Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Introduccin
En las situaciones que hemos estudiado en el Captulo 1 hemos supuesto que existe
bastante homogneidad entre las unidades experimentales, as, por ejemplo, en el caso de la
industria algodonera, hemos supuesto que las parcelas de terreno son de la misma calidad
e igual supercie. Pero, puede suceder que dichas parcelas sean distintas y contribuyan a
la variablidad observada en el rendimiento de la semilla de algodn. Si en esta situacin
se utiliza un diseo completamente aleatorizado, las diferencias entre los rendimientos de
dos unidades experimentales sometidas a distintos tratamientos no sabremos si se deben
a una diferencia real entre los efectos de los tratamientos o a la heterogeneidad de dichas
unidades. Como resultado el error experimental reejar esta variabilidad entre las parcelas
de terreno.
En todo diseo de experimento se desea que el error experimental sea lo ms pequeo
posible. Por lo tanto, en la situacin descrita se debe sustraer del error experimental la
variabilidad producida por las parcelas de terreno. Para ello, el experimentador puede:
Considerar parcelas de terreno muy homogneas.
O bien, formar bloques de terreno de manera que el terreno de cada bloque sea lo
ms homogneo posible y los bloques entre s sean heterogneos.
En esta ltima situacin, cada bloque se divide en I parcelas de terreno, tantas como
tratamientos y cada tratamiento se prueba en cada uno de los bloques. Los I tratamientos,
en este caso las I variedades del fertilizante, se asignan al azar a cada una de las I parcelas
del bloque; esto se hace con asignacin aleatoria independientemente en cada bloque. Este
1
5.2.
de cada bloque cada una de las parcelas con un fertilizante. Al recoger la cosecha se mide
el rendimiento de la semilla, obtenindose las siguientes observaciones.
Tabla 4-1. Rendimiento de la
semilla de algodn
Fertilizantes
1
2
3
4
5
A
87
85
90
89
99
Bloques
B C
86 88
87 95
92 95
97 98
96 91
D
83
85
90
88
90
5.2.1.
..
.
..
.
Bloque j
y1j
..
.
yij
..
.
yIj
..
.
..
.
Bloque J
y1J
..
.
yiJ
..
.
yIJ
Supondremos que se realiza una observacin por tratamiento en cada bloque, por
tanto, hay un total de N = IJ observaciones y que la asignacin de los tratamientos a las
unidades experimentales en cada bloque se determina aleatoriamente. Tambin se supone
que tanto los tratamientos como los bloques son factores de efectos jos y que no hay
interaccin entre ellos. Se dice que no hay interaccin entre dos factores cuando el efecto
de un factor no depende del nivel del otro factor; en este caso se dice que los efectos de
los factores son aditivos.
Las observaciones se pueden disponer en forma de tabla de doble entrada como la
siguiente
Tabla 4-2. Diseo en bloques aleatorizado
Tratamientos
1
2
..
.
1
y11
y21
..
.
2
y12
y22
..
.
Bloques
j
y1j
y2j
..
..
.
.
i
..
.
yi1
..
.
yi2
..
.
..
.
yij
..
.
..
.
yiJ
..
.
yI1
yI2
yIj
yIJ
..
.
J
y1J
y2J
..
.
yi. =
yij
i = 1, 2, , I
(5.1)
j=1
y.j =
yij
i=1
j = 1, 2, , J
(5.2)
y.. =
yij =
i=1 j=1
yi. =
i=1
y.j
(5.3)
j=1
yi.
J
y.j
I
yij ,
i=1 j=1
que tambin se puede expresar como media de las medias parciales, es decir
y.. =
1
I
yi. =
i=1
1
J
y.j .
j=1
i = 1, 2, , I ; j = 1, 2, , J ,
(5.4)
donde
yij es la variable aleatoria que representa la observacin (i)-sima del bloque (j)simo.
es un efecto constante que mide el nivel promedio de respuesta para todas las
unidades, denominado media global.
i es el efecto producido por el nivel i-simo del factor principal. Se supone que
i i = 0.
j es el efecto producido por el nivel j-simo del factor secundario o factor de bloque.
Se supone que j j = 0.
uij son variables aleatorias independientes con distribucin N(0, ), que engloban el
efecto de todas las restantes fuentes de variabilidad; al igual que en el modelo completamente aleatorizado, reciben el nombre de perturbaciones o error experimental.
En este modelo intervienen dos factores, el factor tratamiento y el factor bloque. Al
primero es usual llamarlo factor principal mientras que al segundo factor secundario,
puesto que nuestro inters fundamentalmente est centrado en el primero y el factor bloque
se introduce en el modelo para eliminar su inuencia en la variable respuesta.
Nuestro objetivo es estimar los efectos de los tratamientos y de los bloques y contrastar
la hiptesis de que todos los niveles del factor principal producen el mismo efecto, frente
a la alternativa de que al menos dos dieren signicativamente. Tambin es de inters
contrastar la igualdad de los efectos de los bloques.
La expresin y condiciones de este modelo se resumen en:
1o )
yij = + i + j + uij
2o )
uij
3o )
N(0, )
4o )
i, j
(5.5)
i = 0
i=1
j = 0
j=1
Las hiptesis establecidas para la variable de perturbacin pueden ser formuladas tambin en trminos de la variable respuesta. Es decir, las observaciones yij son variables
aleatorias independientes con distribucin normal, con media
E[yij ] = + i + j ,
(5.6)
y varianza constante
2 [yij ] = 2
i, j .
(5.7)
(5.8)
5.2.2.
N
1
L(, i , j , 2 ) = (22 ) 2 exp 2
2
i=1 j=1
ln(L(, i , j , 2 )) =
N
N
1
ln(2) ln(2 ) 2
2
2
2
2
yij i j ,
yij i j
(5.9)
, (5.10)
i=1 j=1
y se hallan las primeras derivadas parciales respecto de los parmetros del modelo
ln L
=
1
2
ln L
=
i
1
2
yij i j
i=1 j=1
J
yij i j
i = 1, , I
j=1
(5.11)
ln L
=
j
1
2
yij i j
j = 1, , J
i=1
ln L
N
1
= 2+
2
2
2(2 )2
yij i j
i=1 j=1
yij
=
i=1 j=1
= y.. ,
(5.12)
i =
j =
1
J
1
I
(5.13)
(5.14)
j=1
I
i=1
Por tanto, la media general se estima utilizando el promedio de todas las observaciones
y cualquiera de los efectos de los factores se estiman usando la diferencia entre el promedio
correspondiente al nivel del factor y el promedio total.
Se puede comprobar fcilmente que
i = 0
i
y
j = 0
j
siendo, por tanto, I 1 y J 1 los grados de libertad asociados a los tratamientos y a los
bloques, respectivamente.
Finalmente, sustituyendo , i y j en la ltima ecuacin de (5.11) igualada a cero,
obtenemos el estimador de mxima verosimilitud para la varianza
2
1
=
N
yij i j
(5.15)
i=1 j=1
Residuos
Los residuos se denen como las diferencias entre los valores observados yij y los
valores estimados por el modelo yij y los denotamos por eij ,
eij = yij yij = yij i j = yij yi. y.j + y.. .
e2ij
2 =
i=1 j=1
(5.16)
Se verica que la suma de los residuos por las y por columnas es cero, en efecto
j
eij =
yi. y.. ) = 0
J yi. J y.. J(
i
eij =
j =
i = 1, , I
I y.j I y.. I(
y.j y.. ) = 0
i I j =
j = 1, , J
1
N
E[yij ] =
i=1 j=1
1
N + J
N
1
N
i + I
i=1
j=1
( + i + j ) =
i=1 j=1
j =
1
N =
N
Var[] = Var
i,j
i=1 j=1
yij
=
N
Var
i=1 j=1
2
2
1
2 =
=
N
N2
N2
N
yij
=
N
i,j
Var [yij ]
=
N2
10
yi. ] = E
E[
1
J
J
j=1
yij =
1
J + J i +
J
1
E
J
J
j=1
+ i + j + uij =
j +
j=1
j=1
E[uij ] = + i
2
, puesto que
N
1
1
Var[ i ] = Var [
yi. y.. ] = Var
yij
J
N
b) La varianza de i es (I 1)
1
J2
1
J2
1
Var(yij ) + 2
N
2 +
1
N2
i,j
2
i,j
i,j
yij =
2
Var(yij )
Cov
NJ
2
J2 =
NJ
1 2
1
22
2 2
2
+ 2
=
= (I 1)
J
N
N
J
N
N
yij ,
j
i,j
yij =
(5.17)
c) i se distribuye segn una Normal, puesto que dicho estimador est expresado
como funcin lineal de variables aleatorias con distribucin Normal.
3) Propiedades de j
11
1
I
yij =
i
1
I +
I
b) La varianza de j es (J 1)
1
E
I
+ i + j + uij
E[uij ] = + j
i + I j +
i
N
c) j se distribuye segn una Normal.
4) Propiedades de 2
2 no es un estimador insesgado de 2 puesto que se verica
N 2
1
= 2
2
(eij )2
2(I1)(J1) ,
i=1 j=1
(I 1)(J 1) 2
N 2
= (I 1)(J 1) E[ 2 ] =
,
2
N
2 .
(I 1)(J 1)
2 y se expresa,
Dicho estimador recibe el nombre de varianza residual, se denota por SR
por tanto, de la siguiente forma
I
e2ij
[yij yij ]
2
2 = SR
=
i=1 j=1
(I 1)(J 1)
i=1 j=1
(I 1)(J 1)
(5.18)
12
(eij )2
2(I1)(J1) .
i=1 j=1
Para ello, denamos los siguientes vectores, formado cada uno de ellos por N componentes:
Y=
=
=
=
U=
(5.19)
(5.20)
U = ( ) + ( ) + ( ) + e
(5.21)
1
U, se tiene la siguiente descomposicin
Z=
1
1
1
1
( ) + ( ) + ( ) + e
(5.22)
eij = 0
i
(5.23)
13
)
( ) e =
( i i )eij =
i
( i i )
i
eij = 0
(5.24)
)
( ) e =
( j j )eij =
i
( j j )
j
eij = 0
(5.25)
De forma similar se comprueba que los restantes productos escalares son nulos. Por
lo tanto, los vectores en que se descompone Z son ortogonales y se verican las
condiciones del teorema de Cochran cuyo enunciado presentamos en el Captulo 1.
Por consiguiente, los cuadrados de los mdulos de los vectores de la descomposicin
(5.22) seguirn distribuciones 2 independientes cuyos grados de libertad sern la
dimensin del subespacio al que pertenezca cada vector. De esta forma,
a) Como ( ) pertenece a un subespacio de dimensin 1, al tener todas sus
coordenadas iguales:
N(
y.. )2
2
21
b) Como ( ) pertenece a un subespacio de dimensin I 1, al tener I coordenadas distintas y una ecuacin de restriccin:
1
1
J
( ) ( ) = 2
( i i )2
2I1
c) Como ( ) pertenece a un subespacio de dimensin J 1, al tener J coordenadas distintas y una ecuacin de restriccin:
1
I
1
( ) ( ) = 2
( j j )2
2J1
eij = 0
i
es decir, la suma de los residuos por las y por columnas es cero, lo que implica
I + J 1 ecuaciones de restriccin e IJ (I + J 1) = (I 1)(J 1) residuos
independientes. Por lo tanto,
14
e2ij
i
2(I1)(J1) .
2
En resumen,
N(, 2 /N)
N i , (I 1)2 /N
N j , (J 1)2 /N
N 2 /2
5.2.3.
2(I1)(J1)
Descomposicin de la variabilidad
(5.26)
que expresa cada variable yij observada como la suma de cuatro trminos:
- La media total y.. , es decir el estimador de
- El efecto producido por el tratamiento i-simo, (desviacin de la media del i-simo
nivel del factor principal respecto de la media total), yi. y.. , es decir el estimador
de i
- El efecto producido por el bloque j-simo, (desviacin de la media del j-simo nivel
del factor bloque respecto de la media total), y.j y.. , es decir el estimador de j
- La diferencia entre los valores observados yij y los valores previstos por el modelo
yij , es decir el estimador de uij .
15
(5.27)
= y..
i =
i=1 j=1
I
= y..
j = 0
i=1 j=1
I
e = y..
eij = 0
i=1 j=1
i
i=1
j =
j=1
16
e =
eij =
i=1
j=1
e=
eij = 0
j
j=1
i=1
y
N = 1 + (I 1) + (J 1) + (I 1)(J 1)
La ecuacin (5.26) tambin se puede expresar
yij y.. = (
yi. y.. ) + (
y.j y.. ) + (yij yi. y.j + y.. ) ,
(5.29)
elevando los dos miembros al cuadrado y sumando para todas las observaciones tenemos
I
[(
yi. y.. ) + (
y.j y.. ) + (yij yi. y.j + y.. )]2 =
(yij y.. )2 =
i=1 j=1
i=1 j=1
I
(
yi. y..
i=1
)2
(
y.j y.. )2 +
+I
j=1
(5.30)
I
(
yi. y.. )(
y.j y.. )+
i=1 j=1
I
(
y.j y.. )(yij yi. y.j + y.. )+
i=1 j=1
I
(
yi. y.. )(yij yi. y.j + y.. )
i=1 j=1
donde los dobles productos se anulan (ya que los trminos son ortogonales, como acabamos
de comprobar), por lo que dicha ecuacin queda en la forma
(yij y..
)2
= J
i=1 j=1
17
(
yi. y..
)2
+I
i=1
(
y.j y..
)2
j=1
i=1 j=1
(5.31)
que representa la ecuacin bsica del anlisis de la varianza, que simblicamente podemos
escribir
SCT = SCT r + SCBl + SCR ,
donde hemos desglosado la variabilidad total de los datos
I
(yij y.. )2 ,
SCT =
i=1 j=1
1) SCT r = J
(
yi. y.. )2 , la suma de cuadrados de las diferencias entre las medias
i=1
de los tratamientos y la media general, que expresa la variabilidad explicada por los
tratamientos, denominada suma de cuadrados entre tratamientos.
J
(
y.j y.. )2 , la suma de cuadrados de las diferencias entre las medias
2) SCBl = I
j=1
de los bloques y la media general, que expresa la variabilidad explicada por los
bloques, denominada suma de cuadrados entre bloques.
3) SCR = Ii=1 Jj=1 (yij yi. y.j + y.. )2 , la suma de cuadrados de los residuos, que
expresa la variabilidad no explicada por el modelo, denominada suma de cuadrados
del error.
A partir de la ecuacin bsica del ANOVA se pueden construir los cuadrados medios
denidos como:
Cuadrado medio total
I
(yij y.. )2
ST2 =
i=1 j=1
N 1
(5.32)
18
(
yi. y.. )2
J
i=1
ST2 r =
(5.33)
I 1
(
y.j y.. )2
I
2
=
SBl
j=1
(5.34)
J 1
i=1 j=1
(I 1)(J 1)
(5.35)
19
yi. = J + J i +
j + ui. ;
yi. = + i + ui.
i + I j + u.j ;
y.j = + j + u.j
j=1
I
y.j = I +
(5.36)
i=1
I
y.. = N + J
i + I
i=1
j=1
(
yi. y.. )2
J
i=1
ST2 r =
I 1
I
J
i=1
2i
J
i=1
I 1
J
+
I 1
(ui. u..
i=1
I 1
)2
2J
i (ui. u.. )
j=1
I 1
E ST2 r
J
2i
i=1
= E
+E
I 1
(ui. u.. )2
i=1
+E
I 1
2J
I
i=1
i (ui. u.. )
I 1
(5.37)
20
J
2i
E i=1 =
I 1 I 1
E 2i =
i
J
I 1
2i
(5.38)
b) Como E [ i E [ i ]]2 es la Var ( i ), cuya expresin, determinada en la subseccin 5.2.2, es (I 1)2 /N, luego
(ui. u.. )2
i=1
=
I 1
I 1
J
I 1
J
I 1
J
I 1
E [ui. u.. ]2 =
i=1
E [(
yi. y.. ) i ]2 =
i=1
I
J
E [ i E [ i ]] =
I 1
i=1
I
(I 1)
i=1
Var ( i ) =
i=1
J (I 1)I2
2
=
= 2
N
I 1
N
(5.39)
2J
I
i=1
i (ui. u.. )
J
=
I 1
I 1
i E [ui. u.. ] = 0 .
(5.40)
i=1
Por lo tanto, sustituyendo las expresiones (5.38), (5.39) y (5.40) en (5.37) tenemos
que el valor esperado del cuadrado medio entre grupos es:
E (ST2 r ) =
J
I 1
21
2i + 2
(5.41)
2j + 2
(5.42)
i=1
2
(SBl
)
I
=
J 1
J
j=1
3o ) Ya hemos visto en la subseccin 5.2.2 que la varianza residual es un estimador insesgado de la varianza poblacional, es decir
2
E (SR
) = 2
4o ) Por ltimo, calculemos el valor esperado del cuadrado medio total. Para ello nos
basaremos en la ecuacin bsica del ANOVA que podemos poner en funcin de los
cuadrados medios de la siguiente forma:
2
2
(N 1)ST2 = (I 1)ST2 r + (J 1)SBl
+ (I 1)(J 1)SR
,
2
2
+ (I 1)(J 1)E SR
(N 1)E ST2 = (I 1)E ST2 r + (J 1)E SBl
2
de donde, sustituyendo los valores obtenidos anteriormente para E ST2 r , E SBl
y
2 , obtenemos
E SR
J
2i
J
E(ST2 ) =
i=1
N 1
2j
I
+
j=1
N 1
+ 2 .
(5.43)
Observacin 5.1
Hemos visto que al aplicar el mtodo de mnimos cuadrados al modelo completamente
aleatorizado, se obtiene el sistema de ecuaciones normales (??). En el caso del modelo en
bloques completos aleatorizados, las ecuaciones normales para tratamientos no contienen
22
informacin con respecto a los efectos de bloques, y recprocamente, las ecuaciones normales para bloques no contienen informacin alguna sobre los efectos de los tratamientos,
(la informacin con respecto a los tratamientos no se encuentra mezclada con aquella
debida a los efectos de los bloques). Y as, un contraste entre efectos de tratamientos se
realiza comparando las medias de tratamientos e idnticamente, un contraste entre efectos
de bloques se realiza comparando las medias de los bloques. Cuando esto ocurre, se dice
que los efectos de bloques y tratamientos son ortogonales.
5.2.4.
Anlisis estadstico
El contraste estadstico de ms inters en este modelo, como mencionamos anteriormente, es el que tiene como hiptesis nula la igualdad de medias de los tratamientos:
H0 1 = 2 = = I = 0
(5.44)
(5.45)
23
(5.46)
Considerando esta descomposicin para totas las observaciones y expresndola en forma vectorial, tenemos
Z = Z1 + Z2 + Z3 + Z4
(5.47)
siendo
Z=
1
(y11 , . . . , y1J , y21 , . . . , y2J , . . . , yI1 , . . . , yIJ )
Z1 =
1
(
y.. , . . . . ., y.. , y.. , . . . . ., y.. , . . . . ., y.. , . . . . ., y.. )
Z2 =
1
( 1 , . . . . ., 1 , 2, . . . . ., 2 , . . . . ., I , . . . . ., I )
Z3 =
1
( , . . . . ., J , 1 , . . . . ., J , . . . . ., 1 , . . . . ., J )
1
Z4 =
1
(e11 , . . . , e1J , e21 , . . . , e2J , . . . ., eI1 , . . . , eIJ )
donde
1
Z: Contiene N trminos independientes (yij ). Tiene, por tanto, N grados de
libertad.
1
Z1 : Contiene N coordenadas iguales a (
y.. ). Tiene, por tanto, un grado de
libertad.
24
1
i , cada uno repetido J veces y sujetos a una
1
, cada uno repetido I veces y sujetos a una
j
j j = 0. Tiene, por tanto, J 1 grados de libertad.
1
Z4 : Contiene N coordenadas eij , sujetas a I + J 1 ecuaciones de restriccin,
j eij = 0 para i = 1, . . . , I. y
i eij = 0 para j = 1, . . . , J. Tiene, por tanto,
(I 1)(J 1) grados de libertad.
Bajo las hiptesis nulas hemos realizado una descomposicin del vector Z, de variables
N(0, 1) independientes, en componentes ortogonales. Dicha descomposicin cumple las
condiciones del Teorema de Cochran, vericndose que:
i)
SCT r
=
2
(y i. y.. )2
J
i
2I1
ii)
(y .j y.. )2
I
SCBl
=
2
2J1
iii)
(yij yi. y.j + y.. )2
SCR
i,j
=
2(I1)(J1)
2
2
y adems estas tres distribuciones son independientes entre s.
Hay que notar que:
Por una parte, se tiene que SCR/2 se distribuye como una 2 con (I 1)(J 1)
grados de libertad, se verique o no la hiptesis nula, como ya vimos en la subseccin
5.2.2
Por otra parte, bajo las hiptesis (5.44) y (5.45), se tiene que SCT r/2 y SCBl/2
se distribuyen como una 2 con I 1 y J 1 grados de libertad, respectivamente.
25
Por consiguiente, bajo las hiptesis de igualdad de efectos de los tratamientos y los
bloques, se verica
SCT r/2
ST2 r
I 1
F =
=
2
SCR/2
SR
(I 1)(J 1)
y
F(I1),(I1)(J1)
(5.48)
SCBl/2
2
SBl
J 1
F =
F(J1),(I1)(J1) .
=
(5.49)
2
SCR/2
SR
(I 1)(J 1)
Estos son los estadsticos de contraste para probar dichas hiptesis nulas. Por lo tanto:
Si la hiptesis de igualdad de efectos de los tratamientos es cierta, tanto el numerador
como el denominador del estadstico de contraste (5.48) son estimadores insesgados
de 2 , mientras que si dicha hiptesis no es cierta, la esperanza del numerador del
estadstico de contraste (5.48) es mayor que la esperanza del denominador, por lo
que rechazaremos H0 cuando el valor experimental de dicho estadstico sea mayor
que el valor terico, F(I1),(I1)(J1); .
Siguiendo el mismo razonamiento anterior, se rechazar la hiptesis nula de igualdad
de efectos de los bloques cuando el valor del estadistico de contraste (5.49) sea mayor
que el valor terico, F(J1),(I1)(J1); .
26
2
yij
SCT =
i=1 j=1
1
SCT r =
J
SCBl =
1
I
yi.2
y..2
IJ
y.j2
y..2
,
IJ
i=1
J
j=1
y..2
IJ
(5.50)
(5.51)
Suma de
cuadrados
Grados de
libertad
Cuadrados
medios
Fexp
(
yi. y.. )2 = SCT r
I 1
ST2 r
2
ST2 r /SR
(
y.j y.. )2 = SCBl
J 1
2
SBl
2 /S 2
SBl
R
(I 1)(J 1)
2
SR
IJ 1
ST2
Entre tratam.
J
i=1
J
Entre bloques
I
j=1
Residual
TOTAL
i=1 j=1
27
Residual
Suma de
cuadrados
1
J
1
I
Cuadrados
medios
Fexp
yi.2
y..2
= SCT r
IJ
I 1
ST2 r
2
ST2 r /SR
y.j2
y..2
= SCBl
IJ
J 1
2
SBl
2 /S 2
SBl
R
(I 1)(J 1)
2
SR
IJ 1
ST2
i=1
J
j=1
Grados de
libertad
J
2
yij
TOTAL
i=1 j=1
y..2
IJ
Una de las ventajas del diseo en bloques aleatorizados es que se puede transformar
en un diseo unifactorial, simplemente suprimiendo el estudio por bloques y uniendo su
variabilidad a la residual.
Coecientes de determinacin
Al igual que en el modelo completamente aleatorizado, una medida apropiada
para comprobar la adecuacin del modelo a los datos es el coeciente de determinacin,
denotado por R2 y denido como el cociente entre la suma de las variabilidades explicadas
por los tratamientos y los bloques, y la variabilidad total
R2 =
SCT r + SCBl
.
SCT
Llamando
R2 al cociente entre la variabilidad explicada por los tratamientos y la total, es decir
R2 =
SCT r
,
SCT
28
R2 =
SCBl
,
SCT
Fertilizantes
1
2
3
4
5
y.j
y.j2
2
yij
A
87
85
90
89
99
450
202500
40616
bloques
B
C
86
88
87
95
92
95
97
98
96
91
458
467
209764 218089
42054
43679
D
83
85
90
88
90
436
190096
38058
yi.
344
352
367
372
376
1811
820449
164407
yi.2
118336
123904
134689
138384
141376
656689
29
siguiente forma:
4
2
yij
SCT =
i=1 j=1
SCT r =
SCBl =
1
J
1
I
yi.2
y..2
656689 (1811)2
=
= 186,20
IJ
4
20
y.j2
y..2
820449 (1811)2
=
= 103,75
IJ
5
20
i=1
4
j=1
y..2
(1811)2
= 164407
= 420,95
IJ
20
Suma de
cuadrados
186.20
103.75
131.00
420.95
Grados de
libertad
4
3
12
19
Cuadrados
medios
46.5500
34.5833
10.9166
Fexp
4.264
3.168
30
SCT r
186,2
=
= 0,4423
SCT
420,95
R2 =
SCT Bl
103,75
=
= 0,2464 ,
SCT
420,95
que:
a) El factor tipo de fertilizante explica el 44.23 % de la variabilidad en el rendimiento
de la semilla de algodn.
b) El factor tipo de terreno explica el 24.64 % de la variabilidad en el rendimiento
de la semilla de algodn.
Es interesante ver los resultados que se hubiesen obtenido de no haberse realizado un
diseo en bloques aleatorizados. Para ello, supongamos que prescindimos del factor tipo
de terreno y realizamos un anlisis de la varianza de un factor, obtenindose la tabla
ANOVA siguiente
Tabla 4-7. Anlisis de la varianza para los datos del Ejemplo 4-1
Fuentes de
variacin
Entre tratamientos
Residual
TOTAL
Suma de
cuadrados
186.20
234.75
420.95
Grados de
libertad
4
15
19
Cuadrados
medios
46.55
15.65
Fexp
2.974
5.3.
31
Comparaciones mltiples
2
SR
= q0,05,5,12
J
10,9166
= (4,51)(1,65) = 7,4415 .
4
32
Figura 4-2
Tambin se puede comprobar qu bloques son signicativamente distintos mediante
un procedimiento grco como el anterior, pero con un factor de escala
2 /I, que en
SR
Figura 4-3
5.4.
33
5.4.1.
i = 1, 2, , I
j = 1, 2, , J ,
(5.52)
j =
j
( )ij =
i
( )ij = 0 ,
j
34
yij = + i + j + i j + uij
i = 1, 2, , I ; j = 1, 2, , J ,
(5.53)
j =
i j =
i j = 0 .
En primer lugar abordaremos la estimacin de los parmetros del modelo. Para ello,
se construye la funcin de verosimilitud asociada a la muestra y =(y11 , , y1J , ,
yI1 , , yIJ ):
1
22
i=1 j=1
2
yij i j i j ,
(5.54)
ln(L(, i , 2 )) =
N
N
1
ln(2) ln(2 ) 2
2
2
2
yij i j i j
i=1 j=1
(5.55)
y se hallan las primeras derivadas parciales respecto de los parmetros del modelo, obtenindose las mismas expresiones que en (5.12)-(5.14) para los estimadores de los parmetros
, i y j .
El estimador mximo verosimil de se obtiene realizando la correspondiente derivada
parcial, es decir
ln L
=
1
2
yij i j i j i j = 0
(5.56)
i=1 j=1
de donde
I
yij i j
i=1 j=1
i
i=1
j=1
2i
j
i=1
j=1
2j
j
j=1
i=1
2i
i
i=1
2j = 0 .
j=1
Por lo tanto
35
i j yij
=
i=1 j=1
I
2i
i=1
(5.57)
2
j
j=1
(
yi. y.. )(
y.j y.. )yij
=
i=1 j=1
I
(
yi. y.. )2
i=1
(5.58)
(
y.j y.. )2
j=1
Como hemos supuesto la existencia de interaccin entre los factores, hay que introducir
en este modelo una suma de cuadrados que represente dicha interaccin, esta suma de
cuadrados se denota por SCIT y viene dada por la expresin
2
2 2i j ,
SCIT =
i
(5.59)
2 (
yi. y.. )2 (
y.j y.. )2 =
SCIT =
i=1 j=1
i=1 j=1
I
(
yi. y.. )(
y.j y.. )yij
J
(
yi. y.. )2
i=1
. (5.60)
(
y.j y.. )2
j=1
Por lo tanto, la ecuacin bsica del anlisis de la varianza para el modelo con interaccin (5.53) debe tener un trmino ms que la citada ecuacin del modelo en bloques
aleatorizados. Dicha ecuacin se expresa simblicamente en la forma
SCT = SCT r + SCBl + SCIT + SCR ,
donde
(5.61)
36
SCIT /1
,
SCR/(IJ I J)
(5.62)
(5.63)
puesto que, F se distribuye como una F1,IJIJ cuando H0 es cierta y puesto que los
valores grandes de Fexp conducen a la conclusin H1 , la decisin apropiada para controlar
un riesgo de error de Tipo I igual a , es:
Si Fexp F,1,IJIJ , se acepta H0
(5.64)
Si Fexp > F,1,IJIJ , se rechaza H0 ,
donde F,1,IJIJ es el punto crtico superior de la distribucin F con 1 y IJ I J
grados de libertad.
A n de ilustrar este procedimiento utilicemos el Ejemplo 4-1. Para ello, construimos
la Tabla 4-8, organizando los datos de la siguiente manera:
37
yi.
1
2
3
4
5
y.j
j
87
85
90
89
99
90
0,55
86
87
92
97
96
91,6
1,05
88
95
95
98
91
93,4
2,85
83
85
90
88
90
87,2
3,35
86,00
88,00
91,75
93,00
94,00
90,55 = y..
0,302
1,102
8,122
11,222
20,75
i
4,55
2,55
1,20
2,45
3,45
2i
J
j=1
20,702
6,502
1,440
6,002
11,902
46,55
i j yij
69,16
78,03
19,62
91,63
14,49
21,45
j
2
SCIT =
i
SCIT /1
0,4760
=
= 0,04011 .
I J)
130,524/11
SCR /(IJ
38
Bibliografa utilizada
Garca Leal, J. & Lara Porras, A.M. (1998). Diseo Estadstico de Experimentos.
Anlisis de la Varianza. Grupo Editorial Universitario.
Lara Porras, A.M. (2000). Diseo Estadstico de Experimentos, Anlisis de la Varianza y Temas Relacionados: Tratamiento Informtico mediante SPSS Proyecto Sur
de Ediciones.