DISEÑO Y ANÁLISIS DE UN SOLO FACTOR

Pasos para el diseño de experimentos

1. Identificar el problema
2. Elegir los factores y los niveles

3. Seleccionar la variable respuesta

4. Elección del diseño experimental
5. Realización del experimento
6. Análisis estadístico de los datos
7. Conclusiones y recomendaciones

En el diseño de un solo factor categórico se cuenta con un factor del cual se seleccionan “a” categorías o
niveles llamados tratamientos y, en cada uno de ellos se realizan “n” réplicas u observaciones, que se hacen
con el fin de disminuir el efecto de los factores perturbadores o no controlables, que pueden contaminar y
variar los resultados del experimento.
Una vez realizado el experimento los datos se organizan en un arreglo de la forma:

Tratamientos Observaciones Total Media

1 𝑌11 𝑌12 … 𝑌1𝑛 𝑌1∙ 𝑌̅1∙
2 𝑌21 𝑌22 … 𝑌2𝑛 𝑌2∙ 𝑌̅2∙
⋮ … … …
a 𝑌𝑎1 𝑌𝑎2 … 𝑌𝑎𝑛 𝑌𝑎∙ 𝑌̅𝑎∙

𝑌𝑖∙ = 𝑌𝑖1 + 𝑌𝑖2 + ⋯ + 𝑌𝑖𝑛

𝑌𝑖1 + 𝑌𝑖2 + ⋯ + 𝑌𝑖𝑛

𝑌̅𝑖∙ =
𝑛
La observación 𝑌𝑖𝑗 representa la j-ésima observación bajo el i-ésimo tratamiento. El modelo a estimar sería:
 𝑌𝑖𝑗 = 𝜇 + 𝜏𝑖 + 𝜀𝑖𝑗

Donde
𝜇 es la media global
𝜏𝑖 es el efecto del i-ésimo tratamiento
𝜀𝑖𝑗 es el componente aleatorio que contiene el efecto que, sobre 𝑌𝑖𝑗 , tiene las demás fuentes de variabilidad
que no fueron tenidas en cuenta en el experimento pero que afectan a la Y.
𝑌𝑖𝑗 ~𝑁𝑜𝑟𝑚𝑎𝑙(𝜇, 𝜎 2 )

𝜀𝑖𝑗 ~𝑁𝑜𝑟𝑚𝑎𝑙(0, 𝜎 2 )

Las ecuaciones serían:

𝑛

𝑌𝑖∙ = ∑ 𝑌𝑖𝑗
𝑗=1

𝑌𝑖∙
𝑌̅𝑖∙ =
𝑛
𝑎 𝑛

𝑌∙∙ = ∑ ∑ 𝑌𝑖𝑗
𝑖=1 𝑗=1

𝑌∙∙ 𝑌∙∙
𝑌̅∙∙ = = ∶ 𝑒𝑠 𝑒𝑙 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜𝑟 𝑑𝑒 𝜇
𝑎𝑛 𝑁
𝜏̂ 𝑖 = 𝑌̅𝑖∙ − 𝑌̅∙∙ ∶ 𝑒𝑠 𝑒𝑙 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜𝑟 𝑑𝑒𝑙 𝑒𝑓𝑒𝑐𝑡𝑜 𝑑𝑒𝑙 𝑖 − é𝑠𝑖𝑚𝑜 𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜 𝑠𝑜𝑏𝑟𝑒 𝑌, 𝜏𝑖

𝜀̂𝑖𝑗 = 𝑌𝑖𝑗 − 𝑌̂𝑖𝑗 : 𝑒𝑠 𝑒𝑙 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜𝑟 𝑑𝑒 𝜀𝑖𝑗 , 𝑠𝑒 𝑐𝑜𝑛𝑜𝑐𝑒 𝑐𝑜𝑚𝑜 𝑟𝑒𝑠𝑖𝑑𝑢𝑎𝑙

En este caso interesa probar las hipótesis:

𝐻0 : 𝜇1 = 𝜇2 = ⋯ = 𝜇𝑎
𝐻1 : 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝑝𝑎𝑟 𝜇𝑖 ≠ 𝜇𝑗

En términos de los efectos:

𝐻0 : 𝜏1 = 𝜏2 = ⋯ = 𝜏𝑎 = 0
𝐻1 : 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝜏𝑖 ≠ 0
En caso de no rechazar 𝐻0 se afirma que las medias de los tratamientos son iguales, es decir, que el efecto
del i-ésimo tratamiento es 𝜏𝑖 = 0.
 ANOVA: ANALYSIS OF VARIANCE
Partiendo de:

𝐹𝐸𝑁Ó𝑀𝐸𝑁𝑂 = 𝑀𝑂𝐷𝐸𝐿𝑂 + 𝑅𝐸𝑆𝐼𝐷𝑈𝐴𝐿

𝑉𝐴𝑅𝐼𝐴𝐵𝐼𝐿𝐼𝐷𝐴𝐷 𝑇𝑂𝑇𝐴𝐿
= 𝑉𝐴𝑅𝐼𝐴𝐵𝐼𝐿𝐼𝐷𝐴𝐷 𝐸𝑁𝑇𝑅𝐸 𝑇𝑅𝐴𝑇𝑇𝑂𝑆
+ 𝑉𝐴𝑅𝐼𝐴𝐵𝐼𝐿𝐼𝐷𝐴𝐷 𝐷𝐸𝑁𝑇𝑅𝑂 𝐷𝐸 𝐿𝑂𝑆 𝑇𝑅𝐴𝑇𝑇𝑂𝑆
Numéricamente:
𝑎 𝑛 𝑎 𝑎 𝑛

∑ ∑(𝑌𝑖𝑗 − 𝑌̅∙∙ )2 = 𝑛 ∑( 𝑌̅𝑖∙ − 𝑌̅∙∙ )2 + ∑ ∑(𝑌𝑖𝑗 − 𝑌̅𝑖∙ )2

𝑖=1 𝑗=1 𝑖=1 𝑖=1 𝑗=1

𝑆𝑆𝑡𝑜𝑡𝑎𝑙𝑒𝑠 = 𝑆𝑆𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠 + 𝑆𝑆𝑒𝑟𝑟𝑜𝑟

Los supuestos se analizan sobre 𝜀̂𝑖𝑗

La tabla ANOVA sería:

Fuente de Suma de Grados de Cuadrado F0 Valor p
variación cuadrados libertad medio
Entre los 𝑆𝑆𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠 a-1 𝑀𝑆𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠 𝑀𝑆𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠
𝑆𝑆𝑡𝑟𝑎𝑡𝑎𝑚𝑖𝑒𝑛𝑡𝑜𝑠 𝑀𝑆𝑒𝑟𝑟𝑜𝑟
trattos =
𝑎−1
Dentro de los 𝑆𝑆𝑒𝑟𝑟𝑜𝑟 N-a 𝑆𝑆𝑒𝑟𝑟𝑜𝑟
𝑀𝑆𝑒𝑟𝑟𝑜𝑟 =
𝑁−𝑎
trattos
Total 𝑆𝑆𝑡𝑜𝑡𝑎𝑙𝑒𝑠 N-1

Si 𝐹0 > 𝐹𝛼,𝑎−1,𝑁−𝑎 rechazo 𝐻0 .

Si 𝑣𝑎𝑙𝑜𝑟 𝑝 < 𝛼 rechazo 𝐻0 .

Comparación de medias de los tratamientos
En caso de rechazar 𝐻0 se requiere establecer cuáles pares de medias son estadísticamente diferentes. Para
ello se pueden usar las pruebas de hipótesis para la diferencia de medias (Tukey, Fisher):
𝐻0 : 𝜇𝑖 = 𝜇𝑗

𝐻1 : 𝜇𝑖 ≠ 𝜇𝑗

Por ejemplo, la prueba de Fisher usa el estadístico:

1 1
𝐿𝑆𝐷 = 𝑡𝛼,𝑁−𝑎 √𝑀𝑆𝑒𝑟𝑟𝑜𝑟 ( + )
2 𝑛𝑖 𝑛𝑗

Que se compara con:

 |𝑌̅𝑖∙ − 𝑌̅𝑗∙ |

Si |𝑌̅𝑖∙ − 𝑌̅𝑗∙ | > 𝐿𝑆𝐷 rechazo 𝐻0 .

Validación de supuestos
1. El modelo describe adecuadamente las observaciones

𝐹𝐸𝑁Ó𝑀𝐸𝑁𝑂 = 𝑀𝑂𝐷𝐸𝐿𝑂 + 𝑅𝐸𝑆𝐼𝐷𝑈𝐴𝐿

𝜀̂𝑖𝑗 ~𝑁𝑜𝑟𝑚𝑎𝑙(0, 𝜎 2 )

𝐻0 : 𝜀̂𝑖𝑗 𝑝𝑟𝑜𝑣𝑖𝑒𝑛𝑒𝑛 𝑑𝑒 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑁𝑜𝑟𝑚𝑎𝑙 =)

𝐻1 : 𝜀̂𝑖𝑗 𝑁𝑂 𝑝𝑟𝑜𝑣𝑖𝑒𝑛𝑒𝑛 𝑑𝑒 𝑢𝑛𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖ó𝑛 𝑁𝑜𝑟𝑚𝑎𝑙 = ′(

2. Homoscedasticidad: la varianza de los residuales permanezca constante

𝐻0 : 𝐻𝑜𝑚𝑜𝑠𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑 𝑒𝑛 𝑙𝑜𝑠 𝑟𝑒𝑠𝑖𝑑𝑢𝑎𝑙𝑒𝑠 =)

𝐻1 : 𝐻𝑒𝑡𝑒𝑟𝑜𝑠𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑 𝑒𝑛 𝑙𝑜𝑠 𝑟𝑒𝑠𝑖𝑑𝑢𝑎𝑙𝑒𝑠 = ′(

3. Los residuales se comportan de manera aleatoria: No Autocorrelación

𝐻0 : 𝑁𝑜 𝑎𝑢𝑡𝑜𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑒𝑛 𝑙𝑜𝑠 𝑟𝑒𝑠𝑖𝑑𝑢𝑎𝑙𝑒𝑠 =)

𝐻1 : 𝐴𝑢𝑡𝑜𝑐𝑜𝑟𝑟𝑒𝑙𝑎𝑐𝑖ó𝑛 𝑒𝑛 𝑙𝑜𝑠 𝑟𝑒𝑠𝑖𝑑𝑢𝑎𝑙𝑒𝑠 = ′(