencia de la fibra sintética crece a medida que aumenta el valor del porcentaje del algodón,
alcanzando su valor máximo de 20.90 cuando el porcentaje del algodón asume el valor igual a 28.23
5
Diseño Bloques aleatorios:
(2.1): Diseño Bloques aleatorios: (balanceado con efectos fijos)
(2.2): Diseño Bloques aleatorios: (no balanceado con efectos fijos)
(2.1): Diseño Bloques aleatorios: (balanceado con efectos fijos)
Fuente de datos: Li, J.C.R. Capítulo 14

Hay 6 tratamientos de Variedades y 5 bloques. Este experimento se hizo en el campo experimental.
Tabulación de datos: por filas como Variedades y por columnas como bloques;
La variable repuesta es el rendimiento.
Datos:
32.6 41.0 17.9 23.8 19.6
38.4 39.4 37.1 42.8 21.8
65.1 59.9 41.9 36.1 21.1
54.2 46.4 43.6 35.1 43.4
83.7 37.9 69.3 63.8 50.7
77.1 70.8 57.7 51.1 46.5
Tabla 2.1.1: Análisis de varianza para Diseño B. A.
Sum of Mean
Model 9 6529.2027 725.4670 7.14 0.0001
Error 20 2033.4093 101.6705

0.762525 22.08317 10.083 45.660

VARIEDADES 5 4541.6840 908.3368 8.93 0.0001
BLOQUES 4 1987.5187 496.8797 4.89 0.0065
Comentarios:
El Modelo Lineal del diseño usado en este experimento es:
Yij = ij + ij ; i = 1,...,k ; j = 1,..,n ; .= 0 ; . = 0 ;
en que, iel efecto del tratamiento i - ésimojel efecto del bloque j - ésimo
ij = error aleatorio para la observación en el j - ésimo bloque y el tratamiento i - ésimo. ij ~ NID(0, )  para i
= 1,...,k ; j = 1,..,n ;)
Hipótesis nula y alternante:

H0: i; para todo i = 1,...,k; HA: i; para algún i ;
H0: j; para todo j = 1,...,n; HA: j; para algún j ;
Nota: Las hipótesis antes especificadas también se pueden enunciar en términos de promedios de
poblaciones de varidades y bloques respectivamente en una forma similar tal como se hizo en el
ejemplo 1.1 .
El valor del F calculado para variedades es altamente significativo. Por lo tanto será necesario usar un
método del análisis posterior para determinar cual es la mejor variedad.
6
El valor del F calculado para bloques es altamente significativo y esto indica que se justificó el uso del
diseño bloques aleatorios ya que una parte de la variabilidad total que se particiona en el análisis de
varianza como bloques es significativa. (Si F para bloques en un diseño bloques aleatorios usado en el
campo experimental no es significativo, entonces diríamos que los bloques no fueron construidos y
ubicados con una orientación correcta. La orientación correcta consiste en ubicar los bloques en
forma perpendicular a la dirección en que varía la fertilidad del suelo. El Contraste de hipótesis acerca de
los bloques aún cuando no es de interés directo para el Investigador, se considera como un paso
importante para confirmación de criterios usado en el planeamiento del experimento.)
Tabla 2.1.2: Análisis posterior por el Método de uncan:

Duncan's Multiple Range Test for variable: Y
NOTE: This test controls the type I comparisonwise error rate,
not the experimentwise error rate
Alpha= 0.05 df= 20 MSE= 101.6705
Number of Means 2 3 4 5 6
Critical Range 13.30 13.96 14.38 14.68 14.89
Means with the same letter are not significantly different.
Duncan Grouping Mean N VARIEDAD
A 61.080 5 5
A
A 60.640 5 6
B 44.820 5 3
B
B 44.540 5 4
B
C B 35.900 5 2
C
C 26.980 5 1
Comentarios:
El uso del Rango múltiple de Duncan produce tres conjunto disjuntos de variedades. El grupo con el mejor
rendimiento consta de dos variedades que son las variedades números 5 y 6. Cualquiera de estas dos variedades se
pueden usar y entre ellas no existe diferencia significativa.
(2.2): Diseño Bloques aleatorios: (no balanceado con efectos fijos)

Hay 3 tratamientos de Variedades y 5 bloques.
Existe un dato faltante que se encuentra en el primer tratamiento y primer bloque.
Tabulación de datos: por filas como Tratamientos y por columnas como bloques:
. 887 897 850 975

857 1189 918 968 909
917 1072 975 930 954
Tabla 2.2.1: Diseño B. A. con un dato faltante

Sum of Mean
7
Model 6 62501.989 10416.998 1.79 0.2316
Error 7 40713.725 5816.246

0.605547 8.029030 76.264 949.86

BLOCK 4 42255.048 10563.762 1.82 0.2303
TRAT 2 20246.942 10123.471 1.74 0.2435
Source DF Type III SS Mean Square F Value Pr > F

BLOCK 4 49805.025 12451.256 2.14 0.1785
TRAT 2 20246.942 10123.471 1.74 0.2435
Comentarios:
Este ejemplo tiene el propósito de ilustrar el procedimiento a usar y los aspectos computacionales cuando existe(n)
dato(s) faltante(s) en un diseño B. A. con efectos fijos.
Generalmente un diseño B. A. se planifica como un diseño balanceado pero al perder uno o más datos
experimentales, el diseño llega a ser un diseño no balanceado. Pueden surgir muchas complicaciones en el análisis
estadístico y pérdidas de propiedades óptimas del diseño por el no balanceo, por ejemplo: El error estándar de
promedios de tratamientos ya no es un valor constante sino varia según si se trata del promedio de un tratamiento
que tiene el problema de dato(s) faltante(s) o no. Se pierde la propiedad de ortogonalidad del diseño ya que no se
cumplirá la propiedad que S.C. Total = S.C. Bloques + S.C. Tratamientos + S.C. Error experimental. En general se
reduce la potencia de la dócima del estadístico F , lo cual pudiera hacer difícil detectar las diferencias
significativas.
En cuanto al procedimiento computacional a usar, se hace necesario usar Sumas de cuadrados, cuadrados medios y
F del tipo III (Type III ) en la salida del SAS, para ambas fuentes de variación que serían bloques y tratamientos.
En este ejemplo el valor de F para bloques es 2,14 y el valor de F para tratamientos es 1,74
8
Diseño Cuadrado Latino
(3.1): Cuadrado Latino:
4 Filas: 4 Columnas: 4 Tratamientos(Variedades de Trigo) ;

y = Rendimiento por parcela en Kg. ;
Ejemplo: Steel, R.G.D y Torrie, J.H.: Capitulo 8 ;
DATOS:
C 10.5 D 7.7 B 12.0 A 13.2
B 11.1 A 12.0 C 10.3 D 7.5
D 5.8 C 12.2 A 11.2 B 13.7
A 11.6 B 12.3 D 5.9 C 10.2

Sum of Mean

Model 9 87.680000 9.742222 21.49 0.0007
Error 6 2.720000 0.453333

0.969912 6.443065 0.6733 10.450

FILAS 3 1.955000 0.651667 1.44 0.3219
COLUMNAS 3 6.800000 2.266667 5.00 0.0452
TRATAMIENTOS 3 78.925000 26.308333 58.03 0.0001
Comentarios:
Considerando el nivel de significación  = 0,05, observamos que el F calculado para Filas no es
significativo mientras el valor de F calculado para columnas es significativo. Esto podría indicar que ha habido
una falla en el planeamiento del diseño y/o la construcción de las columnas. Surgen dudas sobre la justificación del
diseño utilizado, ya que se pudo utilizar el diseño bloques aleatorios para controlar la variabilidad por columnas.
F para tratamientos es altamente significativo. Por lo tanto, se debe realizar Análisis del Rango Múltiple de Duncan
para determinar el mejor tratamiento. . Se omite este cómputo aquí, ya que sería similar como se ha hecho esto en
ejemplos anteriores.
(4): Experimentos Factoriales

(4.1): Experimento Factorial 2x4 en el Diseño B. A.
(4.1): Experimento Factorial 2x4 en el Diseño B. A.
* Datos: Li, J C. R., Capitulo 18: Introduction to Statistical Inference

* Factores: Fecha de siembra con 2 niveles: Temprana , Tardía ;
* Factor: Abono con 4 niveles: Abono estándar, Aéreo, Na, y, K ;
* Número de bloques = 4 ;
* Variable respuesta: rendimiento por parcela de soya ;
* Tabulación de datos:
* Bloques ;
* Fecha de siembra Abono 1 2 3 4 ;
* Temprana Abono estándar - - - - ;
* Temprana Aéreo - - - - ;
* Temprana Na - - - - ;
9
* Temprana K - - - - ;
* .... Después siguen 4 lineas siguientes para fecha de siembra tardía ....;
Datos:
28.6 36.8 32.7 32.6
29.1 29.2 30.6 29.1
28.4 27.4 26.0 29.3
29.2 28.2 27.7 32.0
30.3 32.3 31.6 30.9
32.7 30.8 31.0 33.8
30.3 32.7 33.0 33.9
32.7 31.7 31.8 29.4
Sum of Mean
Model 10 94.100000 9.410000 2.97 0.0169
Error 21 66.438750 3.163750

0.586151 5.773807 1.7787 30.806

BLOQUE 3 7.306250 2.435417 0.77 0.5238
FECHA 1 32.000000 32.000000 10.11 0.0045
ABONO 3 16.401250 5.467083 1.73 0.1919
FECHA*ABONO 3 38.392500 12.797500 4.05 0.0204
Comentarios:
Usaremos el nivel de significación igual a 0,05 . Observamos que el valor de F para bloques no es significativo.
Esto indica que hubo una falla en el planeamiento del experimento y/o en la construcción o orientación de los
bloques en el campo experimental.
La interacción Fecha x Abono es significativa y en consecuencia no se puede realizar el análisis posterior entre los
promedios de niveles de ninguno de los dos factores. El Análisis gráfico de esta interacción revela que las líneas de
promedios correspondientes a las fechas de siembra muestran una intersección indicando que existe una interacción
10
por el cambio en la dirección de la respuesta. Ya que el factor Abono no es significativo, no necesitamos hacer
ningún análisis posterior entre los promedios de 4 niveles del factor abono. La interacción Fecha x Abono
significativa, implica que la que será la mejor fecha dependerá del nivel del factor Abono con que esta se
combina. Pero si se puede aplicar cualquier método del análisis posterior, (por ejemplo Duncan) sobre los 8
promedios de tratamientos formados por todas las combinaciones posibles entre los 2 niveles del factor Fecha y los
4 niveles del Factor abono.Tomando en cuenta la información que se presenta en el cuadro más arriba, podemos
hacer diferentes tipos de comparaciones: Comparación entre promedios de diferentes tipos de Abono para la
siembra Temprana. Comparación entre promedios de diferentes tipos de Abono para la siembra Tardía.
Comparación entre promedios de los dos tipos de fechas de siembra separadamente para cada tipo de abono. (No se
requiere a volver a hacer otro cómputo del método de Duncan, sino usar los resultados del Análisis de Duncan ya
disponible) El tratamiento que tiene el rendimiento más alto es cuando se combina el Abono estándar con una
siembra temprana.
Diseños de Parcelas Divididas:

Los datos utilizados en este ejemplo proviene del libro de Steel, R.G.D. y Torrie, J.H. 4 lotes de semillas de avena
fueron usados como tratamientos principales. Hay 4 sub tratamientos que consisten en un testigo mas tres
productos químicos que sirven para controlar una enfermedad de plantas. Se usaron 4 bloques.
Este diseño asigna la máxima precisión de estimación al factor productos químicos (Sub Tratamientos) y la mínima
precisión a al factor Lotes de semillas(Tratamiento principal).
Tabulación de datos:Los datos se muestran en el programa de SAS. Las primeras 4 filas de datos corresponden a
los datos de los bloques 1 - 4, para el primer nivel del Tratamiento principal. Dentro de cada fila hay 4 datos
correspondientes a los 4 niveles de sub tratamientos. Las próximas 4 filas de datos corresponden a los datos de los
bloques 1 - 4, para el segundo nivel del Tratamiento principal. Dentro de cada fila hay 4 datos correspondientes a
los 4 niveles de sub tratamientos. etc. y así sucesivamente hasta la tabulación de las últimas 4 filas correspondientes
al cuarto y último nivel del Tratamiento principal.
Programa fuente SAS:

data pdivid ;
do tratprin = 1 to 4;
do bloques = 1 to 4;
do subtrat = 1 to 4;
input Y @;
output;
end;
input;
end;
end;
cards;
42.9 53.8 49.5 44.4
41.6 58.5 53.8 41.8
28.9 43.9 40.7 28.3
30.8 46.3 39.4 34.7
53.3 57.6 59.8 64.1
69.6 69.6 65.8 57.4
45.4 42.4 41.4 44.1
35.1 51.9 45.4 51.6
62.3 63.4 64.5 63.6
58.5 50.4 46.1 56.1
44.6 45.0 62.6 52.7
50.3 46.7 50.3 51.8
75.4 70.3 68.8 71.6
65.6 67.3 65.3 69.4
11
54.0 57.6 45.6 56.6
52.7 58.5 51.0 47.4
;
proc print; run;

proc GLM;
class Bloques Tratprin Subtrat;
model Y = Bloques Tratprin Bloques*Tratprin Subtrat Tratprin*Subtrat /ss1 ;
test h= Bloques Tratprin e=Tratprin*Bloques;
means Tratprin subtrat Tratprin*subtrat;
title 'Diseño Parcela Dividida';
run;
Salida SAS:
Nota: La salida SAS, tal como imprime el computador no se puede usar, sino será necesario
reordenar la información obtenida en una tabla de Andeva definitiva. Esta tabla que se
obtenga, se llamará como tabla de andeva del diseño de parcelas divididas, sin usar el calificativo
"definitiva". Se usa este calificativo "definitiva" simplemente para indicar que hay un trabajo que hacer y
una vez que este trabajo esta hecho, se obtendrá la tabla de andeva, la que se va a usar. Esta tabla se
muestra después de la salida SAS, la cual lleva algunas indicaciones en color rojo para preparar la tabla
de Andeva definitiva:
Diseño Parcela Dividida

Sum of Mean
Model 27 7066.1919 261.7108 12.89 0.0001
Error 36 731.2025 20.3112 Nombrarla como Error(b)

0.906225 8.534077 4.5068 52.809

BLOQUES 3 2842.8731 947.6244 46.66 0.0001 No usar esta Fila.
TRATPRIN 3 2848.0219 949.3406 46.74 0.0001 No usar esta Fila.
BLOQUES*TRATPRIN 9 618.2944 68.6994 3.38 0.0042 Nombrarla como
Error(a)
SUBTRAT 3 170.5369 56.8456 2.80 0.0539
TRATPRIN*SUBTRAT 9 586.4656 65.1628 3.21 0.0059
Tests of Hypotheses using the Type I MS for

BLOQUES*TRATPRIN as an error term
BLOQUES 3 2842.8731 947.6244 13.79 0.0010 Usar esta Fila.

TRATPRIN 3 2848.0219 949.3406 13.82 0.0010 Usar esta Fila.
A continuación se muestra la Tabla de Andeva definitiva.

Análisis de Varianza
Fuentes de Variación G.L. S.C. C.M. F Pr > F
12
BLOQUES 3 2842.8731 947.6244 13.79 0.0010
TRATPRIN 3 2848.0219 949.3406 13.82 0.0010
Error(a) 9 618.2944 68.6994
SUBTRAT 3 170.5369 56.8456 2.80 0.0539
TRATPRIN*SUBTRAT 9 586.4656 65.1628 3.21 0.0059
Error(b) 36 731.2025 20.3112
Comentarios:
Consideraremos el nivel de significación  = 0,05. F para bloques es significativo y esto indica que hubo
justificación en usar bloques en el diseño para controlar la variabilidad.
Tratprin es la abreviatura para Tratamientos principales y tiene el valor de F significativo, lo cual implica que hay
diferencias significativas entre los promedios poblacionales de los 4 lotes de semillas de avena. La fuente de
variación Sub tratamientos no tiene el valor de F significativo y esto señala que no existen diferencias significativas
entre los promedios poblacionales de los 4 productos químicos.
La interacción tratamientos principal*subtratamientos es significativa lo cual indica que el

mejor lote de semilla de avena podría ser diferente para los diferentes productos químicos
usados. También observamos que debido a la presencia de la interacción significativa no
podemos aplicar el método del análisis posterior a los promedios de los 4 lotes de semillas de
avena sino que los mismos deben ser comparados separadamente por cada uno de 4 productos
químicos y así también podemos comparar las 16 combinaciones de tratamientos.
Análisis Gráfico:
En la gráfica de la interacción Tratamiento Principal x Sub tratamiento, se observa la presencia de una
interacción por el cambio en la dirección de la respuesta, ya que las líneas, correspondientes a los
tratamientos principales, muestran puntos de intersección.
La línea de promedios correspondiente al Tratamiento principal número 4, siempre se encuentra

arriba de las otras tres líneas restantes. Por lo tanto, el mejor tratamiento principal, debería ser el
cuarto, sujeto a confirmación del resultado del Análisis de Duncan
Análisis de Duncan: Ya que la interacción Tratamiento Principal x Sub Tratamiento es

significativa, no podemos realizar análisis posterior sobre los promedios de Tratamientos
13
principales y asimismo tampoco sobre los promedios de Sub Tratamientos (además este último es
no significativo). Se puede hacer la comparación entre los 16 tratamientos combinaciones por el
Análisis de Duncan y el resultado de este procedimiento podrá ser usado para responder
preguntas inicialmente planteadas en el objetivo del experimento.
Para realizar el cómputo del método de Duncan, es necesario obtener un estimación del error
experimental, la cual se puede hallar por el promedio ponderado de los cuadrados medios de los
dos errores (a) y (b) en el diseño. En este ejemplo, esta estimación mancomunada tendrá 45 g.l.
El Análisis de Duncan revela que el mejor tratamiento es la combinación 42. También se ha
formado otro grupo que contiene las combinaciones de tratamientos: 14 y 11, que tiene los
promedios más bajos para la variable respuesta rendimiento.
Utilizando los resultados del del Análisis de Duncan, también se puede determinar: (No se
requiere a volver a hacer otro cómputo del método de Duncan, sino usar los resultados del
Análisis de Duncan ya disponible.)
(a): el mejor subtratamiento para cada uno de los tratamientos principales separadamente.
(b): el mejor Tratamiento Principal para cada uno de los Subtratamientos separadamente.
(6): Diseño de Parcelas Sub Divididas
Los datos utilizados en este ejemplo proviene del libro de Montgomery, D. Se trata de una investigación
médica para estudiar el tiempo de absorción de un cierto tipo de cápsula antibiótica. En esta investigación
se utilizaron 3 técnicos como Tratamientos principales, 3 dosis como Sub Tratamientos y 4 niveles de
grosor de la pared de cápsula como Sub Sub Tratamientos. El experimento se hizo en 4 bloques.
Este diseño asigna la máxima precisión de estimación al factor grosor (Sub Sub Tratamientos) , la mediana
precisión al factor dosis (Sub Tratamientos) y la mínima precisión al factor técnico (Tratamiento
principal).
Tabulación de datos:
El esquema de la tabulación de datos se presenta a continuación. Los datos se muestran en el programa de
SAS.
Técnico
-----------------------------------------------------
1 2 3
-----------------------------------------------------
Bloques Dosis 1 2 3 1 2 3 1 2 3
-----------------------------------------------------
Grosor - - - - - - - - -
1 - - - - - - - - -
1 2 - - - - - - - - -
3 - - - - - - - - -
4 - - - - - - - - -
- indica un dato. Cada fila tiene 9 datos. Este esquema se repite para los 3 bloques restantes.
Programa fuente SAS:

title Parcelas sub divididas;
data psubdiv ;
do Bloques = 1 to 4;
14
do Grosor = 1 to 4;
do Tecnico = 1 to 3;
do dosis = 1 to 3 ;
input y @@;
output;
end;
end;
input;
end;
end;
cards;
95 71 108 96 70 108 95 70 100
104 82 115 99 84 100 102 81 106
101 85 117 95 83 105 105 84 113
108 85 116 97 85 109 107 87 115
95 78 110 100 72 104 92 69 101
106 84 109 101 79 102 100 76 104
103 86 116 99 80 108 101 80 109
109 84 110 112 86 109 108 86 113
96 70 107 94 66 100 90 73 98
105 81 106 100 84 101 97 75 100
106 88 112 104 87 109 100 82 104
113 90 117 121 90 117 110 91 112
90 68 109 98 68 106 98 72 101
100 84 112 102 81 103 102 78 105
102 85 115 100 85 110 105 80 110
114 88 118 118 85 116 110 95 120
;
proc print; run;
PROC GLM;
class Bloques Tecnico Dosis Grosor ;
model y = bloques tecnico bloques*tecnico dosis tecnico*dosis
dosis*bloques(tecnico)
grosor tecnico*grosor dosis*grosor tecnico*dosis*grosor/ss1 ;
test h=bloques tecnico e=bloques*tecnico;

test h=dosis tecnico*dosis e=dosis*bloques(tecnico);
Run;
Salida SAS:
Parcelas subdivididas
Sum of Mean
Model 62 25921.472 418.088 46.83 0.0001
Error 81 723.188 8.928 Nombrar esta F.V. como Error(c)
0.972858 3.074926 2.9880 97.174
BLOQUES 3 48.410 16.137 1.81 0.1524 No usar esta Fila.

TECNICO 2 248.347 124.174 13.91 0.0001 No usar esta Fila.
15
BLOQUES*TECNICO 6 161.153 26.859 3.01 0.0105 Nombrarla como
Error(a)
DOSIS 2 20570.056 10285.028 1151.97 0.0001 No usar esta Fila.
TECNICO*DOSIS 4 125.944 31.486 3.53 0.0105 No usar esta Fila.
BLOQUE*DOSIS(TECNIC) 18 226.000 12.556 1.41 0.1514 Nombrarla como
Error(b)
GROSOR 3 3806.910 1268.970 142.13 0.0001
TECNICO*GROSOR 6 126.486 21.081 2.36 0.0375
DOSIS*GROSOR 6 402.278 67.046 7.51 0.0001
TECNICO*DOSIS*GROSOR 12 205.889 17.157 1.92 0.0435

BLOQUES*TECNICO as an error term

BLOQUES 3 48.40972 16.13657 0.60 0.6378
TECNICO 2 248.34722 124.17361 4.62 0.0609

BLOQUE*DOSIS(TECNIC) as an error term

DOSIS 2 20570.056 10285.028 819.16 0.0001
TECNICO*DOSIS 4 125.944 31.486 2.51 0.0784
A continuación se muestra la Tabla de Andeva definitiva.

Análisis de Varianza
Fuentes de Variación G.L. S.C. C.M. F Pr > F
BLOQUES 3 48.40972 16.13657 0.60 0.6378
TECNICO 2 248.34722 124.17361 4.62 0.0609
Error(a) 6 161.153 26.859
DOSIS 2 20570.056 10285.028 819.16 0.0001
TECNICO*DOSIS 4 125.944 31.486 2.51 0.0784
Error(b) 18 226.000 12.556
GROSOR 3 3806.910 1268.970 142.13 0.0001
TECNICO*GROSOR 6 126.486 21.081 2.36 0.0375
DOSIS*GROSOR 6 402.278 67.046 7.51 0.0001
TECNICO*DOSIS*GROSOR 12 205.889 17.157 1.92 0.0435
Error(c) 81 723.188 8.928
Comentarios:
El valor de F para Técnico no es significativo. Esto indica que los tres Técnicos han tenido éxito en conducir el
experimento de una manera uniforme. Puesto que F para dosis es significativo, podemos concluir que existen
diferencias significativas entre las potencias de las 3 dosis que se han probado en este experimento. La interacción
Técnico*Dosis al no ser significativa, asegura que las 3 dosis entre ellas mantienen las mismas diferencias relativas
del tiempo de absorción , no importa cual es el Técnico quién lo prepara. Esta información es importante ya que
esto asegura la uniformidad en la calidad del producto elaborado.
Grosor es significativo, lo cual implica que la potencia del antibiótico depende del grosor de la pared de cápsula. La
interacción DOSIS*GROSOR es significativa. Esto indica que el factor dosis y el factor grosor de la cápsula no
son independientes. La interacción TECNICO*GROSOR es significativa indicando que el nivel del factor grosor
que tenga el mejor tiempo de absorción depende del técnico quién ha elaborado el antibiótico. La interacción triple
Tecnico*Dosis* Grosor, por ser una interacción de tres factores puede ser causada de una manera compleja por la
significación de cualesquiera de las siguientes interacciones: Técnico por Dosis*Grosor, o Dosis por
Técnico*Grosor o por Grosor por Técnico*Dosis.
A continuación se presenta la información necesaria para hacer el Análisis gráfico de las 3 interacciones dobles:
16
Análisis Gráfico:
Sabemos que una interacción doble es causada por una o ambas de las siguientes razónes:
(1): Existe diferencia en la magnitud de respuesta. (Se identifica esta situación en la gráfica cuando algunas o todas
de las líneas no son paralelas pero no existe intersección entre ellas.)
(2): Existe diferencia en la dirección de respuesta. (Se identifica esta situación en la gráfica cuando algunas o todas
de las líneas intersectan entre ellas.)

Cuando todas las líneas en la gráfica son paralelas, entonces no existe interacción.
En las 3 gráficas que se presentan arriba, podemos observar que:
(1): Ninguna de las 3 gráficas muestran líneas paralelas y en consecuencia suma de cuadrados para interacción para
cada una de los 3 interacciones será mayor que cero.
(2): Ninguna de las 3 gráficas presentan la diferencia en la dirección de respuesta, ya que no existe intersección
entre las líneas.
(3): Cada una de las 3 gráficas muestra diferencia en la magnitud de respuesta, siendo esta de un grado leve para la
interaccion Técnico*Dosis la cual no alcanza significación para  = 0,05 .
En cambio, las interacciones Técnico*grosor y Dosis*Grosor muestran las diferencias en la magnitud de
respuesta en un grado más pronunciado y así alcanzan significación para  = 0,05 en la tabla de ANDEVA.
Análisis Posterior:
Ya que la interacción triple Tecnico*Dosis*Grosor y dos interacciones dobles son significativas, no se puede hacer
el análisis posterior sobre los promedios de los niveles de ninguno de los 3 factores.
Podemos realizar el análisis de Duncan sobre los promedios tridimensionales de Técnico, Dosis y Grosor. Este
cálculo requiere la estimación de la varianza del promedio tridimensional y se puede obtener por el promedio
ponderado de los cuadrados medios de los 3 tipos de errores a, b, y c. Esta estimación tendrá 105 g.l.. A
continuación se representa en forma resumida el resultado obtenido por el uso del análisis de Duncan:
Duncan Grouping Mean N TRAT

A 115.250 4 413
A
A 115.000 4 313
A
17
A 115.000 4 433
A
B A 112.750 4 423
B A
B A 112.000 4 421
........................................
Se omiten los valores intermedios
........................................
N 71.750 4 112
N
N 71.000 4 132
N
N 69.000 4 122
El grupo de combinaciones de tratamiento con promedios que tengan valores más altos de la variable respuesta
son: 413, 313 y 433 . Asimismo, el grupo formado por las combinaciones de tratamientos: 112, 132 y 122, tiene
promedios con valores más bajos de la respuesta.
Tomando en cuenta los resultados del del Análisis de Duncan, también se puede determinar:
(a): El mejor Técnico para cada una de las combinaciones de Dosis por Grosor.
(b): La mejor Dosis para cada una de las combinaciones de Técnico por Grosor.
(c): El mejor Grosor para cada una de las combinaciones de Técnico por Dosis.
(No se requiere a volver a hacer otro cómputo del método de Duncan, sino usar los resultados del Análisis de
Duncan ya disponible.)
18

Interpretac Diseños Varios

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Interpretac Diseños Varios

Încărcat de

Drepturi de autor:

Formate disponibile

Técnicas para interpretar resultados de Análisis de Varianza:

con Ejemplos usando SAS:

Objetivos de esta Página:

Esta página tiene los siguientes objetivos:

IMPORTANT NOTICE ABOUT THE COPYRIGHTS.

(1.1): Caso fijo y balanceado: Tratamientos cualitativos

Tabla 1.1.1: Datos experimentales:

Tabla 1.1.2: Tabla de ANDEVA: Diseño Completamente aleatorio

R-Square C.V. Root MSE Y Mean

Fijaremos el nivel de significación  = 0,05 para sacar las conclusiones estadísticas.

En este ejemplo tenemos k = 5 y n = 5 ;

Hipótesis nula y alternante:

Tabla 1.1.3: Comparación de promedios de tratamientos por el método de

Means with the same letter are not significantly different.

Duncan Grouping Mean N X

Tabla 1.2.2: AJUSTE DE UNA REGRESION CUBICA DE Y SOBRE X:

R-Square C.V. Root MSE Y Mean

Source DF Type I SS Mean Square F Value Pr > F

T for H0: Pr > |T| Std Error of

INTERCEPT 62.61142857 1.57 0.1302 39.75743623

Se puede maximizar esta

(2.1): Diseño Bloques aleatorios: (balanceado con efectos fijos)

Fuente de datos: Li, J.C.R. Capítulo 14

Tabla 2.1.1: Análisis de varianza para Diseño B. A.

General Linear Models Procedure

R-Square C.V. Root MSE Y Mean

Source DF Type I SS Mean Square F Value Pr > F

Hipótesis nula y alternante:

Tabla 2.1.2: Análisis posterior por el Método de uncan:

Means with the same letter are not significantly different.

Duncan Grouping Mean N VARIEDAD

(2.2): Diseño Bloques aleatorios: (no balanceado con efectos fijos)

. 887 897 850 975

Tabla 2.2.1: Diseño B. A. con un dato faltante

R-Square C.V. Root MSE Y Mean

Source DF Type I SS Mean Square F Value Pr > F

Source DF Type III SS Mean Square F Value Pr > F

4 Filas: 4 Columnas: 4 Tratamientos(Variedades de Trigo) ;

General Linear Models Procedure

Source DF Squares Square F Value Pr > F

R-Square C.V. Root MSE Y Mean

Source DF Type I SS Mean Square F Value Pr > F

(4): Experimentos Factoriales

(4.1): Experimento Factorial 2x4 en el Diseño B. A.

* Datos: Li, J C. R., Capitulo 18: Introduction to Statistical Inference

General Linear Models Procedure

R-Square C.V. Root MSE Y Mean

Source DF Type I SS Mean Square F Value Pr > F

Diseños de Parcelas Divididas:

Programa fuente SAS:

proc print; run;

Diseño Parcela Dividida

R-Square C.V. Root MSE Y Mean

Source DF Type I SS Mean Square F Value Pr > F

Tests of Hypotheses using the Type I MS for

Source DF Type I SS Mean Square F Value Pr > F

BLOQUES 3 2842.8731 947.6244 13.79 0.0010 Usar esta Fila.

A continuación se muestra la Tabla de Andeva definitiva.

La interacción tratamientos principal*subtratamientos es significativa lo cual indica que el

La línea de promedios correspondiente al Tratamiento principal número 4, siempre se encuentra

Análisis de Duncan: Ya que la interacción Tratamiento Principal x Sub Tratamiento es

(6): Diseño de Parcelas Sub Divididas

Programa fuente SAS: