Академический Документы
Профессиональный Документы
Культура Документы
Características:
1. Las u.e. se distribuyen en grupos , bajo dos criterios de homogeneidad dentro de la fila y dentro
de la columna y heterogeneidad en otra forma.
El nombre de cuadrado Latino se debe a R.A. Fisher [The Arrangement of Field Experiments, J.
Ministry Agric., 33: 503-513 (1926)]. Las primeras Aplicaciones fueron en el campo agronómico,
especialmente en los casos de suelos con tendencias en fertilidad en dos direcciones.
Suponga 4 tratamientos A,B,C y D, con estos tratamientos se pueden formar 4 cuadros diferentes
llamadas típicas o estandar (en la primera fila y en la primera columna se tiene la misma
distribución).
De cada cuadro se obtienen 144 formas diferente, en total se tienen 576 cuadros diferentes.
┌──────────┬────────┬──────────┬──────────────┐
│ Tamaño │ Nro de │ │ Núm total │
│ del │ formas │ Valor de │ de cuadrados │
│ cuadrado │ típica │ n!(n-1)! │ diferentes │
├──────────┼────────┼──────────┼──────────────┤
│ 3 x 3 │ 1 │ 12 │ 12 │
│ 4 x 4 │ 4 │ 144 │ 576 │
│ 5 x 5 │ 56 │ 2880 │ 161280 │
│ 6 x 6 │ 9408 │ 86400 │ 812851200 │
└──────────┴────────┴──────────┴──────────────┘
Asignación de tratamientos.
Los tratamientos deben asignarse empleando uno de los cuadros de los posibles, es decir si son
cuatro tratamientos, escoger entre los 576 posibles.
Modelo estadístico.
Cada observación del experimento es expresado como una relación lineal de los efectos
involucrados ( tratamiento, fila y columna ), así:
Estimación de parámetros.
El número de parámetros a estimar es igual a 3n+1 y la estimación puede resolverse por mínimos
cuadrados del error, máxima verosimilitud u otro método, en nuestro caso se utilizara el método de
mínimos cuadrados del error.
2 2
∑ ∑ error = ∑ ∑ ( Y ij(k) - µ - F i - C j - τ (k) )
ij(k)
La solución constituye el conjunto de estimadores de los parámetros del modelo, dado por:
El sistema de ecuaciones que darán solución constituyen las ecuaciones normales, para tener una
única solución, se agregan al sistema las siguientes restricciones:
∑ Fˆ i = 0 ; ∑ Cˆ j = 0 ; ∑ τˆi = 0
µ̂ = Y ..
Fˆ i = Y i. - Y ..
Cˆ = Y .j - Y ..
τˆ(k) = Y (k) - overlineY ..
Y i. : Promedio de la fila i
Y .j : Promedio de la columna j
Y (k) : Promedio del tratamiento k
Sumas de cuadrados
A partir del modelo estimado, la suma de cuadrados del total es descompuesto en suma de
cuadrados de tratamientos, filas, columnas y error experimental:
2 2 2 2
∑ ∑( Y ij(k) - µˆ ) = ∑ ∑ Fˆ + ∑ ∑Cˆ + ∑ ∑τˆ + ∑ ∑ error
2
i j (k) ij(k)
+ dobles productos
2
∑ ∑τˆ : Suma de cuadrados de tratamientos
(k)
2
∑ ∑ error : Suma de cuadrados del error
ij(k)
Aplicación:
"Evaluación del sistema de riego por exudación utilizando cuatro variedades de melón, bajo
modalidad de siembra, SIMPLE HILERA.". Se desea probar el comportamiento de tres variedades
híbridas de melón y uno estándar. (Tesis).- autor Alberto Ángeles L.
C1 C2 C3 C4 C1 C2 C3 C4
F1 45 50 43 35 F1 V1 V2 V3 V4
F2 29 53 41 63 F2 V4 V3 V2 V1
F3 37 41 41 63 F3 V2 V4 V1 V3
F4 38 40 35 41 F4 V3 V1 V4 V2
Solucion:
C1 C2 C3 C4 Y.j
F1 45 50 43 35 173
F2 29 53 41 63 186
F3 37 41 41 63 182
F4 38 40 35 41 154
Yi. 149 184 160 202 695
V1 V2 V3 V4
189 169 197 140 695
Estimacion de parametros :
µ : 695/16 = 43.4375
τ1 : 189/4 – 43.4375 = 3.81 ; τ2 : -1.18 ; τ3 : 7.57 ; τ4 : -8.4375
c1 : 149/4 – 43.4375 =-6.1875 ;c2 : 2.5625 ; c3 : -3.4375 ; c4 : 7.0625
f1 : 173/4 – 43.4375 = -0.1875 ; f2 : 3.0625 ; f3 : 2.0625 ; f4 : -4.9375
SC(Total) = 45 ² + 50 ² + . . . 41 ² - TC = 1359.9375
Analisis de Variancia:
Según los resultados experimentales no existen diferencias estadísticas entre las variedades ; las
diferencias se dan a un riesgo mayor de 0.10, esto significa que muy posible existen diferencias
pero en este experimento no fue posible detectar por los pocos grados de libertad para el error, lo
recomendable cuando se prueba un testigo, se recomienda tener mas repeticiones, en un cuadrado
latino pequeño, lo recomendable es doblar el numero de parcelas del testigo ; esto significa tener
en forma ficticia 5 variedades en 5 filas y 5 columnas y los grados de libertad para el error serian
4x3 = 12. En el analisis de variancia se realiza en forma normal, y para las pruebas estadísticas
utilizar contrastes o dunnett. Si son pocos los tratamientos y hay inseguridad en el resultados,
realizar el ajuste de bonferroni u otro ajuste de probabilidades (ver ejmplos de agricolae)
Ejemplo : Suponga en este caso que la variedad V4 se dobla en el experimento y se identifica como
(V4 y V5), entonces un plan podria ser :
C1 C2 C3 C4 C5
F1 V1 V2 V3 V4 V5
F2 V4 V3 V2 V5 V1
F3 V2 V4 V5 V1 V3
F4 V3 V5 V1 V2 V4
F5 V5 V1 V4 V3 V2
Fila 4
Columna 4
Melon 4
Error 12
Total 24
Como los tratamiento V4 y V5 son los mismos, entonces la suma de cuadrados de Melon debe ser
descompuesta en :
Melon 4
V4, V5 vs V1, V2, V3 1
V4 vs V5 1
Entre V1, V2 , V3 2
Para el ejercicio de este proceso, suponga los siguientes totales de Variedades para el ejemplo
V1 V2 V3 V4 V5 Y(k)
189 169 197 140 145 840
Este ultimo resultado puede ser obtenido por diferencia del total de SC(Melón)
rm(list=ls())
datos <- read.table("melon.txt",header=TRUE)
datos[,1] <- as.factor(datos[,1])
datos[,2] <- as.factor(datos[,2])
datos[,3] <- as.factor(datos[,3])
modelo <-aov(rdto ~ fila + columna + melon,data=datos)
modelo
Call:
aov(formula = rdto ~ fila + columna + melon, data = datos)
Terms:
fila columna melon Residuals
Sum of Squares 152.1875 426.1875 483.6875 297.8750
Deg. of Freedom 3 3 3 6
Response: rdto
Df Sum Sq Mean Sq F value Pr(>F)
fila 3 152.19 50.73 1.0218 0.4466
columna 3 426.19 142.06 2.8615 0.1264
melon 3 483.69 161.23 3.2476 0.1022
Residuals 6 297.88 49.65
cv<-cv.model(modelo)
cv
[1] 16.22096
library(agricolae)
gl<- 6
cm<- 49.65
attach(datos)
# Caso LSD con t-students en grupos.
compara <- LSD.test(rdto, melon, gl,cm, alpha=0.05)
Study:
Treatment Means
melon rdto std.err replication
1 V1 47.25 5.359960 4
2 V2 42.25 2.750000 4
3 V3 49.25 5.543389 4
4 V4 35.00 2.449490 4
Treatment Means
melon rdto std.err replication
1 V1 47.25 5.359960 4
2 V2 42.25 2.750000 4
3 V3 49.25 5.543389 4
4 V4 35.00 2.449490 4
Treatment Means
melon rdto std.err replication
1 V1 47.25 5.359960 4
2 V2 42.25 2.750000 4
3 V3 49.25 5.543389 4
4 V4 35.00 2.449490 4
Para una evaluacion simulada de esta tesis, suponiendo que se realiza otro experimento en
igualdad de condiciones con los siguientes datos experimentales:
Crear datos2:
Response: rdto
Df Sum Sq Mean Sq F value Pr(>F)
fila 3 308.187 102.729 3.2124 0.1042
columna 3 240.687 80.229 2.5088 0.1557
melon 3 201.688 67.229 2.1023 0.2014
Residuals 6 191.875 31.979
Dado que son efectos anidados por cuadro, podemos tener con R los
siguientes resultados:
# el modelo:
general <- lm(rdto ~ cuadro + fila%in%cuadro + columna%in%cuadro +
melon+melon:cuadro,setJunto)
anova(general)
Response: rdto
Df Sum Sq Mean Sq F value Pr(>F)
cuadro 1 3.12 3.12 0.0766 0.78671
melon 3 572.75 190.92 4.6779 0.02185 *
cuadro:fila 6 460.38 76.73 1.8800 0.16577
cuadro:columna 6 666.88 111.15 2.7233 0.06594 .
cuadro:melon 3 112.62 37.54 0.9199 0.46064
Residuals 12 489.75 40.81
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Utilizando agricolae.
gl<- df.residual(general)
cm<- deviance(general)/gl
attach(setJunto)
# Caso LSD con t-students en grupos.
compara <- LSD.test(rdto, melon, gl,cm, alpha=0.05, p.adj=”bonferroni”)
Treatment Means
melon rdto std.err replication
1 V1 45.125 3.090524 8
2 V2 40.750 2.373590 8
3 V3 48.875 3.324355 8
4 V4 37.750 2.169184 8