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.

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 = µ... + αi + β j + δk + ( αβ)ij +( αδ)ik +( βδ) jk +( αβδ)ijk + ξijkl

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.
α i efecto del j-esimo nivel del factor A.
=
βi = efecto del j-esimo nivel del factor B.
δ k =efecto del j-esimo nivel del factor C
(αβ )ij =Efecto de la interacción del i-ésimo nivel del factor A con el i-ésimo nivel del
factor B
 (αδ )ik = Efecto de la interacción del i-ésimo nivel del factor A con el i-ésimo nivel del
factor C
( βδ ) jk = Efecto de la interacción del i-ésimo nivel del factor B con el i-ésimo nivel del
factor C
(αβδ )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.
ξijkl =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 Y11 Y12 Y13 Y11 Y12 Y13 Y21 Y22 Y23 Y21 Y22 Y23
11 1 1 1 1 1 1 1 1 1 1 1
R2 Y11 Y12 Y13 Y11 Y12 Y13 Y21 Y22 Y23 Y21 Y22 Y23
12 2 2 2 2 2 2 2 2 2 2 2
R3 Y11 Y12 Y13 Y11 Y12 Y13 Y21 Y22 Y23 Y21 Y22 Y23
13 3 3 3 3 3 3 3 3 3 3 3
R4 Y11 Y12 Y13 Y11 Y12 Y13 Y21 Y22 Y23 Y21 Y22 Y23
14 4 4 4 4 4 4 4 4 4 4 4
R5 Y11 Y12 Y13 Y11 Y12 Y13 Y21 Y22 Y23 Y21 Y22 Y23
15 5 5 5 5 5 5 5 5 5 5 5
R6 Y11 Y12 Y13 Y11 Y12 Y13 Y21 Y22 Y23 Y21 Y22 Y23
16 6 6 6 6 6 6 6 6 6 6 6

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

(Tratamien (t-1) a b c
to) ∑∑∑ Y
i =1 j =1 k =1
2
ijk
Y...2
SCTrat = −
r abcr
Factor “A” (a-1) CMA/Cm
a
SC A
∑ Yi..2 Y...2
CM A = ( a −1) ee
SC A = i =1
−
bcr abcr
Factor “B” (b-1) CMB/Cm
b
SCB
∑Y
j =1
2
. j.
Y 2
CM B = ( b −1) ee
SCB = − ...

acr abcr
Factor “C” (c-1) c
SCC CMC/Cm
∑Y 2
.k .
Y 2
CM C = ( c −1) ee
SCC = k =1
− ...

abr abcr

Interacción (a-1)(b-1) a b
CM AB
AB ∑∑ X
i =1 j =1
2
ik .
Y 2
SC AB = − − SCA − SCB
...

rc abcr
Interacción (a-1)(c-1) a c
CM AC
AC ∑∑ X 2
ik .
Y 2
SC AC = i =1 k =1
− − SCA − SCC
...

rb abcr
Interacción (b-1)(c-1) b c
CM BC
BC ∑∑ X
j =1 k =1 Y
2
. jk . 2
SCBC = −
− SCB − SCC ...

ra abcr
Interacción (a-1)(b-1)
SC ABC = SCTRAT − SCA − SCB − SCC − SCAB − SCAC − SCBC CMABC/
“ABC” (c-1) CM ABC = ( a −1)( b −ABC
1)( c −1) Cmee
Residual abc(r-1)
SCRe cidual = SCTOTAL − SCTRAT CM RES
Total abcr-1 a b c r
Y...2
SCTOTAL = ∑∑∑∑ Yijkl2 − -
i =1 j =1 k =1 l =1 abcr

La Alimentación de alpacas suri y huacaya, el ultimo 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
Suri (a1)

Factor A: Raza de alpaca:

Huacaya(a2)

Libre(b1)

Factor B: Ambiente

Cobertizo (b2)

Pasto Natural(c1)

Factor C: Alimentación Concentrado proteico(c2)

Maíz molido mas leche(c3)

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:
 a

∑Y Y...2
2
i ..
SC A( Raza ) = −
i =1

bcr abcr

SCRaza = 0.222

∑Yj =1
2
. j.
Y...2
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 ) = − − SCA − SCB
rc abcr

SCRaza* Ambien = 6.722

a c

∑∑ X 2
ik .
Y...2
SC AC ( Raza* Alime ) = i =1 k =1
− − SCA − 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 − SCA − SCB − SCC − SCAB − SCAC − SCBC

SCRaza* Ambien*Alim = 1.612

SCRe cidual = SCTOTAL − SCTRAT

SCError = 26.217

a b c r
Y...2
SCTOTAL = ∑∑∑∑ Yijkl2 −
i =1 j =1 k =1 l =1 abcr

SCTotal = 42.246

Análisis de variancia para factorial 2x2x3

F. de V. Grados de Suma de Cuadrados Prueba de
Libertad Cuadrados Medios F
Factor “A” RAZA 1 0.222 0.222 0.51
Factor “B” 1 2.800 2.801 6.41
AMBIENTE
Factor “C” 2 0.714 0.356 0.82
ALIMENTACION
Interacción AB 1 6.722 6.722 15.38
RAZA*AMBIENTE
Interacción AC 2 1.217 0.608 1.39
RAZA*ALIMENTACION
Interacción BC 2 2.742 1.371 3.14
AMBIENTE*ALIMENTACI
ON
Interacción “ABC” 2 1.612 0.806 1.84
RAZA*AMBIENT*ALIMEN
T
Residual 60 26.217 0.437
Total 71 42.246

Solución mediante el Software SAS :

Procedimiento GLM

Información del nivel de clase

Clase Niveles Valores

REP 6 123456

RAZA 2 Huacaya Suri

AMBIENTE 2 Cobertiz Libre

ALIMENTACION 3 Concprot Maizlech PastNat

Número de observaciones 72

Variable dependiente: PESONACI

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

Modelo 11 16.02944444 1.45722222 3.34 0.0013

Error 60 26.21666667 0.43694444

Total correcto 71 42.24611111

 R-cuadrado Coef Var Raiz MSE PESONACI Media

0.379430 8.771337 0.661018 7.536111

Cuadrado de
Fuente DF Tipo I SS la media F-Valor Pr > F

RAZA 1 0.22222222 0.22222222 0.51 0.4785

AMBIENTE 1 2.80055556 2.80055556 6.41 0.0140
RAZA*AMBIENTE 1 6.72222222 6.72222222 15.38 0.0002
ALIMENTACION 2 0.71361111 0.35680556 0.82 0.4468
RAZA*ALIMENTACION 2 1.21694444 0.60847222 1.39 0.2564
AMBIENTE*ALIMENTACIO 2 2.74194444 1.37097222 3.14 0.0506
RAZA*AMBIENT*ALIMENT 2 1.61194444 0.80597222 1.84 0.1669

Cuadrado de
Fuente DF Tipo III SS la media F-Valor Pr > F

RAZA 1 0.22222222 0.22222222 0.51 0.4785

AMBIENTE 1 2.80055556 2.80055556 6.41 0.0140
RAZA*AMBIENTE 1 6.72222222 6.72222222 15.38 0.0002
ALIMENTACION 2 0.71361111 0.35680556 0.82 0.4468
RAZA*ALIMENTACION 2 1.21694444 0.60847222 1.39 0.2564
AMBIENTE*ALIMENTACIO 2 2.74194444 1.37097222 3.14 0.0506
RAZA*AMBIENT*ALIMENT 2 1.61194444 0.80597222 1.84 0.1669

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 = µ... + τ i + δ (i ) j + ξ(ij ) k

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

Donde:
μ = Media poblacional.
α i efecto de tratamientos.
=
τ i =efecto de tratamientos.
δ (i ) j
= error experimental.
ξ (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 = µ... + ρ..k + αi + ξ ( α) + β j + αβ

( )ij + ξ ( β )

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.

µ... = Valor constante similar a la media de la población.
α i = efecto del i-ésimo nivel del factor “A”.
ξ(α ) = Error experimental de parcelas grandes.
βi = Efecto del j - ésimo nivel del factor “B”
(αβ ) ij = Efecto de la interacción del i- ésimo nivel del factor A con el bloque j-esimo nivel
del
factor B.
ξ( β ) = Error experimental de sub parcelas.

Hipótesis H o : αi = 0 H o : βi = 0 H o : (αβ )ij = 0

H a : αi ≠ 0 H a : βi ≠ 0 H a : (αβ )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 Prueba
de Medios 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( EE A )
∑∑ 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- a b a a
SC CM AB
1) ∑∑ 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 − SCAB 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 1 120 121 121 130.0 121.0 120.9 120.1 119.7 119.3
.1 .5 .2

Rep 2 120 121 120 120.5 120.8 121.5 121.7 119.6 118.9
.8 .4 .5

Rep 3 120 119 119 121.6 120.9 121.6 121.8 119.8 119.8
.5 .5 .8