Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Diseño de Experimentos
Diseño de Experimentos
(8): Bibliografía:
(1): INTRODUCCION
A fin de estimar los parámetros de una función polinomial , que puede servir
para aproximar
la superficie de respuesta , necesitaremos emplear un diseño de
experimento el cual se
puede denotar por : (x 1u, x 2u, ..., x ku); u = 1,...,N; que constituye una
selección de
N puntos en una región experimental de interés.
Después de realizar el experimento, utilizando el diseño indicado, se
obtendrá la estimación
de la función , que a su vez se puede someter a un análisis para averiguar
acerca de las
condiciones que se deben imponer sobre las variables x 1, x2, ..., xk; para que
E(Y) alcance
un valor óptimo, que podría ser un máximo o un mínimo, según sea el caso
bajo estudio.
Y = 0ix iiix i2 + ijx ix j; (i,j =1, ..., k ; i < j); ~ N( 0, ).
La superficie de respuesta del segundo orden dado por E(Y) puede ser una
parábola, híperbola,
elipse o sus generalizaciones correspondientes en el caso k-dimensional.
Así también en el
caso de que fuera necesario, superficies polinomiales de orden superior a
dos, se pueden
utilizar. Una superficie polinomial de esta naturaleza, se debe considerar
solo como una
aproximación de la verdadera relación funcional en el interior de una
región considerada en
el experimento. Una extrapolación que intenta hacer predicciones fuera de
la región experimental
puede ser arriesgada y no confiable.
(5): Debe formar un núcleo, del cual un diseño satisfactorio del grado d+1
se puede construir
en el caso de que se verifica que el grado d del polinomio no es adecuado.
(3-2): Estrategia experimental
Este método establece una regla que se utiliza en una serie de experimentos
secuenciales para
pasar a una región de respuesta más alta en la búsqueda de una respuesta
máxima.
Sea (0,0, ... ,0) el centro del primer experimento. Entonces esta regla de decisión
determina las coordenadas del punto P = (x'1, x'2, ..., x'k), el cual será el centro del
próximo experimento.
Mas abajo, se presenta una lista de algunos diseños factoriales fraccionados que
son útiles
como diseños de primer orden en las etapas priliminares en la exploración de una
superficie
de respuesta.
Tabla 1: Algunos diseños útiles de primer orden formados por diseños factoriales 2 k-p
Número de Tamaño del Fracción G.L. por falta
factores experimento de ajuste
1
3 8 1/2 4
4 8 1/4 3
5 8 1/2 2
5 16 1/8 10
6 8 1
Propiedades:
El diseño factorial fraccionado 1/2p tiene las siguientes propiedades:
Existen 2k-p puntos experimentales.
factorial comple to, 2p-1 serán inseparable del parámetro 0 en el modelo y los
restantes
2k - 2p efectos serán mutuamente inseparables en conjuntos de 2p, siendo el
número de
tales conjuntos igual a 2k-p.
Mayores detalles de la construcción de los experimentos factoriales
fraccionados se pueden
obtener en Raghava Rao (1971).
(5-1): Diseños de segundo orden:
Y(est.)(u) = b0bix iubiix iu2 + bijx iux ju; (i,j =1, ..., k ; i < j); (u = 1, ... , N);
(7): Análisis Canónico:
(7-1): Ejemplo1: Khuri y Cornell, Página 170
1
Degrees
of Type I Sum
Regression Freedom of Squares R-Square F-
Ratio Prob > F
Degrees
of Sum of
Residual Freedom Squares Mean Square F-
Ratio Prob > F
Degrees
of Parameter Standard T for
H0:
Parameter Freedom Estimate Error Parameter=0
Prob > |T|
Degrees
of Sum of
Factor Freedom Squares Mean Square F-Ratio Prob > F
Eigenvectors
Eigenvalues TEMP TIEMPO
(1): Box, G.E. P. y J.S. Hunter (1951): Multifactor experimental designs for
exploring response
surfaces. J.R.S.S. ser. B, vol. 13, No. 1, 195-240.
Análisis de Varianza esquemático:
1. Diseño Completamente Aleatorio
1. Caso balanceado con efectos fijos
2. Caso no balanceado con efectos fijos
3. Caso balanceado con efectos aleatorios
2. Diseño Bloques Aleatorios
1. Caso balanceado con efectos fijos
2. Caso balanceado con efectos aleatorios
3. Caso balanceado y mixto
3. Diseño Cuadrado Latino
1. Caso fijo y balanceado
4. Experimento Factorial
1. Experimento Factorial de 2 factores
2. Experimento Factorial de 3 factores
Diseño Completamente Aleatorio
(Caso balanceado con efectos fijos)
Modelo Lineal: Yij = iij ; i = 1,...,k ; j = 1,..,n ; ij ~ NID(0, )
efecto medio ; iel efecto del tratamiento i - ésimo;
ij = error aleatorio para j - ésima observación en el tratamiento i - ésimo.
F.V. G.L. S.C. C.M. F H0
Tratamientos (k-1) S1 M1 = S1 / (k-1) F = M1/M2 i; para todo i = 1,...,k
Error experimental k(n-1) S2 M2 = S2 / k(n-1)
Total kn-1
Regresar al Menú anterior:
Regresar al Menú anterior
Comentarios:
1. Este diseño también se llama el Diseño de clasificación simple.
2. El diseño completamente aleatorio solo debe ser usado cuando el material
experimental es totalmente homogéneo.
3. Este diseño no es apto para ser usado en el campo experimental, pero puede ser
usado en un experimento en laboratorios y también invernaderos.
Diseño en Cuadrados Latinos
(Caso fijo y balanceado )
Modelo Lineal: Yijk = ij + ijk ; i = 1,...,a ; j = 1,..,a ; k = 1,..,a ;
efecto medio ;
iel efecto de la fila i - ésimajel efecto de la columna j - ésimakel efecto del
tratamiento k - ésimo
.= 0 ; .; .
ij = error aleatorio para la observación i j k - sima . ij ~ NID(0, )
F.V. G.L. S.C. C.M. F H0
F1 = i; para todo i =
Filas (a -1) S1 M1 = S1 / (a-1)
M1/M4 1,...,a
F2 = j; para todo i =
Columnas (a -1) S2 M2 = S2 / (a-1)
M2/M4 1,...,a
F3 = k; para todo i =
Tratamientos (a-1) S3 M3 = S3 / (a-1)
M3/M4 1,...,a
Error (a-1)(a M4 = S4 /[ (a-1)(a-
S4
experimental -2) 2)]
Total a2-1 S5
Regresar al Menú anterior:
Regresar al Menú anterior
(4): Experimentos
Factoriales
(5): Diseño de Parcelas
Divididas
(6): Diseño de Parcelas Sub
Divididas
Esta sección hace uso de programas fuentes, salidas SAS
y esquemas de Análisis de varianza, que Ud. puede consultar
por los enlaces que se presentan a continuación:
Programa Fuente y Salida SAS Andeva Esquemático
IMPORTANT NOTICE ABOUT THE COPYRIGHTS.
Análisis Gráfico: 1
2 3 4
Se asumirá que el lector de esta página cumple con los siguientes requisitos:
(i): ha asistido en alguna ocasión un curso básico de diseño de experimento.
(ii): tiene el conocimiento del lenguaje SAS por lo menos al nivel práctico.
Tabla 1.1.2: Tabla de ANDEVA: Diseño Completamente aleatorio
General Linear Models Procedure
Tabla 1.1.3: Comparación de promedios de tratamientos por el método de
Duncan:
General Linear Models Procedure
Duncan's Multiple Range Test for variable: Y
NOTE: This test controls the type I comparisonwise error
rate,
not the experimentwise error rate
Alpha= 0.05 df= 20 MSE= 8.06
Number of Means 2 3 4 5
Critical Range 3.745 3.931 4.050 4.132
Means with the same letter are not significantly different.
Conclusiones:
(1): El Valor de F para tratamientos es significativo al nivel de significación a =
0,05 y en consecuencia los promedios poblacionales de los 5 tratamientos son
diferentes.
(2): La aplicación del método del Rango múltiple de Duncan revela que el mejor
tratamiento tiene 30 % del algodón.
Observación:
Los Tratamientos en este experimento son cuantitativos, pero en este ejemplo
fueron analizados como cualitativos. Los datos de este ejemplo se volverán a
analizar en el Ejemplo 1.2, tomando en cuenta la naturaleza cuantitativa de los
tratamientos.
(2): Caso fijo y balanceado: Tratamientos cuantitativos
(Este Ejemplo usa datos de la Tabla 1.1.1)
Tabla 1.2.1: Prueba de significación de los componentes del
polinomio ortogonal:
General Linear Models Procedure
Dependent Variable: Y
Contrast DF Contrast SS Mean Square F Value
Pr > F
LINEAL 1 33.62000 33.62000 4.17
0.0545
CUADRATICO 1 343.21429 343.21429 42.58
0.0001
CUBICO 1 64.98000 64.98000 8.06
0.0101
CUARTICO 1 33.94571 33.94571 4.21
0.0535
Ya que los tratamientos son caracterizados por diferentes porcentajes del algodón
(15, 20, 25, 30 y 35 ) y se encuentran igualmente espaciados, podemos usar el
método de polinomios ortogonales como un método del análisis posterior.Como un
primer paso calculamos por SAS la significación de los diferentes componentes de
polinomios ortogonales (ver la Tabla 1.2.1). El polinomio ortogonal es de grado
tres, ya que el componente cuartico no es significativo (estamos usando = 0,05) y
además el componente cúbico si es significativo. A continuación se desarrolla el
2do. paso que consiste en hallar la ecuación polinómica ortogonal estimada de
tercer grado.
Tabla 1.2.2: AJUSTE DE UNA REGRESION CUBICA DE Y
SOBRE X:
General Linear Models Procedure
El valor del F calculado para variedades es altamente significativo. Por lo tanto será
necesario usar un método del análisis posterior para determinar cual es la mejor variedad.
El valor del F calculado para bloques es altamente significativo y esto indica que se
justificó el uso del diseño bloques aleatorios ya que una parte de la variabilidad total que se
particiona en el análisis de varianza como bloques es significativa. (Si F para bloques en un
diseño bloques aleatorios usado en el campo experimental no es significativo, entonces
diríamos que los bloques no fueron construidos y ubicados con una orientación
correcta. La orientación correcta consiste en ubicar los bloques en forma perpendicular
a la dirección en que varía la fertilidad del suelo. El Contraste de hipótesis acerca de los
bloques aún cuando no es de interés directo para el Investigador, se considera como un
paso importante para confirmación de criterios usado en el planeamiento del experimento.)
Means with the same letter are not significantly different.
Diseño Cuadrado Latino
(3.1): Cuadrado Latino:
4 Filas: 4 Columnas: 4 Tratamientos(Variedades de Trigo) ;
y = Rendimiento por parcela en Kg. ;
Ejemplo: Steel, R.G.D y Torrie, J.H.: Capitulo 8 ;
DATOS:
C 10.5 D 7.7 B 12.0 A 13.2
B 11.1 A 12.0 C 10.3 D 7.5
D 5.8 C 12.2 A 11.2 B 13.7
A 11.6 B 12.3 D 5.9 C 10.2
General Linear Models Procedure
Dependent Variable: Y
Sum of Mean
Datos:
28.6 36.8 32.7 32.6
29.1 29.2 30.6 29.1
28.4 27.4 26.0 29.3
29.2 28.2 27.7 32.0
30.3 32.3 31.6 30.9
32.7 30.8 31.0 33.8
Diseños de Parcelas Divididas:
Los datos utilizados en este ejemplo proviene del libro de Steel, R.G.D. y Torrie,
J.H. 4 lotes de semillas de avena fueron usados como tratamientos principales. Hay
4 sub tratamientos que consisten en un testigo mas tres productos químicos que
sirven para controlar una enfermedad de plantas. Se usaron 4 bloques.
Este diseño asigna la máxima precisión de estimación al factor productos químicos
(Sub Tratamientos) y la mínima precisión a al factor Lotes de semillas(Tratamiento
principal).
Tabulación de datos:
Los datos se muestran en el programa de SAS. Las primeras 4 filas de datos
corresponden a los datos de los bloques 1 - 4, para el primer nivel del Tratamiento
principal. Dentro de cada fila hay 4 datos correspondientes a los 4 niveles de sub
tratamientos.
Las próximas 4 filas de datos corresponden a los datos de los bloques 1 - 4, para el
segundo nivel del Tratamiento principal. Dentro de cada fila hay 4 datos
correspondientes a los 4 niveles de sub tratamientos.
etc. y así sucesivamente hasta la tabulación de las últimas 4 filas correspondientes al
cuarto y último nivel del Tratamiento principal.
Programa fuente SAS:
data pdivid ;
do tratprin = 1 to 4;
do bloques = 1 to 4;
do subtrat = 1 to 4;
input Y @;
output;
end;
input;
end;
end;
cards;
42.9 53.8 49.5 44.4
41.6 58.5 53.8 41.8
28.9 43.9 40.7 28.3
30.8 46.3 39.4 34.7
53.3 57.6 59.8 64.1
69.6 69.6 65.8 57.4
45.4 42.4 41.4 44.1
35.1 51.9 45.4 51.6
62.3 63.4 64.5 63.6
58.5 50.4 46.1 56.1
44.6 45.0 62.6 52.7
50.3 46.7 50.3 51.8
75.4 70.3 68.8 71.6
65.6 67.3 65.3 69.4
54.0 57.6 45.6 56.6
52.7 58.5 51.0 47.4
;
Dependent Variable: Y
Sum of Mean
Source DF Squares Square F Value
Pr > F
Model 27 7066.1919 261.7108 12.89
0.0001
Error 36 731.2025 20.3112
Nombrarla como Error(b)
Corrected Total 63 7797.3944
Análisis Gráfico:
En la gráfica de la interacción Tratamiento Principal x Sub
tratamiento, se observa la presencia de una interacción
por el cambio en la dirección de la respuesta, ya que las
líneas, correspondientes a los tratamientos principales,
muestran puntos de intersección.
La línea de promedios correspondiente al
Tratamiento principal número 4, siempre se
encuentra arriba de las otras tres líneas restantes.
Por lo tanto, el mejor tratamiento principal,
debería ser el cuarto, sujeto a confirmación del
resultado del Análisis de Duncan
Análisis de Duncan:
Ya que la interacción Tratamiento Principal x Sub
Tratamiento es significativa, no podemos realizar
análisis posterior sobre los promedios de
Tratamientos principales y asimismo tampoco
sobre los promedios de Sub Tratamientos (además
este último es no significativo). Se puede hacer la
comparación entre los 16 tratamientos
combinaciones por el Análisis de Duncan y el
resultado de este procedimiento podrá ser usado
para responder preguntas inicialmente planteadas
en el objetivo del experimento.
Para realizar el cómputo del método de Duncan, es
necesario obtener un estimación del error
experimental, la cual se puede hallar por el
promedio ponderado de los cuadrados medios de
los dos errores (a) y (b) en el diseño. En este
ejemplo, esta estimación mancomunada tendrá 45
g.l.
El Análisis de Duncan revela que el mejor
tratamiento es la combinación 42. También se ha
formado otro grupo que contiene las
combinaciones de tratamientos: 14 y 11, que tiene
los promedios más bajos para la variable respuesta
rendimiento.
Utilizando los resultados del del Análisis de
Duncan, también se puede determinar: (No se
requiere a volver a hacer otro cómputo del método
de Duncan, sino usar los resultados del Análisis de
Duncan ya disponible.)
(a): el mejor subtratamiento para cada uno de los
tratamientos principales separadamente.
(b): el mejor Tratamiento Principal para cada uno
de los Subtratamientos separadamente.
(6): Diseño de Parcelas Sub Divididas
Los datos utilizados en este ejemplo proviene del libro de Montgomery, D. Se trata
de una investigación médica para estudiar el tiempo de absorción de un cierto tipo
de cápsula antibiótica. En esta investigación se utilizaron 3 técnicos como
Tratamientos principales, 3 dosis como Sub Tratamientos y 4 niveles de grosor de
la pared de cápsula como Sub Sub Tratamientos. El experimento se hizo en 4
bloques.
Este diseño asigna la máxima precisión de estimación al factor grosor (Sub Sub
Tratamientos) , la mediana precisión al factor dosis (Sub Tratamientos) y la mínima
precisión al factor técnico (Tratamiento principal).
Tabulación de datos:
El esquema de la tabulación de datos se presenta a continuación. Los datos se
muestran en el programa de SAS.
Técnico
-----------------------------------------------------
1 2 3
-----------------------------------------------------
Bloques Dosis 1 2 3 1 2 3 1 2 3
-----------------------------------------------------
Grosor - - - - - - - - -
1 - - - - - - - - -
1 2 - - - - - - - - -
3 - - - - - - - - -
4 - - - - - - - - -
- indica un dato. Cada fila tiene 9 datos. Este esquema se repite para los 3
bloques restantes.
Dependent Variable: Y
Sum of Mean
Source DF Squares Square F Value Pr > F
Model 62 25921.472 418.088 46.83 0.0001
Error 81 723.188 8.928 Nombrar
esta F.V. como Error(c)
Corrected Total 143 26644.660
INDICE
(1): Introducción
(8): Bibliografía:
(1): INTRODUCCION
Regresar al Indice
A fin de estimar los parámetros de una función polinomial , que puede servir
para aproximar
la superficie de respuesta , necesitaremos emplear un diseño de
experimento el cual se
puede denotar por : (x 1u, x 2u, ..., x ku); u = 1,...,N; que constituye una
selección de
N puntos en una región experimental de interés.
Y = 0ix iiix i2 + ijx ix j; (i,j =1, ..., k ; i < j); ~ N( 0, ).
La superficie de respuesta del segundo orden dado por E(Y) puede ser una
parábola, híperbola,
elipse o sus generalizaciones correspondientes en el caso k-dimensional.
Así también en el
caso de que fuera necesario, superficies polinomiales de orden superior a
dos, se pueden
utilizar. Una superficie polinomial de esta naturaleza, se debe considerar
solo como una
aproximación de la verdadera relación funcional en el interior de una
región considerada en
el experimento. Una extrapolación que intenta hacer predicciones fuera de
la región experimental
puede ser arriesgada y no confiable.
(5): Debe formar un núcleo, del cual un diseño satisfactorio del grado d+1
se puede construir
en el caso de que se verifica que el grado d del polinomio no es adecuado.
(3-2): Estrategia experimental
Regresar al Indice
En la selección de los puntos experimentales de un diseño, el investigador debe
tomar en cuenta
las siguientes circunstancias que podrían influir su estrategía:
Magnitud del error experimental
Complejidad de la superficie de respuesta
Si o no es posible ejecutar el experimento en forma secuencial
(3-3): Método del ascenso más pronunciado:
Regresar al Indice
Este método establece una regla que se utiliza en una serie de experimentos
secuenciales para
pasar a una región de respuesta más alta en la búsqueda de una respuesta
máxima.
Sea (0,0, ... ,0) el centro del primer experimento. Entonces esta regla de decisión
determina las coordenadas del punto P = (x'1, x'2, ..., x'k), el cual será el centro del
próximo experimento.
Mas abajo, se presenta una lista de algunos diseños factoriales fraccionados que
son útiles
como diseños de primer orden en las etapas priliminares en la exploración de una
superficie
de respuesta.
Tabla 1: Algunos diseños útiles de primer orden formados por diseños factoriales 2 k-p
Número de Tamaño del Fracción G.L. por falta
factores experimento de ajuste
1
3 8 1/2 4
4 8 1/4 3
5 8 1/2 2
5 16 1/8 10
6 8 1
Propiedades:
El diseño factorial fraccionado 1/2p tiene las siguientes propiedades:
Existen 2k-p puntos experimentales.
factorial comple to, 2p-1 serán inseparable del parámetro 0 en el modelo y los
restantes
2k - 2p efectos serán mutuamente inseparables en conjuntos de 2p, siendo el
número de
tales conjuntos igual a 2k-p.
Mayores detalles de la construcción de los experimentos factoriales
fraccionados se pueden
obtener en Raghava Rao (1971).
(5-1): Diseños de segundo orden:
Regresar al Indice
Los diseños de segundo orden permiten la estimación de parámetros de un
modelo polinomial
de grado dos. Ejemplos simples de este tipo de diseños son las series de 3k
factorial. La
desventaja de la serie 3k es que con k >3, el número de puntos
experimentales que se requieren
para conducir el experimento, llega a ser muy alto. Además los parámetros
11, ... , kk ; en
general se estiman con precisión relativamente baja. Box y Wilson (1951)
han desarrollado una
familia de diseños llamados diseños compuestos que son mas
convenientes para este propósito
y se presentan a continuación:
(-, 0, ... , 0); (, 0, ... , 0); (0, -, ... ,0); (0, , ... ,0); ... ; (0, 0, ... , -,); (0,
0, ... , ,)
(iii): Punto(s) sobre el centro del diseño.
Y(est.)(u) = b0bix iubiix iu2 + bijx iux ju; (i,j =1, ..., k ; i < j); (u = 1, ... , N);
Degrees
of Type I Sum
Regression Freedom of Squares R-Square F-
Ratio Prob > F
Degrees
of Sum of
Residual Freedom Squares Mean Square F-
Ratio Prob > F
Degrees
of Sum of
Factor Freedom Squares Mean Square F-Ratio Prob > F
Eigenvectors
Eigenvalues TEMP TIEMPO
-3.218257 0.611383 0.791335
-4.406743 0.791335 -0.611383
(1): Box, G.E. P. y J.S. Hunter (1951): Multifactor experimental designs for
exploring response
surfaces. J.R.S.S. ser. B, vol. 13, No. 1, 195-240.
Ayuda para la entrada de datos para el programa:
Análisis del rango múltiple de Duncan.
Consideraremos los 3 diseños básicos pero excluyendo el caso cuando se trata del experimento
factorial. Sí el experimento es factorial, entonces el uso del método de Duncan requiere ciertas
técnicas especiales que se explicarán más adelante.
Todos los datos deben ser escritos en una sola hilera, separados por uno o más espacios en blanco
y consisten en:
Número-de- tratamientos Promedios-de-tratamientos Valores-tabulares-para-el-test-de-Duncan
Cuadrado-medio-error-experimental Número-efectivo-de-replicaciones
Nota: La enumeración anterior ocupó 2 líneas para escribir, pero como se ha dicho anteriormente,
todos los datos serán entrados en el programa en una sola hilera separados por uno o más espacios
en blanco.
Para buscar los valores en la mencionada tabla, Ud. debe de disponer primero de las 3
informaciones siguientes:
(i) El nivel de significación que será usado, (ii) El número de tratamientos que tiene el diseño, (iii) el
valor numérico de grados de libertad (abreviatura: g.l.) del error del diseño.
Ejemplo:
Deseamos usar el nivel de significación = 0,05 ; El diseño usado fue Bloques aleatorios con 5
bloques y 6 tratamientos. Los promedios de tratamientos fueron los siguientes:
27 35.9 44.82 44.54 61.08 60.64
g.l. del error experimental = 20 ; C.M. Error experimental = 101.67 ;
Busquemos primero los valores tabulares en la tabla que ha sido nombrada anteriormente. Siga los
siguientes pasos:
Ubique la tabla correspondiente al nivel de significación = 0,05 ;
Ubique en la tabla la fila correspondiente al g.l del error = 20 ;
Anote de la tabla, 5 valores tabulares correspondiente a las columnas que indican los valores de
rangos iguales a: 2 3 4 5 6 ;
Estos valores tabulares son los siguientes:
2.95 3.10 3.18 3.25 3.30
[En general sí el número de tratamientos es k, entonces se obtienen (k-1) valores tabulares.]
Ya que tenemos toda la información que necesitamos, ahora debe escribir la siguiente hilera de
datos en la caja del texto en el programa:
6 27 35.9 44.82 44.54 61.08 60.64 2.95 3.1 3.18 3.25 3.30 101.67 5
Luego haga click sobre el botón que se llama: Ejecutar: Duncan
Nota: obsérvese que también será correcto entrar la siguiente hilera de datos en la caja del texto:
6 ; 27 35.9 44.82 44.54 61.08 60.64 ; 2.95 3.1 3.18 3.25 3.30 ; 101.67 5
Esta entrada tiene la ventaja que ; se usa para indicar el comienzo y el fin de ciertos subgrupos de
datos para una mejor visualización. El programa no tomará en cuenta el separador ; en el
procesamiento de datos.
Nota: En algunos casos para hallar los valores tabulares, será necesario usar la interpolación
lineal, ya que la tabla presenta discontinuidades entre los valores presentados tanto en las filas
como en las columnas. Sucederá esto por ejemplo si un diseño tiene 25 g.l. para el error
experimental y/o hay 15 tratamientos.
Todo lo explicado en la sección anterior es válido para el caso que se comenta aquí salvo que el
número efectivo de replicación para un experimento factorial asumirá valores diferentes para
diferentes tipos de comparaciones.
Ejemplo:
En una investigación se utilizó un experimento factorial de 4x3 en un diseño B.A. con 2 bloques. Los
números de niveles de los factores A y B fueron 4 y 3 respectivamente. Se obtuvieron datos
experimentales sobre 2 variables respuestas que indicamos por y 1 e y2 . Supongamos las siguientes
situaciones hipotéticas para considerar la manera en que se debe usar el método de Duncan,
sabiendo que se obtuvieron los siguientes resultados en la tabla de Análisis de varianza:
(1): Test de Duncan sobre 4 promedios unidimensionales del factor A con la siguiente entrada de
datos:
4 ; los 4 promedios del factor A ; 3 valores tabulares ; C.M. error experimental ; 6 ;
(2): Test de Duncan sobre 3 promedios unidimensionales del factor B con la siguiente entrada de
datos:
3 ; los 3 promedios del factor B ; 2 valores tabulares ; C.M. error experimental ; 8 ;
12 ; los 12 promedios bidimensionales ; 11 valores tabulares ; C.M. error experimental ; 2 ;
o
(2): Test de Duncan sobre 4 promedios bidimensionales del factor A para cada uno de los niveles
fijos del factor B. Habrá que hacer 3 test de Duncan, con la siguiente entrada de datos:
o
(3): Test de Duncan sobre 3 promedios bidimensionales del factor B para cada uno de los niveles
fijos del factor A. Habrá que hacer 4 test de Duncan, con la siguiente entrada de datos:
Nota: Para otros diseños tales como parcela dividida y parcela subdividida que tienen más de un
tipo del error experimental, será necesario seleccionar el C.M. error experimental que sea apropiado
para una comparacion en el momento de hacer la entrada de datos en el programa.