Cuadrado Latino y Factoriales

CUADRADO LATINO Y FACTORIALES 7/16/2018
 En este diseño es necesario que el número

de bloques sea igual al número de
tratamientos.
Diseño de  Esto es: r= c= t.
 El número total de unidades
CUADRADO LATINO experimentales en el experimento debe ser
igual a r2 .
 Por ejemplo si el número de tratamientos
es de 4, el número de bloques y el número
de columnas debe ser también 4 y el
número total de unidades igual a 16.
UNC- FCV-2018 Biometria Veterinaria JFCL 1 UNC- FCV-2018 Biometria Veterinaria JFCL 2
Cuadrado Latino con una Observación

por Parcela Experimental  En la toma de los datos de mercadeo, economía,
Usos.
sociología, donde el precio de hortalizas o
Se utiliza para conducir experimentos en
condiciones heterogéneas donde las propiedades cualquier otro cultivo varía en los días de la
cambian en dos direcciones como ocurre en la
toma de muestras para análisis de laboratorio, semana (una dirección) y en función a los
donde las condiciones cambian entre planta y
planta (una dirección) y hoja a hoja por tamaño y diferentes mercados (otra dirección).
posición en la misma planta (otra dirección).
 Si se pierde ligeramente un bloque o columna el

Ventajas.
 Disminuyen los efectos de dos fuentes de diseño queda ajustado al DBCA.
variabilidad de las unidades experimentales en
los promedios de los tratamientos y en el error
 Cuando los bloques y las columnas están
experimental.
 El análisis de varianza es simple, aún cuando es relacionados con variaciones definidas de dos
ligeramente más complicado que el DBCA.
 En el caso de que se pierdan todas las unidades criterios de clasificación, entonces ellos pueden ser
experimentales de un mismo tratamiento, el
resto de tratamientos siguen ajustados a las considerados como tratamientos
características del cuadrado latino.
BIOMETRIA VETERINARIA 1
 El error experimental tiende a incrementarse de

acuerdo al ancho de los bloques y el largo de
Desventajas columnas, como consecuencia principalmente del
 Como el número de tratamientos depende del
aumento del número de tratamientos.
número de bloques y columnas y por
consiguiente el número de unidades  Si es que existe interacción entre los efectos de las
experimentales, esto le resta flexibilidad al dos fuentes de clasificación o entre los tres
diseño para su uso. Es por eso que no es
recomendable para mayor número de (tratamientos, bloques y columnas), entonces el
tratamientos. valor de F no se distribuye de acuerdo al valor
 A igualdad de número de tratamientos y tabular de F, y por consiguiente no se puede hacer
repeticiones, este diseño tiene menos grados de
una prueba válida de significación.
libertad para el error experimental.
Restricción.
 Es por esto que en los casos en que el  Tiene dos restricciones.

experimentador no está en condiciones de a) Un tratamiento cualquiera debe estar solamente
asumir la ausencia de interacciones de este una vez en la columna
tipo, es preferible no emplear el cuadrado b) Un tratamiento cualquiera debe aparecer
latino. solamente una vez en una hilera
 Debe existir homogeneidad de las unidades

Características. experimentales dentro de las hileras y dentro de las
columnas, pero entre hileras y columnas debe existir
 Los tratamientos son asignados al azar en las unidades heterogeneidad para que el diseño sea eficiente.
experimentales dentro de cada fila y dentro de cada
 Debe utilizarse este diseño cuando los tratamientos
columna.
varían de 3 a 10, no es muy recomendable cuando
 El número de filas = número de columnas = número de
tratamientos. existen muchos tratamientos, principalmente por las
características mismas del diseño.
 Los análisis estadísticos T-student, Duncan, Tuckey y
en pruebas de contraste se procede como el diseño  Es un diseño más preciso
completo al azar y el diseño de bloques.
 La desviación estándar de la diferencia de promedios y
la desviación estándar del promedio, están en función
del cuadrado medio del error experimental.
 Ejemplo 1: Camadas diferentes (hileras), y

Croquis de Campo:
 El diseño de campo presenta la configuración sistemas de crianzas diferentes (columnas),
idealizada siguiente. también utilizando periodos de producción
COLUMNAS debido a las estaciones del año (hileras) y
HILERAS
A B C edad de los animales (columnas).

 Ejemplo 2: Si se tiene un terreno con
C A B
diferentes niveles de pendiente en doble
B C A sentido, para instalar un experimento se
podrán distribuir del siguiente modo, en un
Tratamientos: (A,B,C)
ensayo de 4 tratamientos
PENDIENTE
 Ejemplo 3: Si se quiere realizar un experimento en el
que se utiliza sistemas de crianza, en animales de 4
camadas diferentes, para determinar los incrementos
de pesos de los animales por alimentos diferentes
(tratamientos) podemos realizarlo en cuadrado latino.
PENDIENTE
H1
H2
H3
H4
SISTEMA DE CRIANZA
Formación de cuadrados latinos

H1  Suponga 4 tratamientos A,B,C y D, con estos
CAMADAS
H2
tratamientos se pueden formar 4 cuadros
diferentes llamadas típicas o estándar (en la
H3
primera fila y en la primera columna se tiene la
H4
misma distribución).
La siguiente tabla permite relacionar el numero de cuadros

en función del tamaño.
A B C D A B C D A B C D A B C D Tamaño del Número de Valor de n! Número
B A D C B C D A B D A C B A D C Cuadrado formas (n-1)! total de
C D B A C D A D C A D B C D A B Típicas cuadrados
D C A B D A B C D C B A DC B A diferentes
3x3 1 12 12
4x4 4 144 576
De cada cuadro se obtienen 144 formas diferente, 5x5 56 2880 161280
en total se tienen 576 cuadros diferentes
6x6 9408 86400 812851200
n = tamaño del cuadro.
Asignación de tratamientos.
Los tratamientos deben asignarse empleando uno de los
cuadros de los posibles, es decir si son
cuatro tratamientos, escoger entre los 576 posibles.
Modelo estadístico. Donde:

 Yijk = Es la variable respuesta o resultado de la unidad
experimental clasificada en el j-ésimo nivel de bloque-fila,
k-ésimo nivel de bloque-columna y que ha recibido el
tratamiento i-ésimo, el cual por estar comprendido en la
 Cada observación del experimento es expresado como combinación “jk” se llama factor “anidado.
una relación lineal de los efectos involucrados (  µ= Constante, media de la población a la cual pertenecen
tratamiento, fila y columna ), así: las observaciones.
Շi = Es el verdadero efecto del i-ésimo tratamiento.
Yijk     i  H j  Ck   ( i ) jk ;

 H j = Es el verdadero efecto del j-ésimo fila o nivel del
factor que dio lugar a bloque fila.
i  1,2,...., t  Ck=Efecto de la k-ésima columna o nivel del factor que
dio lugar a bloque-columna.
j  1,2,...., t  ξ(i)jk = Término de error. Son variables aleatorias ξ ijk ~DNI
(0, σ2).
k  1,2,......, t
Tabla de Análisis de Varianza:

Hipótesis Fórmulas S.C.
F.V. G.L.
Fórmulas de
Fórmulas de Cálculo
HIPOTESIS: Modelo I Modelo II definición
r Y. 2j .
Respecto a Ho: Ti = 0 Ho: σ2i= 0 Hileras r-1 rΣ(Ŷi. –Ŷ..)2 j 1 r
 TC
tratamientos: HA : Ti # 0 H A : σ2t # 0 r
Y..2k
Columnas r-1 rΣ(Ŷ.j –Ŷ..)2

k 1 r
 TC
Ho: Hj = 0 Ho: σ2H= 0

Respecto a Fila r
Yi ..2
HA : Hj # 0 H A : σ2H # 0 Tratamientos r-1 rΣ(Ŷt –Ŷ..)2   TC
i 1 r
Ho: Ck= 0 σ2
Ho: C= 0 Error Exptal rΣ(Yij –Ŷi.-Ŷ.j -Ŷi.+2Ŷ…)2 ∑∑Y2IJ -ΣY2 i./n-∑Y2.j/n-∑Y2(k)/n +2FC
Respecto a columna (r-1)(t-2)
HA : Ck # 0 H A : σ2C # 0 (EE)
Total r 2-1 Σ(Yij –Ŷ..)2
VACA
1 2 3 Hk
Ejemplo B
Periodo
I A 608 C 940 2433
885
 En un experimento se probaron tres dietas diferentes
(A,B y C) para medir su efecto en la producción de II B 715 C 1087 A 766 2568
leche. Las dietas se aplicaron a tres vacas en tres III C 884 A 711 B 832 2427
periodos de lactancia diferente. Los resultados son los Cj 2207 2683 2538 Y…=7428
siguientes: A 608 711 766 2085
B 715 885 832 2432
C 884 1087 940 2911
Y…= 7428
Suma de Cuadrados
TC 
Y...2
r2
 7428
2
9
 6130576 Tabla :Análisis de Varianza
24332  25682  2427 2 F.V. G.L. S.C. C.M FC 0.05 0.01
SCtratamientos   6130576  114680.6
3 Periodos 2 4238.00 2119.00 0.70 ns 4.46
2433  2568  2427
2 2 2 8.65
SC Periodos   6130576  4238 Vacas 2 39687.60 19842.30 6.55*
3
2207  2683  2583
2 2 2
Tratamiento 2 114680.60 57340.30 18.92**
SCVacas   6130576  39684.667 s
3
Error Exptal 2 6060.80 3030.40
SCtotal  608  ....832  6130576  164664
2 2
SCerrorexpt .  6295240  (6245256.67  6134814  6170260.67)  2(TC ) Total 8 164664.00
 6295240  18550331.3  2(6130576)  6060.7

 Decidido el diseño el objetivo planteado hasta

ahora ha sido estudiar cuanto la variabilidad total
fue explicada por los tratamientos o por otras
fuentes explicadas de la variabilidad (esto depende
del diseño) y cuanto es debido a la variabilidad
natural de las unidades experimentales.
 Pero ahora, dada la forma en que están
constituidos los tratamientos , se dividirá la
variabilidad producto de los diferentes tratamientos
en cuanto se debe a un factor, por ejemplo a un
factor A, cuanto se debe a un factor B y cuanto se
debe a la interacción de esos factores.
 El experimento factorial, si mismo, no es considerado

como un diseño experimental.
Ejemplo.
 La forma de diseñar los tratamientos determina si el  El tratamiento a1b2, está conformado por el nivel 1 del
experimento es o no factorial. Factor A y el nivel 2 del Factor B, las letras minúsculas
 Por el simbolismo los tratamientos se designan por la además de identificador o asociar algún factor, sirven
combinación de letras minúsculas, siendo las para identificar el efecto de algún factor.
respectivas mayúsculas los factores en estudio.  Lo más importante es definir es el concepto de efecto
 Así un factor designado por A estará constituido por
medio de un factor y el concepto de interacción de
niveles a1, a2, a3, mientras que otro factor B estará factores.
constituido por niveles b1, b2, b3 siendo los tratamientos  Para estas definiciones un ejemplo.
las combinaciones de los niveles de estos factores.
A
 Las diferencias a2 - a1 , a cada nivel de B y las
diferencias de b2 - b1, a cada nivel de A se llaman
a1 a2 Media a2 - a1
efectos simples. Así el efecto simple de a2 sobre a1
b1 30 32 31 2 al nivel b1 de B es 2. El efecto simple del factor B al
B nivel mas alto de A es 12.
b2 36 44 40 8
 Cuando los efectos simples son promediados los
Media 33 38 355 5 resultados son llamados efectos medios, los que son
denotados por letras mayúsculas al igual que los
b2 - b1 6 12 9 factores.
 El efecto medio del factor A es 5.
 A = ½ [(32-30) + (44-36)]= ½ [2+8] = 5

 B = ½ [(44-32) + (36-30)]= ½ [12+6] = 9
 En el cuadro anterior se aprecia que el efecto simple del  Es decir, en el caso de que no exista interacción el
factor A depende del nivel del factor B. efecto simple de un factor digamos A es
independiente del nivel del otro factor.
 Así el efecto a2
- a1, para b1 es igual a 2, mientras
 Entonces, la interacción será cero cuando el efecto
que el efecto a2- a1 para b2 es igual a 8.
simple de A para el nivel b1 (a2b1-a1b1) sea igual al
 Esto implica que el efecto simple de A no es efecto simple de A para el nivel b2 (a2b2-a1b2).
único, sino dependiente de si se calcula en  Entonces AB= 0 cuando a2b1-a1b1 =a2b2-a1b2.
presencia de b1 o b2.  Por otra parte existirá interacción cuando esa
 Que el efecto simple de un factor independiente del igualdad no se mantenga
nivel del otro factor se conoce como interacción de
factores.
 Si la prueba nos indica que es sustancialmente mayor,

 De existir interacción este efecto se calcula como : implica que los factores no son dependientes, lo que
 AB= ½(a2b1-a1b1 )-(a2b2-a1b2) quiere decir que el efecto simple de un factor digamos
 Que en nuestro ejemplo. A es diferente si ese efecto se calcula a diferentes
 AB = ½(44-36 )-(32-30) niveles del factor B.
 AB = ½(8-2) =½ (6) = 3  Esto último, significa que no se puede hablar en
 Si el efecto medio de la interacción es diferente de cero términos generales del efecto del factor A ya que su
necesitaríamos una prueba estadística que nos efecto depende del nivel del otro factor Igual si se
proporcione antecedentes de esta diferencia de cero es refiere al factor B.
una diferencia real, esto es, si ese efecto expresado en  Por otra parte si la interacción no es significativa ,
términos de varianza es sustancialmente mayor que la significa que ambos factores son independientes.
variabilidad natural de las unidades experimentales
 Todo lo anterior se refiere a la evaluación simultanea de  Si se trata de un diseño factorial, los

dos o más factores en un experimento. tratamientos se forman combinando los
 Para diseñar un experimento factorial, se utilizan los
niveles de los factores en estudio, de manera
diseños básicos, esto es: (DCA, DBCA, DCL).
que el efecto de tratamiento Շi se considera
 Así, por ejemplo, el diseño experimental es bloques
completamente al azar el modelo es: compuesto de los efectos de los factores y sus
 Yij=µ +Շi + β j + ξij interacciones.
 Respuesta = media general+ Efecto tratamiento+ Efecto  Por ejemplo, si se tiene dos factores en
de bloque + Error estudio se tiene:
 Շ i =Շkl = αk +ϒl +દ kl
 Tratamiento = Factor A+ Factor B + Interacción AB
 Haciendo una equivalencia de los factores de i y los k y l

Otra forma.
suponiendo que el factor A tiene k niveles y el factor B l:
 Yijk=µ+αi +βj+ (αβ) ij + ξijk
i k l  Donde:
1 1 1
2 1 2  µ = representa al promedio general.
3 1 3  αi = representa el efecto del nivel i del factor α
.. .. ..
T K L El Modelo Resultante es:  βj = representa el efecto del nivel j del factor β
 (αβ) = representa el efecto de interacción entre los
yklj     k  rl   kl   j   klj nivele ij de los factores α y β
 ξijk =representa la variabilidad natural de las
unidades experimentales sometidos al mismo
Es poco usual tener diseños experimentales muy
complicados en los experimentos factoriales , ya que se tratamiento ij.
dificulta el análisis y la interpretación.
 La necesidad de estudiar conjuntamente varios

Ventajas
factores obedece a la posibilidad de que el efecto de un  Las ventajas de los experimentos factoriales son:
factor cambie según los niveles de otros factores, esto 1. Economía en el material experimental al obtener
es, que los factores interactúen, o exista interacción.
información sobre varios factores sin aumentar el
 También se utilizan los arreglos factoriales cuando se
tamaño del experimento. Todas las unidades
quiere optimizar la respuesta o variable dependiente,
esto es, se quiere encontrar la combinación de niveles experimentales se utilizan para la evacuación de los
de los factores que producen un valor óptimo de la efectos.
variable dependiente. (superficie de respuesta). 2. Se amplia la base de la inferencia en relación a un
 Si se investiga un factor por separado, el resultado factor, ya que se estudia en las diferentes
puede ser diferente al estudio conjunto y es mucho condiciones representadas por los niveles de otros
más difícil describir el comportamiento general del factores. Se amplia el rango de validez del
proceso o encontrar el óptimo. experimento
Desventajas
3. Permite el estudio de la interacción, esto es, 1. Una desventaja de los experimentos factoriales es que
estudiar el grado y forma en la cual se modifica el requiere un gran número de unidades experimentales,
sobre todo cuando se prueba muchos factores o muchos
efecto de un factor por los niveles de los otros
niveles de algunos factores, es decir, se tiene un número
factores.
grande de tratamientos ( factoriales fraccionales).
4. Los efectos son evaluados sobre un amplio rango 2. Una desventaja real del experimento factorial es el gran y
de condiciones prohibitivo número de combinaciones necesarias para
5. El componente de tratamientos provenientes de estudiar varios factores a varios niveles
una estructura factorial es el óptimo para estimar 3. Esto lleva asociado que a medida que aumenta el número
los efectos principales e interacciones de combinaciones de tratamientos requeridos disminuye
la eficiencia de un experimento debido al aumento del
tamaño de repetición.
Interacción.
 Suponga un diseño con dos factores: A con a niveles y B
con b niveles, en diseño completamente al azar.
(Factorial a x b completo, balanceado, efectos fijos).
 Sea yijk la respuesta para la k-ésima unidad
experimental del nivel i de A y j de B.
yijk     i   j  rij   ijk
i  1,....., a j  1,....., b k  1,...., n
Las hipótesis que se prueban son :
H 01 : rij  0  i, j
H 02 :  i  r ij  0  i
H o3 :  j  r . j  0  j Figura A
Figura B
 El efecto de un factor se define como el cambio en

respuesta producido por un cambio en el nivel del  El factorial más pequeño es el que tiene 2 factores con
factor. En algunos experimentos podemos encontrar que la 2 niveles cada uno.
diferencia en respuesta entre los niveles de un factor no es  Las posibles combinaciones de este experimento
la misma en todos los niveles del otro factor. forman los vértices de un cuadrado como se muestra
 Cuando esto ocurre se dice que hay iteración entre los en la figura anterior.
factores.  Si utilizamos el método de variar un factor a la vez para
 Como podemos ver en la figura A la interacción no está explorar cada una de las combinaciones nos
presente ya que cuando cambio el factor A de su nivel 1 al encontramos que éste método es inefectivo debido a
nivel 2 la respuesta aumenta no importando en qué nivel que (como se muestra en la figura C) una de las
esté el factor B.
posibles combinaciones queda sin explorar.
 Sin embargo, en la figura B podemos apreciar el
 Además, para factoriales con más de 2 factores
comportamiento del gráfico cuando existe interacción
entre los factores. resultaría ineficiente e inadecuado.
 Si tenemos un factorial con 3 factores cada uno con 2

niveles, las posibles combinaciones de este
experimento forman los vértices de un cubo como se
muestra en la figura D.
 Al variar un factor a la vez solo se pueden explorar la
mitad de las posibles combinaciones.
 En la figura C podemos notar los espacios vacíos de las
combinaciones sin explorar.
Figura: Gráfica que ilustra cuando se varía un factor a la vez en un factorial de 2 factores
 Variar un factor a la vez resulta un método ineficiente y

nunca va a llegar a su valor óptimo.
 Es por esto que una de las ventajas de un diseño
factorial es que son más eficientes que los
experimentos de un factor a la vez.
 Además, un diseño factorial es necesario cuando
pueden haber iteraciones presentes para evitar
conclusiones engañosas.
 Finalmente, los diseños factoriales permiten estimar
los efectos de un factor a varios niveles de los otros
factores, generando conclusiones válidas sobre un
rango de condiciones experimentales.
 Los experimentos a menos dimensiones me dan más

réplicas. Si tengo un experimento con tres
dimensiones (A, B y C) y elimino la dimensión C, es
como si se trasladara la capa superior hacia abajo
resultándome 2 datos por cada vértice del cuadrado
resultante como se puede apreciar en la figura E.
 Conocer la interacción es más útil que conocer los  Con la aplicación de métodos de mínimos cuadrados
efectos principales. se logra la estimación de los parámetros identificados
 Una interacción significativa frecuentemente oscurece anteriormente.
la significancia de los efectos principales.
 Cuando hay interacción significativa, se deberán
examinar los niveles de un factor, digamos A, con los
Yijk  Y  (Y i..  Y )  (Y . j.  Y )  (Y ij.  Y i..  Y . j.  Y )  (Yijk  Y ij. )
niveles del o de los otros factores fijos, para tener
conclusiones acerca del efecto principal A..
 Dos factores con a niveles y B con b niveles.
 Se dice que se tiene factorial a x b, con diseño
completamente al azar (bloques, etc.).
 Se tiene ab tratamientos.
Ejemplo Numérico: Realizamos la suma por fila y por columnas

 Tenemos 2 factores (A y B) a dos niveles cada uno (1 y
para facilidad de los cálculos.
2) donde cada combinación tiene dos réplicas.
A
 Se quiere calcular la suma de cuadrados de cada efecto,
1 2 Σ
(tratamientos A y B, la interacción, el error y el total).
Los datos se encuentra en la siguiente tabla: 8 4
1 24
9 3
A B
10 14
1 2 2 52
12 16
8 4
1
9 3 Σ 39 37 76
B
10 14
2
12 16
Calculando la suma de cuadrados de los efectos tenemos :

39 2  37 2 76 2
SS A    0.5
4 8 a1b1 a2b1 a1b2 a2b2
24  52 76
2 2
ssB    98 8 4 10 14
4 8 9 3 12 16
76 2
ssTotal  82  9 2  ......  14 2  16 2   144 17 7 22 30 76
8
Para poder buscar la interacción hacemos una expansión (booleana)
17 2  7 2  22 2  30 2 76 2
SStratamiento    139
2 8
SS AB  SStratamiento  SS A  SS B
 139  0.5  98  40.5
SS error  SStotal  SS A  SS B  SS AB
 144  0.5  98  40.5  5
Si todos los factores en un experimento factorial tienen 2
niveles, conocemos estos factores como 2k donde k es el
número de factores.
2k = número de tratamientos o condiciones experimentales
En la siguiente figura se muestra como se verían
representados los tratamientos o
combinaciones de este tipo de diseño experimental tomando
diferentes valores de k.
 Como podemos apreciar en la figura

 Si el diseño básico hubiese sido de bloques completos
anterior, a mayor número de factores mayor al azar el modelo matemático sería:
es el número de tratamientos o
combinaciones a realizar dentro del yklj    Bk   i   j  ( )ij  ijk
experimento.
 En los siguientes temas se discutirá el diseño  Si el diseño básico hubiese sido de cuadrado latino el
factorial 2k y el diseño factorial 2k con modelo habría sido.
bloques, que es cuando no se pueden realizar
cada una de las posibles combinaciones o ykljl    H k  Cl   i   j  ( )ij  ijk
tratamientos.
Efecto Procedimiento para cuantificar

Tipo de Factor
 El tipo de análisis con posterioridad al recién el análisis
AB A B
efectuado dependerá del resultado del análisis previo,
Procedimientos de comparación
en el sentido de si la interacción fue o no significativa y Cualitativos sin ** ? ? múltiple aplicado a los tratamientos
también va a depender de los factores, si son relación entre para cada nivel de un factor
niveles
cualitativos o cuantitativos. n/s ** **
PCM aplicados a los promedios de los
niveles de un factor
 En la siguiente tabla se presenta un resumen del
análisis que se sugiere el cual dependerá como se ha Cualitativo niveles
** ? ?
Contrastes aplicado a los tratamientos
manifestado de si la interacción es o no significativa, y con cierta relación para cada nivel de un factor
n/s ** **
del tipo de factores.
Regresión entre los niveles de un factor
** ? ? y la respuesta de los tratamientos a cada
Cuantitativos nivel del otro factor
niveles graduados Regresión entre los niveles de un factor
n/s ** ** y la respuesta promedio de los niveles
del otro factor

Cuadrado Latino y Factoriales

Cargado por

Información del documento

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

Cuadrado Latino y Factoriales

Cargado por

Copyright:

Formatos disponibles

CUADRADO LATINO Y FACTORIALES 7/16/2018

 En este diseño es necesario que el número

Cuadrado Latino con una Observación

 Si se pierde ligeramente un bloque o columna el

 El error experimental tiende a incrementarse de

 Es por esto que en los casos en que el  Tiene dos restricciones.

 Debe existir homogeneidad de las unidades

 Ejemplo 1: Camadas diferentes (hileras), y

A B C edad de los animales (columnas).

Formación de cuadrados latinos

La siguiente tabla permite relacionar el numero de cuadros

Modelo estadístico. Donde:

Tabla de Análisis de Varianza:

Ho: Hj = 0 Ho: σ2H= 0

Total r 2-1 Σ(Yij –Ŷ..)2

SCerrorexpt .  6295240  (6245256.67  6134814  6170260.67)  2(TC ) Total 8 164664.00

 6295240  18550331.3  2(6130576)  6060.7

 Decidido el diseño el objetivo planteado hasta

 El experimento factorial, si mismo, no es considerado

 A = ½ [(32-30) + (44-36)]= ½ [2+8] = 5

 Si la prueba nos indica que es sustancialmente mayor,

 Todo lo anterior se refiere a la evaluación simultanea de  Si se trata de un diseño factorial, los

 Haciendo una equivalencia de los factores de i y los k y l

 La necesidad de estudiar conjuntamente varios

 El efecto de un factor se define como el cambio en

 Si tenemos un factorial con 3 factores cada uno con 2

 Variar un factor a la vez resulta un método ineficiente y

 Los experimentos a menos dimensiones me dan más

Ejemplo Numérico: Realizamos la suma por fila y por columnas

Calculando la suma de cuadrados de los efectos tenemos :

Para poder buscar la interacción hacemos una expansión (booleana)

 Como podemos apreciar en la figura

Efecto Procedimiento para cuantificar

También podría gustarte