Lab 10 Diseño en Parcelas Divididas



Descargar 117.56 Kb.
Fecha de conversión27.12.2017
Tamaño117.56 Kb.

Revisado_Mar_2016_LWB

Lab 10 - Diseño en Parcelas Divididas


Parte I

Se desea estudiar el efecto de ablandadores y tiempo de cocción sobre la terneza de carne de res. Seis canales de res se obtuvieron aleatoriamente de una planta empacadora de carne. De cada canal se extrajo el lomo, que se dividió en tres piezas similares. Cada pieza se asignó aleatoriamente a un tratamiento ablandador: control, marinada de vinagre y papaína. Luego del tratamiento se marcaron cuatro trozos de carne (cercanos al centro). Las tres piezas de la misma canal se colocaron juntas en un horno a 300F. Al cabo de 30 minutos se extrae (aleatoriamente) uno de los cuatro trozos preseleccionados de cada pieza de carne. A los 36 minutos se extrae otro trozo, a los 42 minutos un tercer trozo y a los 48 minutos el último trozo. A medida que cada trozo se extraía, se medía la terneza usando el aparato de Werner-Bratzel, un instrumento similar a una guillotina que mide la fuerza necesaria para cortar la carne. Un valor alto en la escala de Werner-Bratzel indica un pedazo de carne dura.


Las canales representan los bloques (n=6), las piezas de carne son las unidades completas, sobre las que se aplican los ablandadores (a=3) y los trozos cercanos al centro son las subunidades, sobre las que se aplican los tiempos de cocción (b=4).


canal

ablandador

tiempo

terneza

1

control

30

8.25

1

control

36

7.50

1

control

42

4.25

1

control

48

3.50

1

vinagre

30

7.25

1

vinagre

36

6.25

1

vinagre

42

3.50

1

vinagre

48

3.50

1

papaina

30

6.50

1

papaina

36

4.50

1

papaina

42

3.50

1

papaina

48

2.50

2

control

30

8.00

2

control

36

7.00

2

control

42

3.25

2

control

48

3.75

2

vinagre

30

7.00

2

vinagre

36

6.00

2

vinagre

42

3.50

2

vinagre

48

3.25

2

papaina

30

6.00

2

papaina

36

4.75

2

papaina

42

4.00

2

papaina

48

2.50

3

control

30

7.75

3

control

36

6.75

3

control

42

3.75

3

control

48

3.75

3

vinagre

30

6.75

3

vinagre

36

6.00

3

vinagre

42

4.00

3

vinagre

48

3.25

3

papaina

30

6.25

3

papaina

36

5.00

3

papaina

42

3.50

3

papaina

48

2.75

4

control

30

8.25

4

control

36

6.25

4

control

42

4.00

4

control

48

3.25

4

vinagre

30

6.75

4

vinagre

36

5.50

4

vinagre

42

3.50

4

vinagre

48

3.50

4

papaina

30

5.75

4

papaina

36

4.50

4

papaina

42

3.50

4

papaina

48

2.25

5

control

30

7.50

5

control

36

6.75

5

control

42

3.25

5

control

48

3.00

5

vinagre

30

6.50

5

vinagre

36

5.25

5

vinagre

42

3.25

5

vinagre

48

3.50

5

papaina

30

5.25

5

papaina

36

4.50

5

papaina

42

3.25

5

papaina

48

2.00

6

control

30

7.75

6

control

36

6.25

6

control

42

3.00

6

control

48

3.25

6

vinagre

30

6.25

6

vinagre

36

5.00

6

vinagre

42

3.25

6

vinagre

48

3.00

6

papaina

30

5.25

6

papaina

36

4.25

6

papaina

42

3.25

6

papaina

48

3.00



  1. En cada bloque de este experimento, ¿Hay cuántas unidades experimentales completas (“parcelas” completas)?

  2. ¿Hay cuántas unidades completas (parcelas completas) en total en este experimento?

  3. Prepare una tabla de anova con las fuentes de variación y grados de libertad para este experimento.

  4. Analice los datos usando Infostat y SAS. Formule y pruebe las hipótesis de interés usando =.05. Consulte sus notas y la última página de este laboratorio para ayuda con cómo definir el modelo en Infostat y en SAS.

  5. Realice gráficas (tiempo en el eje X) que le permitan interpretar los resultados obtenidos en la parte 1.

  6. Calcule el error estándar de la diferencia entre dos medias del factor A (ablandador). Use esta información para construir un intervalo de confianza del 95% para la verdadera diferencia entre el promedio de terneza con papaína y el promedio de terneza con vinagre.

  7. Calcule el error estándar de la diferencia entre dos medias del factor B (tiempo) en el mismo nivel del factor A (ablandador). Use esta información para construir un intervalo de confianza del 95% para la verdadera diferencia entre el promedio de terneza en el control a los 48 y el promedio de terneza en el control a los 42 minutos.

  8. Calcule el error estándar de la diferencia entre dos medias del factor A (ablandador) en el mismo nivel del factor B (tiempo). Use esta información para decidir, mediante una prueba de DMS, cuál es el tratamiento que produce la carne más tierna a los 48 minutos de cocción.


Parte II. En cada una de las siguientes situaciones de diseños en parcela divididas:


  1. identifique los factores en estudio

  2. identifique la parcela completa y la subparcela

  3. identifique el diseño experimental para las parcelas completas

  4. realice un esquema del diseño que permita visualizar parcelas completas y subparcelas.

  5. realice un esquema de la tabla de ANOVA con las fuentes de variación, los grados de libertad y las pruebas F correspondientes.




  1. Se estudió el crecimiento de novillas bajo 5 dietas diferentes. Cada dieta se asignó a un grupo (aleatoriamente escogido) de 8 novillas, y se registró el peso de cada animal cada 2 semanas durante 6 meses (es decir, había un total de 12 mediciones). (Este diseño se denomina de “mediciones repetidas”, y bajo ciertos supuestos se puede analizar como una parcela dividida.)

  2. Se compararon los rendimientos de cuatro variedades de avena bajo tres tratamientos (dos tratamientos químicos de las semillas y un control). Las variedades de avena se asignaron aleatoriamente a parcelas de acuerdo a un DBCA con 4 repeticiones. Dentro de cada parcela se trató la tercera parte del lote (aleatoriamente escogida) con uno de los tratamientos, otra tercera parte con otro tratamiento y la última parte con el tratamiento restante.

  3. Se realizó un experimento para comparar los rendimientos de fruta en árboles de aguacate de 5 variedades diferentes. Para ello se plantaron 4 árboles por parcela en un DBCA con 4 bloques y se registró el rendimiento en fruta fresca a los 4, 5, 6, 7 y 8 años. (Este diseño se denomina de “mediciones repetidas”, y bajo ciertos supuestos se puede analizar como una parcela dividida.)

  4. Se probaron cuatro híbridos de maíz en Juana Díaz y en Isabela. En cada localidad se ubicaron 5 bloques completos aleatorizados, asignándose a cada parcela uno de los híbridos (de forma que en cada bloque todos los híbridos estaban presentes). (Este tipo de estudios se denomina “ensayos multiambientales”, donde se repite el mismo experimento [con los mismos tratamientos] en varios ambientes.)

  5. Para estudiar las condiciones de procesamiento de mangos en almíbar, se consideraron 4 temperaturas de pasteurización (80, 85, 90 y 95C) y 5 variedades de mango. El experimento se condujo de la siguiente manera: Se tomaron frutas aleatoriamente de 5 variedades, se procesaron con almíbar y colocaron en frascos de vidrio. Un frasco de cada variedad (aleatoriamente elegido) se colocó en un pasteurizador y los 5 frascos se trataron con una de las temperaturas (aleatoriamente elegida entre las 4 de interés). Otros 5 frascos se trataron con otra temperatura, y así sucesivamente hasta completar las 4 temperaturas. Todo el proceso se repitió en la segunda y la tercera semana (es decir, hubo un total de 3 repeticiones).



Fuentes de Variación

Unidades completas arregladas en un DBCA

Unidades completas arregladas en un DCA

bloque

n-1

No aplica

A

a-1

a-1

Error 11

= A*bloque (en DBCA)

= reps(A) ( = A>reps) (en DCA)

(a-1)(n-1)


a(n-1)


B

b-1

b-1

A*B

(a-1)(b-1)

(a-1)(b-1)

Error 2 [residual]

a(b-1)(n-1)

a(b-1)(n-1)

1En un DBCA, el error es un efecto “cruzado” (una interacción); en un DCA, el error es “anidado”

Si las unidades completas están arregladas como un DBCA:
En InfoStat:
Bloque\Bloque*A (para informar a InfoStat que “Bloque*A” es el denominador [el “error”] en el cálculo de F para Bloque)

A\Bloque*A (para informar a InfoStat que “Bloque*A” es el denominador [el “error”] en el cálculo de F para A)

Bloque*A (expresado en esta forma porque Error 1 es una interacción – ver arriba)

B

A*B


En SAS:
proc glm;

class A B Bloque;

model y = Bloque A Bloque*A B A*B;

test h=Bloque e=Bloque*A; (para informar a SAS que “Bloque*A” es el denominador [el “error”] en el cálculo de F para Bloque)

test h=A e=Bloque*A; (para informar a SAS que “Bloque*A” es el denominador [el “error”] en el cálculo de F para A)

means A B A*B;


Si las unidades completas están arregladas como un DCA:
En InfoStat:
A\ A>Reps (para informar a InfoStat que “A>Reps” es el denominador [el “error”] en el cálculo de F para A)

A>Reps (expresado en esta forma porque Error 1 es “anidado” – ver arriba)

B

A*B
En SAS:


proc glm;

class A B Reps;

model y = A Reps(A) B A*B;

test h=A e=Reps(A); (para informar a SAS que “Reps(A)” es el denominador [el “error”] en el cálculo de F para A)



means A B A*B;



AGRO 6600 – LAB 10 Page



La base de datos está protegida por derechos de autor ©bazica.org 2016
enviar mensaje

    Página principal