Está en la página 1de 10

Experimentos Factoriales 1 – Introducción Un factor es un tipo de tratamiento y en los experimentos factoriales.Cualquier factor proporcionaría algunos tratamientos.

Por ejemplo, sí, las dietas es un factor en un experimento, entonces diferentes dietas serán usadas; si la temperatura es un factor, se utilizarán entonces diferentes temperaturas. El concepto de los experimentos factoriales pueden ilustrarse mediante un ejemplo. Consideramos un experimento que analiza los rendimientos de diferentes variedades de soya. En un experimento de un factor simple, las restantes variables aparte de la que se analiza (variedades) se mantienen tan uniformes como sea posible, es decir, presentan un solo nivel. Supongamos que nos interesa evaluar un segundo factor; la distancia entre surcos. Debe entonces planificarse un experimento de 2 factores en el que los tratamientos consistirán en todas las combinaciones posibles de las variedades con las distancias entre surcos. En un experimento simple (1 solo factor), todas las variedades se sembrarían a una sola distancia entre surcos, o una variedad sería sembrada a diferentes distancias entre surcos. En experimentos de suelos, se podría planificar un estudio de diferentes proporciones de fertilizantes de fósforo y potasio. En un experimento de nutrición animal, los factores que se toman en cuenta podrían ser diferentes cantidades y tipos de un suplemento proteíco. El término nivel se refiere a los diferentes tratamientos dentro de cualquier factor. Se deriva de algunos de los primeros experimentos factoriales. Si tenemos que ver con la fertilidad de suelo, las combinaciones de diferentes cantidades, o niveles, de los diferentes fertilizantes son los tratamientos. Hoy día, el término tiene un significado más general, que implica una cantidad particular, o de estado de un factor. De esta manera, si se comparan 5 variedades de un cultivo utilizando 3 distancias de siembra diferentes, este experimento se denomina un factorial 5 x 3 , presentando 5 niveles para el factor variedades y 3 niveles para el factor distancia de siembra. El número de factores y niveles que pueden ser comparado en un experimento simple solo se limita por consideraciones prácticas. Los experimentos factoriales se utilizan en prácticamente todos los campos de investigación. Son de gran valor en trabajos exploratorios, donde se conoce muy poco con respecto a los niveles óptimos de los factores, o cuales de los factores son los más importantes. Consideremos un nuevo cultivo, para el cual existen algunas variedades muy prometedoras, pero se conoce muy poco acerca de la fecha de siembra más apropiada y la proporción de esta siembra. El experimentos de 3 factores (trifactorial) sería el indicado . Se utilizara un experimento unifactorial (1 factor) se seleccionaría una fecha y una proporción de siembra y se llevaría a cabo un experimento de variedades. No obstante, la variedad que se comporta bien en la fecha de siembra y la proporción de siembra seleccionada puede no ser la mejor para otras fechas y proporciones. En otras ocasiones, el investigador puede estar interesado en conocer la interacción entre factores, es decir, desearía conocer si las diferencias en las respuestas a los niveles de un factor son similares o diferentes para los niveles de otro factor o factores. Cuando se dispone de suficiente información, la mejor manera podría ser comparar solo un número muy limitado de combinaciones de algunos factores o niveles específicos. As! podemos ver el alcance de un experimento, o las inferencias que podemos hacer respecto a la población los cuales pueden ser incrementados mediante el uso de un experimento factorial. Es particularmente importante realizarlo cuando se requiere información en algún factor para el cual las recomendaciones deben realizarse sobre un amplio rango de condiciones. 2 - Efectos simples, efectos principales e interacciones. Los sistemas de notación utilizados en los experimentos factoriales son similares, aunque difieren en los diferentes textos, por lo que deben ser revisadas cuidadosamente. Emplearemos una notación similar a la propuesta por Yates (1933). Las letras mayúsculas se refieren a los factores, por ejemplo, si en un experimento utilizamos diferentes insecticidas y estos se aplican mediante diferentes métodos, podemos denotar el factor insecticida, por A y el factor método, por B. Las combinaciones de letras

Pág

# .

minúsculas y subíndices se usan para denotar las las combinaciones de tratamientos y medias .b ¦ 6 ¦.6 ¦ 0 ¦ ¦ +----------------------------------------------------+ +----------------------------------------------------+ ¦ Factor ¦ A (III) ¦ +--------+-------------------------------------------¦ ¦ ¦ ¦ ¦ ¦ B ¦ ¦ ¦ Nivel ¦ a ¦ a ¦ Media ¦ a . . Para un experimento bifactorial con 2 niveles para cada factor. o 2². cuya interpretación general es entendible y relativamente simple.b ¦ 6 ¦ 12 ¦ 12 ¦ ¦ +----------------------------------------------------+ +----------------------------------------------------+ ¦ Factor ¦ A (II) ¦ +--------+-------------------------------------------¦ ¦ ¦ ¦ ¦ ¦ B ¦ ¦ ¦ ¦ ¦ Nivel ¦ a ¦ a ¦ Media ¦ a .a ¦ +--------+----+----+-------+----------------¦ ¦ b ¦ 30 ¦ 32 ¦ 31 ¦ 2 ¦ +--------+----+----+-------+----------------¦ ¦ b ¦ 36 ¦ 38 ¦ 37 ¦ 2 ¦ +--------+----+----+-------+----------------¦ ¦ Media ¦ 33 ¦ 35 ¦ 34 ¦ 2 ¦ Pág # . aunque no necesariamente con grados de libertad simples. por ejemplo.5 ¦ 5 ¦ +--------+----+----+-------+----------------¦ ¦ b . es decir.a ¦ +--------+----+----+-------+----------------¦ ¦ b ¦ 30 ¦ 32 ¦ 44 ¦ 2 ¦ +--------+----+----+-------+----------------¦ ¦ b ¦ 36 ¦ 44 ¦ 30 ¦ 8 ¦ +--------+----+----+-------+----------------¦ ¦ Media ¦ 33 ¦ 38 ¦ 35. En la siguiente tabla ilustraremos las respuestas medias medidas para las combinaciones de tratamiento indicados en los encabezamientos de filas y columnas. +----------------------------------------------------+ ¦ Factor ¦ A (I) ¦ +--------+-------------------------------------------¦ ¦ ¦ ¦ ¦ ¦ B ¦ ¦ ¦ ¦ ¦ Nivel ¦ a ¦ a ¦ Media ¦ a .10 ¦ +--------+----+----+-------+----------------¦ ¦ Media ¦ 33 ¦ 29 ¦ 31 ¦ -4 ¦ +--------+----+----+-------+----------------¦ ¦ b . a1b2 se refiere a la combinación de tratamiento que consiste en el nivel más bajo de A y el segundo nivel de B y a la media de tratamiento correspondiente.a ¦ +--------+----+----+-------+----------------¦ ¦ b ¦ 30 ¦ 32 ¦ 31 ¦ 2 ¦ +--------+----+----+-------+----------------¦ ¦ b ¦ 36 ¦ 26 ¦ 31 ¦ . Para los experimentos factoriales los grados de libertad y las Sumas de Cuadrados se particionan para dar grupos de contraste de significación independientes. cualquiera de las notaciones siguientes son adecuadas. para un factorial 2 x 2 . principales e interacciones. las medias son para todas las réplicas. +---------------------------------------------------------+ ¦ Factor ¦ A ¦ +--------+------------------------------------------------¦ ¦ ¦ ¦ ¦ ¦ ¦ B ¦ ¦ Forma completa ¦ Formas abreviadas ¦ +--------------------+---------------------------¦ ¦Nivel 3 a ¦ a ¦ a ¦ a ¦ a ¦ a ¦ +------+------+------+------+------+------+------¦ ¦ b ¦ a b ¦ a b ¦ (1) ¦ a ¦ 00 ¦ 10 ¦ +------+------+------+------+------+------+------¦ ¦ b ¦ a b ¦ a b ¦ b ¦ ab ¦ 01 ¦ 11 ¦ +---------------------------------------------------------+ Los 3 grados de libertad y las sumas de cuadrados para la varianza entre los 4 tratamientos pueden ser divididos en grados de libertad simples o independientes y en Sumas de Cuadrados correspondientes. Ilustración de efectos simples.

Ellos se denotan con letras mayúsculas debido a que son también factores. es decir. La interacción puede ser definida como una medida de la eliminación de los efectos simples o de una separación de ellos de una ley aditiva o modelo basado en efectos principales solamente. la interración de A con B. de hecho. el factor A est replicado dentro de cada bloque.36 . por más de lo que puede ser atribuido al cambio.32 + 30) = . el efecto simple de A en el primer nivel de B es 2.6 Para los datos de (III) : AB = + (38 . en cuanto a que esta respuesta sea la misma para cada nivel de B. mientras que el efecto principal es 5. Para (III) los efectos simples para A son los mismos.¦ ¦ +--------+----+----+-------+----------------¦ ¦b-b ¦ 6¦ 6¦ 6 ¦ ¦ +----------------------------------------------------+ En los datos de (I). ha habido un cambio en la magnitud de crecimiento. Además.a b ) + (a b . cuando los tratamientos están arreglados factorialmente. es decir.el efecto principal del factor B para los datos de (III) es 6.¦ b 1 ¦ ¦ En (I) la respuesta de A o el incremento de a ¦*¦ 3 ++EDD~ 3 ¦ +-----+---------+-----> (I) Escala de respuesta ¦ 3 +-----+---------+-----> (II) Escala de respuesta 3 Interacción cuando hay 3 hay diferencia en la 3 una diferencia en la 3 magnitud de la respuesta 3 dirección de a ¦ ¦ ¦ 1 a 2 a 1 a 2 ¦ Interacción cuando no Pág # . como si uno fuera de columna a columna (o de fila a fila) constituye una interacción. aqu! ellos también igualan al efecto principal. cuando se cambia de columna (o fila) debe constituir una interacción. esta respuesta diferencial se denomina interacción entre los 2 factores. los efectos simples. una hipótesis que est generalmente sujeta a un test de significación. o que el resultado de B sea igual para cada nivel de A. as! como entre bloques. Con la notación utitlizada la interacción A x B se define comfalta materia AB = + [(a b 22 . En (II) el efecto simple de B en el segundo nivel de A es . para los factoriales 2} A y B pueden expresarse mediante las siguientes ecuaciones: A = + [(a b B = + [(a b 22 22 . Cuando los efectos simples se promedian.a b ) + (a b 12 21 21 12 . tal como es cualquier media de tartamiento. la cual es la mitad de la diferencia entre las sumas de los tratamientos donde A y B están presentes en los niveles superior e inferior y de los tratamientos donde solo 1 est presente al nivel superior. Aqu! hemos omitido la replicación. la hipótesis estaría basada en la ausencia de interacción entre factores. Los promedios implican que las diferencias.6. 1 hacia a2 .6) en términos del efecto simple de B AB = 3 Para los datos de (II) : AB = + (26 . la variedad de condiciones existen dentro de bloques.36 .32 + 30) = 0 Puede notarse que la interacción es también la mitad de la diferencia entre las sumas de las 2 diagonales de la tabla. Para un experimento factorial basado en un Diseño de Bloques al Azar o en un Cuadrado Latino. varían solo debido al cambio de nivel a nivel del otro factor o factores. Esto es. En la tabla pueden verse las diferencias entre los efectos simples de A.a b ) + (a b 12 21 . El efecto principal del factor A para los datos de (I) es 5.2) en términos del efecto simple de A AB = + (12 . al igual que para B . los cambios en los rangos de cualquier media de tratamiento para una columna (o fila). es la misma que la de B con A. Escala de Escala de respuesta respuesta AUSENCIA DE INTERACCION ¦ ¦ 3 ¦ b2 3 ¦ 3 ¦ + +DD¦ ¦ ¦ ¦ 3 ¦ **¦ + E D D D D D D .a b )] 11 Para los datos de (I) : AB = + (8 . En general. En términos de las medias de tratamiento presentadas en la tabla. los cambios suficientemente grandes en las magnitudes de las diferencias entre medias de tratamiento en una columna (o fila). En (II) la respuesta de A es un incremento en la presencia de b 1 y un decremento en la presencia de b 2. los resultados se denominan efectos principales. .a b )] 11 11 Estas ecuaciones pueden ser extrapoladas a factoriales 2³. Cuando los efectos simples para un factor difieren. En (I) los efectos simples para A son 2 y 8. al igual que para B en los 3 casos. La interacción mide el resultado del efecto A. La relación es simétrica. de esta forma. Los efectos principales son los promedios sobre una variedad de condiciones.es mayor para b2 que para b 1 . Ha habido un cambio en la dirección del incremento. ya que este se presenta en ambos niveles para cada nivel del factor B. es decir.a b )] .

la presencia o ausencia de interacción no nos dice nada acerca de la presencia o ausencia de efectos principales. se mide mediante el error experimental. En este caso. De esta forma. para tratamientos. no se pierde nada tanto en la replicación como en la medición de los efectos principales y se gana en cuanto a que 1 factor cualquiera puede medirse a varios niveles de los restantes factores. Una interración significativa es aquella que es demasiado grande como para ser explicada en base al azar y de la hipótesis nula de ausencia de interacción. los efectos principales e interacciones son planeadas con el objetivo de ser comparados. En experimentos de "n" factores únicos a 2 niveles e independientes. Este ahorro se deriva de 2 hechos : 1) Todos los efectos simples de un factor son iguales a su efecto describir completamente las principal. una respuesta significativa para A podría perderse en un test de significación como F. por ejemplo B. la tabla de medias de los tratamientos y el ANOVA resumen bien los datos. etc. Cuando los factores no son independientes los datos requieren un estudio más detallado. 2) Cuando no son independientes.l. un hecho que podría haberse perdido. ya que contribuye a la Suma de Cuadrados de Tratamiento la cual puede ser atribuida al azar.1 Cuando los factores son independientes Si todos los factores son independientes en sus efectos.la respuesta 3 3 3 3 ¦ 3 ¦ 3 3 3 3 3 ¦ ¦ ¦ 3 3 ¦ ¦ ¦ +-----+------------+-----> (IV) a ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ 3 3 ~ ¦ +-----+------------+-----> (III) Ilustración de la interacción 1 a 2 b 1 b 2 En (I) * representa el efecto simple de A al nivel b ** representa el efecto simple de B al nivel a 1 1 La figura ilustra gráficamente el significado de la interacción. . la Suma de Cuadrados para el efecto A con su único grado de libertad puede perderse fácilmente cuando se promedia con las sumas de cuadrados para el efecto B y para la interacción AB con sus 2 g. con la posibilidad de experimentaciones colaterales.En el análisis de un experimento factorial. en el que somos capaces de medir interacciones y probar hipótesis concernientes a ellas. y entonces los efectos simples de un factor difieren y la magnitud de cualquier efecto simple depende del nivel del otro factor del término interacción. el método del factor único necesitaría "n" veces el material experimental que requeriría un experimento factorial de Pág # . Cuando los factores interactuan un experimento basado en un factor simple traer como consecuencia una pérdida en la información. La presencia o ausencia del efecto principal no nos dice nada acerca de la presencia o ausencia de interacción y de igual forma. Los resultados de un experimento factorial se prestan a una explicación relativamente simple debido a la variedad y a la naturaleza de las comparaciones entre tratamientos. para igualar la precisión obtenida con el experimento factorial.Ventajas de la Experimentación Factorial Aunque las ventajas de la experimentación han sido ya tratados en el epígrafe anterior queremos resaltarlas nuevamente. El experimento factorial indica la complejidad. B y AB. Todas las unidades de un experimento factorial o interacción. en un factorial 2} con 3 g. Cuando los factores son independientes del experimento factorial salva considerable tiempo y esfuerzo. de tal forma que los efectos principales son las únicas cantidades necesarias para consecuencias de las variaciones en el factor.C. En experimentos de factores únicos se requeriría el doble del total de parcelas. el método factorial significaría un ahorro considerables de tiempo y en material dedicado a los experimentos. de tratamiento generalmente se usa como parte del procedimiento de cálculo y no como medio de proporcionar el numerador de un test F. El cálculo de S. La dificultad radica en la naturaleza compleja de la situación y no en la aproximación factorial en sí. en términos de comparaciones de tratamiento. todo el experimento se hubiese dedicado a ese único factor. cuando existen más factores. de tal manera que puedan ser fijadas de una manera convincente. Es muy fácil visualizar una situación donde un factor. se concluye que los factores analizados actuan independientemente entre s! y los efectos simples de un factor son los mismos para todos los niveles de los otros factores en la que la variación aleatoria dentro. 3. Cuando una interacción es significativa. . aunque si nos dice algo acerca de la homogeneidad de los efectos simples. 2) Cada efecto principal se estima con la misma precisión que si El factorial en comparación con experimentos separados en el que cada uno considere un factor.l. Analizaremos 2 casos : 1) Cuando los factores son independientes y. los efectos simples son iguales a los efectos principales correspondientes y un efecto principal en estos experimentos se estima con tanta precisión como si el experimento completo hubiera estado dedicado a ese factor. requiere menos unidades experimentales. es correcto dividir los grados de libertad y las Sumas de Cuadrados de Tratamiento en componentes atributibles a los efectos principales e interacciones y aún cuando el test F para diferencias entre tratamientos no sea significativo. Si la interacción es no significativa. Si los factores son independientes. si un experimento dedicado a la evaluación de un factor simple hubiera sido usado. a diferencia de los experimentos sencillos (1 solo factor) en todas las unidades puede medirse A. no mejora ni se perjudica a si mismo ni tiene efecto sobre A. En los experimentos factoriales. los factores no son independientes entre sí.

(1) ] B = + [ (ab) + (b) . [ab] . Basándose en estos resultados. En la práctica estas componentes se calculan normalmente a partir de los totales de tratamiento. B y AB satisfacen las condiciones para un conjunto ortogonal de funciones. factor B y al i-ésimo nivel del factor A.(b) + (a) . 3.C.l.(b) . Si ahora sabemos que las "t" tratamientos son en realidad todas las combinaciones de "a" niveles de A y "b" niveles de B (t = a x b) entonces el modelo estadístico se escribe como : donde : = Es el k-ésimo elemento perteneciente al j-ésimo nivel del = media general de la población.[b] + [a] . +-----------------------------------------------------------+ ¦ ¦ Combinación de tratamiento ¦ ¦ ¦ Efecto +-------------------------------------¦ Divisor ¦ ¦ ¦ (a) (b) ¦ ¦ (ab) ¦ ¦ ¦Factorial ¦ (1) +----------+-------------------------------------+----------¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ AB ¦ ¦ B ¦ ¦ + A ¦ ¦ + M ¦ ¦ + ¦ ¦ + + + ¦ + ¦ + ¦ + ¦ + ¦ ¦ ¦ ¦ ¦ ¦ 4 ¦ 4 ¦ 2 ¦ 2 ¦ ¦ ¦ ¦ ¦ +-----------------------------------------------------------+ Los efectos principales A y B se calculan como : A = + [ (ab) . dividen la Suma de Cuadrados de tratamientos en 3 componentes únicos. a. (b). etc. los efectos simples de un factor varían de acuerdo con la combinación particular de los otros factores.[1] entonces la S. Su ventaja radica en que permite los análisis de experimentos factoriales con repetición fraccionada.(b) = efecto simple de A cuando B est en el 2do nivel = A + AB Estas relaciones son útiles cuando se ha resumido un experimento en términos de los efectos factoriales y se desea estimar posteriormente algunos de los efectos simples.(a) + (1) ] Estas cantidades y la media general M se muestran en términos de las medias para las combinaciones de tratamiento en la tabla. 4 . Las filas de la tabla expresan los efectos factoriales en términos de las medias originales. . excepto M.(1) = efecto simple de A cuando B est en el 1er nivel = A . En este caso. Las funciones A. En consecuencia. En el ejemplo anterior se puede notar que la cantidad AB mide el error que se comete al estimar los efectos simples de A. Con esta notación se simboliza con 1. etc. los efectos simples pueden ser calculados a partir de efectos factoriales. De esta forma : (a) . En este epígrafe veremos los modelos lineales de experimentos bifactoriales basados en estos Diseños : 1) Diseños Completamente AleatorizadoEs el modelo lineal de un Diseño Completamente Aleatorizado. si se ha supuesto erroneamente que los dos factores son independientes. efectos principales e interacciones. los cuadrados de los efectos factoriales .la misma precisión. 1 1=1 a2b1 = a a1b2 = b a2b2 = ab a b (los 2 factores están en el 1er nivel) (sólo el factor b est al 1er nivel) (sólo el factor a est al 1er nivel) (ambos factores están al 2do nivel) De esta forma podríamos describir los efectos factoriales y las combinaciones de tratamiento. en la que se trata un factorial de 2 x 2 (2²). Comparemos las combinaciones de tratamiento de esta notación con la que describimos anteriormente.(1) ] Yates introduce el mismo multiplicador + para la interacción que se define como: AB = + [ (ab) . Pág # . [b] . cada una con 1 g.(a) . Si se definen los totales factoriales como : [A] = [ab] . cuando se multiplican aproximadamente. mediante la tabla siguiente .Otro método de análisis de efectos e interacciones Yates ha propuesto otro método por el análisis de los efectos simples. etc. para A en el los casos de un Diseño de Bloques al Azar y Cuadrado Latino se añaden al modelo lineal los efectos debido a bloques y debido a filas y columnas respectivamente. que no pueden ligarse fácilmente. En el epígrafe 2 de este capítulo se muestra como una de las formas de notación abreviada. en términos de M. se encontrar que las columnas permiten expresar las medias originales en términos de los efectos factoriales. con los cuales estos se producen. Por ejemplo : (ab) = M + + [ A + B + AB ] Es fácil ver que esta igualdad se mantiene siempre en el experiemnto en todos los términos. provea solamente un número de fragmentos inconexos de información. es probable que el método del factor único.AB (ab) . el primer nivel de cada factor.2 Cuando los factores no son independientes Cuando los factores no son independientes. Si las ecuaciones representadas por el cuadro se resuelven para (ab) . el segundo nivel se representa con la letra minúscula del factor. en lugar de hacerse con las medias.

86 ¦ ¦ +-------+----------+------------+--------------¦ ¦ de ¦ TOTAL ¦ 163.92 ¦ +---+-----------+-----------+-----------+-----------+---------¦ ¦ Y ¦ 13. como si se tratara solamente de la solución del ANOVA de clasificación simple típico de un diseño completamente aleatorizado.33)} .53 ¦ 39.39 ¦ 96...53 ¦ 17.41 SCerror = 1919.33 ¦ 28.92 ¦ ¦ ¦ ¦ ¦ ¦ ¦ Siembra ¦ ¦ ¦ ¦ ¦ +-----------------------------------------------------------+ ¦ Pág # .06 ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ 10.28 ¦ 19.. El modelo lineal es el mismo que el de un Diseño Compleatamente Aleatorizado.= efecto debido al i-ésimo nivel del factor A = efecto debido al j-ésimo nivel del factor B = efecto de interacción entre el j-ésimo nivel del factor B y el = error experimental asociado a la medición.. + (139.C. Los datos se presentan en la siguiente tabla.F.80 ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ 12.80 ¦ 31. SC de tratamientos y la SCerror . ¦ (b ) ¦ 96.06)} . total. +-------------------------------------------------------------+ ¦ Tratamientos ¦ +-------------------------------------------------------------¦ ¦ ¦ a b ¦ a b ¦ a b ¦ a b ¦ ¦ ¦ ¦ +---+-----------+-----------+-----------+-----------¦ ¦ ¦ 8.C.20 ¦ 29.33 .CTrat = (66. Experimento Factorial 2 x 2 Veremos el procesamiento de un ANOVA tomando como ejemplo un factor 2 x 2.33 ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ +---+-----------+-----------+-----------+-----------+---------¦ ¦õ Y¦ 66.14 ¦ 32. si descomponemos donde en efectos principales e interacciones. F.06 ¦ ¦ +-------+----------+------------+--------------¦ ¦ dist.1539.87 ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ 14.00 ¦ 17. + (29.33 ¦ 45.07 ¦ 26.20 ¦ 23.53)} + (20. El experimento se diseño de una forma completamente al azar y cada tratamiento present" 5 réplicas..39)} + .92 Necesitamos ahora condensar los datos en otra tabla. La diferencia de esta tabla de factores y niveles con la que habíamos presentado al inicio del capítulo estriba en que aqu! se presentan los totales de tratamiento y no las medias de los mismos. 2) Diseño de Bloques al Azar representa el modelo lineal de un Diseño de Bloques al Azar. S.00 ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ 20.07 ¦ 40.53 ¦ 21.36 ¦ 36.92)} = 11757.67 ¦ 139. . denominada tabla de totales de tratamiento para calcular la SC de efectos principales y la interacción.80 ¦ 139. = 1919.C.33 S...53)} + .53 ¦ 27.C +-----------------------------------------------------------+ ¦ Factor ¦ A = Variedades ¦ +------------+----------------------------------------------¦ ¦ ¦ Nivel ¦ (a ) ¦ (a ) ¦ TOTAL ¦ +------------+-------+----------+------------+--------------¦ ¦ B ¦ (b ) ¦ 66.. = 1919.73 ¦ 484.53 ¦ 20.Análisis de Varianza.39 ¦ 182.F. Considere un experimento en el que se analizan los rendimientos de 2 variedades (A) sembradas a 2 distancias de siembra (B).06 ¦ 235.80 ¦ 182. = (484. Verifique un ANOVA e interprete sus resultados.67 ¦ 249.37 tot = (8.80 ¦ 25.41 = 379.81 ¦ 24.19 ¦ 321.C. pero con la adición del efecto debido a filas y el efecto debido a columnas. 8 ..25 ¦ +-------------------------------------------------------------+ Esta tabla nos permite calcular la S. tendríamos : i-ésimo nivel del factor A es un elemento que se le añade al modelo lineal y representa el efecto debido a bloques. 3) Cuadrado Latino.06 ¦ 484.80 ¦ 20.

¦ ¦ ¦ ¦ ¦ ¦ 0.F.C. Anteriormente se dieron estimaciones separadas para AB a cada uno de los niveles de C. Por lo tanto.C. ab.(a) + (1)] Hay otras 2 interacciones de 1er orden AC y BC que se definen de manera sismilar.06 ¦ ¦ ¦ Pág # .(bc) + (ab) . c. La diferencia entre 2 estimaciones mide el efecto de C sobre la interacci"n AB. en la práctica. AB (C al 2do nivel) = + [(abc) . Si se efectúan las operaciones algebraicas.21 ¦ 2.95 Estos resultados se presentan en la tabla de ANOVA. b. las interacciones de 3 factores. es decir.(bc) .99 ¦ 2.09 ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ 14 (c ) ¦ 1.8.s ¦ ¦ ¦ ¦ siembra (B) ¦ +--------------+---------------+-----------+-----------+---------¦ ¦ AXB ¦(a-1)(b-1) = 1 ¦ 273.L. por ejemplo.1256. la interacción ABC es tan grande como el efecto principal de A y las interacciones AB y AC.19)} + (321. = (249.Las letras a. La interacción signific ¦ 0 (a )¦0.SCA = 1539. = 1256. bc y abc.Efectos principales e interacciones en un experimento trifactorial En este caso se presentan 8 combinaciones de tratamiento : (1). a.C ¦ ¦ C.C.(ab) + (b) + (a) . la cantidad se llama interacción A x B x C y es una interacción de 3 factores o de 2do orden. b.(ac) + (c) .08 ¦ ¦ 1 y a2 son muy significativos.01 Los redimientos de las variedades a Ojo Falta materia 12 . que el factor A no ejerza ninguna influencia.F.75 .M ¦ ¦ F ¦ SC B +--------------+---------------+-----------+-----------+---------¦ ¦ Tratamientos 3 (ab-1) = 3 ¦ 1539. son a menudo pequeñas con relación a los efectos principales y a las interacciones de 2 factores y muy frecuentemente pueden ser ignoradas para los propósitos de los resultados.73)} .(bc) . El efecto simple de A se determina para cada una de las 4 combinaciones de los otros factores (1).71 SCA x B = SCTRAT . a menos que los factores B y C estén presentes en la combinación (bc).85 ¦ ¦ 1.33 ¦ ¦ ¦ +----------------------------------------------------------------+ ** : Significativo para p < 0. ¦ ¦ ¦ S. Esta diferencia con el factor convencional 1/4 es : 1/4 [(abc) .71 = 273.75 ¦ ¦ +--------------+---------------+-----------+-----------+---------¦ ¦ TOTAL 3 (abr-1) = 19 ¦ 1919.95 ¦ 23.5 ** ¦ +--------------+---------------+-----------+-----------+---------¦ ¦ Error ¦ ab (r-1) = 16 ¦ 379. En este caso.71 ¦ 53 ** ¦ ¦ +--------------+---------------+-----------+-----------+---------¦ ¦ Dist.(b) .41 ¦ 1256.71 ¦ 1 n. Las interacciones de 3 factores son más difíciles de entender que las interacciones de 2 factores. +----------------------------------------------------------------+ ¦ Fuentes de ¦ ¦ Variación ¦ G.(b) + (ac) .86)} . ac.22 ¦ 2.75 ¦ +--------------+---------------+-----------+-----------+---------¦ ¦Variedades (A)3 (a-1) = 1 ¦ 1256.41 .(a) + (1)] La cantidad AB se toma como un promedio de estos 2 efectos.(bc) .49 ¦ ¦ ¦ ¦0. Además se encuentra una nueva interacción. = (163. que dichas variedades tienen rendimientos diferentes.l. = 8.C.(b) .(1)] Existen definiciones análogas válidas para B y C.(1)] y puede ser llamada interacción AB con C. La interacción de A x B se mide ahora separadamente a cada uno de los niveles de C.71 ¦ ¦ 8. Ocasionalmente.75 SCB = d (d d Y)} . Puede suceder. de 3 (b-1) = 1 ¦ ¦ 8. . A = + [(abc) . Afortunadamente. para B y el total de réplicas respectivamente. el efecto principal de A se define como el promedio de estos 4 efectos simples. donde se muestra el cálculo de g. hay casos en que estas son importantes.(ac) + (c)] AB (C al 1er nivel) = + [(ab) .F. A partir de esta tabla procesamos : SCA = d (d d Y)} .06)} + (235. se encontrar que la misma expresión mide la interacción AC con B y BC con A. b y r representan el número de niveles para A. para cada fuente de variación.025 (b ) ¦ 12 (c ) ¦ 1. As! : AB = + [(abc) .75 ¦ 8.95 ¦ 273.(c) + (a) .(ac) + (c) + (ab) .F.050 (b ) ¦ ¦ ¦ ¦ 12 (c ) ¦ 0.27 ¦ 1.95 ¦ 11. c y bc. Como antes.

97 ¦ 14.52 ¦ ¦ ¦0. pero para calcular las S.75 ¦ ¦ ¦0.24 ¦ 2.025 (b ) ¦ 12 (c ) ¦ 1.21 ¦ 2.025 (b ) ¦ 12 (c ) ¦ 1.39 ¦ 2.50 28..F.35 ¦ ¦ ¦ ¦ 0 (b ) ¦ ¦ ¦ ¦ 14 (c ) ¦ 1.C.08 ¦ 2.34 ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ 14 (c ) ¦ 1.57 4. .0409 SCTRAT = (2.03 ¦ +---------+-----------+----------+-------------------+---------¦ ¦ ¦ ¦ ¦ ¦ ¦ 12 (c ) ¦ 1.2756 + 0.C = 2.42 ¦ 1.22 ¦ ¦ ¦ ¦ 0 (b ) ¦ ¦ ¦ ¦ 14 (c ) ¦ 0.¦ ¦ ¦ 14 (c ) ¦ 1.08 ¦ ¦ ¦ 1.62 1.C de efectos principales e interacciones se necesitan las tablas (A x B) +-------------------------------------+ ¦ ¦A B¦ ¦ b b b ¦ ¦ ¦ õ ¦ A x B .80 ¦ ¦ 1.12 ¦ ¦ 0.30 ¦ 1.81 5.41 ¦ 2.13 ¦ 2.(1.00 ¦ 2.46 ¦ ¦ ¦ 1.31 ¦ ¦ ¦ ¦ 4.1334 SCTOTAL SCerror = 2.15 (a )¦0.11)} + .27 ¦ 2.49 ¦ ¦ ¦ ¦ 14 (c ) ¦ 1.16 ¦ 2.F.10 (a )¦0.58 ¦ ¦ ¦ ¦0..39 ¦ 2..2756 SCRéplicas =(31.36 ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ 14 (c ) ¦ 1.08)} + .91 ¦ +---------+-----------+----------+-------------------+---------¦ ¦ ¦ ¦ ¦ ¦ ¦ 12 (c ) ¦ 1.F.61 ¦ ¦ ¦ ¦0.67 1..025 (b ) ¦ 12 (c ) ¦ 1.1334) = 0.46 ¦ ¦ 1.C.050 (b ) ¦ ¦ ¦ ¦ ¦ 12 (c ) ¦ 1.05 4.11 ¦ 15.050 (b ) ¦ ¦ ¦ ¦ ¦ 12 (c ) ¦ 1.19 ¦ 1.29 ¦ 2.03 ¦ 2.38 ¦ 15.82 5.55 ¦ ¦ 1.97 60.C = (60.30 ¦ ¦ ¦ ¦ 0 (b ) ¦ ¦ ¦ ¦ 14 (c ) ¦ 1.05 (a )¦0.53 ¦ 3.08 ¦ ¦ ¦ ¦ 14 (c ) ¦ 1.89 ¦ +--------------------------------------------------------------¦ ¦ (Réplicas) 31.34 ¦ 2.40 ¦ 1.76 1.. = 0.27 ¦ 3. B x C.59 ¦ ¦ ¦ ¦ 5.85 ¦ +---------+-----------+----------+-------------------+---------¦ ¦ ¦ ¦ ¦ ¦ ¦ 12 (c ) ¦ 1.21 ¦ 2.6319 Estos cálculos se hacen a partir de la tabla.97)} .38 ¦ ¦ 1.1766 = (1.+ (2. = 1.050 (b ) ¦ ¦ ¦ ¦ ¦ 12 (c ) ¦ 1.53 ¦ ¦ ¦ ¦ 14 (c ) ¦ 1.47)} = 76.19 ¦ 2.38 4.96 ¦ 2. +-------+---------------------+-------¦ ¦ a ¦ ¦ a ¦ ¦ a ¦ ¦ ¦ ¦ ¦ 5.46 1.03 ¦ 2. A x C .89)} .+ (1.34 ¦ ¦ 1.50)} + (28.0409 .09 ¦ ¦ ¦ 1.47 ¦ +--------------------------------------------------------------+ F.22 ¦ 1.27)} .55 ¦ ¦ ¦ Pág # .81 ¦ ¦ ¦ ¦0.24 ¦ 1.24 ¦ ¦ ¦0.03 ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ ¦ 14 (c ) ¦ 1.36 5.

0427 + 0.. .0821 SC A x B x C = 1.5355 + 0.85 * ¦ Pág # .. = 0.47 ¦ +----------------------------------+ SC A = (14.C.59 ¦ 8.05)} +.84)} ..0821) = 0. = 0.0.02 ¦ +-------+---------------------+-------¦ ¦ õ ¦ 1447 1651 1780 ¦ 60.55 ¦ ¦ ¦ 7.92 ¦ 15.F.M F ¦ ¦ Variación ¦ ¦ +----------------+-----------------------------------------------¦ ¦ Réplicas ¦ 1 0.0427 .55 ¦ ¦ ¦ 10..C.95 10.C.0. .(0.60 ¦ 19..68 ¦ 20.+ (7.5355 = 0.79 ¦ 15.95)} +.02 ¦ +-------+------------------+-------¦ ¦ õ ¦ 27. -0.F.70 32.69 ¦ 15.0..526 = 0.5355 SCA x B = (5.77 ¦ 60.77)} .23 ¦ ¦ 7.59)} +.F.1334 4.77 ¦ 60.33 5.1334 0.62 ¦ 6.+ (5.49 ¦ 20.31 5.08 ¦ ¦ ¦ 11..38 ¦ 15.C.+ (15. = 0.C.¦ a ¦ 4.0..47 ¦ +-------------------------------------+ (A x C) +----------------------------------+ ¦ ¦A C¦ ¦ C ¦ ¦ C ¦ õ ¦ +-------+------------------+-------¦ ¦ a ¦ ¦ a ¦ ¦ a ¦ ¦ a ¦ ¦ 7.63 ¦ ¦ 6.84 ¦ +-------+------------------+-------¦ ¦ õ ¦ 27.5355 = 0.2399 + + 0.F.0526 .+ (11.16 ¦ ¦ 9.L.70)} + (32.C C.+ (20.22 8.02)} .0526 + 0.79)} .59 ¦ ¦ ¦ 8..F.0.2543 SC A x C = (6.0427 .2543 + 0.37 ¦ 14.2756 . +----------------------------------------------------------------+ ¦ Fuentes de ¦ ¦ ¦ ¦ G.70 32.0427 SCB = (19. S.38)} .31 ¦ ¦ ¦ 7.0685 Se presenta ahora la tabla del ANOVA. .F.22)} + .47 ¦ +----------------------------------+ (B x C) +----------------------------------+ ¦ ¦B C¦ ¦ C ¦ ¦ C ¦ õ ¦ +-------+------------------+-------¦ ¦ b ¦ ¦ b ¦ ¦ b ¦ ¦ 9.0526 SCC = (27.68)} .C..55)} +.2399 SCB x C = (8.

01). Luego.0263 1 ns ¦ ¦ ¦ ¦ ¦ Proteína (C) ¦ 1 0.47 ** ¦ ¦ ¦ ¦ ¦ AxB ¦ 6 0.0142 1 ns ¦ ¦ ¦ ¦ ¦ Metionina (B) ¦ 2 0. por ser un modelo de efectos fijos (modelo I).0410 1.54 ns ¦ ¦ ¦ ¦ ¦ AxC ¦ 3 0.0409 ¦ +----------------------------------------------------------------+ En este caso. no fueron significativas.0427 0.91 ns ¦ ¦ ¦ ¦ ¦ BxC ¦ 2 0.5355 19.0526 0. La única fuente de variación que result" ser significativa fue el efecto debido a la proteína (p < 0.2543 0. Pág # . tienen que ver con el incremento de peso promedio por día. incluyendo las interacciones.¦ ¦ ¦ ¦ Lisina (A) ¦ 3 0.0800 2.0685 0. Las Réplicas fueron también significativas y ello significa una eliminación en la posible heterogeneidad del error experimental y la obtención de una mayor precisión en los estimados.5355 0.0424 1.0114 1 ns ¦ ¦ ¦ ¦ ¦ Error ¦ 23 0. podemos concluir que la dosis que se emplean de proteína.2399 0. las restantes fuentes.6319 0.49 ns ¦ ¦ ¦ ¦ ¦ AxBxC ¦ 6 0.0821 0. . como siempre.0275 ¦ ¦ ¦ ¦ +----------------+-----------------------------------------------¦ ¦ TOTAL ¦ 47 2. se prueban los Cuadrados Medios contra el CMerror.