DISEÑOS FACTORIALES

Cátedra de Análisis y Diseño de Experimentos

Trabajo nº 10

Proporciónese datos para un experimento factorial 2A*2B*3C. Estructure la distribución

experimental de tratamientos, ejecute y desarrolle el análisis de Variancia. Asuma que esta
conduciendo como Diseño Completamente al Azar con 6 repeticiones por combinación de
tratamientos.

Experimentos Factoriales

Experimento factorial es aquel en el que el conjunto de tratamientos consiste en todas la

posibles combinaciones de los niveles de un factor con los niveles de otro factor.

Es posible que las comparaciones entre los tratamientos se vean afectadas de manera
sustancial por las condiciones en las que ocurren. Con frecuencia, las interpretaciones claras
de los efectos para un factor de tratamiento deben tomar en cuenta los efectos de los otros
factores. Para investigar más de un factor a la vez, se desarrolló un tipo especial de diseño de
tratamientos, el diseño factorial.

Los diseños factoriales producen experimentos más eficientes, pues cada observación
proporciona información sobre todos los factores, y es factible ver las respuestas de un
factor en diferentes niveles de otro factor en el mismo experimento. La respuesta a cualquier
factor observado en diferentes condiciones indica si los factores actúan en las unidades
experimentales de manera independiente.

La interacción entre factores ocurre cuando su actuación no es independiente.

Ventajas:

 Al obtener información sobre varios factores sin aumentar el tamaño del experimento.
 Se amplia la base de la inferencia en relación a un factor ya que se estudia en las
diferentes condiciones representadas por los niveles de otros factores.
 Se puede obtener una estimación de la interacción de los efectos, o sea, se determina el
grado y la forma en la cual se modifica el efecto de un factor en presencia de los niveles
de los otros factores.

Desventajas:

 El gran numero de combinaciones de tratamientos cuando se estudian muchos factores a

muchos niveles.
 Si se desea usar bloques completos es difícil encontrar grupos de unidades
experimentales homogéneos para asignar todos los tratamientos, esto se puede eliminar
usando el principio de confusión.
Modelo Aditivo Lineal diseño completamente al Azar:

Yijkl  ...   i   j   k  ( )ij  ( )ik  (  ) jk  ( )ijk  ijkl

Donde:
I = 1,2,…,a (hasta “a” niveles del factor A)
j = 1,2,…,b (hasta “b” niveles del factor B)
k = 1,2,…,c (hasta “c” niveles del factor C)
l =1,2,….,r (repeticiones)

Aquí:
μ = Media poblacional.
 i = efecto del j-esimo nivel del factor A.
i = efecto del j-esimo nivel del factor B.
 k =efecto del j-esimo nivel del factor C
( )ij =Efecto de la interacción del i-ésimo nivel del factor A con el i-ésimo nivel del factor B
( )ik = Efecto de la interacción del i-ésimo nivel del factor A con el i-ésimo nivel del factor C
(  ) jk = Efecto de la interacción del i-ésimo nivel del factor B con el i-ésimo nivel del factor C
( )ijk = Efecto de la interacción del i-ésimo nivel del factor A con el i-ésimo nivel del factor
B del k-ésimo nivel del factor C.
ijkl =variación del error asociado a la ijkl - ésima unidades experimentales

Modelo de tabla de entrada para 2Ax2Bx3C

A a1 a2
B b1 b2 b1 b2
C c1 c2 c3 c1 c2 c3 c1 c2 c3 c1 c2 c3
R1 Y1111 Y121 Y131 Y111 Y121 Y131 Y211 Y221 Y231 Y211 Y221 Y231
R2 Y1112 Y122 Y132 Y112 Y122 Y132 Y212 Y222 Y232 Y212 Y222 Y232
R3 Y1113 Y123 Y133 Y113 Y123 Y133 Y213 Y223 Y233 Y213 Y223 Y233
R4 Y1114 Y124 Y134 Y114 Y124 Y134 Y214 Y224 Y234 Y214 Y224 Y234
R5 Y1115 Y125 Y135 Y115 Y125 Y135 Y215 Y225 Y235 Y215 Y225 Y235
R6 Y1116 Y126 Y136 Y116 Y126 Y136 Y216 Y226 Y236 Y216 Y226 Y236
CUADRO DE ANÁLISIS DE VARIANCIA PARA UN ARREGLO FACTORIAL DE 2 FACTORES, CONDUCIDO COMO DISEÑO BLOQUE
COMPLETAMENTE AL AZAR

F. de V. G.L. Suma de Cuadrados C.M F

a b c

(Tratamiento) (t-1)
 Y
i 1 j 1 k 1
2
ijk
Y...2
SCTrat  
r abcr
a

Factor “A” (a-1) Y Y2

2
i ..
CM A 
SC A
CMA/Cmee
SC A   ...
i 1 ( a 1)
bcr abcr
b

Factor “B” (b-1)

Y Y...2
j 1
2
. j.
CM B 
SCB
CMB/Cmee
SCB   ( b 1)

acr abcr
c

Factor “C” (c-1) Y Y2

2
.k .
CM C 
SCC
CMC/Cmee
SCC   ...
k 1 ( c 1)

abr abcr
a b

Interacción AB (a-1)(b-1)
 X
i 1 j 1
2
ik .
Y...2 CM AB
SC AB    SC A  SCB
rc abcr
a c

Interacción AC (a-1)(c-1)  X 2
ik .
Y...2 CM AC
SC AC  i 1 k 1
  SC A  SCC
rb abcr
b c

Interacción BC (b-1)(c-1)
 X
j 1 k 1
2
. jk .
Y...2 CM BC
SCBC    SCB  SCC
ra abcr
SC
Interacción “ABC” (a-1)(b-1)(c-1) SC ABC  SCTRAT  SC A  SCB  SCC  SC AB  SC AC  SCBC CM ABC  ABC
( a 1)( b 1)( c 1)
CMABC/Cmee

Residual abc(r-1) SCRe cidual  SCTOTAL  SCTRAT CM RES

2
a b c r
Y
Total abcr-1 SCTOTAL   Yijkl
2
 ...

i 1 j 1 k 1 l 1 abcr -
La alimentación de alpacas suri y huacaya, el último tercio de la gestación 14 días antes del
parto sobre el peso cría antes del nacimiento, tendrá que ver con la ganancia en peso de la
cría

Para esté experimento se tiene los siguientes factores: la raza, ambiente y la alimentación

a1
Suri
Factor A
Razas de Alpaca
a2
Huancaya

b1
Libre
Factor B
Ambiente
b2
Cobertizo

c1
Pasto Natural

c2
Factor A
Concentrado
Alimentación
Proteico

c3
Maíz Molido + Leche

Datos obtenidos:
A a1 a2
B b1 b2 b1 B
C c1 c2 c3 c1 c2 c3 c1 c2 c3 c1 c2 c3
R1 8.2 7 8.2 7.2 6.8 8.2 6.2 8.2 7.7 8.0 7.1 7.6
R2 8.5 8.2 7.9 6.3 6.2 6.9 8.1 6.5 7.2 7.8 8.9 6.2
R3 8.3 8.0 7.5 6 7.5 8.2 8.6 6.6 7.3 7.6 8.1 6.5
R4 8.2 8.7 7.6 6.5 8.2 7.2 8.5 7.9 7.4 7.2 8.5 6.6
R5 8.6 8.7 7.2 6.6 8.3 7.3 7.0 7 6.5 7.6 7 7.8
R6 8.7 8.2 8.0 6.7 6.5 7.0 7.9 7.5 6.6 8.0 7.2 8.9

A
B
C
Solución:

Y 2
i ..
Y...2
SC A( Raza )  i 1

bcr abcr

SCRaza  0.222

YY...2
j 1
2
. j.

SCB ( Ambiente )  
acr abcr

SC Ambiente  2.800

Y 2
.k .
Y...2
SCC ( Alimen )  k 1

abr abcr

SC Alim  0.714

a b

 Xi 1 j 1
2
ik .
Y...2
SC AB ( Raza* Ambi )    SC A  SCB
rc abcr

SCRaza* Ambien  6.722

a c

 X 2
ik .
Y...2
SC AC ( Raza* Alime )  i 1 k 1
  SC A  SCC
rb abcr

SCRaza* Alim  1.217

b c

 X
j 1 k 1
2
. jk .
Y...2
SC BC ( Ambie*Alime )    SCB  SCC
ra abcr

SC Ambien* Alim  2.742

SC ABC( Raza*Ambie*Alime )  SCTRAT  SC A  SCB  SCC  SC AB  SC AC  SCBC

SCRaza* Ambien* Alim  1.612

SCRe cidual  SCTOTAL  SCTRAT

SCError  26.217

a b c r
Y...2
SCTOTAL   Yijkl
2

i 1 j 1 k 1 l 1 abcr

SCTotal  42.246

Análisis de variancia para factorial 2*2*3

Grados
Suma de Cuadrados
Fuente de Variación de F. Cal
Cuadrados Medios
Libertad
Factor (a) Raza 1 0.222 0.222 0.51
Factor (b) Ambiente 1 2.800 2.801 6.41
Factor (c) Alimentación 2 0.714 0.356 0.82
Interacción (ab) Raza*Ambiente 1 6.722 6.722 15.38
Interacción (ac) Raza*Alimentación 2 1.217 0.608 1.39
Interacción (bc) Ambiente*Alimentación 2 2.742 1.371 3.14
Interacción (abc) Raza*Ambiente*Alimentación 2 1.612 0.806 1.84
Error 60 26.217 0.437
Total 71 42.246

Base de datos para SAS:

data alpaca;
input raza ambiente alimentacion repeticion gananpeso;
cards;
1 1 1 1 8.2
1 1 1 2 8.5
1 1 1 3 8.3
1 1 1 4 8.2
1 1 1 5 8.6
1 1 1 6 8.7
1 1 2 1 7.0
1 1 2 2 8.2
1 1 2 3 8.0
1 1 2 4 8.7
1 1 2 5 8.7
1 1 2 6 8.2
1 1 3 1 8.2
1 1 3 2 7.9
1 1 3 3 7.5
1 1 3 4 7.6
1 1 3 5 7.2
1 1 3 6 8.0
1 2 1 1 7.2
1 2 1 2 6.3
1 2 1 3 6.0
1 2 1 4 6.5
1 2 1 5 6.6
1 2 1 6 6.7
1 2 2 1 6.8
1 2 2 2 6.2
1 2 2 3 7.5
1 2 2 4 8.2
1 2 2 5 8.3
1 2 2 6 6.5
1 2 3 1 8.2
1 2 3 2 6.9
1 2 3 3 8.2
1 2 3 4 7.2
1 2 3 5 7.3
1 2 3 6 7.0
2 1 1 1 6.2
2 1 1 2 8.1
2 1 1 3 8.6
2 1 1 4 8.5
2 1 1 5 7.0
2 1 1 6 7.9
2 1 2 1 8.2
2 1 2 2 6.5
2 1 2 3 6.6
2 1 2 4 7.9
2 1 2 5 7.0
2 1 2 6 7.5
2 1 3 1 7.7
2 1 3 2 7.2
2 1 3 3 7.3
2 1 3 4 7.4
2 1 3 5 6.5
2 1 3 6 6.6
2 2 1 1 8.0
2 2 1 2 7.8
2 2 1 3 7.6
2 2 1 4 7.2
2 2 1 5 7.6
2 2 1 6 8.0
2 2 2 1 7.1
2 2 2 2 8.9
2 2 2 3 8.1
2 2 2 4 8.5
2 2 2 5 7.0
2 2 2 6 7.2
2 2 3 1 7.6
2 2 3 2 6.2
2 2 3 3 6.5
2 2 3 4 6.6
2 2 3 5 7.8
2 2 3 6 8.9
proc anova;
classes raza ambiente alimentacion;
model gananpeso = raza ambiente alimentacion raza*ambiente raza*alimentacion
ambiente*alimentacion raza*ambiente*alimentacion;
run;

Resultados del SAS:

Sistema SAS

Procedimiento ANOVA

Información de nivel de clase

Clase Niveles Valores
raza 2 12
ambiente 2 12
alimentación 3 123

Número de observaciones leídas 72

Número de observaciones usadas 72
 Sistema SAS

Procedimiento ANOVA
 
Variable dependiente: gananpeso

Fuente DF Suma de Cuadrado de la F-Valor Pr > F

cuadrados media
Modelo 11 16.02944444 1.45722222 3.34 0.0013
Error 60 26.21666667 0.43694444    
Total corregido 71 42.24611111      

R-cuadrado Coef Var Raíz MSE gananpeso Media

0.379430 8.771337 0.661018 7.536111

Fuente DF Anova SS Cuadrado de la F-Valor Pr > F

media
raza 1 0.22222222 0.22222222 0.51 0.4785
ambiente 1 2.80055556 2.80055556 6.41 0.0140
alimentacion 2 0.71361111 0.35680556 0.82 0.4468
raza*ambiente 1 6.72222222 6.72222222 15.38 0.0002
raza*alimentacion 2 1.21694444 0.60847222 1.39 0.2564
ambiente*alimentacion 2 2.74194444 1.37097222 3.14 0.0506
raza*ambiente*alimentacio 2 1.61194444 0.80597222 1.84 0.1669
n

Proporciónese datos para un diseño anidado doble con cinco tratamientos (aleatorios)
Balanceado, con seis de repeticiones por tratamiento y estime los valores de los
componentes de la variancia:

Diseños anidados o jerárquicos, Por anidación se entiende que los valores de la variable
anidada no se combinan con los valores de la variable de anidación. De esta forma, la
relación entre las variables no es cruzada, como en los diseños factoriales, sino jerárquica-

Una estructura anidada o jerárquica ocurre cuando los datos son obtenidos por muestreo
aleatorio en dos o más etapas. Esto implica que, para cada categoría de la variable de
agrupación, los sujetos son distintos; es decir, los sujetos no se repiten con los valores de la
variable clasificatoria.
En el diseño jerárquico o anidado, hay dos niveles de integración o de dependencia. El
primero, las medidas repetidas se hallan anidadas en los sujetos y esto constituye un primer
nivel, y en segundo, los sujetos de los centros se hallan anidados en los valores de la variable
de tratamiento o métodos.

Modelo Aditivo Lineal Doble:

Yijk  ...   i   (i ) j   ( ij ) k

I = 1,2,…,t (Tratamientos)
j = 1,2,…,r (Individuos)
k = 1,2,…,k (Muestras)

Donde:

μ = Media poblacional.
 i = efecto de tratamientos.
 i =efecto de tratamientos.
 (i ) j
= error experimental.
 (ij ) k
=representa el error aleatorio de sub-muestreo, o el efecto neto de todos los factores
peculiares inespecíficos de una observación sobre un sujeto.

Determinación de sumas de cuadrados

Y 2
i ..
(Y... )2
SCTrat  i 1

ru tru
r n n

 X ij2. X i
SCEE  i 1 i 1
 i 1

u ru
SCEM  SCTOTAL  SCTRAT  SCE .E .
t r u
Y...2
SCTOTAL   Yijk2 
i 1 j 1 k 1 tru

Un experto en genetista desea saber cuales son los componentes que están primando en la
mejora genética que esta realizando en su granja de porcinos
Parcelas Divididas

El diseño de parcelas divididas (split-plot) tiene su origen en aplicaciones en Agricultura y

Ganadería, donde las parcelas grandes generalmente eran grandes áreas y las parcelas
pequeñas áreas pequeñas dentro de las grandes, y a cada una de los dos tamaños de parcela
le corresponde un tratamiento.
Por ejemplo, ciertas variedades de cultivo se podían sembrar en áreas diferentes (parcelas
grandes), una variedad en cada parcela. Luego cada área se divide en k parcelas pequeñas y
cada una de estas puede ser tratada con un tipo de fertilizante diferente.
La variedad del cultivo es el tratamiento de la parcela grande y el fertilizante el de la parcela
pequeña.

En general, el diseño de parcelas divididas se utiliza cuando algunos factores requieren u.e.
grandes, mientras que otros factores las requieren más pequeñas.

Alternativamente, algunas veces encontramos que la aleatorización completa no es factible

por que es más difícil cambiar los niveles de algunos factores, por lo que los factores difíciles
van a las parcelas grandes, mientras que los fáciles van a las pequeñas.
Ejemplo de hornos y recetas de pastel La clave para construir los modelos de los diseños de
parcelas
divididas es identificar los diferentes tamaños de las unidades experimentales e identificar
sus correspondientes estructuras de diseño y de tratamientos.
Las suposiciones de los modelos de parcelas divididas son las usuales, en el sentido de que
los términos de error para cada una de los tamaños de ue se distribuyen
independientemente como normales con media cero y una varianza propia.

Modelo Aditivo Lineal

Yijk  ...  ..k   i   ( )   j  ( )ij   (  )

 I = 1,2,…,a j = 1,2,…,b k = 1,2,…,r

Donde:

Yijk = Valor en el k bloque en la parcela i y la subparcela j.

... = Valor constante similar a la media de la población.
 i = efecto del i-ésimo nivel del factor “A”.
 ( ) = Error experimental de parcelas grandes.
i = Efecto del j - ésimo nivel del factor “B”
( )ij = Efecto de la interacción del i- ésimo nivel del factor A con el bloque j-esimo nivel del
factor B.
 (  ) = Error experimental de sub parcelas.

Hipótesis H o : i  0 H o : i  0 H o : ( )ij  0

H a : i  0 H a : i  0 H a : ( )ij  0
1) Diseño Completamente al Azar.

a2b2 a2b1 a1b1 a2b1

a1b1 a1b2 a3b1 a1b2
a3b1 a3b2 a2b2 a3b2

CUADRO DE ANÁLISIS DE VARIANCIA PARA UN DISEÑO DE PARCELAS DIVIDIDAS

CONDUCIDO COMO DISEÑO BLOQUE COMPLETAMENTE AL AZAR

F. de V. Grados Suma de Cuadrados Cuadrados Medios Prueba de

de F
Libertad
A a-1 a
SC A CM A
Y 2
i ..
Y 2
CM A  ( a 1)
CM EE ( A)
SC A  i 1
 ...

br abr
E.E(A) (a-1) a n n n
SC( EEA )
 Yi.2k  Y..2k Y 2
..k
Y 2 CM ( EEA )  a ( r 1)
SCEE ( A)  i 1 k 1
 i 1
 i 1
 ...

br ab br abr
B (b-1) b
SCB CM B
Y 2
. j.
Y 2
CM B  ( b 1)
CM EE ( B )
SCB  i 1
 ...
ar abr
(AB) (a-1)(b-1) a b a a
SC CM AB
 Y 2
ij . Y
Y
2
i .. Y 2
i .. 2
CM AB  AB
( a 1)( b 1)
CM EE ( B )
SC( AB )  i 1 k 1
 i 1
 i 1
 ...
r br ar abr
E.E(A) a(b-1)(r- SCEE( B )  SCTOTAL  SCPARCELA  SCB  SC AB SC ( EEB )
1) CM ( EEB )  a ( b 1)( r 1)

Total abr-1 a b r
Y...2
SCTOTAL   Yijk2 
i 1 j 1 k 1 abr

Bloques: (r  1)  2
Parcelas Grandes A: ( a  1)  2
(a * r )  1 = Error a: r  1)(a  1)  4
(

Se desea saber la ganancia en peso vivo en porcinos en una granja de un estudiante de

MVZ, para lo cual se utilizo 27 porcinos de 3 líneas de carne. Con un peso vivo inicial igual,
con tres tipos de dietas de concentrados (5%, 10% y 15%)
Los datos obtenidos son:

A Duroc Hampshire Landrace

(RAZAS)
B % 5% 10% 15% 5% 10% 15% 5% 10% 15%
concet.
Rep 1 120.1 121.5 121.2 130.0 121.0 120.9 120.1 119.7 119.3

Rep 2 120.8 121.4 120.5 120.5 120.8 121.5 121.7 119.6 118.9

Rep 3 120.5 119.5 119.8 121.6 120.9 121.6 121.8 119.8 119.8