ANÁLISIS ESTADÍSTICO DE DISEÑOS

EXPERIMENTALES CON APOYO COMPUTACIONAL

Presentado por:
YECID ANTONIO BALTAZAR VIDAL

Director:
GUILLERMO MARTÍNEZ FLÓREZ

Universidad de Córdoba
Facultad de Ciencias Básicas
Departamento de Matemáticas y Estadı́stica
Programa Estadı́stica
Monterı́a-2016
Contenido
1. RESUMEN 5

2. INTRODUCCIÓN 5

3. UBICACIÓN DEL PROBLEMA 7

3.1. Descripción y formulación del problema. . . . . . . . . . . . . . . . . . 7

4. OBJETIVOS. 8
4.1. Objetivo general. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
4.2. Objetivos especı́ficos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

5. JUSTIFICACIÓN. 8

6. MARCO TEÓRICO. 9
6.1. Diseño Experimental. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
6.1.1. Conceptos Básicos del Diseño Experimental. . . . . . . . . . . . 9
6.1.2. Estructuras del Diseño Experimental . . . . . . . . . . . . . . . 12
6.2. Diseño Completamente al Azar (DCA). . . . . . . . . . . . . . . . . . . 12
6.2.1. Modelo Estadı́stico y Supuestos. . . . . . . . . . . . . . . . . . . 13
6.2.2. Modelos de Efectos Fijos y Aleatorios . . . . . . . . . . . . . . . 15
6.2.3. Estimación de Parámetros . . . . . . . . . . . . . . . . . . . . . 16
6.2.4. Hipótesis de Interés . . . . . . . . . . . . . . . . . . . . . . . . . 17
6.2.5. Análisis de Varianza (ANAVA) . . . . . . . . . . . . . . . . . . 17
6.2.6. Pruebas de Hipótesis y Errores Estándar . . . . . . . . . . . . . 19
6.3. Pruebas de Validación de los Supuestos del Modelo . . . . . . . . . . . 20
6.3.1. Pruebas de Homogeneidad de Varianzas . . . . . . . . . . . . . 21
6.3.2. Prueba de Normalidad de los Errores de Shapiro - Wilk . . . . . 22
6.3.3. Transformaciones . . . . . . . . . . . . . . . . . . . . . . . . . . 22
6.3.4. Transformaciones Más Frecuentes para Homogenizar Varianzas . 24

2
 6.4. Comparaciones Múltiples . . . . . . . . . . . . . . . . . . . . . . . . . . 26
6.4.1. Metodo de las Diferencias Mı́nimas Significativas (DMS) . . . . 26
6.4.2. La Prueba de Intervalos Múltiples de Duncan. . . . . . . . . . . 27
6.4.3. Prueba Honesta de Tukey . . . . . . . . . . . . . . . . . . . . . 28
6.4.4. Prueba de Scheffé . . . . . . . . . . . . . . . . . . . . . . . . . . 29
6.4.5. Prueba de Bonferroni . . . . . . . . . . . . . . . . . . . . . . . . 29
6.4.6. Comparación de Medias de Tratamientos con un Control (Prueba
de Dunnett) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
6.4.7. Contrastes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
6.4.8. Polinomios Ortogonales . . . . . . . . . . . . . . . . . . . . . . . 33
6.5. Diseño en Bloques Completamente Aleatorizados . . . . . . . . . . . . 36
6.5.1. Aleatorización en el Diseño en Bloques al Azar . . . . . . . . . 37
6.5.2. Modelo Estadı́stico . . . . . . . . . . . . . . . . . . . . . . . . . 37
6.5.3. Pruebas de Hipótesis y Análisis de Varianza . . . . . . . . . . . 37
6.6. Muestreo en Unidades Experimentales . . . . . . . . . . . . . . . . . . 39
6.6.1. Muestreo de Unidades Experimentales en un DCA. . . . . . . . 40
6.6.2. Descomposición de la Suma de Cuadrados Total (DCA) . . . . . 41
6.6.3. Diseño de Bloques Completamente al Azar con Muestreo en las
Unidades Experimentales . . . . . . . . . . . . . . . . . . . . . . 42
6.7. Experimentos Factoriales . . . . . . . . . . . . . . . . . . . . . . . . . . 44
6.7.1. Conceptos Básicos . . . . . . . . . . . . . . . . . . . . . . . . . 45
6.7.2. Efectos de un Factor . . . . . . . . . . . . . . . . . . . . . . . . 46
6.8. Experimento Factorial Bajo un Diseño Completamente al Azar . . . . 47
6.8.1. Análisis de Varianza . . . . . . . . . . . . . . . . . . . . . . . . 49
6.8.2. Errores Estándar para Medias de Efectos Principales e Interacción 50
6.9. Entorno R. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

7. METODOLOGÍA. 52

8. RECURSOS INSTITUCIONALES. 52

3
9. CRONOGRAMA DE ACTIVIDADES. 53

10.BIBLIOGRAFÍA. 54

4
1. RESUMEN
Este trabajo busca implementar el análisis estadı́stico de diseños experimentales con
apoyo computacional a tráves del software Estadı́stico R. El método de estimación que
usaremos para los párametros del modelo estimado es el de los mı́nimos cúadrados
ordinarios el cual se implementa en R utilizando la función lm, este método se usara
debido a todas las propiedades que tienen los estimadores que se encuentran a tráves de
este método; y para el respectivo análisis de estos diseños usaremos la libreria agricolae
la cual contiene una gran cantidad de fuciones que nos ayudaran con el principal objetivo
de este trabajo , con esta implementación computacional se realizaran varios ejemplos
los cuales serán plasmados en un blog de acceso libre para que toda la comunidad que
necesite esta información pueda acceder a ella y puedan utilizarla para el respectivo
análisis de algún diseño experimental que se le presente en una situación real.
P alabras claves : Diseños experimentales, mı́nimos cuadrados ordina-
rios entorno R, blog.

2. INTRODUCCIÓN
Los modelos de diseño de experimentos son modelos estadı́sticos clásicos cuyo objetivo
es averiguar si unos determinados factores influyen en una variable de interés y, si existe
influencia de algún factor, cuantificar dicha influencia. Unos ejemplos donde habrı́a que
utilizar estos modelos son los siguientes:

En el rendimiento de un determinado tipo de máquina (unidades producidas por

dı́a): se desea estudiar la influencia del trabajador que la maneja y la marca de la
máquina.

Se quiere estudiar la influencia de un tipo de pila eléctrica y de la marca, en la

duración de las pilas.

Una compañia de software está interesada en estudiar la variable porcentaje en

que se comprime un fichero, al utilizar un programa de compresión teniendo en

5
 cuenta el tipo de programa utilizado y el tipo de fichero que se comprime.

Se quiere estudiar el rendimiento de los alumnos en una asignatura y, para ello, se

desean controlar diferentes factores: profesor que imparte la asignatura; método
de enseñanza; sexo del alumno.

La metodologı́a del diseño de experimentos se basa en la experimentación. Es sabido que

si se repite un experimento, en condiciones indistinguibles, los resultados presentan una
cierta variabilidad. Si la experimentación se realiza en un laboratorio donde la mayorı́a
de las causas de variabilidad están muy controladas, el error experimental será pequeño
y habrá poca variación en los resultados del experimento. Pero si se experimenta en pro-
cesos industriales o administrativos la variabilidad será mayor en la mayorı́a de los casos.

El objetivo del diseño de experimentos es estudiar si cuando se utiliza un determinado

tratamiento se produce una mejora en el proceso o no. Para ello se debe experimentar
aplicando el tratamiento y no aplicándolo. Si la variabilidad experimental es grande,
sólo se detectará la influencia del uso del tratamiento cuando éste produzca grandes
cambios en relación con el error de observación.
La metodologı́a del diseño de experimentos estudia cómo variar las condiciones habi-
tuales de realización de un proceso empı́rico para aumentar la probabilidad de detectar
cambios significativos en la respuesta; de esta forma se obtiene un mayor conocimiento
del comportamiento del proceso de interés.
Para que la metodologı́a de diseño de experimentos sea eficaz es fundamental que el
experimento esté bien diseñado.
Un experimento se realiza por alguno de los siguientes motivos:

Determinar las principales causas de variación en la respuesta.

Encontrar las condiciones experimentales con las que se consigue un valor extremo
en la variable de interés o respuesta.

6
 Comparar las respuestas en diferentes niveles de observación de variables contro-
ladas.

Obtener un modelo estadı́stico-matemático que permita hacer predicciones de

respuestas futuras.

La utilización de los modelos de diseño de experimentos se basa en la experimentación

y en el análisis de los resultados que se obtienen en un experimento bien planificado.
En muy pocas ocasiones es posible utilizar estos métodos a partir de datos disponibles
o datos históricos, aunque también se puede aprender de los estudios realizados a partir
de datos recogidos por observación, de forma aleatoria y no planificada.

3. UBICACIÓN DEL PROBLEMA

3.1. Descripción y formulación del problema.

La Estadı́stica hoy dı́a es una herramienta valiosa que facilita acciones en el desarrollo
de las sociedades humanas; su aplicación se direcciona a la recolección, análisis de
información e interpretación de resultados obtenidos en un estudio; ya sea de carácter
académico o cientı́fico. En muchas ocasiones para el análisis de esta información se
requiere el uso de paquetes especializados como SAS, SPSS, MINITAB, entre otros. Para
usar estos paquetes se requiere una licencia la cual tiene una gran inversión económica
y en muchas ocasiones las entidades no disponen del presupuesto para ello, situación
que limita a los usuarios a resolver problemas en esta área; situaciones que han llevado
a que estos usen de una forma ilegal estos paquetes.

7
4. OBJETIVOS.

4.1. Objetivo general.

Compartir una herramienta útil y de libre acceso para análisis respectivo de diseños
experimentales usando el lenguaje y entorno del software estadı́stico libre R.

4.2. Objetivos especı́ficos.

Definir teorı́a estadı́stica que soporte el desarrollo de los métodos utilizados en

diseño experimental

Construir algoritmos en R utilizando funciones y paquetes especiales contenidos

en este software para ver si un determinado factor produce una mejora en el
proceso o no.

Elaborar un blog con este contenido para que toda la comunidad académica e
investigadores tengan acceso a esta herramienta.

5. JUSTIFICACIÓN.
Debido a la problemática que enfrenta la comunidad académica (estudiantes, profe-
sores, investigadores, etc) con programas estadı́sticos de libre acceso que soporten el
análisis de problemas que requieran el uso de diferentes métodos estadı́sticos, de aqui
nace la idea de ofrecer R como una solución alternativa a dicha problematica ya que
este es eficiente, de libre acceso y fácil manejo, ya que en la actualidad son muchas las
ocasiones, donde los investigadores desean saber el comportamiento de una variable en
función de un factor el cual presenta distintos niveles, el interés de estos es verificar si
existe diferencia entre estos niveles; para resolver esta hipotesis se formula un diseño
de experimentos, para la realización del análisis estadı́stico de estos diseños se necesita
el uso de paquetes estadı́sticos los cuales en su mayoria nos exigen una licencia para su

8
funcionamiento dicha licencia tiene un gran costo económico.
Este trabajo se direcciona a ofrecer el entorno R como solución alternativa a dicha si-
tuación debido a que este es un software libre y por tanto es fácil obtenerlo.
R ofrece una gran gamma de librerı́as de las cuales solo algunas de ellas serán usadas
para la creación de algoritmos que ayuden a la estimación de los parámetros y calcúlos
respectivos en el análisis de dichos diseños.
Se creará un sitio web (blog) que contenga los algoritmos que se realizaran en el tra-
bajo los cuales serán útiles para resolver problemas que necesiten el uso de diseño de
experimentos; estos algoritmos estarán acompañados con un respectivo ejemplo el cual
ayudara que el usuario pueda entender de manera fácil dichos algoritmos para que ası́
le sea útil en la solución de problemas reales o prácticos.

6. MARCO TEÓRICO.

6.1. Diseño Experimental.

En la búsqueda planeada para obtener nuevos conocimientos o para confirmar o no re-

sultados de experimentos previos con la finalidad de tomar desiciones, los investigadores
se apoyan en las herramientas que brinda el diseño experimental para seguir realizando
sus experimentos. Los objetivos se establecen sobre la base de preguntas que han de
responderse, hipótesis que han de probarse, y efectos que han de estimarse.

6.1.1. Conceptos Básicos del Diseño Experimental.

Los conceptos básicos que son importantes en la construcción y ejecución de un diseño

experimental.

Unidad Experimental y Tratamiento.

Una unidad experimental, o parcela experimental, es la unidad de materia a la
cual se aplica un tratamiento.

9
El tratamiento es el procedimiento cuyo efecto se mide y se compara con otros
tratamientos.

La unidad experimental puede ser un animal, una parcela, una planta, un me-
dio de cultivo, una persona, un grupo de personas, 10 pollos en galpón, etc. El
tratamiento puede ser una dosis de cal, una variedad, un tipo de fertilizante, un
programa de aspersión , una combinación temperatura-humedad, una dieta, un
método de aplicación, etc. Cuando se mide el efecto de un tratamiento, se mide en
una unidad de muestreo, cierta fracción de la unidad experimental, por lo tanto
la unidad de muestreo puede ser la unidad completa.

Al escoger los tratamientos se debe tener el cuidado de asegurarse que el conjunto

de respuestas esten coherentemente relacionadas con los objetivos.

Error Experimental (EE).

Una caracterı́stica de todo material experimental es la variación. El error expe-
rimental es una medida de la variación existente entre las observaciones medidas
sobre unidades experimentales tratadas en forma similar.

Las variaciones por lo general provienen de dos fuentes principales: la variabilidad

inherente al material experimental y la variación resultante de cualquier falta de
uniformidad en la realización fı́sica del experimento.

Por otro lado, la longitud de un intervalo de confianza y el poder o potencia de

σ2
una prueba de hipótesis dependen en definitiva de V (Y ) = . Asi que para
n
obtener intervalos cortos o alto poder en las pruebas, se debe reducir al máximo
el error experimental, es decir, manejar el material experimental de tal manera
que se logren reducir los efectos debidos a la variabilidad inherente y refinar la
técnica experimental.

Según Fisher (1935), se puede obtener un buen diseño de experimento si se tienen

en cuenta los siguientes principios básicos:

Repeticiones y sus Funciones.

10
Cuando un tratamiento aparece más de una vez en un experimento se dice que
esta repetido.

Las funciones de la repetición son:

1. Permitir estimar el error experimental

2. Mejorar la precisión de un experimento mediante la reducción de la desvia-

ción estándar de una media de tratamiento V (Y ).

3. Aumentar el alcance de la inferencia del experimento a través de la selección

y uso apropiado de unidades experimentales mas viables.

4. Ejercer control sobre la varianza del error.

Control del Error Experimental

El control del error experimental puede lograrse mediante la escogencia del diseño
experimental adecuado, es decir, por medio de diseños como el de bloques com-
pletos aleatorizados (DBCA) o cuadrados latinos (DCL), el uso de observaciones
concominantes (Covariables) y una apropiada elección del tamaño y la forma de
las unidades experimentales.

Los tratamientos deben ser elegidos de tal forma que esten acordes con el estudio
que se quiere realizar, con los objetivos, con el problema que se está planteando,
es decir, con las hipótesis de interés.

Aleatorización.
La aleatorización es la disposición de los tratamientos dentro del campo expe-
rimental. La funcion de la aleatorización es la de asegurarse que se obtengan
estimativas válidas del error experimental.

En todos los diseños, la aleatorización de los tratamientos a las unidades experi-

mentales es esencial para obtener conclusiones válidas en los resultados.

11
6.1.2. Estructuras del Diseño Experimental

Según Hinkelmann & kempthorne (1994), cuando se realiza un diseño es esencial tener
en cuanta dos estructuras básicas, las cuales hay que identificar y distinguir, estas son:
La estructura de tratamiento y la estructura de diseño.

Estructura de Tratamiento.
Según la naturaleza del experimento, en esta fase se debe determinar, el número
de tratamientos, combinaciones de tratamientos que se van a estudiar y a com-
parar. Los tratamientos estan determinados por el número de factores que se van
a comparar para medir sus efectos. Si es un factor únicamente, la estructura
de tratamientos está formada por un conjunto de tratamientos, en este caso se
habla de una vı́a de clasificación. Si hay más de un factor, los tratamientos son
combinaciones de niveles de los factores y se habla de clasificación a dos vias y
más, dependiendo del número de factores (experimentos factoriales).

Estructura de Diseño
Se determina con la agrupación de las unidades experimentales en bloques o gru-
pos homogéneos, de tal manera que las condiciones bajo las cuales se observan los
tratamientos sean las más homogéneas posible. Si todas las unidades experimen-
tales se dan bajo las mismas condiciones, se tiene sólo un grupo y los tratamientos
se pueden asignar en forma completamente aleatoria a las unidades experimenta-
les, en este caso se tiene un diseño completamente aleatorio (DCA), Si se necesita
más de un grupo (bloques) de unidades experimentales, donde las unidades dentro
del grupo son más homogéneas que las unidades entre grupos distintos, entonces
se habla de diseños en bloques.

6.2. Diseño Completamente al Azar (DCA).

En esta estructura de diseño se supone que el material o área experimental es com-

pletamente homogéneas, es decir, las condiciones de todas las unidades experimentales

12
son igualmente controladas. En este tipo de diseño los tratamientos se asignan a las
unidades experimentales en forma completamente aleatoria.
Si se tienen t tratamientos y n unidades experimentales, con n > t, se puede aplicar el
primer tratamiento a r1 unidades experimentales escogidas al azar del total n, se asigna
el segundo tratamiento a r2 unidades experimentales a partir de las n − r1 restantes,
asi hasta llegar a asignar el tratamiento t a la rt últimas unidades experimentales.

6.2.1. Modelo Estadı́stico y Supuestos.

Sea Yij la respuesta al tratamiento j − ésimo en la unidad experimental i − ésima.

Se puede considerar Y11 , Y21 , Y31 , · · · , Yr1 1 como una muestra aleatoria de tamaño r1
tomada de una poblacion con media µ1 y varianza σ12 , asi mismo, Y12 , Y22 , Y32 , · · · , Yr2 2
serı́a una segunda muestra aleatoria de tamaño r2 tomada de una poblacion con media
µ2 y varianza σ22 , asi sucesivamente para j = 3, 4, .., t.
Considere el caso más simple donde σ12 = σ22 = · · · = σt2 = σ 2 , esto es, cuando la
aplicación del tratamiento j − ésimo en la unidad experimental i − ésima afecta la
media de la respuesta debido a la aplicación del tratamiento pero no su varianza.

El modelo estadı́stico que describe las respuestas de las n observaciones es:

Yij = µ + τj + ij (1)

i = 1, 2, · · · , rj y j = 1, 2, · · · , t,

donde,

Yij : Es la observación obtenida en la i − ésima unidad experimental del j − ésimo

tratamiento.

µ: Es un parámetro común a todos los tratamientos y corresponde a la media

general.

τj : Es el efecto del tratamiento j − ésimo.

13
 ij : Es el error aleatorio que se comete en la i − ésima unidad experimental del
j − ésimo tratamiento.

rj : Es el número de repeticiones del tratamiento j − ésimo.

t: Es el número de tratamientos.

El modelo de la ecuación se puede escribir en la forma Yij = µj + ij donde µj = µ + τj

representa la media del tratamiento j − ésimo, entonces ij = Yij − µj por lo tanto,
E(ij ) = E(Yij ) − µj = µj − µj = 0 y V (ij ) = σ2ij = σj2 . Como todos los trata-
mientos están sometidos a las mismas condiciones, se supone que σ2ij = σj2 = σ 2 ,
para j = 1, 2, ..., t, es decir, los errores tienen varianza constante σ 2 . Por otro lado, los
tratamiento son aleatorizados, lo que hace pensar que los errores deberı́an ser indepen-
dientes, es decir, el error en la unidad experimental i, no influye en el error obtenido
0
en la unidad experimental i . Esto se puede expresar estadı́sticamente como
Cov(ij , i0 j ‘0 ) = 0 para todo j, j 0 = 1, 2, ..., t e i, i0 = 1, 2, ..., rj .

Para llevar a cabo las pruebas de hipótesis del modelo se necesita asignarle una distribu-
ción a los errores, la más común es la distribución normal, dadas las caracterı́sticas que
tiene esta variable aleatoria y para poder llegar teorı́camente a encontrar un estadı́stico
de prueba basado en la teorı́a de la inferencia estadı́stica clásica. Ası́, se supone que los
errores tienen distribución normal, son independientes e identicamente distribuidos, tie-
nen media cero, varianza constante, todas estas caracterı́sticas de los errores se resume
en la siguiente notación:

iid
ij ∼ N (0,σ 2 ) .

Dado que los estadı́sticos de prueba están construidos bajo estos supuestos, posterior-
mente para dar mayor credibilidad a los resultados obtenidos estos deben ser validados
con los datos que se obtengan del experimento.

14
6.2.2. Modelos de Efectos Fijos y Aleatorios

En la práctica los tratamientos que se utilizan en el experimento son escogidos por el

investigador de acuerdo a los objetivos de la investigación, por referencias teóricas, o
a su criterio, en este caso se dice que el modelo de la ecuación es de efectos fijos. Por
ejemplo, el investigador decidió que las variedades a utilizar para el experimento son A,
B y C, que las dosis de cal más oportunas son de 0, 20, 60 y 80 kg/ha. En otros casos
los tratamientos pueden ser seleccionados aleatoriamente de un número determinado
de tratamientos, en cuyo caso se dice que el modelo es de efectos aleatorios. Como en el
caso en que el investigador debe seleccionar un número de semillas de una gran familia
de semillas o escoger un grupo de toros de un hato mayor.
En cada uno de los casos anteriores los objetivos son diferentes, como se ilustra a
continuación.

Modelo de Efectos Fijos

El objetivo primordial es saber si existen diferencias entre los tratamientos aplica-

dos, lo cual equivale a comparar los promedios de los tratamientos para determinar
si existen diferencias entre ellos. Como τj es la variación de la media del trata-
miento j con respecto a la media general, µj = µ + τj , entonces bajo este modelo
t
P
se tiene el supuesto τj = 0.
j=1

En este tipo de modelo, al haber repetición del ensayo, el experimento se repite

con los mismos tratamientos. Las hipótesis de interés son:

H0 : µ1 = µ2 = · · · = µt = µ contra H1 : Al menos una media de tratamiento

es diferente.

Modelo de Efectos Aleatorios

Por la naturaleza del modelo, el objetivo no se centra en las medias de los tra-
tamientos, sino en la variabilidad de éstos, porque al no existir tal variabilidad,
el comportamiento de los tratamientos serı́a similar. Entonces el objetivo central

15
 es estimar la variación entre las medias de los tratamientos. En este caso si el
experimento se repite no se tienen siempre los mismos tratamientos, puesto que
por cada ensayo hay seleción de los tratamientos a tener en cuenta. el supuesto
sobre los efectos de los tratamientos es que. τj ∼ N (0, στ2 ) .

La hipótesis de interés es H0 : σ12 = σ22 = · · · = σt2 = σ 2 .

6.2.3. Estimación de Parámetros

Para cada tratamiento j = 1, 2, ..., t, la muestra de tamaño rj > 1, proporciona un esti-

mativo de la media y la varianza muestral de ese tratamiento mediante las expresiones
usuales
rj
P rj
P
2
Yij Yij − Y ·j rj
i=1 Y.j i=1
bj2 = Sj2 =
P
µbj = Y ·j = = rj
y σ siendo Y.j = Yij .
rj rj − 1 i=1

Dado el supuesto que la variabilidad de los tratamientos es la misma, e igual a σ 2 , en-

tonces un promedio ponderado de los t estimadores Sj2 da el mejor estimador insesgado
de σ 2 . Ası́ el mejor estimador insesgado de σ 2 viene dado por:
t t
(rj − 1) Sj2 (rj − 1) Sj2
P P
j=1 j=1
b2 = CM = t
σ = (2)
P n−t
(rj − 1)
j=1

Ahora:
rj  2 rj rj
2 2 Y.j2
(rj − 1) Sj2 = Yij2 − rj Y .j = Yij2 −
P P P
Yij − Y .j = rj
= SCEEj , siendo SCEEj
i=1 i=1 i=1
la suma de cuadrados de los errores para el tratamiento j-ésimo. Entonces,
Pt
SCEEj
2 j=1
σ
b = . (3)
n− t
Para el estimador de µj , µ
bj = Y ·j se tiene, de acuerdo a la teorı́a estadı́stica que:
 2

bj ∼ N µj , σrj
µ para j = 1, 2, ..., t.

Entonces la variable aleatoria

bj − µj
µ
t= σ
bj
∼ tn−t . (4)
√
rj

16
6.2.4. Hipótesis de Interés

En el modelo de efectos fijos se desea probar si los efectos de los diferentes tratamientos
es difeerente de cero o también si las medias de los diferentes conjuntos de tratamientos
presentan diferencias estadı́sticas. El experimentador puede probar los siguientes tipos
de hipótesis.

P
H0 : cj µj = a, para un conjunto de constantes c1, c2, . . . , ct y a.

H0 : µ1 = µ2 = · · · = µt y

H0 : µj = µj0 para algún j 6= j0

t
P
Para el primer caso se puede probar que el error estándar de cj µ
bj es:
j=1

! v
t u t
X uX Cj2
ee cj µ
bj =σ
bt (5)
j=1
r
j=1 j

Por lo tanto la estadı́stica

Pt Pt
i=1 cj µ
bj− i=1 cj µj
t= q ∼ tn−t (6)
Pt c2j
σ
b i=1 rj

t
P
es decir, para probar la hipótesis nula H0 : cj µj = a se debe calcular
j=1

t
P Pt
bj − a
cj µ bj − a
cj µ
j=1 j=1
tc = != s , (7)
Pt Pt C2
j
ee cj µ
bj σ
b rj
j=1 j=1

rechazandose H0 sı́ |tc | > t(1−α/2, n−t) . Las pruebas de hipótesis de los casos 2 y 3 se
obtienen como casos particulares de la hipótesis del caso 1.

6.2.5. Análisis de Varianza (ANAVA)

Si se tienen rj observaciones para cada tratamiento, los datos del experimento se pueden
representar mediante la matriz dada en la Tabla

17
 Cuadro 1: Tabla de totales para un DCA.
repetición/T T O 1 2 3 ... j ... t
1 Y11 Y12 Y13 ... Y1j ... Y1t
2 Y21 Y22 Y23 ... Y2j ... Y2t
3 Y31 Y32 Y33 ... Y3j ... Y3t
.. .. .. .. .. ..
. . . . ... . ... .
rj Yr1 1 Yr 2 2 Yr3 3 ... Yrj j ... Yrt t
Total Y·1 Y·2 Y·3 ... Y·j ... Y·t
Media Y ·1 Y ·2 Y ·3 ... Y ·j ... Y ·t

donde rj es el número de repeticiones por tratamiento y t es el número de tratamientos,

rj
P
Yij = Y·j es el total del tratamiento j − ésimo para j = 1, 2, ..., t.
i=1
rj P
t t
P P Y·j
También se tiene que Y·· = Yij = Y·j , llamado total general, Y ·j = rj
y
i=1j=1 j=1
t
Y··
P
Y ·· = n
, que representa la media general siendo n = rj .
j=1

Sumas de Cuadrados (SC) y Grados de Libertad (gl)

En este diseño la variación total se divide en dos componentes

SCT otal = SCT ratamiento + SCError Experimental ,

que se puede simplificar un poco escribiendo

SCT otal = SCT T O + SCEE (8)

rj P rj P rj P
t
2 t Y··2 t Y2
Yij2 − Yij2 − F C con F C = ·· ,
P P P
donde SCT otal = Yij − Y ·· = =
i=1j=1 i=1j=1 n i=1j=1 n
llamado factor de corrección.
rj P
t
2 t
2 t Y2 t Y2
P P P ·j Y··2 P ·j
SCT T O = Y ·j − Y ·· = rj Y ·j − Y ·· = rj
− n
= rj
− FC
i=1j=1 j=1 j=1 j=1
rj P
t t Y2
·j
Yij2
P P
y SCEE = SCT otal − SCT T O = − .
i=1j=1 j=1 rj
Pt t
P
También glT otal = glT T O + glEE ⇒ rj − 1 = t − 1 + glEE ⇒ glEE = rj − t = n − t.
j=1 j=1

18
6.2.6. Pruebas de Hipótesis y Errores Estándar

Como se mencionó anteriormente el interés está centrado en comparar las medias de

los tratamientos para verificar la hipótesis nula que entre los tratamientos no existen
diferencias significativas. Esta hipótesis se puede enunciar como
0
H0 : µ1 = µ2 = · · · = µt = µ contra H1 : µj 6= µj 0 para algún j 6= j , (9)

la estadı́stica utilizada para esta prueba es:

CMT T O
Fc = ∼ F(t−1 , n−t) (10)
CMEE
y se rechaza H0 , al nivel de significancia α, sı́ Fc > Fα, (t−1 , n−t) .
Todos estos procedimientos se pueden resumir en la tabla de análisis de varianza, dada
en la Tabla

Cuadro 2: Tabla ANAVA para un DCA

F.V. gl SC CM Fc F5 % F1 %
CMT T O
TTO t−1 SCT T O CMT T O CMEE
F5 %, (t−1, n−t) F1 %, (t−1, n−t)
EE n−t SCEE CMEE
Total n−1 SCT otal

Si se rechaza H0 al nivel de significancia del 5 %, se dice que existen diferencias signifi-

cativas entre los tratamientos, y se coloca un * a la Fc o al CMT T O , sı́ además también
se encuentran diferencias al 1 %, se dice que las diferencias son altamente significativas,
y se coloca **. Sı́ no se rechaza H0 al nivel de significancia del 5 % se dice que no
existen diferencias estadı́sticas significativas entre los tratamientos, lo cual se nota con
N S, pero aún asi se pueden hablar de diferencias al 6 %, 7 %, 8 %, 9 %, y hasta del 10 %
que también es muy usual.

Ası́ mismo, cuando el investigador desea llevar a cabo cualquier prueba para un trata-
miento en particular, esta se puede realizar utilizando en este caso el error estándar de
estimación para una media de tratamiento, el cual viene dado por:

19
 s
CMEE
SY ·j = (11)
rj
y cualquier inferencia para el j − ésimo tratamiento se debe realizar con este error.

6.3. Pruebas de Validación de los Supuestos del Modelo

Como se mencionó al inicio de este capı́tulo, existen ciertos supuestos sobre los errores
del modelo en los que se basa el ANAVA, los cuales son:

1. Los errores tienen distribución normal con media cero, E (ij ) = 0 y varianza
constante, V (ij ) = σ 2 .

0
2. Son variables aleatorias independientes, es decir, para i 6= i , Cov (i , i0 ) = 0.

En la práctica los errores se estiman con los datos experimentales que se obtienen en
campo; para un DCA la estimación se lleva a cabo mediante la expresión

eij = ˆij = Yij − Y ·j , i = 1, 2, . . . , rj , j = 1, 2, 3, . . . , t, (12)

es decir, los errores estimados se calculan por tratamiento, restándole a los datos obte-
nidos de cada tratamiento la media de ese tratamiento.

Los dos supuestos del modelo más importantes a cumplirse, se refieren a la normalidad
y la homogeneidad de varianza de los errores, puesto que de hecho los tratamientos son
asignados aleatoriamente a las unidades experimentales al inicio de todo experimento
y esto garantiza, en cierta forma la independencia de los errores. A continuación se
presentan los algoritmos para llevar a cabo las pruebas de homogeneidad de varianza y
normalidad.

20
6.3.1. Pruebas de Homogeneidad de Varianzas

Prueba de Hartley

Para llevar a cabo la prueba de hipótesis

H0 : σ12 = σ22 = · · · = σt2 = σ 2

H1 : las varianzas no son homogeneas,

donde σj2 representa la varianza del j − ésimo tratamiento y además donde todos
los tratamientos tienen el mismo número de repeticiones, es decir r1 = r2 = · · · =
rt = r. Hartley propone la siguiente estadı́stica para llevar a cabo la prueba de
hipótesis


M ax Sj2
j
FM ax =  ,
M in Sj2
j

conocida como la estadı́stica F máxima de Hartley. En esta prueba H0 se rechaza

sı́ FM ax > FM ax(α, t, v) donde FM ax(α, t, v) es el valor en la Tabla FM ax al nivel
de significancia α, para t tratamiento y v = r − 1..

Prueba de Bartlett

Es una prueba más liberal que la anterior. Para llevar a cabo la prueba de hipótesis
dada en, los tratamientos no necesariamente deben tener el mismo número de
repeticiones. La estadı́stica dada por Bartlett esta definida por:
" t
#
1 X
χ2 = vj ln Sj2 ; j = 1, 2, . . . , t


v ln (CMEE ) −
C j=1

!
t t 1 1
1
P P
donde: vj = rj − 1; v = vj y C = 1 + 3(t−1) − y la hipótesis nula
j=1 j=1 vj v
H0 se rechaza sı́ χ2 > χ2(α, t−1) .

21
6.3.2. Prueba de Normalidad de los Errores de Shapiro - Wilk

La hipótesis a probar en este caso es:

H0 : Los errores provienen de una población con distribución normal

H1 : Los errores no provienen de una población con distribución normal.

Para llevar a cabo esta prueba inicialmente se calculan los errores del modelo bajo un
diseño completamente al azar, los cuales vienen dados por la expresión

eij = Yij − Y .j para cada j = 1, 2, . . . , t,

posteriormente se ordenan los errores de menor a mayor, e(1) , e(2) , · · · , e(n) , eliminando
el término que queda en la mitad de los datos, si el número de observaciones fuese impar,
el paso siguiente es realizar las diferencias d(1) = e(n) − e(1) , d(2) = e(n−1) − e(2) , · · · , es
decir, el más grande menos el más pequeño, el segundo más grande menos el segundo
más pequeño, etc; hasta llegar a los dos datos del centro; posteriormente estas diferencias
se ponderan, en ese orden, por los términos ak,n , los cuales se encuentran en la Tabla
dada por Shapiro - Wilk, es decir se realizan los productos ak,n ∗ d(k) , posteriormente
se calcula la estadı́stica
" #2
1 X

SW = ak,n ∗ d(k) (13)
SCEE k

La hipótesis nula, H0 , es rechazada sı́ SW < Wα, n siendo Wα, n el valor de la estadı́stica
de Shapiro - Wilk al nivel de significancia α.

6.3.3. Transformaciones

Es muy frecuente que después de llevar a cabo un análisis de varianza a una serie
de datos, los residuos estimados no se ajusten a una distribución normal o no tengan
varianza homogenea, otro caso muy común es que la falta de normalidad lleve a una

22
relación funcional entre la media y la varianza de las poblaciones estudiadas, ocasio-
nando heterogeneidad entre las varianzas muestrales. Algunos autores consideran que
una transformación apropiada de los datos puede homogeneizar las varianzas y puede
aproximar los residuos a una distribución normal.

Una transformación se puede considerar como un cambio en la magnitud de las distan-

cias entre los valores de la variable transformada, más no de la relación entre sı́, ya que
la estructura de los datos no se afecta.
En muchos casos las observaciones necesitan un cambio de expresión debido a:

1. Son muy asimétricas.

2. Tiene muchos puntos atipicos, sobre todo en las colas.

3. Después de ajustar un modelo a los datos se obtiene residuales muy grandes.

Los anteriores problemas se pueden mejorar alterando la forma de los datos, al aplicarles
una función matemática a las observaciones.

Según Peña (1987) las razones más fuertes para transformar son:

1. Promover simetrı́a en los datos.

2. promover variación estable en diferentes muestras.

3. Promover una relación lineal entre dos variables.

4. Facilitar la interpretación de una manera natural.

Una relación muy importante entre los datos originales y los transformados es la si-
guiente, si Yi son los datos originales y zi = T (Yi ) los transformados, se cumple la
siguiente propiedad:

2
Sz2 = T Y × Sy2 .


z=T Y y (14)

23
lo que quiere indicar que si se tiene varias poblaciones, entonces la transformación afecta
de igual forma la media y la varianza de cada una de ellas.

6.3.4. Transformaciones Más Frecuentes para Homogenizar Varianzas

√
1. Raı́z cuadrada ( Y ): generalmente se utiliza en datos de conteos, por ejemplo
número de insectos por parcela, número de malezas por unidad experimental,
número de plantas sin mazorca en una parcela de maı́z, número de frutos afec-
√
tados por una plaga. Si hay ceros en los datos se recomienda utilizar Y + 0,5.

también se recomienda utilizar esta transformación en datos de porcentajes, sobre

todo si estos están entre los intervalos de 0 a 20 %. Para porcentajes de 80 a 100 %,
también se puede utilizar esta transformación restando inicialmentre de 100 cada
porcentaje de 80 a 100 % .

2. Logarı́tmica ( Ln (Y )) : es útil cuando los datos se encuentran en diferentes

ordenes de magnitud, por ejemplo 0, 10, 100, 1000. Muy utilizada para valores
enteros positivos que cubren un amplio intervalo, por ejemplo número de bacterias.
Generalmente se recomienda para el caso en que la varianzas y las medias son
proporcionales. Cuando se tengan ceros entre las observaciones se debe utilizar
ln (Y + 1) .

3. Angular o Arcoseno (sen−1 (Y )) : la transformación angula o arcoseno es útil

para datos de proporciones o porcentajes, expandiendo los porcentajes pequeños
y comprimiendo los porcentajes altos.

4. Potencia (Y p ) : esta transformación es recomendada cuando al hacer un gráfico

entre la varianza de las poblaciones contra las medias de las mismas, o una función
de éstas, se revela una relación sistemática o dependencia entre las varianzas y la
medias, es decir σ ∝ µb . Para estabilizar las varianzas y eliminar la dependencia

24
 se puede utilizar una transformación de potencia, dada por.

T (Yi ) = Yip , (15)

donde si realmente existe una relación proporcional entre la desviación estándar y la

media se cumple que p = 1 − b.
Una forma de llegar al valor de la potencia es la siguiente: llevar a cabo un análisis gráfico
de medias (eje X) contra desviaciones estándar o medias contra rangos, si el gráfico se
aproxima a una lı́nea paralela al eje horizontal entonces p=1 y no hay necesidad de una
transformación, pero si el gráfico se aproxima a una lı́nea recta con pendiente positiva
entonces p = 0 y la transformación más adecuada sera la logarı́tmica, si la pendiente es
negativa entonces el valor de p sera mayor que 1, pero si el crecimiento es exponencial
entonces el valor de p será negativo y la transformación puede ser la inversa, la cual es
muy utilizada en estudio donde se midan tasas de tiempo.
La Tabla resume el tipo de transformación a llevar a cabo de acuerdo a la relación
que existe entre σ y µ. Es claro que para llegar a un valor de la potencia puede ser

Cuadro 3: Tipos de transformaciones según la relación entre σ y µ

Relación funcional P Transformación Nombre
σ ∝ µ−1 2 y2 Cuadrática
σ ∝ µ0 1 y Idéntica
√
σ ∝ µ1/2 1/2 y Raı́z Cuadrada
σ ∝ µ1 0 Ln(y) Logarı́tmica
√
σ ∝ µ3/2 -1/2 1/ y Raı́z Inversa
σ ∝ µ2 -1 1/y Inversa

necesario realizar varias transformaciones sobre las medias muestrales a fin de conseguir
una curva de ajuste entre σ y µ.

Para conseguir simetrı́a, las transformaciones usualmente son las mismas estudiadas
para conseguir homogeneidad de varianza, entre ellas se tienen las siguientes: la trans-

25
formación cuadrática,Y 2 , es utilizada cuando la distribución de los datos originales
tiene asimétria positiva, ya que comprime la escala para valores pequeños y la expande
√
para valores altos, mientras que las transformaciones Y , Ln (Y ) y 1/Y, comprime los
valores altos y expanden los valores bajos.

6.4. Comparaciones Múltiples

Supongase que al efectuar un analisis de varianza para un modelo de efectos fijos la

hipótesis nula es rechazada, se concluye entonces que existen diferencia significativas
entre las medias de los tratamientos, aunque no se especifique exactamente cuales de
ellas son diferentes de las otras. En esta situacion puede ser util realizar comparaciones
adicionales entre grupos de medias de los tratamientos. La media del j − èsimo trata-
miento se define mediante µj = µ + τj y su estimaciòn es Y ·j . Las comparaciones entre
medias de tratamientos se realizan en terminos de los totales de tratamientos Y.j o de
los promedios de tratamientos Y ·j .

6.4.1. Metodo de las Diferencias Mı́nimas Significativas (DMS)

Supóngase que después de haber rechazado la hipótesis nula, con la prueba F del analisis
de varianza, se desea probar que:

0
H0 : µj = µj 0 , para j 6= j .

Esto puede hacerse empleando la estadı́stica

Y ·j − Y ·j0
t0 = s  . (16)
CMEE r1j + 1
r 0
j

Entonces, suponiendo una hipótesis alterna bilateral µj 6= µj 0 , la pareja de medias µj

y µj 0 se consideran diferentes sı́
s  
 
Y ·j − Y ·j0  > DM S = t α 1 1
(1− 2 , n−t) CMEE + . (17)
rj rj 0

26
donde la cantidad v
u !
u 1 1
DM S = t(1− α2 , n−t)
tCMEE + (18)
rj rj 0

se denomina mı́nima diferencia significativa (DM S o LSD). Sı́ el diseño es balanceado,

entonces r1 = ... = rt = r y
r
2CMEE
DM S = t(1− α , n−t) . (19)
2 r

Para usar el procedimiento DM S, simplemente se comparan las diferencias observadas

entre cada par de promedios con el valor correspondiente de la DM S.
 
Sı́ Y .j − Y .j 0  > DM S, se concluye que las medias poblacionales µj y µj 0 son es-
tadı́sticamente diferentes.

6.4.2. La Prueba de Intervalos Múltiples de Duncan.

Uno de los procedimientos más conocidos y aplicados para comparar medias de tra-
tamientos es el dado por Duncan(1955), y conocido como comparación por intervalos
múltiples de Duncan. Este procedimiento exige que los tratamientos tengan el mismo
número de repeticiones, es decir que r1 = r2 = · · · = rt . Para llevar a cabo esta prueba
inicialmente se calcula el error estándar para una media de tratamiento dado por:
r
CMEE
SY ·j = . (20)
r

posteriormente se ordenan en forma descendente los t promedios de tratamiento.

Los valores tabulados para la prueba de Duncan, a un nivel de significancia α, Qα (p, glEE )
en donde p representa el número de medias entre dos tratamientos y glEE el número de
grados de libertad del error experimental, se obtienen de la siguiente forma: para cada
comparación entre dos medias de tratamiento se debe calcular este valor, por ejemplo
al comparar el tratamiento con la media mayor contra el resto de tratamientos, se pro-
cede asi: al comparar esta media de tratamiento con la media más pequeña obtenida,
se tiene p = t medias de tratamiento entre las medias comparadas, ası́ se busca en la
Tabla de Duncan el valor Qα (t, glEE ), cuando se va a comparar la media más grande

27
con la segunda media mas pequeña, entonces hay p = t − 1 medias entre las compa-
radas; entonces ahora el valor de la tabla se busca con Qα (t − 1, glEE ) , asi se sigue
hasta llegar a comparar la media más grande con la segunda media más grande, cuyo
valor en la tabla será ahora Qα (2, glEE ) . Con el resto de comparaciones la metodologı́a
es similar, asi cuando usted compara la segunda media más grande con la media más
pequeña, existen p = t − 1, medias entre estas dos, por lo tanto el valor de la tabla
será Qα (t − 1, glEE ) . Se puede seguir el procedimiento hasta comparar las t (t − 1) /2
medias de tratamientos en el experimento.
Para cada comparación entre medias de tratamiento se calcula el valor Rp = Qα (p, glEE )SY ·j
para p = 2, 3...t, y la hipótesis nula de igualdad de medias entre los tratamientos com-
parados se rechaza sı́
 
Y .j − Y 0  > Rp .
.j

En este procedimiento se debe tener tener en cuenta que si dos medias no difieren
significativamente, entonces cualquier otra media entre estas dos no debe diferir con
las comparadas inicialmente.

En muchos experimentos el número de repeticiones por tratamiento resulta ser de di-

ferente tamaño rj , aun ası́ se puede aplicar la prueba de Duncan, aunque con menos
precisión, reemplazando r por la media armonica rh dada por(vea Martı́nez y Martı́nez,
1997):
t
rh = t
. (21)
P
1/rj
j=1

6.4.3. Prueba Honesta de Tukey

Tukey (1953) propuso un procedimiento de comparacion múltiple que también esta

basado en intervalos. Su procedimiento requiere el uso de la cantidad qα (t, glEE ) para
determinar el valor crı́tico de todas las comparaciones por pares, independientemente de
las medias en un grupo. Asi la prueba de Tukey declara dos medias significativamente

28
diferentes si el valor absoluto de sus diferencias muestrales excede el valor, esto es
 
Y .j − Y 0  > Tα = qα (t, glEE ) S , (22)
.j Y .j
r
CMEE
donde SY .j esta definida como SY .j = , debe notarse que en todas las compa-
r
raciones sólo se usa el valor crı́tico Tα de la tabla de Tukey.

6.4.4. Prueba de Scheffé

Una ventaja de esta prueba es su robustez frente a la violación de los supuestos del
ANAVA, además que no necesita igual número de repeticiones por tratamiento. Es una
prueba bastante conservadora, más que la de Tukey, se pueden llevar a cabo cualquiera
de las posibles comparaciones entre medias de tratamientos.
En esta prueba la hipótesis nula es:

0
H0 : µj = µj 0 , para toda j 6= j , se rechaza sı́
s  
Y .j − Y ·j 0  > (t − 1) F(α, t−1, v) CMEE 1 + 1 ,
  q
(23)
rj rj 0

donde: v = glEE .

6.4.5. Prueba de Bonferroni

Esta prueba es recomendada cuando la F del ANAVA resulta no significativo, pero

también se puede usar en caso contrario, es una prueba medianamente conservadora,
que se debe usar sólo para un número p no muy grande de comparaciones, puesto de lo
contrario se incrementa el nivel de significancia.
La hipótesis nula
0
H0 : µj = µj 0 , para j 6= j

se rechaza, al nivel de significancia α, sı́

v !
u
  u 1 1
Y .j − Y .j 0  > t(α/2p, glEE ) tCMEE + , (24)
rj rj 0

29
donde p es el número de comparaciones que se piensan llevar a cabo y t(α/2p, v) es el valor
tabulado de la estadı́stica de Bonferroni al nivel de significancia α.

6.4.6. Comparación de Medias de Tratamientos con un Control (Prueba

de Dunnett)

En muchos experimentos uno de los tratamientos es un control o testı́go y el investigador

puede estar interesado en comparar este control con el resto de tratamientos, es decir
llevar a cabo t − 1 comparaciones de medias de tratamientos. Un procedimiento para
llevar a cabo esto, fue desarrollado por Dunnett (1964) como sigue: Supongase que el
tratamiento t es un control y se desea probar las hipótesis

H0 : µj = µt contra H1 : µj 6= µt ,

para j = 1, 2..., t − 1. El procedimiento de Dunnett es una modificacion de la prueba t.

Para cada hipótesis se calculan las diferencias que se observan en las medias muestrales.
 
Y .j − Y .t  , para j = 1, 2, ..., t − 1.

La hipótesis nula H0 : µj = µt se rechaza a un nivel de significancia α, sı́

v !
u
  u 1 1
Y .j − Y .t  > dα (t − 1, υ) tCMEE + , (25)
rj rj 0

donde la constante dα (t − 1, υ) se encuentra en la Tabla de Dunnett. Siendo v = glEE

y α el nivel de significancia asociado a las t − 1 pruebas.

6.4.7. Contrastes

En cualquier experimento se puede presentar la necesidad de comparar grupos de trata-

mientos, en estos casos el método de los contrastes resulta una alternativa para llevar a
cabo dichas comparaciones. Por ejemplo el investigador quisiera corroborar el supuesto
de que los promedios de los tratamientos 1 y 2 no difieren de los promedios de los
tratamientos 3 y 4. En este caso la prueba que se quiere llevar a cabo es

30
 H0 : (µ1 + µ2 ) − (µ3 + µ4 ) = 0 contra H1 : (µ1 + µ2 ) − (µ3 + µ4 ) 6= 0.

Estudiamos ahora como se llega a un estadı́stico de prueba para corroborar esta hipóte-
sis.
Definición: Un contraste es toda combinación lineal de medias de tratamiento, donde
la suma algebráica de sus coeficientes es igual a cero. En general una combinación lineal
o contraste es de la forma:
t
X
Z1 = c11 µ1 + c12 µ2 + · · · + c1t µt = c1j µj (26)
j=1

Pt c1j
donde se cumple que j=1 = 0.
rj
Si los tratamientos tienen el mismo número de repeticiones, la condición anterior se
reduce a:
t
X
c1j = 0. (27)
j=1

Entonces es posible escribir una prueba de hipótesis que involucre grupo de medias de
tratamientos a partir del concepto de lo que es un contraste. Si Z1 es el contraste que
representa una comparación de medias entonces las hipótesis estadı́sticas se escriben
como se muestra a continuación:
t
P t
P
H0 : Z1 = c1j µj = 0 contra H1 : Z1 = c1j µj 6= 0.
j=1 j=1

Un estimador del contraste dado en (25) basandose en las medias de los tratamientos
es:
t
X
Zb1 = C11 Y ,1 + C12 Y ,2 + · · · + C1t Y .t = C1j Y .j , (28)
j=1

donde los Y .j son los promedios procedentes de muestras aleatorias de tamaño rj . Sı́ las
muestras provienen de poblaciones normales e independientes, entonces por el teorema
central del lı́mite se tiene que:
σj2
 


Y.j ∼ N µj , σj2 ⇒ Y .j ∼ N µj , .
rj

31
De estos resultados se llega a:
" t # t t
  X X
X
E Zk = E
b Ckj Y .j = Ckj E Y .j = Ckj µj . (29)
j=1 j=1 j=1

y
" t
# t t t 2
  X X
2

X 2 j
σ2 X Ckj
V Zbk = V Ckj Y .j = Ckj V Y .j = Ckj = σ2 , (30)
j=1 j=1 j=1
rj j=1
r j

es decir que la estadı́stica

Zbk − Zk
t= s ∼ tgl . (31)
2
Pt Ckj
σ j=1
rj
Entonces la prueba de hipótesis, al nivel de significancia α,

H0 : Z1 = 0 contra H1 : Z1 6= 0 (32)

se puede llevar a cabo utilizando esta estadı́stica.

Suma de Cuadrados de un Contraste

La suma de cuadrados de un contraste para promedios o totales viene dada por:
 2
Zbk
SCZck = t 2 para promedios (33)
P Ckj
rj
j=1

 2
Zbk
SCZck = t
para totales (34)
rj Cj2
P
j=1

y como cada contraste tiene un grado de libertad, se deduce que

SCZck
CMZc = = SCZck . (35)
k 1

Con este resultado se llega a que la prueba de hipótesis

H0 : Zk = 0 contra H1 : Zk 6= 0

32
 tenga un segundo estadı́stico de prueba, que es el más utilizado, que el anterior,
es dado por
CMZbk
F = ∼ F1,glEE . (36)
CMEE

de tal forma que si al nivel de significancia α, Fc > Fα,1,glEE entonces H0 se

rechaza.

Contrastes Ortogonales
Dos contrastes

Z1 = C11 µ1 + C12 µ2 + · · · + C1t µt y Z2 = C21 µ1 + C22 µ2 + · · · + C2t µt

se dicen ortogonales sı́,

t
X C1j C2j
=0 (37)
j=1
rj

que para tratamientos con igual número de repeticiones se reduce a:

t
X
C1j C2j = 0. (38)
j=1

Se puede probar que dados t tratamientos, se pueden obtener a lo más t − 1

contrastes ortogonales cada uno con 1 grado de libertad y además que:

SCT T O = SCZb1 + SCZb2 + . . . + SCZbt−1 , (39)

puesto que los contrastes que se analizan son independientes dos a dos, lo que
conlleva a que la variación que se deduce de uno de los contrastes no es posible
volverla a tener en otro contraste.

6.4.8. Polinomios Ortogonales

Como se aclará anteriormente cuando los niveles del factor en estudio son cuantitativos,
tales como dosis de un medicamento, raciones en una dieta, distancia de siembra, tiempo
de maduración de un producto, etc, hacer un análisis de comparaciones múltiples tiene

33
poco sentido ya que lo que interesa es la relación entre la variable medida y los niveles
del factor cuantitativo aplicado, es decir, la función matemática que explica la variable
respuesta en función de los niveles del factor en estudio, en estos casos el análisis de
regresión, discutido en capı́tulos anteriores es lo más aconsejable.
En situaciones en la que los niveles del factor son equidistantes o igualmente espaciados,
puede simplificarse mucho el ajuste de modelos polinomiales por el método de mı́nimos
cuadrados. El procedimiento utiliza los coeficientes de los contrastes ortogonales que
se fundamenta en la siguiente explicación (ver Gómez 1997).
Para un factor A con tres niveles, los efectos del factor estan formados por dos compo-
nentes: lineal y cuadrático

Cambio en A Incremento en la respuesta

0 - 1 a1 -a0
1 - 2 a2 -a1

Como para una tendencia lineal el incremento de la variable respuesta es igual a la

diferencia al pasar de un nivel a otro, este efecto se mide con el promedio de los incre-
mentos al pasar de a0 a a2 , puesto que de existir la linealidad, el incremento al pasar
de a0 a a1 debe de ser igual al de pasar de a1 a a2 , asi:

Al = 12 [(a1 − a0 ) + (a2 − a1 )] = 12 (a2 − a0 ) .

Sı́ la tendencia es cuadrática, es porque los incrementos no son proporcionales, es decir,

el efecto cuadrático viene representando una desviación a la linealidad, en este caso el
incremento al pasar de a0 a a1 es diferente al de pasar de a1 a a2 , entonces de existir
la tendencia cuadrática, la diferencia entre estos incrementos serı́a distinta de cero, por
esto el efecto cuadrático es la diferencia de los incrementos:

AC = 12 [(a2 − a1 ) − (a1 − a0 )] = 12 (a2 − 2a1 + a0 ) .

34
Notese que tanto AL como AC representan un contraste, por esto, para determinar la
significancia, o presencia, de cada efecto se plantean las siguientes hipótesis nulas con
respecto a los contrastes anteriores:

H0 : AL = 0 ⇔ 21 (µ2 − µ0 ) = 0 ⇔ µ2 − µ0 = 0 ⇔ µ0 − µ2 = 0

H0 : Ac = 0 ⇔ 21 (µ2 − 2µ1 + µ0 ) = 0 ⇔ µ0 − 2µ1 + µ2 = 0.

Ası́, los coeficientes ortogonales para el efecto lineal son: 1, 0 y -1 y para el efecto
cuadrático son 1, -2 y 1.

En general, realizando el ajuste del polinomio por mı́nimos cuadrados, se pueden obtie-
ner los efectos lineal, cuadrático, cúbico etc. Igualmente, tambien se puede obtener la
suma de cuadrados de cada efecto, lo cual permite determinar la contribución de cada
término del polinomio.
Al igual que en contrastes ortogonales, si t niveles del factor se analizan en un experi-
mento, es posible extraer efectos polinomiales hasta de orden t − 1.
El modelo estadı́stico del polinomio es:

Y = α0 + α1 p1 (x) + α2 p2 (x) + α3 p3 (x) + ... + αt−1 pt−1 (x) +  (40)

donde Y es la variable respuesta y X corresponde a los niveles del factor.

Para determinar la significancia de cada termino del polinomio o efecto, se llevan en
forma similar como se realiza en los modelos de regresión, las siguientes pruebas de
hipótesis sobre los parámetros del modelo. H0 : αi = 0 contra H1 : αi 6= 0,
Las pruebas de estas hipótesis son análogas a las realizadas sobre un conjunto de con-
trastes ortogonales, donde los Ckj ya no son seleccionados según la situación, sino que
están dados en la tabla de polinomios ortogonales, para cada uno de los efectos lineal,
cuadrático, cúbico, etc. Ası́, es suficiente encontrar las sumas de cuadrados de los t − 1
Pt
polinomios ortogonales Zk = Ckj µj en forma similar a como ocurre para los t − 1
j=1

35
contrastes ortogonales. Ası́, se cumple que:

SCT T O = SCE. Linear + SCE. Cuadrático + SCE. C úbico + SCE. Cuartico + ... + SCE. t−1
t−1
X
= SCE. K , (41)
K=1

donde, para K = 1, 2, . . . , t − 1, la SCE. K se obtiene calculando la SC del contraste

t
X
Zk = Ckj µj .
j=1

Las estimaciones por mı́nimos cuadrados de los parámetros del modelo polinomial son:
t
P
Y ·j Pj (Y )
j=1
α
bj = t
para j = 0, 1, 2, ...., t − 1,
P 2
[Pi (Y )]
j=1

es decir,

t
P t
P t
P
C0j Y .j C1j Y ·j Ckj Y .j
j=1 j=1 j=1
α
b0 = t
= Y ·· , α
b1 = t
, ··· , α
bk = t
,
2 2 2
P P P
C0j C1j Ckj
j=1 j=1 j=1
donde los coeficientes Ckj son dados en la Tabla de poligonos ortogonales para el efecto
lineal (P1 (x)) , cuadrático (P2 (x)) , cúbico(P3 (x)) , etc.

6.5. Diseño en Bloques Completamente Aleatorizados

. Cuando se lleva a cabo un experimento, no siempre se tienen condiciones de homoge-

neidad en el área o área experimental, por lo que tenemos que pensar en una alternativa
para controlar el error experimental. Una muy utilizada es la aplicación del diseño en
bloques al azar.
El diseño en bloques al azar se recomienda cuando las unidades experimentales pueden
agruparse de acuerdo a una fuente de variación o gradiente, de tal modo que en cada
grupo o bloque resulte un conjunto relativamente uniforme u homogéneo de unidades
experimentales.

36
6.5.1. Aleatorización en el Diseño en Bloques al Azar

Los tratamientos se deben aleatorizar dentro de cada uno de los bloques, en forma
independiente. Por ejemplo, si el ensayo en campo consta de cinco tratamientos (t1, t2,
t3, t4, t5 ) y tres bloques, una de las posibles distribuciones de los tratamientos a las
parcelas puede ser:

Bloque I Bloque II Bloque III

t2 t1 t5 t4 t3 t1 t2 t3 t4 t5 t3 t2 t1 t4 t5

6.5.2. Modelo Estadı́stico

El modelo estadı́stico para un experimento en un DBCA viene dado por la expresión:

Yij = µ + βi + τj + ij (42)

donde

Yij : Es la observación de la variable de estudio Y en el i − ésimo bloque para

j − ésimo tratamiento.

µ: Es la media general común a todos los tratamientos.

βi : Es el efecto del bloque i − ésimo.

τj : Es el efecto del tratamiento j − ésimo.

ij es el error experimental en la unidad experimental i − ésima para el tratamiento

j − ésimo.

6.5.3. Pruebas de Hipótesis y Análisis de Varianza

Nuevamente el interés radica en saber si estadı́sticamente existen diferencias significa-

tivas entre los tratamientos, y por otro lado, pero ya en un segundo plano, determinar
si el bloqueo fue efectivo.

37
Ası́, las pruebas de hipótesis correspondientes son:

1. Para los tratamientos: Ho : µ·1 = µ·2 = · · · = µ·t contra H1 : µ·j 6= µ·j 0 para
0
algún j 6= j ,

2. Para los Bloques: Ho : µ1· = µ2· = · · · = µr· contra H1 : µi· 6= µi· para algún
0
i 6= i .

Dado que µj = µ + τj , entonces la primera hipótesis también se puede escribir como

0
H0 : τ1 = τ2 = · · · = τt contra H1 : τj 6= τj 0 para algún j 6= j .

Descomposición de la Suma de Cuadrados Total

De acuerdo al modelo estadı́stico planteado, la suma de cuadrados total (SCT otal ) tiene
la siguiente descomposición.
r X
t r X
t r X
t
X
2 X
2 X
2
SCT otal = Yij − Y ·· = Y i· − Y ·· + Y ·j − Y ·· +(43)
i=1 j=1 i=1 j=1 i=1 j=1
r X
t
X
2
Yij − Y i· − Y ·j + Y ·· , (44)
i=1 j=1

es decir, SCT otal = SCBloques + SCT T O + SCEE

Esta descomposición lleva a la Tabla de análisis de varianza, la cual sirve de apoyo para
probar las hipótesis 1 y 2 citadas anteriormente.
donde,
r X
t r
X Y2 X Y··2
SCT otal = Yij2 − ·· ; SCBloques = Yi.2 −
i=1 j=1
n i=1
n
t
X Y··2
SCT T O = Y·j2 − y SCEE = SCT otal − SCBloques − SCT T O .
j=1
n

Además,
r Pt t
Yij2 ,
P P
Y·· = n= r = tr, glBloques = r − 1, glT T O = t − 1 y
i=1 j=1 j=1

38
 Cuadro 4: ANAVA para un DBCA

F.V. gl SC CM Fc FT abla
SCBloques CMBloques
Bloques r−1 SCBloques CMBloques = r−1 CMEE
Fα, (r−1), (r−1)(t−1)
SCT T O CMT T O
TTO t−1 SCT T O CMT T O = t−1 CMEE
Fα, t−1,(r−1)(t−1)
SCEE
EE (r − 1) (t − 1) SCEE CMEE = (r−1)(t−1)

Total n−1 SCT otal

glEE = (r − 1) (t − 1) .

La implementación de las pruebas de comparación múltiple en este diseño se hace

en forma similar al de DCA, simplemente que ahora se utilizarán los glEE y el CMEE
obtenidos para el diseño en bloque, pero las expresiones para las pruebas son las mis-
mas estudiadas en el DCA. Si algunos tratamientos se han repetido un numero de veces
mayor que otros, las repeticiones extras de estos tratamientos deben aparecer en forma
consistente en todos los bloques. Para efectuar las comparaciones multiples en este
caso, se adopta la expresión :
s  
S2 1 1
√ +√ . (45)
2 rj rj 0

6.6. Muestreo en Unidades Experimentales

En muchos experimentos se tienen varias submuestras en cada unidad experimental del

diseño aplicado, dado que al tomar la información en las unidades experimentales se
realiza una selección aleatoria de algunas de las submuestras que componen la unidad
experimental. Este procedimiento conlleva a introducir un error al modelo debido al
submuestreo en las unidades experimentales, este error es conocido como error de sub-
muestreo. Por lo tanto, es necesario separar en el error total, la parte del error debido
a las unidades experimentales y el debido a las submuestras.

39
Para medir una variable en una unidad experimental se puede usar:
X Toda la Unidad experimental, en cuyo caso se tiene un solo error en el modelo.
X Muestrear dentro de la unidad experimental, lo cual ocaciona otra fuente de error en
el modelo. La diferencia entre el valor muestral y el de la unidad experimental completa
constituye el error de muestreo, por lo cual es importante utilizar una buena técnica de
selección de las muestras.

6.6.1. Muestreo de Unidades Experimentales en un DCA.

Cuando se tienen s submuestras en cada una de las r unidades experimentales para

los t tratamientos, el modelo estadı́stico para un diseño completamente al azar (DCA)
es:
Yijk = µ + τj + ij + θijk , (46)

para, i = 1, 2, · · · ; r, j = 1, 2, · · · , t; y k = 1, 2, · · · , s
donde

r es el número de repeticiones del tratamiento j−ésimo.

s es el número de submuestras en la unidad esperimental i − ésima bajo el

tratamiento j − ésimo.

Yijk es la observación de la submuestra k − ésima en la i − ésima unidad

experimental para el tratamiento j − ésimo.

µ es la media general general común a todos los tratamientos.

τj es el efecto del tratamiento j − ésimo (para efectos fijos o aleatorios).

ij es el error experimental de la i−ésima unidad experimerntal para el j −ésimo

tratamiento.

θijk es el error de la submuestra k − ésima en la i − ésima unidad experimental

para el tratamiento j − ésimo.

40
 iid iid
Los supuestos para los dos terminos de error son: ij ∼ N (0, σ 2 ) y θijk ∼
N (0, σθ2 ).

6.6.2. Descomposición de la Suma de Cuadrados Total (DCA)

En este tipo de modelo estadı́stico, la desviación total tiene la siguiente descomposición:

Yijk − Y ··· = Y ·j· − Y ··· + Y ij· − Y ·j· + Yijk − Y ij·

cada componente de esta descomposición corresponde a:

Y ·j· − Y ··· es la desviación del tratamiento j − ésimo
Y ij· − Y ·j· es el error experimental de la i − ésima unidad experimental para el j−ésimo
tratamiento
Yijk − Y ij· es el error de muestreo de la k − ésima submuestra en la i -ésima unidad
experimental del j − ésimo tratamiento,
donde
s
P
Yij· = Yijk es el total de las s submuestras en la i-ésima unidad experimental bajo
k=1
el tratamiento j-ésimo,
Pr P
s
Y·j· = Yijk es el total del tratamiento j-ésimo y
i=1 k=1
t
P r P
P t P
s
Y··· = Y·j· = Yijk es el gran total.
j=1 i=1 j=1 k=1
El promedio por unidad experimental, por tratamiento y general, respectivamente, vie-
nen dados por las siguientes expresiones:

Yij· Y·j· Y···

Y ij· = ; Y ·j· = y Y ··· = (47)
s rs rst
En este diseño la descomposición de la suma de cuadrados total se puede escribir como:

SCT otal = SCT ratamiento + SCError Experimental + SCError de M uestreo

= SCT T O + SCEE + SCEM , (48)

donde,
r X
t X
s
X
2 Y···2
SCT otal = Yijk − F C, siendo F C = , (49)
i=1 j=1 k=1
rst

41
 t
1 X 2
SCT T O = Y − FC (50)
rs j=1 ·j·

r t t r t
1 XX 2 1 X 2 1 XX 2
SCEE = Yij· − Y·j· = Y − F C − SCT T O (51)
s i=1 j=1 rs j=1 s i=1 j=1 ij·

SCEM = SCT otal − SCT T O − SCEE .

Asi mismo, los grados de libertad para el error experimental y de muestreo son:
t
X t
X r X
X t
glEE = (rj −1) = (r −1) = t(r −1) y glEM = (s−1) = rt(s−1). (52)
j=1 j=1 i=1 j=1

La Tabla de análisis de varianza para probar la hipótesis usual en esta estructura de

diseño, es la siguiente

Cuadro 5: ANAVA Para un DCA con submuestreo

F.V. gl SC CM E [CM ] Fc
rs
Pt CMT T O
TTO t−1 SCT T O CMT T O σθ2 + σε2 + t−1 2
j=1 τj CMEE

EE t (r − 1) SCEE CMEE σθ2 + σε2

EM tr (s − 1) SCEM CMEM σθ2
Total rst − 1

6.6.3. Diseño de Bloques Completamente al Azar con Muestreo en las Uni-

dades Experimentales

En el caso que el diseño sea en bloques completos al azar, con una estructura de tra-
tamiento simple, el modelo que se ajusta a la situación para una variable respuesta Y
es:
Yijk = µ + β i +τ j +ij +θijk ; (53)

con: i = 1, 2, · · · r; j = 1, 2, · · · , t; y k = 1, 2, · · · , s, donde

42
 r es el número de repeticiones del tratamiento j−ésimo.

s es el número de submuestras en el i − ésimo bloque en el tratamiento j.

Yijk es la observación de la submuestra k − ésima en el i − ésimo bloque para

el tratamiento j − ésimo.

µ es la media general común a todos los tratamientos.

βi es el efecto del bloque i-ésimo.

τj es el efecto del tratamiento j−ésimo (para efectos fijos o aleatorios).

ij es el error experimental en el i − ésimo bloque para el j − ésimo tratamiento.

θijk es el error de la submuestra k − ésima en el i − ésimo bloque para el

tratamiento j − ésimo.

Los supuestos para los dos terminos de error son los mismos del DCA:

iid iid
ij ∼ N (0, σ 2 ) y θijk ∼ N (0, σθ2 ).

La descomposición de la suma de cuadrados total sigue el mismo patrón de los casos

anteriores, ası́ se tiene que:

SCT otal = SCBloques + SCT T O + SCEE + SCEM , (54)

donde,
r X
X t X
s
2
SCT otal = Yijk − F C, (55)
i=1 j=1 k=1

2 r P
t P
s
Y··· P
con FC = rst
y Y··· = Yijk ,
i=1 j=1 k=1

r
1 X 2
SCBloques = Y − F C, (56)
st i=1 i··

t
1 X 2
SCT T O = Y − F C, (57)
sr j=1 ·j·

43
 r t
1 XX 2
SCEE = Y − F C − SCB − SCT T O (58)
s i=1 j=1 ij·

SCEM = SCT otal − SCBloques − SCT T O − SCEE . (59)

Por tanto, el ANAVA es el siguiente

Cuadro 6: ANAVA y cuadrados medios esperados para un DBCA con muestreo en las
UE
F.V. gl SC CM E [CM ] Fc
ts CMBloques
σθ2 + sσ%2 + βi2
P
Bloques r−1 SCBloques CMBloques r−1 CMEE
rs CMT T O
σθ2 + sσ%2 + τj2
P
TTO t−1 SCT T O CMT T O t−1 CMEE

EE (r − 1)(t − 1) SCEE CMEE σθ2 + sσ%2

EM rt(s − 1) SCEM CMCM σθ2
TOTAL rts − 1

6.7. Experimentos Factoriales

En inumerables experimentos del sector agrı́cola, industrial, salud, ingenierı́l etc, hay
que experimentar con combinaciones de dos o más factores o grupos de tratamientos.

Los experimentos factoriales permiten examinar las interacciones entre los distintos
niveles de los factores estudiados, para posteriormente determinar cuál combinación de
niveles de éstos optimiza la respuesta. En este tipo de experimento, todos los niveles
de un factor se combinan con los niveles de los otros factores, estas combinaciones de
niveles es lo que corresponde a los tratamientos. Cuando dos factores interactúan la
respuesta a los cambios de un factor está condicionada por el nivel del otro factor.
Las dimensiones de un experimento factorial se ı́ndican de acuerdo al número de factores
que se esten estudiando, o que intervienen en el experimento, y al número de niveles de
cada factor. Ası́ la expresión 2 × 2 hace referencia a un experimento factorial con dos
factores y dos niveles por factor, mientras que la expresión 3 × 4 × 2, hace referencia

44
a una estructura de tratamiento factorial con tres factores, el primero con tres niveles,
el segundo con cuatro niveles y el tercero con dos niveles. Cuando todos los factores
estudiados tienen el mismo número de niveles, digamos n, entonces se dice que se tiene
un factorial simétrico, ası́, para p factores con n niveles cada uno se dice que se tiene
un experimento factorial pn . Por ejemplo, la notación 23 indica un ensayo con tres
factores y dos niveles por factor, mientras que un ensayo con dos factores y tres niveles
por nivel se nota 32
Cabe anotar que en algunos libros no se habla de experimentos factoriales, sino de
diseños factoriales, tal denominación es incorrecta puesto que la estructura de diseño se
refiere a la forma como las unidades experimentales se colocan en campo, para controlar
el error experimental, ası́ el investigador puede tener un experimento factorial 2x2 en un
DCA o en un DBCA, o en un DCL es decir la combinación de los factores hace referencia
a la estructura de los tratamientos y la parte de control del error a la estructura de
diseño, por lo tanto hay que diferenciar los dos conceptos.

6.7.1. Conceptos Básicos

Un factor es un conjunto de tratamientos que se pueden aplicar a las unidades experi-

mentales. Se denotan con las primeras letras del alfabeto o con la letra inicial del factor
en mayúscula. Los factores pueden ser cualitativos, como razas, variedades, métodos de
aplicación de un producto, etc, o cuantitativos como dosis de un medicamento, raciones
en una dieta, dosis de un fertilizante, distancias de siembra, tiempo de aplicación de un
producto, temperatura, etc.
Un nivel de un factor es un tratamiento particular del conjunto de tratamientos que
constituyen el factor. Si el factor es cuantitativo, los niveles están formados por las
diferentes cantidades del mismo; por ejemplo, para el factor Temperatura: los niveles
‰ ‰ ‰
pueden ser 20 , 25 y 30 . Si el factor es cualitativo los niveles los constituyen las
diferentes categorı́as del mismo, es decir, si el factor es método de siembra, los niveles
pueden ser: método tradicional y método tecnificado, en este caso tendrı́a dos niveles.
Por lo general los niveles de un factor se designan con letras minúsculas, correspondiendo

45
la letra mayúscula al factor, subindexadas con los números 1, 2, 3, .., n. Por ejemplo para
el factor temperatura (letra T) que tiene 3 niveles, estos se denotarı́an por t1 , t2 y t3 . En
un experimento factorial es importante saber que los factores actuan simultáneamente
sobre las unidades experimentales para obtener la respuesta o variable dependiente.

6.7.2. Efectos de un Factor

El efecto de un factor a un sólo nivel de otro factor o una sola combinación de otros
factores se conoce como efecto simple. Cuando se tienen dos factores, si se promedian
esos efectos simples se obtiene un efecto principal. El efecto principal de un factor es
una comparación entre las respuestas esperadas para los diferentes niveles de un factor,
promediados sobre todos los niveles de todos los otros factores.
Ejemplo:
(Martı́nez y Martı́nez, 1997) Se tiene un experimento con dos factores: nitrógeno (N)
con niveles 0 y 100 kg/ha y fósforo (P) con niveles 0 y 50 kg/ha. Los resultados obtenidos
al combinar estos dos factores son ilustrados a continuación.

Cuadro 7: Efectos simples para un factorial 2 × 2

Factores n0 (0) n1 (100) n1 − n0
p0 (0) n0 p0 (50) n1 p0 (80) 30
(1) (n)

p1 (50) n0 p1 (100) n1 p1 (150) 50

(p) (np)

p1 − p0 50 70

Los efectos simples de N son:

1) (n1 p0 − n0 p0 ) = 80 − 50 = 30; efecto de N al nivel p0 de P.

2) (n1 p1 − n0 p1 ) = 150 − 100 = 50; efecto de N al nivel p1 de P.

El efecto principal de N, expresado como [N] es:

46
 (n1 p0 − n0 p0 ) + (n1 p1 − n0 p1 ) 30 + 50
[N] = = = 40.
2 2

De igual forma se consiguen los efectos simples y el efecto principal de P.

La interacción de N y P, expresada como [NP] es igual a:

(n1 p1 − n0 p1 ) − (n1 p0 − n0 p0 ) (150 − 100) − (80 − 50)

[NP] = =
2 2
50 − 30
= = 10 6= 0,
2

indicando la presencia de interacción entre los factores estudiados.

En este tipo de experimento, el interés principal se centra, la mayorÃa de las veces, en
el efecto de la interacción, por eso el análisis estadı́stico inicia con la prueba F de no
interacción, expresada en la prueba de hipótesis siguiente:

H0 : (αβ)jk = 0 contra H1 : (αβ)jk 6= 0.

Si se rechaza H0 , el paso siguiente es analizar las medias de celda µij y se pierde interés
en las pruebas independientes de los efectos principales de los factores A y B, puesto
que los factores están actuando en forma simultánea o conjunta.

Si H0 no se rechaza, entonces el interés se centra en probar los efectos principales de A

y de B en forma independiente, es decir, se llevan a cabo las pruebas de hipótesis:
1) Para los efectos principales de A: H0 : αj = 0 contra H1 : αj 6= 0,

2) Para los efectos principales de B: H0 : βk = 0 contra H1 : βk 6= 0.

6.8. Experimento Factorial Bajo un Diseño Completamente al

Azar

Se estudiará ahora el caso de un modelo de efectos fijos con dos factores A y B, con
a y b niveles respectivamente, en un experimento factorial bajo un DCA. El modelo
estadı́stico para este caso es:

Yijk = µ + αj + βk + (αβ)jk + ijk (60)

47
con i = 1, 2, 3, · · · , r, j = 1, 2, 3, · · · , a y k = 1, 2, 3, ..., b.
Donde
Yijk es la respuesta en la i − ésima unidad experimental para el j − ésimo nivel del
factor A y el k − ésimo nivel del factor B.
µ es la media general común a todos los tratamientos.
αj es el efecto principal del j − ésimo nivel del factor A.
βk es el efecto principal del k − ésimo nivel del factor B.
(αβ)jk es el efecto del j − ésimo nivel del factor A con el k − ésimo nivel del factor B.
ijk es el error aleatorio en la i − ésima unidad experimental para el j − ésimo nivel
del factor A y el k − ésimo nivel del factor B.
Para estimar los parámetros del modelo se debe suponer que
a
P b
P a P
P b
αj = βk = (αβ)jk = 0
j=1 k=1 j=1 k=1

iid
y además se supone que ijk ∼ N (0,σ 2 ).
Ya sea para un DCA o un DBCA, la información de cada unidad experimental se puede
resumir como se ilustra a continuación

Cuadro 8: Distribución de observaciones en un factorial 2 × 2

TTO Repeticiones Total de TTO
a0 b 0 Y111 Y211 Y311 · · · Yr11 Y·11
a1 b 0 Y121 Y221 Y321 · · · Yr21 Y·21
a0 b 1 Y112 Y212 Y312 · · · Yr12 Y·12
a1 b 1 Y122 Y222 Y322 · · · Yr22 Y·22
Total de repeticiones Y1·· Y2·· Y3·· ··· Yr·· Y···

Con los totales por tratamiento dados en la siguiente Tabla

48
 Cuadro 9: Tabla de totales para los factores A y B
A/B b1 b2 Y·j·
a1 Y·11 Y·12 Y·1·
a2 Y·21 Y·22 Y·2·
Y··k Y··1 Y··2 Y···

6.8.1. Análisis de Varianza

En este tipo de experimento se tienen dos estructuras, la de diseño y la de tratamiento,

entonces tomando un DCA tenemos que

SCT otal = SCT T O + SCEE (61)

y por la estrutura de tratamiento se tiene que

SCT T O = SCA + SCB + SCAB . (62)

Entonces la combinación de las dos estructuras arroja la siguiente descomposición de

la suma de cuadrados total:

SCT otal = SCA + SCB + SCAB + SCEE (63)

Ası́, las hipótesis a verificar son:

1) H0 : (αβ)jk = 0 contra H1 : (αβ)jk 6= 0 (64)

2) H0 : αj = 0 contra H1 : αj 6= 0 (65)

3) H0 : βk = 0 contra H1 : βk 6= 0. (66)

Las estadı́sticas de prueba para corroborar estas hipótesis quedan expresadas como se
muestran en la Tabla del análisis de varianza respectivo.
Donde,

r X
X a X
b
2
SCT otal = Yijk − F C, (67)
i=1 j=1 k=1

49
 Cuadro 10: ANAVA para un experimento factorial 2 × 2 bajo un DCA
F.V. gl SC CM Fc Ftabla
CMT T O
TTO ab − 1 SCT T O CMT T O CMEE
Fα, ab−1, ab(r−1)
CMA
A a−1 SCA CMA CMEE
Fα, a−1, ab(r−1)
CMB
B b−1 SCB CMB CMEE
Fα, b−1, ab(r−1)
CMAB
AB (a − 1) (b − 1) SCAB CMAB CMEE
Fα, (a−1)(b−1), ab(r−1)
EE ab (r − 1) SCEE CMEE
Total abr − 1 SCT otal

2 r P
a P
b
Y... P
con F C = rab
y Y··· = Yijk ,
i=1 j=1 k=1

a X
b 2
X Y·jk
SCT T O = − F C, (68)
j=1 k=1
r

a 2
X Y·j·
SCA = − F C, (69)
j=1
rb
b
X Y2 ··k
SCB = − F C, (70)
k=1
ra
SCAB = SCT T O − SCA − SCB , (71)

SCEE = SCT otal − SCT T O . (72)

6.8.2. Errores Estándar para Medias de Efectos Principales e Interacción

Los errores estándar para las medias de efectos principales vienen dados por:

1) Para medias de los niveles del factor A:

p
SY ·j· = CMEE /rb. (73)

2) Para medias de los niveles del factor B:

p
SY ··k = CMEE /ra. (74)

50
3) Mientras que el error estándar para una media de la interacción viene dado por:
p
SY .jk = CMEE /r. (75)

4) Error estándar de la diferencia entre dos medias de A:

r
2CMEE
SdB = . (76)
rb
5) Error estándar de la diferencia entre dos medias de B:
r
2CMEE
SdB = . (77)
ra
6) Error estándar de la diferencia entre dos medias de AB:
r
2CMEE
SdAB = . (78)
r

6.9. Entorno R.

Programa integrado para la manipulación de datos, cálculo y procedimientos gráficos.

Los principales aspectos que este ofrece son:

Facilidad para el manejo y el almacenamiento de datos.

Un conjunto de operadores para cálculo con arrays y matrices.

Una colección extensa e integrada de herramientas intermedias para el análisis de

datos.

Multitud de facilidades gráficas.

Un lenguaje de programación simple y efectivo que incluye las estructuras de

control clásicas, funciones recursivas y facilidades para el input y output de datos
y resultados.

R es un entorno altamente dinámico, y a menudo se concibe como un vehı́culo para

desarrollar (nuevos) métodos interactivos de análisis de datos.
Ventajas:

51
 R dispone de una comunidad de desarrolladores/usuarios detrás que se dedican
constantemente a la mejora y a la ampliación de las funcionalidades y capacidades
del programa. Nosotros mismos podemos ser desarrolladores de R

incorporación constante de nuevos métodos.

Precio: Gratuito.

7. METODOLOGÍA.
Inicialmente se realizará una revisión bibliográfica de todos los conceptos estadı́sticos
que son esenciales para la elaboración de este trabajo, como son los modelos de regresión
lineal y no lineal. Un modelo de regresión lineal, es una función que depende de los
valores de la variable aleatoria y otras cantidades que caracterizan a una población en
particular y que se denominan parámetros del modelo. Los modelos lineales son una
herramienta muy utilizada para el análisis de datos que presentan una relación causa-
efecto. Por otra parte, la verificación de los supuestos del modelo de regresión lineal, son
importantes dado el uso que el experimentador desee darle a dicho modelo, es decir, que
tan adecuado es mi modelo para realizar inferencias con el, o simplemente establecer
una relación entre la variable respuesta y un conjunto de variables explicativas.
Dado que se usará el software R, se revisará literatura sobre éste, ası́ como las librerı́as
con las que se trabajará para la construcción de las funciones.
Después de seleccionar estas funciones que estén ı́ntimamente relacionadas a la teorı́a de
estimación estadı́stica, se procederá a crear los algoritmos para la solución de problemas.

8. RECURSOS INSTITUCIONALES.
La contribución que harı́an la Universidad de Córdoba y el Departamento de Ma-
temáticas y Estadı́stica, para la elaboración del proyecto serı́a la de facilitar la sala de
Internet, la biblioteca Central y la biblioteca especializada que se encuentra a cargo del

52
Departamento, lo cual servirı́a para hacer consultas.

9. CRONOGRAMA DE ACTIVIDADES.
El trabajo de grado tendrá una duración aproximada de 3 meses, contando a partir de la
aprobación del proyecto. En la siguiente tabla se muestran las actividades a desarrollar
y sus respectivas duraciones en semanas:

Tiempo en semanas

Actividades 1 2 3 4 5 6 7 8 9 10 11 12
Revisión de literatura y
X X X X X X X X
marco teórico
Contrastación de las fuentes
X X X X X
bibliográficas
Asesorı́as con el director del
X X X X X X X X X X
proyecto
Entrega de informes y ade-
X X X X X X X
lantos parciales
Sustentación de los adelan-
X X X X X X X
tos ante el asesor
Elaboración del informe fi-
X X
nal
Elaboración del blog X X X

Sustentación del trabajo X

53
10. BIBLIOGRAFÍA.
[ 1 ] Martı́nez R. y Martı́nez N. Diseño de Experimentos. Fondo Nacional Universitario.
1997
[ 2 ] Montgomery D. y Runger, G. Probabilidad y Estadı́stica Aplicadas a la Ingenierı́a.
McGraw Hill. 1997.

[ 3 ] Montgomery D. Diseño y Análisis de Experimentos. Grupo Editorial Iberoamérica.

1991.

[ 4 ]Peña. S. D. Estadı́stica Modelos y Métodos. Tomo I. Alianza Editorial.S.A. Madrid.

1987.

[ 5 ] Walpole R. and Myers R. Probabilidad y Estadı́stica para Ingenieros. Segunda

edición. Interamericana. 1982.

[ 6 ] Hinkelmann, K. and Kempthorne, O. Design and Anaysis of Experiments. John

Wiley & Sons 1994.

[ 7 ] Jonh, P. W. Incomplete Block Designs, Marcel Dekker. 1978.

[ 8 ] Martı́nez A. Diseños Experimentales. Métodos y elementos de teorı́a. Editorial
Trillas. 1988.

[ 9 ] Cochran and Cox.(1992). Experimental Design. Second edition. Wiley Classics

Library Edition published. John Wiley & Sons, INC.

[ 10 ] Montgomery (2002). Diseño y Análisis de Experimentos (2a Ed) .

54