Análisis estadístico de diseños experimentales

INTRODUCCION AL ANALISIS ESTADISTICO DE DISEOS EXPERIMENTALES ING.
OSCAR CISNEROS GUZMAN
DISEO DE EXPERIMENTOS
ING. OSCAR CISNEROS GUZMN
0
INTRODUCCION AL ANALISIS ESTADISTICO DE DISEOS EXPERIMENTALES ING. OSCAR CISNEROS GUZMAN
DISEO DE INVESTIGACIONES EXPERIMENTALES
En la experimentacin, el investigador modifica de manera deliberada, intencionada y

controlada algunos factores cuyo efecto sobre el objeto de estudio se quiere conocer.
De all que se defina como un experimento al conjunto de observaciones
especficamente definidas, efectuadas bajo condiciones controladas y reproducibles.
1.1 CONCEPTOS BASICOS
1.1.1 DISEAR UN EXPERIMENTO
Disear un experimento significa planificar un conjunto de acciones perfectamente

definidas que sern realizadas bajo condiciones totalmente controladas y
reproducibles de modo que se asegure obtener los datos apropiados que permitan un
anlisis objetivo y que conduzca a deducciones vlidas con respecto al problema
establecido. Esto implica que la persona que formule el diseo entienda claramente
los objetivos de la investigacin propuesta.
1.1.2 PROPOSITO DE UN DISEO EXPERIMENTAL
El propsito de cualquier diseo experimental es proporcionar la mxima cantidad de

informacin al mnimo costo (con ahorro de tiempo, dinero, personal y material
experimental). Es importante que el diseo, plan o programa de prueba sea tan simple
como sea posible. El investigador que planee un experimento deber esforzarse por
lograr eficiencia estadstica y econmica.
1.1.3 TRATAMIENTO
La palabra tratamiento se refiere al conjunto particular de condiciones experimentales

que se aplican a cada unidad experimental en el diseo seleccionado. Estas
condiciones son controladas por el investigador y a cada unidad experimental le
corresponde un conjunto particular de condiciones; de una unidad experimental a otra
pueden variar las condiciones de aplicacin.
1.1.4 FACTOR
A una variable independiente se le conoce como Factor y es independiente porque no

depende del fenmeno en estudio; es aquella variable que est siendo controlada y
modificada intencionalmente por el investigador para conocer el efecto que esta
modificacin intencional produce en la variable respuesta observada en la unidad
experimental. Por lo general se usan letras maysculas latinas para representarlas.
1.1.5 NIVELES DE FACTOR
A los diversos valores o clasificaciones del Factor se le conoce como Niveles de

Factor. Estos niveles son los que permiten la modificacin controlada del factor para
medir su efecto en la variable respuesta observada en cada unidad experimental.
1.1.6 UNIDAD EXPERIMENTAL
1
Es la unidad de observacin y anlisis a la cual se le aplica un solo tratamiento en una

realizacin del experimento bsico. En todas las unidades experimentales en estudio
se observa, mide y registra la misma caracterstica o variable, conocida como variable
respuesta; el valor que sta variable registra expresa el efecto de la aplicacin
controlada de un factor.
1.1.7 VARIABLE RESPUESTA
Conocida tambin como variable dependiente, por variable respuesta entenderemos a

la caracterstica, variable, que ser observada en cada unidad experimental; es la
variable que mide o que manifiesta el efecto que produce cada tratamiento en las
unidades experimentales.
1.1.8 ERROR EXPERIMENTAL
Este trmino describe el fracaso de llegar a resultados idnticos con dos o ms

unidades experimentales sometidas al mismo tratamiento y bajo iguales condiciones
de experimentacin. Si a dos o ms unidades experimentales se les aplica igual
tratamiento y condiciones de experimentacin, si son tratadas idnticamente, es de
esperar que den igual resultado, el fracaso de obtener igual resultado en estas
condiciones se conoce como error experimental.
La palabra Error Experimental tiene para el Estadstico un significado mucho ms

general que en una situacin particular y reflejar:
1. Errores de experimentacin
2. Errores de observacin
3. Errores de medicin
4. La variacin del material experimental
5. Los efectos combinados de todos los factores extraos que pudieran influir
en las caractersticas en estudio.
1.2 PRINCIPIOS BASICOS DEL DISEO EXPERIMENTAL
Hay tres principios bsicos del diseo experimental: reproduccin, aleatorizacin y

control local.
REPRODUCCION: Por reproduccin se debe entender la repeticin del experimento

bsico. La reproduccin es deseable porque: 1) proporciona una estimacin del error
experimental; y, 2) nos capacita para obtener una estimacin ms precisa del efecto
medio de cualquier factor.
ALEATORIZACION: Es la asignacin al azar del tratamiento a las unidades

experimentales, que asegura independencia de errores. La aleatorizacin hace vlida
la prueba de significacin, hacindola apropiada para analizar datos como si la
suposicin de errores independientes fuera cierta.
CONTROL LOCAL: La funcin del control local es hacer ms eficiente el diseo

experimental, hace ms sensitiva cualquier prueba de significancia o hace ms
poderosos los procedimientos de prueba; este aumento de eficiencia resulta porque el
uso adecuado del control local reducir la magnitud de la estimacin del error
experimental. En este sentido el control local se refiere a la cantidad de balanceo,
bloqueo y agrupamiento de las unidades experimentales.
2
Agrupamiento: Por agrupamiento se debe entender la colocacin de un conjunto de

unidades experimentales homogneas en grupos diversos, de modo que los diferentes
grupos puedan sujetarse a distintos tratamientos.
Bloqueo: Damos a entender la distribucin de las unidades experimentales en

bloques, de tal manera que la mayor parte de la variacin predecible entre las
unidades quede confundida con el efecto de los bloques.
Balanceo: Damos a entender que la obtencin de las unidades experimentales, el

agrupamiento, el bloqueo y la asignacin de los tratamientos a las unidades
experimentales sea tal modo que resulte una configuracin balanceada.
1.3 COMO PLANEAR UN EXPERIMENTO
Planear un experimento implica que el investigador debe seguir un procedimiento

concatenado y responder con precisin los cuestionamientos de cada fase del
planeamiento experimental.
De forma similar al un proceso de investigacin cientfica, la planificacin de un

experimento se resume en tres fases perfectamente definidas:
1. Fase 1. Diseo, planificacin y organizacin del experimento

2. Fase 2. Ejecucin del experimento
3. Fase 3. Procesamiento y anlisis de resultados del experimento.
Fase 1. Diseo, planificacin y organizacin del experimento:
1. Definir y delimitar el experimento. Consiste en establecer con claridad y

precisin lo que se desea experimentar; determinar la unidad experimental y
las caractersticas que sern observadas en la unidad experimental (variables
respuesta), los factores que inciden o actan sobre las caractersticas que se
observarn en la unidad experimental y establecer aquellos que sern
controlados y la forma o manera de estandarizar el comportamiento de
aquellos factores que no sern controlados.
2. Justificar la importancia y relevancia del experimento. Comienza con la
recopilacin bibliogrfica de toda referencia bibliogrfica relevante sobre el
tema de experimentacin, los resultados alcanzados por otros investigadores,
los temas que requieren mayor investigacin y aquellos que han sido
investigados. Explicitar las razones que fundamentan y sustentan la ejecucin
del proceso experimental.
3. Establecer los objetivos del estudio. En trminos de los resultados que se
espera alcanzar al trmino de la experimentacin. Debe recordarse que todo
objetivo debe ser especfico, medible, observable y fundamentalmente
alcanzable.
4. Formular las hiptesis de trabajo. Establecer con precisin las hiptesis de
trabajo que guiarn la experimentacin, las mismas que sern docimadas con
los resultados del experimento. Es imprescindible que para el planteamiento
definitivo de las hiptesis, stas consideren una hiptesis para cada factor a
controlar y para sus interacciones. Recordemos que la formulacin de una
hiptesis de trabajo requiere observar una estructura cientfica, gramatical,
lgica y matemtica; y que, toda hiptesis debe ser observable, medible
mensurable y verificable.
3
5. Disear el programa de experimentacin. Definida la unidad experimental

es imperativo establecer las caractersticas bsicas que cada unidad debe
reunir para su inclusin en el estudio, su ubicacin y proceso de seleccin; las
variables respuesta que sern observadas en la unidades experimentales,
momento, tiempos, forma y procedimientos de observacin y medicin de cada
variable respuesta; los factores que sern controlados, forma y procedimiento
de control y dosificacin de los niveles de factor que sern utilizados; de igual
manera se indicar la forma en que la ocurrencia de los factores no
controlados ser estandariza para todas las unidades experimentales.
Conjuntamente con la forma y procedimientos para la ejecucin del
experimento, as como para la observacin y medicin de la variable respuesta
y para el control del factor, se establecern la instrumentacin tcnica
requerida.
Todos estos elementos sirven para establecer el mejor diseo experimental a
ser utilizado y con ello los procedimientos estadsticos de anlisis; es
conveniente, prever los posibles resultados del experimento, as como las
limitaciones en trminos de tiempo, instrumentacin, recursos y resultados.
El diseo implica no slo precisar lo antes citado, incluye elaborar un programa
sistemtico y completo de ejecucin del experimento que establezca las
tcnicas experimentales que sern utilizadas.
Fase 2. Ejecucin del experimento:
1. Establecer los procesos de control. Del procedimiento de ejecucin del

experimento, de la observacin y registro de la variable respuesta y de la
dosificacin de los factores.
2. Disear instrumentos de registro. De control y verificacin de resultados,
as como de observacin y medicin de la variable respuesta y de factores.
3. Ejecucin del experimento. Aplicar los procedimientos, tcnicas y rutinas
experimentales diseadas.
Fase 3. Procesamiento y anlisis de resultados:
1. Procesamiento de la informacin. Consiste en depurar los datos obtenidos e

ingresar al computador la informacin de manera sistemtica.
2. Anlisis de resultados. El anlisis implica la aplicacin de tcnicas
estadsticas previstas para el anlisis de datos experimentales, docimar las
hiptesis planteadas, plantear sus conclusiones; establecer las limitaciones a
las conclusiones obtenidas a partir de la ejecucin experimental y a la
evidencia de los datos.
3. Elaborar el informe final. Consiste en elaborar la memoria tcnica del
experimento que recoja toda la informacin relevante desde el diseo hasta el
anlisis y conclusiones de sus resultados.
Con el procedimiento propuesto se desea responder a preguntas tales como:

1. Qu se va a medir, cmo, dnde?
2. Qu caractersticas que se van a analizar?
3. Qu factores afectan las caractersticas que se van a analizar?
4. Cules de esos factores se estudiarn en esta investigacin?
5. Cuntas veces debera ejecutarse el experimento bsico?
6. Cul sera la forma de los anlisis?
7. A partir de qu valor se considera importante un efecto?
4
1.4 ANALISIS DE VARIANZA
El procedimiento bsico de anlisis para un diseo experimental es el conocido como

Anlisis de Varianza que consiste en partir la suma de los mnimos cuadrados debido
a la variacin total, de una serie de observaciones, en las sumas de los mnimos
cuadrados correspondientes a las variantes independientes incluidas en el plan
experimental; y, en la suma de los mnimos cuadrados del error experimental.
Los valores registrados corresponden a la variable respuesta observados en cada

unidad experimental; la variacin que registren los diferentes valores de la variable
respuesta es una medida del efecto que produce uno o ms factores en esta variable y
del error experimental. El objetivo del Anlisis de Varianza es particionar la variacin
total observada en aquella debida a efecto del factor o factores incluidos en el diseo y
en aquella debida al error experimental.
Si el experimento utiliza un solo factor o variable independiente, entonces la suma de

cuadrados de la variacin total observada en la variable respuesta se divide en dos
partes: la primera que determina la variacin debido al efecto del factor considerado, o
variacin entre los tratamientos; y la segunda, que representa a la variacin debido al
error experimental, esto es:
Variacin total = Variacin entre tratamientos + Variacin del Error
(x ij ) 2 = n j ( j ) 2 + ( xij j ) 2
en donde:
(Xij - )2 = Suma de cuadrados total = SCT
nj (j - )2 = Suma de cuadrados entre Tratamientos = SCE
(Xij - j)2 = Suma de cuadrados Residual = Error = SCR
de donde:
SCT = SCE + SCR.
En general, las suposiciones bsicas del anlisis de varianza son las mismas
asociadas con el anlisis de regresin:
Aditividad
Independencia
Linealidad
Varianzas homogneas
Normalidad
5
DISEO A UN CRITERIO DE CLASIFICACION
En este diseo, el experimento se realiza con la participacin de un solo factor o

variable independiente que est siendo controlado, asumiendo y verificando que los
restantes factores se mantienen en iguales condiciones para todas las unidades de
experimentacin en cada realizacin del experimento.
El factor se presenta dividido en categoras de variable o niveles de valor de la

variable, a las cuales conoceremos con el nombre de tratamientos, de forma que a una
unidad experimental se le aplicar un solo tratamiento; suele ser comn que uno de
los tratamientos implique la no aplicacin del factor, o que el factor tiene en ste
tratamiento su nivel mnimo, cero; en este caso, al tratamiento as asignado se le
denomina "testigo" y servir de elemento base para medir el efecto de los restantes
niveles del factor en la variable respuesta.
Este es un modelo en el cual los tratamientos sometidos a experimentacin, son

asignados completamente al azar a las unidades experimentales o viceversa.
2.1 MODELO DE ANALISIS CON IGUAL NUMERO DE OBSERVACIONES POR

TRATAMIENTO
Bajo este diseo se encuentran los experimentos cuyos tratamientos tienen igual
nmero de observaciones cada tratamiento, de forma que el nmero de observaciones
y de unidades experimentales es igual al nmero de observaciones por tratamiento
multiplicado por el nmero de tratamientos. La funcin matemtica que define este
modelo es:
X ij = + j + ij
La representacin simblica de datos de ste diseo es el siguiente:
TRATAMIENTO
OBSERV. T1 T2 > Tj >. Ta
1 X11 X12 .. X1j F. X1a
2 X21 X22 F X2j F. X2a
i Xi1 Xi2 F Xij F. Xia
:
n Xn1 Xn2 ... Xnj .... Xna
TOTALES X1 X2 > Xj >. Xa X

# OBSER n1 n2 F nj F. na n
MEDIAS 1 2 F j F. a
En esta representacin, el tratamiento se generaliza como Tj y el nmero de los j-

simos tratamientos incluidos en el experimento va de 1 hasta a, siendo a el nmero
total de tratamientos. Una observacin o medida de la variable respuesta en una
unidad experimental se generaliza por Xij y el nmero de las i-simas observaciones o
repeticiones del experimento en cada tratamiento va de 1 hasta n, generalizndose el
nmero de repeticiones en cada tratamiento por nj.
6
La identidad fundamental del Anlisis de Varianza de un modelo construido a un solo

criterio de clasificacin es:
(x ij ) 2 = n j ( j ) 2 + ( xij j ) 2
Variacin total = Variacin entre tratamientos + Variacin Residual

SCT = SCE + SCR
En la igualdad, la variacin est expresada como la suma de cuadrados y nos indica

que la variacin total en la variable respuesta (SCT), se descompone en una variacin
explicada por el efecto que producen los tratamientos en la variable respuesta,
variacin entre tratamientos (SCE); y, en la variacin debida al error experimental o
residual (SCR), o lo que es lo mismo, la variacin dentro de cada tratamiento debido a
los efectos aleatorios en la variable respuesta.
La diferencia entre cada valor de la variable Xij y el promedio general , expresa el

desvo del valor de variable con respecto al promedio general o Variacin Total, el
cuadrado del desvo y su sumatoria (Xij - )2 representa la Suma de Cuadrados
Total.
El valor de j representa el promedio del j-simo tratamiento, la diferencia entre ste y

el promedio general (j - ) representa el desvo del tratamiento al promedio general y
es una medida del efecto diferencial del tratamiento, o Variacin entre Tratamientos, el
cuadrado del desvo y su sumatoria ponderada por el nmero de observaciones en
cada tratamiento nj (j - )2 representa la Suma de Cuadrados entre los
tratamientos.
Una forma abreviada de calcularlo es:
( x ij ) 2
FC =
n
SCT = xij2 FC
x 2j
SCE = FC
nj

SCR = SCT SCE
Realizados los clculos se procede a resumir los resultados en el cuadro de Anlisis

de Varianza cuyo contenido y representacin es la siguiente:
CUADRO DE ANALISIS DE VARIANZA
FUENTE DE GRADOS DE SUMA DE CUADRADO MEDIO ESTADISTICA DE

VARIACION LIBERTAD CUADRADOS PRUEBA
Tratamientos a-1 SCE CME = SCE / (a - 1) Fc = CME / CMR
Residual (Error) n-a SCR CMR = SCR / (n -a)
Total n-1 SCT
Todo el proceso se encamina a verificar, estadsticamente, si los tratamientos tienen

un efecto diferencial significativo en la variable respuesta o si las variaciones
detectadas son debidas al azar.
7
2.2 PROCEDIMIENTO DE DOCIMA
Para instrumentalizar el procedimiento de prueba de hiptesis aplicado al diseo

experimental y al anlisis de varianza en particular se procede de igual manera que la
que la descrita en el captulo de inferencia; esto es, mediante la formulacin
matemtica de la hiptesis, la determinacin de la estadstica de prueba, la
especificacin del criterio de decisin, la ejecucin de los clculos y la toma de
decisin que corresponda.
1. Formulacin de la Hiptesis:
Por lo general, el problema plantea la dcima de que los promedios de los diferentes
tratamientos del diseo experimental, "a" nmero de tratamientos, son iguales; si esto
es verdad, entonces el promedio poblacional tambin lo es, de forma que la hiptesis
nula (H0) recoge ste enunciado y lo contrasta con la hiptesis alternativa (HA) tal que
la formulacin matemtica propuesta ser:
H0 : 1 = 2 = j = ..... = a
HA : 1 2 j ..... a
En la que j representa el promedio del j-simo tratamiento del diseo y a representa

el promedio del a-simo tratamiento.
Si todos los promedios son iguales se aceptar las hiptesis nula, basta que uno de
ellos no sea igual para que se rechace la hiptesis nula. Vale hacer notar que en la
hiptesis alternativa descrita (HA) se propone que los promedios de todos los
tratamientos son entre si diferentes; sin embargo, pudiera suceder que dos o ms
promedios sean iguales y que uno o ms de los restantes sean diferentes, pudiera
suceder que todos los promedios menos uno sean iguales, basta que uno de ellos sea
diferente al resto para que en efecto se rechace la hiptesis nula planteada.
Situaciones que no estn representadas por la formulacin propuesta para la
hiptesis alternativa.
Para solucionar esta dificultad de expresin, se puede proponer como formulacin de

la hiptesis la siguiente:
H0 : 1 = 2 = j = ..... = a
HA : Por lo menos una j es diferente
Ahora, si todos los promedios de los tratamientos son iguales, lo es tambin el

promedio poblacional, esto es j = , por lo tanto no existe un efecto diferencial debido
al tratamiento, ste planteamiento es igual a proponer que j - = 0, con esta base la
formulacin de la hiptesis ser:
H0 : j - = 0
HA : j - 0
Cualquier diferencia entre el promedio de j-simo tratamiento con el promedio

poblacional (j - ) ser un indicativo del efecto diferencial de ese tratamiento en las
unidades experimentales, el diferencial puede o no ser estadsticamente significativo;
al representar al efecto del tratamiento con j , entonces j - = j = 0, con lo
que la formulacin de la hiptesis a docimar se puede plantear como:
H0 : j = 0
HA : j 0
8
2. Determinacin de la estadstica de prueba

La estadstica de prueba que se utilizar es:
CME
Fc =
CMR
3. Criterio de Decisin
El criterio de decisin para la aceptacin o el rechazo de la hiptesis planteada en el
problema es:
Rechazar la H0 si : Fc F, v1, v2
en el que v1, corresponde a los grados de libertar del numerador, grados de libertad de
tratamientos (a - 1); y, v2, corresponde a los grados de libertad en el denominador,
grados de libertad del error (n - a). El valor tabular de F se lo obtiene directamente de
tablas pre calculadas, las mismas que se encuentran en las tablas del Anexo de
cualquiera de los textos de bibliografa presentados para el curso.
4. Ejecucin de clculos
Con los datos que el problema proporciona deben calcularse todas las sumas de
cuadrados, los cuadrados medio y el valor de la estadstica de prueba conforme se
present en el cuadro de anlisis de varianza.
5. Decisin
El proceso de prueba no termina si el estadstico no toma una decisin sobre la
aceptacin o rechazo de la hiptesis nula planteada y si no responde al interrogante
que plantea el problema. Con la decisin concluye el proceso de prueba y del anlisis
de varianza.
Conviene observar la mecnica de aplicacin del procedimiento y del clculo del

Cuadro de Anlisis de Varianza, con el desarrollo del siguiente ejercicio.
2.3 MODELO DE ANALISIS CON DIFERENTE NUMERO DE OBSERVACIONES

POR TRATAMIENTO.
En ocasiones, debido a la disponibilidad de las unidades experimentales o a la prdida

de stas en el proceso de aplicacin del diseo experimental, o debido a la concepcin
misma del diseo, puede encontrarse que los tratamientos tienen diferente nmero de
observaciones o de repeticiones por tratamiento. En esta situacin el proceso de
clculo es similar al anterior.
2.4 MODELOS DEL ANLISIS Y CUADRADOS MEDIOS ESPERADOS
En el modelo de anlisis a un solo criterio de clasificacin, el investigador debe decidir

sobre la conformacin de los Tj tratamientos incluidos en el experimento, sta decisin
implica definir si:
a) El investigador est interesado en la poblacin de tratamientos esto es, en

los "a" tratamientos que estn presentes en el experimento, en el que los
efectos de los tratamientos se consideran cantidades fijas desconocidas
pero que van a ser estimadas.. Este modelo se denomina como Modelo I, o
de Efectos fijos o de anlisis de varianza.
9
b) El investigador est interesado en una muestra de tratamientos de los

cuales a tratamientos estn presentes en el experimento, en el que los
efectos medidos de los tratamientos son variables aleatorias normalmente
distribuidos con promedio cero y varianza A, N(0,A). A este modelo se le
conoce como Modelo II o de efectos aleatorios; o de componente de
varianza.
MODELO I.- EFECTOS FIJOS.-
En este modelo se supone que los tratamientos incluidos en el experimento son todos
los posibles o constituyen la poblacin de tratamientos. El atributo que lo distingue es
que los efectos de los tratamientos o clases medidos por j, se consideran cantidades
fijas pero desconocidas para ser estimadas.
El modelo que lo representa es el expuesto anteriormente, as:
X ij = + j + ij i = 1,2 F n
j = 1,2 F a
La hiptesis que se plantea para dcima es:
H0 : j = 0
HA : j 0
Los cuadrados medios esperados, del cuadro de Anlisis de Varianza, para cada
fuente de variacin operndose con igual nmero de repeticiones o diferente nmero
de repeticiones por tratamiento son los siguientes:
CUADRADO MEDIO ESPERADO.- MODELO I, DE EFECTOS FIJOS
FUENTE DE CON IGUAL NUMERO DE CON DIFERENTE NUMERO

VARIACION OBSERVACIONES DE OBSERVACIONES
Tratamientos 2 + n 2j/ (a-1) 2 + nj 2j/ (a-1)

Residual (Error) 2 2
MODELO II.- EFECTOS ALEATORIOS
En este modelo, conocido como componente de varianza, los tratamientos que

intervienen en el experimento son una muestra de la poblacin de tratamientos,
consecuentemente los efectos de los tratamientos se consideran variables aleatorias.
El modelo matemtico del modelo que se plantea es:
X ij = + A j + ij i = 1, 2 F n
j = 1, 2 F.a
en donde:
= Es el promedio general o promedio poblacional
Aj = Es el efecto del j-simo tratamiento, que es variable aleatoria
independiente normalmente distribuida con (0, 2A),
ij = Es el error o valor residual de la i-sima observacin del j-simo
tratamiento, que se considera es independiente de observacin a
10
observacin y est normalmente distribuido con valor esperado

igual a cero y varianza igual a 2 , (0,2).

H0 : Aj = 0
HA : Aj 0
Los cuadrados medios esperados, del cuadro de Anlisis de Varianza, para cada
fuente de variacin operndose con igual nmero de repeticiones o diferente nmero
de repeticiones por tratamiento son los siguientes:
CUADRADO MEDIO ESPERADO.- MODELO II, DE EFECTOS ALEATORIOS
FUENTE DE CON IGUAL NUMERO DE CON DIFERENTE NUMERO

VARIACION OBSERVACIONES DE OBSERVACIONES
Tratamientos 2 + nj 2A 2 + no 2A

Residual (Error) 2 2
2.5 COMPARACIONES ENTRE TRATAMIENTOS
En la mayora de experimentos, el investigador est interesado en realizar

comparaciones especficas entre determinados tratamientos que estn involucrados
en el experimento. Tales comparaciones pueden estar dirigidas a establecer
diferencias significativas entre pares de tratamientos o entre varios tratamientos
agrupados en subconjuntos.
Cuando el investigador desea comparar pares de tratamientos, tiene a su disposicin

varias tcnicas o procedimientos de los que puede hacer uso, como por ejemplo: la
Diferencia Mnima Significativa; la prueba de rango mltiple de Duncan; la prueba de
Tukey; y la prueba de Scheff. De stos analizaremos nicamente la prueba de
Diferencia Mnima Significativa.
Adicionalmente a las pruebas citadas, existe otra de mayor versatilidad porque permite
la comparacin entre pares de tratamientos y/o entre subconjuntos de tratamientos, sin
las limitaciones y restricciones de aplicacin que los mtodos anteriores exigen, ste
mtodo es conocido como Funcin Lineal, el mismo que ser examinado con algn
detenimiento.
2.5.1 DIFERENCIA MINIMA SIGNIFICATIVA.
La Diferencia Mnima Significativa, denotada por DMS, es probablemente la prueba

ms utilizada para la comparacin entre pares de medias de tratamientos por su fcil
clculo. El procedimiento parte del hecho de que en el Anlisis de Varianza se
rechaz la Hiptesis nula y que consecuentemente la prueba F dio un valor
significativo; y que, los tratamientos a compararse tienen igual nmero de repeticiones,
esto es:
Fc significativo en el Anlisis de Varianza

n1 = n2 = r igual nmero de repeticiones por tratamiento; y,
12 = 22 = 2 = CMR Igual varianza por tratamiento.
El valor de la DMS se calcula mediante:
11
DMS = t / 2 ,v * x1 x 2
DMS = t / 2,v 2 / r
2
DMS = t / 2 ,v CMR en el que v = 2r 2
r
H0 : 1 = 2
HA : 1 2
La estadstica de prueba es:

2
DMS = t / 2,v CMR
r
El criterio de Decisin:
Se rechaza la hiptesis nula si: x i x j DMS
Si la diferencia observada entre dos promedios, i j, es mayor o igual a la DMS,

entonces rechazamos la hiptesis nula y concluimos que existe una diferencia
significativa entre los dos tratamientos sometidos a prueba.
Habindose calculado la DMS, se puede observar en una matriz de diferencias de

promedios aquellas que son significativas y las que no lo son. De forma que se
rechazar la Hiptesis nula:
Si Dij DMS
Esto es que se rechazar la Hiptesis nula:
Dij x1 x2 x3 x4 xj
x1 - D12 D13 D14 D1j
SI x2 - - D23 D24 D2j DMS
x3 - - - D34 D3j
xi - - - Dij
2.5.2 FUNCION LINEAL
Este procedimiento de prueba permite la comparacin de dos tratamientos o ms al

mismo tiempo; entre subconjuntos de tratamientos; y, adems permite la subdivisin
de la Suma de Cuadrados para Tratamientos en sus componentes simples.
La funcin lineal puede expresarse en trminos de los totales de los tratamientos o del
promedio de cada tratamiento. Utilizando los promedios de los tratamientos tenemos:
Cualquier combinacin lineal de la forma:

12
L = 1 y 1 + 2 y 2 + j y j + ... + a y a
Se denomina comparacin de las medias de tratamientos, en donde:

j = Son coeficientes ortogonales o nmeros fijos, tales que:
j = 0
en el que: j = Coeficiente ortogonal correspondiente al j-simo tratamiento.

y j = Promedio del j-simo tratamiento.
La comparacin que se realiza a travs de la funcin lineal puede incluir todas las
medias de los tratamientos o slo una parte de stas. Las posibles comparaciones
que puede realizar el investigador con las hiptesis nulas y los correspondientes
coeficientes ortogonales, en un diseo con tres tratamientos, son los siguientes:
HIPOTESIS NULA COEFICIENTE ORTOGONAL

A DOCIMAR 1 2 3 j
(1 - 2) = 0 1 -1 0 0
(1 - 3) = 0 1 0 -1 0
(2 - 3) = 0 0 1 -1 0
(1 + 2)/2 - 3 = 0 1 1 -2 0
(1 + 3)/2 - 2 = 0 1 -2 1 0
(2 + 3)/2 - 1 = 0 -2 1 1 0
El clculo del error estndar de la funcin lineal depende de si los tratamientos tienen
o no igual nmero de repeticiones por tratamiento.
Si todos los tratamientos tienen igual nmero de repeticiones r, el error estndar de

la funcin lineal es igual a:

L =
r
* 2
j

L =
* 12 + 22 + ... + 2a
r
en donde : = CMR
Si el nmero de repeticiones por tratamiento es diferente, esto es que si el j-simo

tratamiento tiene rj repeticiones entonces, el error estndar de la funcin lineal
considera al cuadrado de cada coeficiente ortogonal dividido para el nmero de
repeticiones por tratamiento, esto es:
2j
L = * r
j
13
12 22 2a
L = * r +
r2
+ ... +
ra
1
La estadstica de prueba que se utiliza en la comparacin de medias es la estadstica t

calculada en donde:
L
tc =
L
El criterio de decisin ser el de rechazar la Hiptesis nula planteada si:
t c t / 2, v
En la que los grados de libertad del valor tabular de t est dado por la suma del
nmero de repeticiones de los tratamientos involucrados en la prueba menos el
nmero de tratamientos considerados.
14
DISEO A DOS CRITERIOS DE CLASIFICACION
Conocido tambin como Modelo de dos vas o como Diseo en Bloque Completo
Azarizado, es aquel en el que el diseo experimental mantiene bajo control a dos
factores, cada uno con sus propios niveles de factor o categoras de variable, uno de
stos factores es denominado como Tratamientos y el segundo Bloques, de
manera que:
1. Las unidades experimentales se distribuyen bloques o estratifican en grupos de

manera que en cada grupo o bloque las unidades experimentales sean iguales o
relativamente homogneas y que el nmero de unidades experimentales sea igual
al nmero de tratamientos por investigar, o un mltiplo de stos; y,
2. Los tratamientos se asignan al azar a las unidades experimentales dentro de cada

bloque, de forma que aleatoriamente se determina un tratamiento a una unidad
experimental en cada bloque.
De acuerdo a lo especificado, una unidad experimental pertenece a un bloque o

agrupacin y es sometida a un solo tratamiento de investigacin.
La agrupacin de las unidades experimentales en bloques homogeniza las unidades

experimentales en cada bloque, juntando en cada bloque aquellas unidades que son
iguales o muy similares en sus caractersticas, con la intencin de que al interior del
bloque las unidades tengan la menor variacin posible; y, refleja el criterio del
investigador para encontrar y explicar el comportamiento diferencial de las unidades
experimentales ante la aplicacin de tratamientos y el de disminuir el error
experimental; mientras que la asignacin aleatoria de un tratamiento cualquiera a una
unidad experimental justifica la suposicin de independencia que incluye el modelo.
Entre las principales ventajas de la utilizacin del diseo de bloques al azar se

mencionan las siguientes:
1. Por medio de la agrupacin se obtienen resultados ms exactos que cuando se

emplean diseos completamente al azar.
2. Puede incluirse cualquier nmero de tratamientos y de repeticiones, de forma que

cada tratamiento tenga el mismo nmero de repeticiones.
3. El anlisis estadstico es sencillo, tiene el mismo fundamento que el anlisis

realizado para el diseo completamente azarizado de una variable de clasificacin.
3.1 MODELO A DOS CRITERIOS DE CLASIFICACION CON UNA

OBSERVACIN POR UNIDAD EXPERIMENTAL.
En este primer modelo de estudio, cada combinacin de un bloque con un tratamiento

contiene una unidad experimental que provee una sola observacin. La funcin
matemtica del modelo es:
X ij = + i + j + ij
en el que:
15
Xij = Valor de la variable respuesta correspondiente en al isimo

tratamiento del j-simo bloque.
i = Es el efecto del i-simo tratamiento
j = Es el efecto del j-simo bloque o repeticin.
ij = Es el error o valor residual del i-simo tratamiento y del j-simo
bloque o repeticin, que se considera es independiente de
observacin a observacin y est normalmente distribuido con
valor esperado igual a cero y varianza igual a 2 , (0,2).
Para i = 1, 2, ... a, nmero de tratamientos

j = 1, 2, ... b, nmero de bloques.
El efecto del i-simo tratamiento est dado por la diferencia entre su promedio y el
promedio general, esto es: - i , diferencia que est representada por i ; de similar
manera, el efecto del j-simo bloque est dado por la diferencia entre su promedio y el
promedio general, esto es: - j , diferencia que es representada por j . Lo que se
probar es si los efectos de los tratamientos y de los bloques son estadsticamente
significativos
Al igual que en el modelo de una va, ste modelo supone: aditividad, linealidad,
normalidad, independencia y varianzas homogneas.
Se acepta adems que para cada tratamiento j = 0 y que para cada bloque i = 0;
por lo tanto: j = i = 0.
La representacin simblica de datos de ste diseo es la siguiente:
B L O Q U E
TRATAMIENTO B1 B2 Bj ... Bb Xi
X11 X12 X1j ... X1b X1
T1
T2 X21 X22 X2j ... X2b X2
Ti Xi1 Xi2 Xij ... Xib Xi
> ... ... ... ... ... ...
Ta Xa1 Xa2 Xaj ... Xab Xa
Xj X 1 X 2 X j ... X b X
En esta representacin, Xi representa al total del i-simo tratamiento y su promedio se

obtiene dividiendo este total para el nmero de bloques b. De manera anloga, Xj
representa el total del j-simo bloque y su promedio se obtiene dividiendo ste para el
nmero de tratamientos a. Con a nmero de tratamientos y b nmero de bloques
el nmero total de observaciones y unidades experimentales n es igual al producto
de a*b.
La formulacin de clculo para determinar las sumas de cuadrados total, de

tratamientos, de bloques y el residual se presenta a continuacin:
( x ij ) 2
FC =
ab
SCT = xij2 FC
16
x2
SCE = i FC
b
x2j
SCB = FC
a

SCR = SCT SCE SCB
Ntese que el total marginal de cada tratamiento es utilizado para calcular la suma de
cuadrados para tratamientos, SCE, luego de ser elevado al cuadrado y dividido su
resultado por el nmero de bloques, b; y que el total marginal de cada bloque, elevado
al cuadrado y dividido para el nmero de tratamientos, a, se utiliza para estimar la
suma cuadrado de bloques, SCB.
Realizados los clculos, se procede a resumir los resultados en el cuadro de Anlisis

de Varianza cuyo contenido y representacin es el siguiente:

Bloques b-1 SCB CMB = SCB / (b-1) Fc = CMB / CMR
Residual (Error) (a-1) (b-1) SCR CMR = SCR/(a-1)(b-1)
TOTAL n-1 SCT
La estructura del cuadro es similar al del diseo de un criterio de clasificacin,

aadindose a ste una lnea completa para expresar los resultados del factor
bloque como fuente de variacin adicional al de los tratamientos; por tanto contiene
por igual lo grados de libertad, la suma de cuadrados, el cuadrado medio y el resultado
de la estadstica de prueba Fc.
Los Cuadrados Medios esperados para el Modelo I, o de efectos fijos, son los
siguientes:
FUENTE DE CUADRADO MEDIO ESPERADO

VARIACION
Tratamientos 2 + b i / (a-1)
+ a j / (b-1)
2
Bloques

2
Residual (Error)
TOTAL
El modelo tiene varias caractersticas que anotamos seguidamente:
1. Los efectos de los tratamientos no estn influidos por las j , porque la suma de
stas en cada tratamiento es igual a cero, esto es: j = 0; de manera que Xi es
un estimador imparcial de + i
2. De igual forma, los efectos de los bloques no estn influidos por las i , porque la
suma de stas en cada bloque es igual a cero: i = 0; de manera que Xj es un
estimador imparcial de + j
17
3. En el anlisis de varianza, la media cuadrada residual o del error, CMR, es un

estimador imparcial de 2.
El procedimiento de anlisis del diseo experimental planteado es similar al diseo

anterior; esto es, se realiza mediante la formulacin matemtica de la hiptesis, la
determinacin de la estadstica de prueba, la especificacin del criterio de decisin, la
ejecucin de los clculos y se concluye con la toma de la decisin, as:
Se realizarn dos pruebas, la primera que verifique si los tratamientos son

significativamente diferentes y la segunda comprobando si los bloques son
significativamente diferentes:
H0 : i = 0
HA : i 0
y H0 : j = 0
HA : j 0
2. Determinacin de la estadstica de prueba
La estadstica de prueba que se utilizar es:

CME
Fc = para tratamientos
CMR
CMB
Fc = para bloques
CMR
El criterio de decisin para la aceptacin o el rechazo de la hiptesis planteada en el

problema es vlido tanto para tratamientos como para bloques:
Rechazar la H0 si : Fc F , v1,v 2
Con los datos que el problema proporciona deben calcularse las sumas de cuadrados,
los cuadrados medios y el valor de la estadstica de prueba conforme se present en
el cuadro de anlisis de varianza.
5. Decisin
El proceso de prueba termina cuando el investigador toma una decisin sobre la

aceptacin o rechazo de la hiptesis nula planteada y responde al interrogante que
plantea el problema. Con la decisin concluye el proceso de prueba y del anlisis de
varianza.
18
3.2 PARTICIN DE LA SUMA DE CUADRADOS DE TRATAMIENTOS
Cuando el investigador ha planificado la comparacin entre diferentes tratamientos, es

a menudo posible fraccionar la suma de cuadrados de tratamientos en el anlisis de
varianza, lo que permite encontrar mayor explicacin a la variacin detectada.
La particin de la suma de cuadrados se realiza con los totales de los tratamientos, en

lugar de sus promedios, lo que evita errores por redondeo de cifras. Esta se realiza
utilizando la Funcin Lineal, cuyo procedimiento utiliza los totales de los tratamientos y
su finalidad es particionar la SCE, as como realizar comparaciones entre tratamientos.
En tal virtud, se enunciarn varias reglas que deben ser observadas.
Cualquier combinacin lineal de la forma:
L = 1T1 + 2 T2 + i Ti + ... + a Ta
Es una comparacin entre lo totales de tratamientos, sujeta a la restriccin de que:
i = 0
L2
Entonces la relacin:
r 2i
Es parte de la suma de cuadrados de tratamientos asociado con 1 grado de libertad,
en la que:
i = Coeficiente ortogonal correspondiente al i-simo tratamiento.
Ti = Total del i-simo tratamiento.
r = Nmero de observaciones en uno cualquiera de los tratamientos
Ntese que el subndice i vara desde 1 hasta a nmero de tratamientos; y que,

ste ha reemplazo al subndice j del captulo anterior porque hemos representado a
los tratamientos en sentido de filas. Adems, en un diseo de bloques el nmero de
unidades experimentales es igual para cada tratamiento, por lo tanto r siempre tendr
el mismo valor para todos los tratamientos.
Para que dos o ms funciones lineales formen parte independiente o sean

componentes independientes de la suma de cuadrados de tratamientos, es
indispensable que stas sean mutuamente ortogonales.
Dos funciones lineales:
L1 = 11T1 + 12 T2 + 1i Ti + ... + 1a Ta
L 2 = 21T1 + 22 T2 + 2i Ti + ... + 2 a Ta
son mutuamente ortogonales si:
11 21 + 12 22 + 1i 2i + ... + 1a 2 a = 0
o lo que es lo mismo: 1i 2i = 0
Por lo tanto, si dos comparaciones son ortogonales, sus contribuciones
L12 L22
r 12i r 22i
19
Son partes independientes de la suma de cuadrados de tratamientos, cada una con un

grado de libertad. Esto significa que la suma de cuadrados de tratamientos puede
dividirse en las contribuciones de L1 y L2 ms cualquier remanente con (a 3) gl..
Una consecuencia de lo anterior es que si las comparaciones de L1 , L2 , L3 , ... La-1

son mutuamente ortogonales, entonces, sus contribuciones son componentes
individuales de la suma de cuadrados de tratamientos:
L12 L22 L23 L2a 1
SCE = + + + ... +
r 12i r 22i r 23i r 2a 1i
El nmero total de componentes en los que puede particionarse la suma de cuadrados

de tratamientos es igual a su nmero de grados de libertad, estos es (a 1)
componentes.
3.4 MODELO A DOS CRITERIOS DE CLASIFICACION CON DOS O MAS

OBSERVACIONES POR CELDA.
En este modelo a ms de considerar los dos factores de clasificacin, deben tomarse

en cuenta dos aspectos adicionales:
1. Cada combinacin del i-simo tratamiento con el j-simo bloque, tiene 2 o ms

observaciones por celda; y,
2. Suponemos que existe una interaccin entre los factores considerados en el

experimento, que debe ser estimado y docimado. Si se encuentra que la
interaccin es significativa, entonces los factores considerados en el diseo no son
independientes.
El modelo matemtico del diseo es:

X ij = + i + j + I ij + ij
en el que:
Xij = Valor de la variable respuesta correspondiente en el isimo
tratamiento del j-simo bloque.
i = Es el efecto del i-simo tratamiento
j = Es el efecto del j-simo bloque o repeticin.
Iij = Interaccin del i-simo tratamiento con el j-simo bloque
ij c = Es el error o valor residual del i-simo tratamiento, del j-simo
bloque y de la c-sima repeticin, que se considera es
independiente de observacin a observacin y est normalmente
distribuido con valor esperado igual a cero y varianza igual a 2 ,
(0,2).
Para i = 1, 2, ... a, nmero de tratamientos

j = 1, 2, ... b, nmero de bloques.
c = 1, 2, ... c, nmero de repeticiones
Se acepta adems que: j = j = Iij = 0.
Lo que implica que para cualquier tratamiento, los bloques no tienen efecto debido a
que los efectos parciales de los bloques en el tratamiento se compensan; de igual
manera, el efecto de la interaccin es nulo en cada tratamiento. De forma anloga,
20
para cada bloque, los tratamientos no tienen efectos porque los efectos parciales de
los tratamientos se compensan al igual que los de interaccin. La representacin
simblica de datos de ste diseo es la siguiente:
BLOQUE
TRATAMIENTO Repeticin
B1 B2 ... Bj ... Bb
T1 1 X111 X121 X1j1 X1b1

2 X112 X122 X1j2 X1b2
X11 X12 X1j X1b X1
T2 1 X211 X221 X2j1 X2b1

2 X212 X222 X2j2 X2b2
X21 X22 X2j X2b X2
....
Ti 1 Xi11 Xi21 Xij1 Xib1
2 Xi12 Xi22 Xij2 Xib2
Xi1 Xi2 Xij Xib Xi
....
Ta 1 Xa11 Xa21 Xaj1 Xab1
2 Xa12 Xa22 Xaj2 Xab2
Xa1 Xa2 Xaj Xab Xa
X1 X2 Xj Xb X
En el modelo existe a nmero de tratamientos, b nmero de bloques y c nmero

de repeticiones para cada i-simo tratamiento y j-simo bloque, de manera que el
nmero total de observaciones n es el producto de a*b*c. n = a*b*c
La formulacin de clculo para determinar las sumas de cuadrados total, de
tratamientos, de bloques, de interaccin y el residual se presenta a continuacin:
( x ij ) 2
FC =
abc
SCT = xijk
2
FC
x2
SCE = i FC = A
bc
x2j
SCB = FC = B
ac

x ij
2
SCI = FC ( A + B ) = C
c

SCR = SCT ( A + B + C ) = D

21

Bloques b-1 SCB CMB = SCB / (b-1) Fc = CMB / CMR
Interaccin (a-1) (b-1) SCI CMI = SCI /(a-1)(b-1) Fc = CMI / CMR
Residual (Error) a*b (c-1) SCR CMR = SCR/ab(c-1)
TOTAL n1 SCT
El procedimiento de prueba y de anlisis del diseo experimental planteado es similar

al diseo anterior; esto es, sigue el procedimiento formal de dcima hasta la toma de
la decisin. Las hiptesis a docimar son las siguientes:
H0 : i = 0
HA : i 0
Con i = 0 se prueba la hiptesis de que los tratamientos no tienen un efecto

diferencial significativo en la variable respuesta.
H0 : j = 0
HA : j 0
Con j = 0 se prueba la hiptesis de que los bloques no tienen un efecto diferencial

significativo en la variable respuesta.
H0 : Iij = 0
HA : Iij 0
Con esta formulacin se prueba la hiptesis de que los dos criterios de clasificacin,
tratamientos y bloques, son mutuamente independientes y que por lo tanto no existe
interaccin entre estos factores.
Los restantes elementos del procedimiento se mantienen constantes, a stos debemos

agregar la estadstica de prueba para la interaccin que es:
CME CMB CMI

Fc = Fc = Fc =
CMR CMR CMR
Y el criterio de decisin para la aceptacin o el rechazo de la hiptesis planteada es:
Rechazar la H0 si : Fc F , v1,v 2
22
DISEO CUADRADO LATINO
Este diseo permite controlar los tratamientos de experimentacin con dos factores
adicionales ubicados uno en filas y otro en columnas; difiere de los diseos antes
descritos porque controla dos fuentes de variacin de las cuales el investigador tiene
algn conocimiento lo que le permite ganar eficiencia, aumentar la precisin del
anlisis y explicar con mayor profundidad la variacin en la variable respuesta.
Se lo utiliza con mucha frecuencia en experimentos agrcolas e industriales porque le

permite al investigador delimitar los efectos relativos a varios tratamientos cuando se
imponen controles de doble va a las unidades de experimentacin.
En este diseo, el nmero de tratamientos k determina el nmero de filas y de

columnas, consecuentemente el nmero de ensayos es K2 y cada tratamiento debe
hallarse una sola vez en cada fila y en cada columna. Los tratamientos se denotarn
por letras latinas maysculas: A, B, C, ....
Para elaborar un cuadrado latino se anotar un arreglo sistemtico de letras y se

reacomodarn filas y columnas en forma aleatoria, luego se asignan aleatoriamente
tratamientos a las letras, as por ejemplo:
CUADRADOS LATINOS
3X3 4X4
COLUMNA COLUMNA
FILA 1 2 3 FILA 1 2 3 4
1 A B C 1 A B C D
2 B C A 2 B C D A
3 C A B 3 C D A B
4 D A B C
Cada unidad experimental es asignada a un tratamiento y pertenece a un nivel del

factor fila y a un nivel del factor columna; el nmero total de realizaciones del
experimento es el cuadrado del nmero de tratamientos.
El orden de las letras, tratamientos, en el cuadrado latino pueden permutarse dando

origen a cierto nmero de planes primarios y la permutacin opera a partir de la
segunda fila y segunda columna. En la prctica se aconseja no utilizar cuadrados
latinos mayores o iguales a 8, porque el nmero de ensayos se vuelve demasiado
grande y por la dificultad que puede acarrear en la determinacin de niveles del factor
columna o fila; y, no utilizar cuadrados latinos inferiores a 4 por el limitado nmero de
grados de libertad del error experimental que no permite una estimacin suficiente
para la varianza.
4.1 MODELO DE ANALISIS

La funcin matemtica del modelo cuadrado latino es:
X ijk = + i + j + k + ijk
en el que:
23
Xijk = Valor de la variable respuesta correspondiente al isimo nivel del

factor fila, al j-simo nivel del factor columna y al k-simo
tratamiento.
i = Es el efecto del i-simo nivel del factor fila
j = Es el efecto del j-simo nivel del factor columna.
k = Es el efecto del k-simo tratamiento.
ijk = Es el error o valor residual del k-simo tratamiento, del i-simo
factor fila y del j-simo factor columna, que se considera es
independiente de observacin a observacin y est normalmente
distribuido con valor esperado igual a cero y varianza igual a 2 ,
(0,2).
Para i = j = k = 1, 2, 3 ..... a nmero de niveles de filas, columnas y tratamientos.
El modelo postula adems que: j = j = k = 0.
La suposicin aditividad del modelo implica que los tres factores: tratamientos, filas y
columnas son aditivos; y, se infiere que la media de tratamientos Xk es una estimatriz
imparcial de + k , en la que los efectos de filas y de columnas se cancelan debido a
la simetra del diseo. Las dems caractersticas del modelo a dos criterios son
similares.
Las formulaciones de clculo para las sumas de cuadrados son las siguientes:
( x ij ) 2
FC =
a2
SCT = xijk
2
FC
x2
SCF = i FC = A
a
x2j
SCC = FC = B
a

x
2
SCE = k FC = C
a
SCR = SCT ( A + B + C ) = D


Tratamientos a-1 SCE CME = SCE / (a -1) Fc = CME / CMR
Filas a-1 SCF CMF = SCF / (a-1) Fc = CMF / CMR
Columnas a-1 SCC CMC = SCC / (a-1) Fc = CMC / CMR
Residual (Error) (a-1) (a-2) SCR CMR = SCR/(a-1)(a-2)
2
TOTAL a -1 SCT
24
El anlisis de varianza del cuadrado latino permite aislar las variaciones debidas al
factor fila, las variaciones del factor columna y aquellas debidas a los tratamientos; en
consecuencia disminuye la variacin del error experimental y la prueba resulta ms
sensible para detectar cualquier diferencia significativa.
La principal restriccin en la utilidad del cuadrado latino es que el nmero de

repeticiones es igual al nmero de tratamientos. El procedimiento de anlisis de ste
diseo experimental es similar a los diseos anteriores.
Se realizarn tres pruebas de hiptesis, una para cada factor. En la primera se prueba
que el factor fila no tiene un efecto diferencial significativo en la variable respuesta y
por tanto se dcima que i = 0:
Para el factor fila H0 : i = 0
HA : i 0
La segunda prueba verifica que el factor columna no tiene un efecto diferencial

significativo en la variable respuesta y su formulacin es:
Para el factor columna H0 : j = 0
HA : j 0
Por ltima se prueba la hiptesis de que los tratamientos no tienen un efecto

diferencial significativo en la variable respuesta y por tanto su formulacin es:
Para tratamientos H0 : k = 0
HA : k 0
2. Estadstica de prueba
CME
Fc = para tratamientos
CMR
CMF
Fc = para factor fila
CMR
CMC
Fc = para factor columna
CMR
El criterio de decisin para la aceptacin o el rechazo de las hiptesis planteadas en el

problema es: Rechazar la H0 si : Fc F , v1,v 2
Con los datos que el problema proporciona deben calcularse las sumas de cuadrados,
los cuadrados medios y el valor de la estadstica de prueba conforme se present en
el cuadro de anlisis de varianza.
5. Decisin
Con la decisin del investigador sobre la aceptacin o rechazo de las hiptesis,

concluye el proceso de prueba y del anlisis de varianza.
25
DISEO FACTORIAL
Uno de los adelantos notables de la metodologa de la experimentacin consiste en

combinar las variantes independientes, subdividas, a propsito, en niveles, de tal
modo que el plan factorial resultante permita determinar cuantitativamente los efectos
que tienen en la variable dependiente, las variables independientes o factores por s
mismos y en todas las combinaciones1
En pocas pasadas se aconsejaba que se estudiara cada factor a la vez, dedicndole

un experimento por separado a cada factor; ms tarde Fisher indic que se obtenan
ventajas de importancia si se combinaban varios factores en un mismo experimento
factorial, siendo sta altamente eficaz porque cada observacin proporciona
informacin sobre todos los factores comprendidos en el experimento y determina las
relaciones entre los efectos de los diferentes factores.
En un experimento factorial se investigan simultneamente los efectos de cierto

nmero de factores con igual o diferente nmero de niveles por factor. Los
tratamientos del experimento corresponden a las combinaciones que puedan formarse
entre los distintos niveles de cada factor.
Por ejemplo, si el factor A interviene con dos niveles: a1 y a2; y el factor B interviene
con niveles b1 y b2, entonces el nmero de tratamientos del experimento es cuatro,
formado por las combinaciones: a1b1, a1b2, a2b1 y a2b2; si el factor B tuviese tres
niveles, entonces el nmero de tratamientos del experimento ser de seis: a1b1, a1b2,
a1b3, a2b1, a2b2 y a2b3.
Un experimento factorial es aquel que se realiza con dos o ms factores y los ensayos
del experimento se realizan en todas las combinaciones de los niveles de los factores.
Los conceptos estadsticos presentados en los captulos precedentes son vlidos para
el diseo factorial y en particular se continuar con el uso del anlisis de varianza
como herramienta bsica para el anlisis estadstico de datos.
Entre las principales ventajas de la utilizacin del diseo factorial est en que este
significar un ahorro considerable de tiempo y material dedicado a los experimentos;
permite detectar e identificar los efectos simples y principales, as como aquellos
debidos a una combinacin particular de niveles de los factores, proporcionando
informacin sobre los efectos de los factores y sobre sus relaciones entre s.
Cochran y Cox, sugieren que es recomendable utilizar la experimentacin factorial en:
1. Trabajos de exploracin, en los que el objeto es determinar rpidamente los

efectos de cada uno de cierto nmero de factores dentro de un intervalo
especfico.
2. En investigaciones de las interacciones entre los efectos de varios factores;
frecuentemente la informacin se obtiene mejor probando todas las
combinaciones.
3. En experimentos diseados para poder llegar a recomendaciones que deben
aplicarse a una gran variedad de condiciones similares a las encontradas en la
poblacin en la cual se van a aplicar dichas recomendaciones.
Si sabemos que dos factores son interdependientes, o si estamos dudosos de la

validez de una suposicin de independencia, entonces debe recomendarse un diseo
1
Luis Romo Saltos, Mtodos de Experimentacin Cientfica, captulo XI, pgina 261.
26
experimental que estime tanto los efectos principales como las interacciones, ste
diseo es el factorial.
Cuando los factores que se van a investigar son numerosos, la principal desventaja del
experimento factorial estriba en su tamao y complejidad; otra, radica en la dificultad
que tienen los experimentadores en interpretar los resultados porque parecen
presentar una confusa variedad de comparaciones de tratamientos.
Algunas aplicaciones del diseo factorial estn en: la caracterizacin de un proceso; la

optimizacin de recursos; diseo de un producto; deteccin de fallas en procesos;
desarrollo y optimizacin de procesos; evaluacin de materiales y alternativas;
confiabilidad y pruebas de duracin; pruebas de rendimiento; determinacin de
tolerancia de componente, etc..
5.1 EFECTOS E INTERACCIONES
Dados dos factores, o variables independientes, A y B, cada uno a dos niveles

diferentes: a1 y a2 para el factor A; y, b1 y b2 para el factor B, que intervienen en un
experimento, entonces se requerir de por lo menos cuatro observaciones para
determinar el efecto de stos factores en la variable respuesta, correspondiendo cada
observacin un tratamiento especfico: a1b1, a1b2, a2b1 y a2b2.
FACTOR A
FACTOR B
a1 a2
b1 a1b1 a2b1
b2 a1b2 a1b2
Si a1 representa el nivel inferior del factor A y a2 el nivel superior del factor, entonces la
diferencia (a2 - a1) proporciona una medida del cambio del factor A. De similar
manera, si b1 representa el nivel inferior del factor B y b2 el nivel superior del factor,
entonces la diferencia (b2 - b1) proporciona una medida del cambio del factor B.
Supongamos que se realiza una sola medicin de la variable respuesta para cada
combinacin aibj , entonces la diferencia:
a2b1 - a1b1 = es una medida del efecto de a en b1

a2b2 - a1b2 = es una medida del efecto de a en b2
que se conocen como efectos simples o efectos parciales de a en cada nivel del factor
b. El efecto principal se mide promediando los efectos del factor en todos los niveles
del restante factor:
(a 2 b1 a1 b1 ) + (a 2 b2 a1 b 2 )
=
2
a 2 b 2 + a 2 b1 a1b 2 a1b1
= Es el efecto principal del factor A.
2
De similar manera:
27
a1b2 - a1b1 = es una medida del efecto de b en a1

a2b2 - a2b1 = es una medida del efecto de b en a2
son los efectos simples o efectos parciales de b en cada nivel del factor a. El efecto
principal se mide promediando los efectos del factor en todos los niveles del restante
factor:
(a1 b2 a1 b1 ) + (a 2 b2 a 2 b1 ) =
2
a 2 b 2 + a1 b 2 a 2 b1 a1b1
= Es el efecto principal del factor B.
2
Podemos definir, entonces, como Efecto Principal de un Factor a la medida del

cambio de la variable respuesta correspondiente a cambios en el nivel de un factor
promediados sobre todos los niveles de los otros factores.
Si A y B estuvieran actuando independientemente, el efecto de a en b1 y el efecto de a

en b2 sera el mismo; cualquier diferencia en estos dos efectos es una medida del
grado de interdependencia entre los factores, esto es, de la forma en la que
interactan A y B en la variable respuesta.
La medida de interaccin entre los dos factores se la obtiene mediante:
(a 2 b 2 a1 b2 ) (a 2 b1 a 2 b1 )
AB =
2
a b + a1 b1 a 2 b1 a1 b 2
AB = 2 2
2
Podemos decir que Interaccin es la respuesta diferencial a un factor en combinacin

con niveles variables de un segundo factor aplicado simultneamente. Es decir, la
interaccin es un efecto adicional debido a la influencia combinada de dos, o ms,
factores.
5.2 DISEO FACTORIAL 22
Este diseo es aquel en el que intervienen dos factores a dos niveles cada factor; en la
expresin 22 , la base corresponde el nmero de niveles por factor y el exponente al
nmero de factores.
Los factores son A y B, cada uno a dos niveles: a1 y a2 para el factor A; y, b1 y b2 para
el factor B. El nmero de tratamientos posibles es igual al nmero de niveles del factor
A por el nmero de niveles del factor B, esto es: 2 x 2 = 4 tratamientos especficos:
a1b1, a1b2, a2b1 y a2b2. En los que a1 representa el nivel inferior del factor A y a2 el nivel
superior del factor, b1 representa el nivel inferior del factor B y b2 el nivel superior del
factor. Cada tratamiento puede tener una o ms repeticiones.
Una notacin ms compacta y estndar en el trabajo estadstico es aquella que

reemplaza la presencia del nivel superior con la letra latina minscula del factor, por
ejemplo, si en el tratamiento est presente el nivel a2 entonces se anotar
nicamente a, si est presente el nivel b2 se anotar nicamente b; si en el
tratamiento est presente el nivel inferior del factor, se omite escribir la letra del factor,
28
por ejemplo si el tratamiento es y a1b2 se escribir nicamente b. De esta forma los

tratamientos a considerar, sern expresados por:
NOTACION NUEVA NOTACION

ANTERIOR
a1b1 (1)
a1b2 b
a2b1 a
a2b2 ab
Todas estas expresiones se sintetizan en el siguiente cuadro, que muestra los

multiplicadores ortogonales que sern utilizados para obtener los efectos principales y
la interaccin entre tratamientos. De igual manera, expresa la forma de obtener la
contribucin a la suma de cuadrados de tratamientos.
CALCULO DE EFECTOS PRINCIPALES E INTERACCIONES

2
EN UN DISEO FACTORIAL DE 2
MULTIPLICADOR PARA EL TOTAL

TRATAMIENTO
A B AB
a1 b1 = (1) -1 -1 1
a2 b1 = a 1 -1 -1
a1 b2 = b -1 1 -1
a2 b2 = ab 1 1 1
Sumatoria (A) (B) (AB)
Divisor para el efecto principal 2r 2r 2r
Efecto principal (A)/2r (B)/2r (AB)/2r
Divisor Suma de cuadrados 4r 4r 4r
Contribucin suma de Cuadrados (A)2 / 4r (B)2 / 4r (AB)2 / 4r
Como puede observarse los multiplicadores propuestos son ortogonales y cumplen

con la condicin de ser en sumatoria iguales a cero ( i = 0). Estos provienen de la
relacin establecida en prrafos anteriores para obtener el efecto principal de cada
factor; as para obtener el efecto principal del factor A se suman ab y a por tanto su
coeficientes son +1; y, se restan b y (1) que tienen un coeficiente de -1. De
similar manera se opera para la obtencin del efecto principal de B y de la interaccin
AB.
Conforme la explicacin anterior, si existiese una sola observacin por tratamiento,

para obtener el efecto principal debe dividirse la sumatoria de los coeficientes
ortogonales por el total del tratamiento, denotado en el cuadro como (A), (B) o (AB)
para 2; en el caso de que existiesen r repeticiones por tratamiento el divisor para el
efecto principal ser entonces 2r, tal como se expresa en el cuadro, en donde el 2
indica el nmero de efectos simples, o comparaciones, obtenidos para cada factor.
La contribucin a la suma de cuadrados de tratamientos SCE, se la obtiene conforme

se ilustr en la particin de la suma de cuadrados de tratamientos del diseo a dos
criterios de clasificacin L2 / (r i2 ); de acuerdo con sta, la suma del coeficiente
ortogonal por el total del tratamiento se eleva al cuadrado y su resultado se divide para
4r en donde el nmero 4 corresponde a la suma del cuadrado de los coeficientes
ortogonales i2 (12 + 12 + 12 + 12) y r corresponde al nmero de repeticiones.
29
El modelo matemtico lineal que se aplica al diseo es:
X ijk = + i + j + ij + ijk
en el que:
Xij = Valor de la variable respuesta.
i = Es el efecto del i-simo nivel del factor A.
j = Es el efecto del j-simo nivel del factor B.
ij = Representa el efecto de la interaccin de los factores A y B.
ijk = Es el error o valor residual que se considera es independiente de
Para i = 1, 2 a nmero niveles del factor A

j = 1, 2 b nmero niveles del factor B.
k = 1, 2, ... r, nmero de replicaciones
Se acepta adems que: j = j = ij = 0.
El nmero de observaciones est dado por 2 * 2 * r
La identidad fundamental de la suma de cuadrados se expresa por:
SCT = SCA + SCB + SCAB + SCR

En donde:
SCT = Suma de Cuadrados Total
SCA = Suma de Cuadrados del factor A
SCB = Suma de Cuadrados del factor B
SCAB = Suma de Cuadrados de la interaccin AB
SCR = Suma de Cuadrados del error.
Debemos notar que en el modelo matemtico los elementos: i + j + ij,

corresponden a los componentes independientes de los Tratamientos y por tanto
puede ser expresado como i tratamientos, de forma que el modelo matemtico,
expresado en funcin de los tratamientos y de las replicaciones, puede escribirse
como un diseo a dos criterios de clasificacin:
X ijk = + i + k + ik
Las hiptesis que se prueban corresponden a la dcima para cada factor e interaccin
y a las replicaciones. Se comenzar probando que el factor A no tiene un efecto
significativo en la variable respuesta, esto es:
H0 : i = 0
HA : i 0
Luego se probar que el factor B no tiene un efecto diferencial significativo en la

variable respuesta.
H0 : j = 0
HA : j 0
30
Tambin se dcima la hiptesis de que no existe interaccin y consecuentemente no

tienen un efecto significativo en la variable respuesta.
H0 : ij = 0
HA : ij 0
La estadstica de prueba que se utiliza es la F, calculada como el cociente entre el

cuadrado medio del factor divido para el cuadrado medio residual; el criterio de
decisin es igual al utilizado en el anlisis de varianza; y, el procedimiento de clculo
igual al de anlisis de varianza y a la particin de la suma de cuadrados.
El cuadro que resume el anlisis de varianza para un diseo factorial de 22 con r

replicaciones por tratamiento es:

Tratamientos ab - 1 SCE CME = SCE / (ab - 1) Fc = CME / CMR
A a-1 SCA CMA = SCA / (a-1) Fc = CMA / CMR

B b-1 SCB CMB = SCA / (b-1) Fc = CMB / CMR
AB (a-1)(b-1) SCAB CMAB = SCA / (a-1)(b-1) Fc = CMAB / CMR
Residual (Error) (ab 1) (r-1) SCR CMR = SCR/(ab-1)(c-1)

TOTAL n1 SCT
El diseo factorial dos al cubo es aquel en el que intervienen tres factores a dos
niveles por cada factor; en la expresin 23, la base corresponde el nmero de niveles
por factor y el exponente al nmero de factores.
Los factores son A, B y C, cada uno a dos niveles: a1 y a2 para el factor A; b1 y b2 para
el factor B; y, c1 y c2 para el factor C. El nmero de tratamientos posibles es igual 23,
que corresponde al producto del nmero de niveles de A por el nmero de niveles de
B y de C, esto es: 2 x 2 x 2 = 8 tratamientos especficos: a1b1c1, a1b1c2, a1b2c1, a1b2c2,
a2b1c1, a2b1c2, a2b2c1, a2b2c2,
Expresando los tratamientos en la notacin utilizada, tenemos que:
NOTACION ANTERIOR NUEVA NOTACION

a1b1c1 (1)
a1b1c2 c
a1b2c1 b
a1b2c2 bc
a2b1c1 a
a2b1c2 ac
a2b2c1 ab
a2b2c2 abc
31
Para el clculo de los efectos principales (A, B, C) y de las interacciones de primer

orden (AB, AC, BC) y la de segundo orden (ABC), se utilizarn los multiplicadores
ortogonales que se presentan en el siguiente cuadro, en el que se expresa la forma de
obtener la contribucin a la suma de cuadrados de tratamientos.
TRATAMIENTOS MULTIPLICADORES PARA EL TOTAL DE TRATAMIENTOS

A B AB C AC BC ABC
a1b1c1 (1) -1 -1 1 -1 1 1 -1
a2b1c1 a 1 -1 -1 -1 -1 1 1
a1b2c1 b -1 1 -1 -1 1 -1 1
a2b2c1 ab 1 1 1 -1 -1 -1 -1
a1b1c2 c -1 -1 1 1 -1 -1 1
a2b1c2 ac 1 -1 -1 1 1 -1 -1
a1b2c2 bc -1 1 -1 1 -1 1 -1
a2b2c2 abc 1 1 1 1 1 1 1
SUMA (A) (B) (AB) (C) (AC) (BC) (ABC)
Divisor Efecto Principal 4r 4r 4r 4r 4r 4r 4r
Efecto Principal (A)/4r (B)/4r (AB)/4r (C)/4r (AC)/4r (BC)/4r (ABC)/4r
Divisor Suma Cuadrados 8r 8r 8r 8r 8r 8r 8r
Contrib. Suma Cuadra. (A)2/8r (B)2/8r (AB)2/8r (C)2/8r (AC)2/8r (BC)2/8r (ABC)2/8r
Para determinar el efecto principal del factor A se multiplican el total de cada

tratamiento por el coeficiente ortogonal de la columna A y su suma (A) la dividimos
para 4r, en donde el nmero 4 corresponde a las cuatro comparaciones posibles
que deben realizarse para obtener los efectos simples, cuatro tratamientos que
incluyen a2 menos cuatro tratamientos que incluyen a1; y, r es el nmero de
replicaciones del experimento. De igual manera debe actuarse con los restantes
factores e interacciones.
La contribucin a la suma de cuadrados, corresponde a la particin de suma de

cuadrados de tratamientos SCE, se la calcula elevando al cuadrado la suma (A) y
L2
dividindola para 8r , en donde el nmero 8 corresponde a la sumatoria del
r i2
cuadrado de los coeficientes ortogonales i2; y, r al nmero de replicaciones del
experimento. La forma como se calcul la contribucin del factor A sirve para el
clculo de los restantes factores e interacciones.
Para determinar los signos de los coeficientes ortogonales correspondientes al efecto

principal de A, se opera de similar manera al diseo anterior, el signo ser positivo
cuando el tratamiento tiene el nivel superior del factor y ser negativo cuando tenga el
nivel inferior del factor.
Los supuestos presentados en el diseo factorial del dos al cuadrado se extienden al

presente modelo matemtico, siendo lineal y aditivo conforme se presenta:
X ijk = + i + j + ij + k + ik + jk + ijk + ijk
32
en el que:
Xij = Valor de la variable respuesta correspondiente.

k = Es el efecto del c-simo nivel del factor C.
ik = Representa el efecto de la interaccin de los factores A y C.
jk = Representa el efecto de la interaccin de los factores B y C.
ijk = Representa el efecto de la interaccin de los factores A, B y C.
Para i= j = k = 1, 2 nmero niveles del factor
y a las replicaciones, esto es:
H0 : i = 0 H0 : j = 0 H0 : k = 0 H0 : ij = 0
HA : i 0 HA : j 0 HA : k 0 HA : ij 0
H0 : ik = 0 H0 : jk = 0 H0 : ijk = 0
HA : ik 0 HA : jk 0 HA : ijk 0
Como era de esperarse, existen 8 formulaciones de hiptesis que deben ser probadas
a un nivel de significacin determinado; cada hiptesis corresponde a un factor
determinado o a la interaccin entre stos y la ltima formulacin desea probar la
significacin de las replicaciones del experimento. Las pruebas de las interacciones
son importantes para verificar si los factores son mutuamente independientes; si la
interaccin est presente, debemos tener cuidado con el anlisis de los efectos
principales, slo aquellos que son significativos tienen sentido en su anlisis, aquellos
efectos principales no significativos en presencia de interaccin podran muy bien ser
el resultado del encubrimiento y plantear la necesidad de observar la influencia de
cada factor para niveles fijos de otro factor.

cuadrado medio del factor divido para el cuadrado medio residual; y, el criterio de
decisin es rechazar la hiptesis nula si el valor calculado de la estadstica de prueba
es igual o mayor que el valor tabular de la estadstica de prueba: Fc F, v1, v2 .

33

Tratamientos abc - 1 SCE CME = SCE / (ab - 1) Fc = CME / CMR

C c-1 SCC CMC = SCC/ (c-1) Fc = CMC / CMR
AB (a-1)(b-1) SCAB CMAB = SCAB/(a-1)(b-1) Fc = CMAB / CMR
AC (a-1)(c-1) SCAC CMAC = SCAC/(a-1)(c-1) Fc = CMAC / CMR
BC (b-1)(c-1) SCBC CMBC = SCBC/(b-1)(c-1) Fc = CMBC / CMR
ABC (a-1)(b-1)(c-1) SCABC CMABC = SCABC/g.l. Fc = CMABC / CMR
Residual (Error) (abc 1) (r-1) SCR CMR = SCR/(ab-1)(c-1)

TOTAL n1 SCT
De igual manera se verifica que las sumas de cuadrados de los factores y sus
interacciones son mutuamente ortogonales y por tanto son componentes
independientes de la suma de cuadrados de tratamientos de forma que:
SCA + SCB + SCC + SCAB + SCAC + SCBC + SCABC = SCE.
Mtodo de Yates para calcular los totales de efectos factoriales
Este mtodo proporciona un procedimiento ms eficaz para calcular los totales de los
efectos factoriales; ste consiste en:
1. Escribir la combinacin de tratamientos en orden sistemtico, las letras de los

factores se ingresan por turno para formar el tratamiento; la introduccin de
cualquiera de las letras es seguida por sus combinaciones con todas las
combinaciones de tratamientos anteriores; por ejemplo, en un diseo
experimental de tres factores los tratamientos deben ser descritos de la
siguiente manera:
(1) a b ab c ac bc abc
2. Descritos los tratamientos se escribe los totales de cada tratamiento.
3. La primera columna, luego de los tratamientos y sus totales, se opera de la

siguiente manera: la mitad superior de la columna se forma con la suma de los
tratamientos (Ti + Ti+1; para valores de i = 1, 3, 5, ...) por pares y en la
segunda mitad de la columna se registra la diferencia entre el dato par menos
el dato impar (Ti+1 - Ti para i = 1, 3, 5, ...). La segunda columna se forma
con los valores de la primera y con igual procedimiento, esto es sumando los
pares consecutivos, para la mitad superior de la columna, y restando los pares
consecutivos, para la mitad inferior; en idntica forma se opera la tercera
columna.
4. El primer nmero de la columna 3, contiene los totales de los efectos

factoriales; los efectos factoriales subsecuentes aparecen en el orden en el
que las combinaciones de tratamientos se han escrito. Si se trata de un
diseo factorial dos al cubo, 23, el cuadro tendr slo 3 columnas de
operacin; si el diseo factorial es 2n, el cuadro tendr n columnas operativas
que se forman de igual manera.
34
En este diseo intervienen cuatro factores a dos niveles cada factor; es una extensin
de los diseos descritos anteriormente y su procedimiento de prueba y clculo son
similares. El nmero de tratamientos es 16 que corresponden a la multiplicacin del
nmero de niveles de cada factor: 2 x 2 x 2 x 2 = 16
Si denotamos a los factores con A, B, C y D, los tratamientos y su notacin

simplificada, tenemos que:
TRATAMIENTO NOTACION
a1b1c1d1 (1)
a1b1c1d2 d
a1b1c2d1 c
a1b1c2d2 cd
a1b2c1d1 b
a1b2c1d2 bd
a1b2c2d1 bc
a1b2c2d2 bcd
a2b1c1d1 a
a2b1c1d2 ad
a2b1c2d1 ac
a2b1c2d2 acd
a2b2c1d1 ab
a2b2c1d2 abd
a2b2c2d1 abc
a2b2c2d2 abcd
Para el clculo de los efectos principales (A, B, C, D) de las interacciones de primer

orden (AB, AC, AD, BC), la de segundo orden (ABC, ABD, ACD, BCD) y la de tercer
grado (ABCD), se utilizarn los multiplicadores ortogonales que se presentan en el
siguiente cuadro.
MULTIPLICADORES PARA EL TOTAL DE TRATAMIENTO

TRATAMIENTO A B C D AB AC AD BC BD CD ABC ABD ACD BCD ABCD
(1) -1 -1 -1 -1 1 1 1 1 1 1 -1 -1 -1 -1 1
d -1 -1 -1 1 1 1 -1 1 -1 -1 -1 1 1 1 -1
c -1 -1 1 -1 1 -1 1 -1 1 -1 1 -1 1 1 -1
cd -1 -1 1 1 1 -1 -1 -1 -1 1 1 1 -1 -1 1
b -1 1 -1 -1 -1 1 1 -1 -1 1 1 1 -1 1 -1
bd -1 1 -1 1 -1 1 -1 -1 1 -1 1 -1 1 -1 1
bc -1 1 1 -1 -1 -1 1 1 -1 -1 -1 1 1 -1 1
bcd -1 1 1 1 -1 -1 -1 1 1 1 -1 -1 -1 1 -1
a 1 -1 -1 -1 -1 -1 -1 1 1 1 1 1 1 -1 -1
ad 1 -1 -1 1 -1 -1 1 1 -1 -1 1 -1 -1 1 1
ac 1 -1 1 -1 -1 1 -1 -1 1 -1 -1 1 -1 1 1
acd 1 -1 1 1 -1 1 1 -1 -1 1 -1 -1 1 -1 -1
ab 1 1 -1 -1 1 -1 -1 -1 -1 1 -1 -1 1 1 1
abd 1 1 -1 1 1 -1 1 -1 1 -1 -1 1 -1 -1 -1
abc 1 1 1 -1 1 1 -1 1 -1 -1 1 -1 -1 -1 -1
abcd 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
35
Al igual que en los casos anteriores, la presencia o ausencia de la letra del factor en la
denominacin del tratamiento determina el signo + en presencia o - en ausencia;
para las interacciones se multiplican los signos de los factores que intervienen en la
interaccin.
En todos los casos el divisor para el efecto principal es 8r, en el que el nmero 8
representa el nmero de comparaciones simples que deben efectuarse en cada factor
y r corresponde al nmero de tratamientos; el efecto principal del factor A, por
ejemplo, se obtiene multiplicando el total de cada tratamiento por el coeficiente
ortogonal de la columna A y su suma (A) la dividimos para 8r.
El divisor para la contribucin a la suma de cuadrados, es 16r en donde el nmero

16 corresponde a la sumatoria del cuadrado de los coeficientes ortogonales i2; y,
r al nmero de replicaciones del experimento; la contribucin a la suma de
cuadrados, se la calcula elevando al cuadrado la suma (A) y dividindola para 16r.
El modelo matemtico, es lineal y aditivo conforme se presenta:
X ijk = + i + j + ij + k + ik + jk + ijk + l + il + jl + ijl + kl + ill +

+ jkl + ijkl + ijklm
en el que:

c = Es el efecto del c-simo nivel del factor C.
m = Ese el efecto del m-simo nivel del factor D
ij ic jc ijc im jm ijm cm icm jcm
ijcm Representa las interacciones de los factores.
ijcmk = Es el error o valor residual que se considera es independiente
de observacin a observacin y est normalmente distribuido
con valor esperado igual a cero y varianza igual a 2 , (0,2).
Para i= j = c = m = 1, 2 nmero niveles del factor
Las hiptesis que se prueban corresponden a cada factor, interaccin y a las

replicaciones, su procedimiento es exactamente igual al utilizado en los ejemplos
anteriores.

5.5 EXPERIMENTO GENERAL DE DOS FACTORES
36
Es aquel en el que intervienen dos factores, el factor A con a nmero de niveles (2 o

ms niveles) y el factor B con b nmero de niveles (2 o ms niveles); el nmero de
tratamientos es igual a a x b; si tenemos r replicaciones en el experimento, entonces
el nmero de observaciones y de unidades experimentales es de a x b x r, en el que
stas se asignan aleatoriamente a cada tratamiento.
El modelo supone lineal y aditividad de los efectos, se probarn hiptesis para cada
factor e interaccin entre los factores y el efecto de las replicaciones.
El modelo matemtico lineal que se aplica al diseo es:
X ijk = + i + j + ij + ijk
en el que:
Xij = Valor de la variable respuesta.

Para i = 1, 2, F a nmero niveles del factor A

j = 1, 2, F b nmero niveles del factor B.
k = 1, 2, ... r nmero de replicaciones
Se acepta adems que: j = j = ij = 0.
La identidad fundamental de la suma de cuadrados se expresa por:
SCT = SCA + SCB + SCAB + SCR

En donde:
SCT = Suma de Cuadrados Total
SCA = Suma de Cuadrados del factor A
SCB = Suma de Cuadrados del factor B
SCAB = Suma de Cuadrados de la interaccin AB
SCR = Suma de Cuadrados del error.
y a las replicaciones. Se comenzar probando que el factor A no tiene un efecto
significativo en la variable respuesta, esto es:
H0 : i = 0
HA : i 0
Luego se probar que el factor B no tiene un efecto diferencial significativo en la

variable respuesta.
H0 : j = 0
HA : j 0
Tambin se dcima la hiptesis de que no existe interaccin y consecuentemente no

tienen un efecto significativo en la variable respuesta.
37
H0 : ij = 0
HA : ij 0

cuadrado medio del factor divido para el cuadrado medio residual; el criterio de
decisin es igual al utilizado en el anlisis de varianza; y, el procedimiento de clculo
igual al de anlisis de varianza y a la particin de la suma de cuadrados.
El cuadro que resume el anlisis de varianza es:

Tratamientos ab - 1 SCE CME = SCE / (ab - 1) Fc = CME / CMR

AB (a-1)(b-1) SCAB CMAB = SCA / (a-1)(b-1) Fc = CMAB / CMR
Residual (Error) (ab 1) (r-1) SCR CMR = SCR/(ab-1)(c-1)

TOTAL n1 SCT
5.6 EXPERIMENTO GENERAL DE TRES FACTORES
Es aquel en el que intervienen tres factores, el factor A con a niveles y el factor B con
b niveles y el factor C con c niveles; el nmero de tratamientos es igual a a x b x c; si
tenemos r replicaciones en el experimento, entonces el nmero de observaciones y
unidades experimentales es de a x b x c x r, en el que stas se asignan
aleatoriamente a cada tratamiento.
El modelo supone lineal y aditividad de los efectos, se probarn hiptesis para cada
factor e interaccin entre los factores y el efecto de las replicaciones. Los supuestos
presentados en el diseo general de dos factores se extienden al presente modelo
matemtico, siendo lineal y aditivo conforme se presenta:
X ijk = + i + j + ij + k + ik + jk + ijk + ijk
en el que:
k = Es el efecto del c-simo nivel del factor C.
ik = Representa el efecto de la interaccin de los factores A y C.
jk = Representa el efecto de la interaccin de los factores B y C.
ijk = Representa el efecto de la interaccin de los factores A, B y C.
38
ijckl = Es el error o valor residual que se considera es independiente de

y a las replicaciones, esto es:
H0 : i = 0 H0 : j = 0 H0 : k = 0 H0 : ij = 0
HA : i 0 HA : j 0 HA : k 0 HA : ij 0
H0 : ik = 0 H0 : jk = 0 H0 : ijk = 0
HA : ik 0 HA : jk 0 HA : ijk 0



Tratamientos abc - 1 SCE CME = SCE / (ab - 1) Fc = CME / CMR

C c-1 SCC CMC = SCC/ (c-1) Fc = CMC / CMR
AB (a-1)(b-1) SCAB CMAB = SCAB/(a-1)(b-1) Fc = CMAB / CMR
AC (a-1)(c-1) SCAC CMAC = SCAC/(a-1)(c-1) Fc = CMAC / CMR
BC (b-1)(c-1) SCBC CMBC = SCBC/(b-1)(c-1) Fc = CMBC / CMR
ABC (a-1)(b-1)(c-1) SCABC CMABC = SCABC/g.l. Fc = CMABC / CMR
Residual (Error) (abc 1) (r-1) SCR CMR = SCR/(ab-1)(c-1)

TOTAL n1 SCT
De igual manera se verifica que las sumas de cuadrados de los factores y sus
interacciones son mutuamente ortogonales y por tanto son componentes
independientes de la suma de cuadrados de tratamientos de forma que:
SCA + SCB + SCC + SCAB + SCAC + SCBC + SCABC = SCE.
39

Análisis estadístico de diseños experimentales

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Análisis estadístico de diseños experimentales

Cargado por

Copyright:

Formatos disponibles

INTRODUCCION AL ANALISIS ESTADISTICO DE DISEOS EXPERIMENTALES ING.

OSCAR CISNEROS GUZMAN

ING. OSCAR CISNEROS GUZMN

DISEO DE INVESTIGACIONES EXPERIMENTALES

En la experimentacin, el investigador modifica de manera deliberada, intencionada y

1.1 CONCEPTOS BASICOS

1.1.1 DISEAR UN EXPERIMENTO

Disear un experimento significa planificar un conjunto de acciones perfectamente

1.1.2 PROPOSITO DE UN DISEO EXPERIMENTAL

El propsito de cualquier diseo experimental es proporcionar la mxima cantidad de

La palabra tratamiento se refiere al conjunto particular de condiciones experimentales

A una variable independiente se le conoce como Factor y es independiente porque no

1.1.5 NIVELES DE FACTOR

A los diversos valores o clasificaciones del Factor se le conoce como Niveles de

1.1.6 UNIDAD EXPERIMENTAL

Es la unidad de observacin y anlisis a la cual se le aplica un solo tratamiento en una

1.1.7 VARIABLE RESPUESTA

Conocida tambin como variable dependiente, por variable respuesta entenderemos a

1.1.8 ERROR EXPERIMENTAL

Este trmino describe el fracaso de llegar a resultados idnticos con dos o ms

La palabra Error Experimental tiene para el Estadstico un significado mucho ms

1.2 PRINCIPIOS BASICOS DEL DISEO EXPERIMENTAL

Hay tres principios bsicos del diseo experimental: reproduccin, aleatorizacin y

REPRODUCCION: Por reproduccin se debe entender la repeticin del experimento

ALEATORIZACION: Es la asignacin al azar del tratamiento a las unidades

CONTROL LOCAL: La funcin del control local es hacer ms eficiente el diseo

Agrupamiento: Por agrupamiento se debe entender la colocacin de un conjunto de

Bloqueo: Damos a entender la distribucin de las unidades experimentales en

Balanceo: Damos a entender que la obtencin de las unidades experimentales, el

1.3 COMO PLANEAR UN EXPERIMENTO

Planear un experimento implica que el investigador debe seguir un procedimiento

De forma similar al un proceso de investigacin cientfica, la planificacin de un

1. Fase 1. Diseo, planificacin y organizacin del experimento

Fase 1. Diseo, planificacin y organizacin del experimento:

1. Definir y delimitar el experimento. Consiste en establecer con claridad y

5. Disear el programa de experimentacin. Definida la unidad experimental

Fase 2. Ejecucin del experimento:

1. Establecer los procesos de control. Del procedimiento de ejecucin del

Fase 3. Procesamiento y anlisis de resultados:

1. Procesamiento de la informacin. Consiste en depurar los datos obtenidos e

Con el procedimiento propuesto se desea responder a preguntas tales como:

1.4 ANALISIS DE VARIANZA

El procedimiento bsico de anlisis para un diseo experimental es el conocido como

Los valores registrados corresponden a la variable respuesta observados en cada

Si el experimento utiliza un solo factor o variable independiente, entonces la suma de

Variacin total = Variacin entre tratamientos + Variacin del Error

DISEO A UN CRITERIO DE CLASIFICACION

En este diseo, el experimento se realiza con la participacin de un solo factor o

El factor se presenta dividido en categoras de variable o niveles de valor de la

Este es un modelo en el cual los tratamientos sometidos a experimentacin, son

2.1 MODELO DE ANALISIS CON IGUAL NUMERO DE OBSERVACIONES POR

La representacin simblica de datos de ste diseo es el siguiente:

TOTALES X1 X2 > Xj >. Xa X

En esta representacin, el tratamiento se generaliza como Tj y el nmero de los j-

La identidad fundamental del Anlisis de Varianza de un modelo construido a un solo

Variacin total = Variacin entre tratamientos + Variacin Residual

En la igualdad, la variacin est expresada como la suma de cuadrados y nos indica

La diferencia entre cada valor de la variable Xij y el promedio general , expresa el

El valor de j representa el promedio del j-simo tratamiento, la diferencia entre ste y

Una forma abreviada de calcularlo es:

Realizados los clculos se procede a resumir los resultados en el cuadro de Anlisis

CUADRO DE ANALISIS DE VARIANZA

FUENTE DE GRADOS DE SUMA DE CUADRADO MEDIO ESTADISTICA DE