Professional Documents
Culture Documents
Diseño en Bloques
Completamente Aleatorio
1, Introducción
ANOVA de Dos Vías
Influye ¿Influye?
2
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
1, Introducción
Influye ¿Influye?
Un diferente tipo de harina hace que la textura del pan sea diferente,
pero ¿La persona que lo prueba también proporciona diferentes
resultados?
3
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
1, Introducción
Variables de Estudio
La diferencia entre el factor y el bloque no influye sobre el análisis estadístico, sólo influye sobre la
interpretación:
ANOVA de Dos Vías
Factor: es la variable que se considera con seguridad tiene una influencia significativa sobre la variable
dependiente, Es la variable sobre la que se tiene un mayor interés de estudio, Ejemplo: temperatura,
ambiente de conservación, etc,
Bloque: también conocida como variable interviniente, es una variable que se sospecha podría causar
una variación en la variable dependiente, por lo general es de tipo cualitativo,
Generalmente tiene alguna relación con el factor, En ocasiones las repeticiones se investigan como
bloque para encontrar si el investigador ejecutó bien los resultados, Ejemplo: variedad de fruta, tipo de
harina, panelista en una evaluación sensorial,
4
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
2, Diseño en Bloques Completamente Aleatorio
Número de Variables: El DBCA analiza la influencia de dos variables independientes sobre una
ANOVA de Dos Vías
variable dependiente.
Naturaleza de las Variables independientes: Las variables independientes pueden ser cualitativas o
cuantitativas, Se fija un número limitado de niveles para cada variable y los niveles se combinan para dar
el total de experimentos,
Naturaleza de la variable dependiente: La variable dependiente debe ser necesariamente continua y
debe ajustarse a una distribución normal para poder ser analizado según los procedimientos siguientes,
Cantidad de Experimentos: El ANOVA de dos vías requerirá más experimentos cuanto más niveles
tengan las variables, Por ello es un diseño tedioso, largo y si se fijan repeticiones es aún más,
Repeticiones: A diferencia del ANOVA de una vía o Diseño Completamente Aleatorio, las repeticiones
para cada combinación de niveles es opcional,
5
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
1, Introducción
pH en la extracción de
pH 3,0 4, Extracción a 70º C a pH 3
antocianina:
70° C pH 4,0 5, Extracción a 70º C a pH 4
pH 5,0 6, Extracción a 70º C a pH 5
60 70 80 90
8,5 8,7 10,1 15,3
Niveles del factor
3 8,6 8,9 10,3 16,1 1 (a = 4)
8,7 9,1 10,5 15,4
Niveles del 7,5 8,5 9,5 12,3 Repeticiones
bloque o 4 7,6 8,4 9,4 12,1 por cada
factor 2 combinación de
7,4 8,3 9,5 12,4 niveles (n = 3)
(b = 4) 6,2 7,3 9,1 10,8
5 6,8 7,4 9,2 10,6
6,4 7,4 9,3 10,4
Resultados de la variable dependiente
7
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
3, El ANOVA de Dos Vías
Hipótesis Consideradas
Debido a la presencia de dos variables independientes, deben formularse dos pares de hipótesis, un
par para cada variable independiente (variable bloque y la variable Factor):
ANOVA de Dos Vías
8
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
2, Diseño en Bloques Completamente Aleatorio
Estadísticos Observados
El estadístico observado para el bloque o tratamiento se define como:
ANOVA de Dos Vías
y SS Fact1
2
MS Fact
MS Fact1 F0
a 1
io 2
Factor 1 yoo
SS Fact 1 i 1
GLFact1 MS Error
bn N
b
yoj
2
SS Fact 2 MS Fact
Factor 2 b 1 j 1 yoo
2 MS Fact 2 F0
SS Fact 2 GLFact 2 MS Error
an N
SS Error
Error N a SS Error SSTotal SS Fact1 SS Fact 2 MS Error
GLError
a b 2
y
Total N 1 yij oo
2
SSTot
i 1 j 1 N
10
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
2, Diseño en Bloques Completamente Aleatorio
Ejemplo 1
Se envasó guanábana bajo diferentes condiciones de envasado, y se desea estudiar el efecto del
tipo de envase y el grado de madurez de la fruta, sobre la dureza superficial de la fruta al cabo
ANOVA de Dos Vías
11
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
2, Diseño en Bloques Completamente Aleatorio
12
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
2, Diseño en Bloques Completamente Aleatorio
PAD PP SE PBD
Fruto maduro
fisiológicamente
ANOVA de Dos Vías
Fruto maduro
de forma
intermedia
entre
fisiológico y
organoléptico
Fruto maduro
organoléptica-
mente
13
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
2, Diseño en Bloques Completamente Aleatorio
Paso 1: Definimos las variables de estudio y sus niveles
Factor 1: tipo de atmósfera,
4 niveles: aire normal, vacío, CO2 puro y mezcla aire-CO2
ANOVA de Dos Vías
Error α = 0,05, Al tener dos variables independientes se deben calcular dos valores de
estadístico tabulado, uno para cada variable:
ANOVA de Dos Vías
Error: GLerror = N – a – b + 1
GLerror = 36 – 4 – 3 + 1 = 30
15
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
2, Diseño en Bloques Completamente Aleatorio
Paso 4: Calcular los Estadísticos Observados
Para calcular los estadísticos observados construimos la tabla del ANOVA, para ello evaluamos las
sumatorias de los valores de cada tratamiento de los dos factores:
ANOVA de Dos Vías
M, Fisiológica -- -- -- -- 327,9
n = 3 repeticiones
M, Intermedia -- -- -- -- 318,8
M, Organoléptica -- -- -- -- 297,3
N = 36
y
2
io 2
y
SS Fact 1 i 1 oo
bn N
322,52 308,2 2 133,2 2 180,12 944,0 2
SS Fact 1
3x3 36
SS Fact 1 2931,97
17
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
2, Diseño en Bloques Completamente Aleatorio
M, Fisiológica -- -- -- -- 327,9
n = 3 repeticiones
M, Intermedia -- -- -- -- 318,8
M, Organoléptica -- -- -- -- 297,3
N = 36
y
2
oj 2
j 1 y
SS Fact 2 oo
an N
327,9 2 318,82 297,33 944,0 2
SS Fact 2
4x3 36
SS Fact 2 41,151
18
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
2, Diseño en Bloques Completamente Aleatorio
Calculando la Suma de Cuadrados del Total: para ello utilizamos los datos iniciales:
944,0 2
SSTot (36,4 38,3 33,8 ... 19,8 18,3 )
2 2 2 2 2
36
SSTot 3075,98
19
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
2, Diseño en Bloques Completamente Aleatorio
Paso 4: Calcular los Estadísticos Observados
Calculamos la suma de cuadrados del error y completamos la tabla:
20
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
2, Diseño en Bloques Completamente Aleatorio
Paso 5: Calcular los p-valores
=DISTR.F(6.001 , 2, 30)=0,00642
21
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
2, Diseño en Bloques Completamente Aleatorio
Paso 6: Graficar y Decidir
22
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
2, Diseño en Bloques Completamente Aleatorio
Paso 6: Graficar y Decidir
23
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
2, Diseño en Bloques Completamente Aleatorio
Paso 7: Conclusiones
Factor 1 (tipo de atmósfera): de la hipótesis alternativa significa que existe al menos un “tipo de
atmósfera” que genera un promedio de dureza diferente al resto de tratamientos, considerando un
ANOVA de Dos Vías
24
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
Ingresamos los datos en tres
columnas para indicar que se
tienen tres variables: dos
independientes (atmósfera y
grado de madurez) y una
dependiente (dureza). Cada
tipo de atmósfera y cada
grado de madurez se indican
con números diferentes.
Vamos al menú
“Statistics”, elegimos
la opción “ANOVA”
y aparece una ventana
donde elegimos la
opción “Main effects
ANOVA”
Damos clic en el botón
“Variables” para indicar
la variables
independientes y
dependiente.
Indicamos que la variable
dependiente es la “dureza”
y las variables
independientes son la
“empaque” y la
“madurez”. Damos clic en
botón OK
Aparece esta ventana. Debe
confirmarse que el erro es de
0,05. Para obtener el análisis de
varianza damos clic en el botón
“Univariate results”.
2, Las Pruebas de Comparaciones Múltiples
Aplicación en STATISTICA
Las Pruebas de Comparaciones Múltiples
La tabla del ANOVA coincide con lo calculado manualmente. La interpretación se hace en relación a los p-
valores: en ambas variables Empaque: p-valor 0,000000, Madurez: p-valor 0,006424 son menores al error, significa
que tanto el tipo de Empaque como el grado de madurez generan diferencias significativas en la dureza de la
guanábana durante su almacenamiento. Podemos ejecutar las pruebas de comparaciones múltiples.
30
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
Vamos a la pestaña Post Hoc y damos
clic en el botón Tukey para evaluar las
pruebas de comparaciones múltiples
entre los diferentes tipos de empaque,
Si escogemos la opción Significant
Differences los resultados se
expresarán como p-valores:
2, Las Pruebas de Comparaciones Múltiples
Los valores en rojo son p-valores. Cuando son menores al error de 0,05 significa que entre los dos tipos de
empaque hay diferencia significativa. Podemos Concluir:
Iguales
32
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
2, Las Pruebas de Comparaciones Múltiples
En esta otra forma los tipos de empaque Polipropileno y Polietileno Alta Densidad están agrupados en el
mismo subgrupo 1, lo que indica que presentan una dureza equivalente, y al mismo tiempo son los tratamientos
que generan la mayor dureza.
Una dureza menor la reporta el Polietileno de Baja Densidad, que es una dureza muy distinta al resto, y
finalmente el tipo de empaque con menor dureza es el Sin Envase, cuya dureza es diferente a los otros tipos.
33
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
Podemos También obtener las
pruebas de comparaciones múltiples
para el tipo de madurez cambiando el
Empaque por Madurez en la caseta
señalada.
2, Las Pruebas de Comparaciones Múltiples
En esta forma de Subgrupos homogéneos tenemos que los grados Maduro e Intermedio tiene una dureza
equivalente por estar en el mismo subgrupo, pero los niveles Intermedio y Verde también están en el mismo
subgrupo.
Es decir es algo como: Maduro = Intermedio, e Intermedio = Verde, por tanto todos los niveles de madurez
son de dureza equivalente.
36
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
2, Las Pruebas de Comparaciones Múltiples
Tabla de resumen
Las Pruebas de Comparaciones Múltiples
Todos los datos obtenidos hasta ahora se podrían resumir con la media y la desviación de cada combinación:
Tipo de Empaque
Madurez
PAD PP SE PBD
Valores reportados como Promedio ± SD (n = 3 por cada casilla). Superíndices minúsculos diferentes indican
diferencia significativa en la misma fila, y Superíndices mayúsculos diferentes indican diferencia significativa en la
misma columna según pruebas de Tukey para cada variable con un error del 0,05.
37
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
Podemos regresar a la pestaña
Summary y dar clic en All
Effects/Graphs para ver las pruebas
de comparaciones múltiples de forma
gráfica.
2, Las Pruebas de Comparaciones Múltiples
Empaque; LS Means
Vertical bars denote 0,95 confidence intervals
40
35
30
25
Dureza
20
15
10
Polietileno Alta Densidad Sin Envase
Polipropileno Polietileno Baja Densidad
Empaque
39
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
2, Las Pruebas de Comparaciones Múltiples
27,5
27,0
26,5
26,0
Superposición de la variabilidad,
Dureza
25,5
25,0
podemos concluir que los grados
24,5
intermedio y maduro son iguales.
24,0
23,5
23,0
Verde Intermedio Maduro
Madurez
40
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
2, Diseño en Bloques Completamente Aleatorio
Ejemplo 2
En la extracción de aceite esencial de Menta se busca maximizar el rendimiento de extracción del componente
Mentol. Para ello se analiza el efecto de dos variables: tipo de solvente y la presión de extracción. Se escogen
ANOVA de Dos Vías
cinco solventes, y dos presiones (atmosférica y vacío). Cada experimento se ejecutó por duplicado. Analizar el
efecto de cada variable sobre el rendimiento de extracción de mentol con un 5% de error.
41
Métodos Estadísticos - 2016 Ing, Alejandro Saito Roncal
Métodos Estadísticos en Ingeniería de Alimentos
Semana VII
Actividades
Resolución de la Lista de Ejercicios 4,
42