5.3. DISEÑOS EXPERIMENTALES COMPLETAMENTE AL AZAR CON DIFERENTENÚMERO DE

REPETICIONES
Este diseño de experimentos es similar al CA con igual número de repeticiones, con ladiferencia de que cada
tratamiento no tiene igual número de repeticiones. Aquí
r 
i
=
númerode repeticiones del tratamiento
i
, para
i
1, 2,
…
,
t
.
5.3.1 MODELO ESTADÍSTICO
Se refiere a como representamos el valor de la variable de respuesta
5.3.2 PRUEBAS DE HIPÓTESIS
El contraste de hipótesis a tratar es el mismo que en el caso anterior:

 
EJEMPLO 11. CA CON DIFERENTE NÚMERO DE REPETICIONES
Supóngase que tenemos como tratamientos las variedades de arroz, en toneladas; UE´s sonlas parcelas, en
hectáreas y las VR´s son el rendimiento en
Ton/Ha.Llevar cabo un ANAVA con un nivel de significancia 0.05 e intérprete el resultado.
Cálculos

 
 
Conclusión
Con un nivel de significancia del 5% y en condiciones similares bajo las cuales serealizó el experimento, se
concluye que no todas las variedades estudiadas producen elmismo efecto en el rendimiento de grano.
Comprobación con SAS
TEORÍA DEL DCA

Definición
DCA: 

Cuando el experimentador ha decidido arreglar el material experimental bajo un

DCA con igual número de réplicas por tratamiento, significa que debe realizar el
siguiente protocolo descrito por Hinkelman y Kempthorne (1994):

Supongamos que se tienen   unidades experimentales homogéneas y   

tratamientos. Las   UE se dividen en   grupos de   UE. Los   tratamientos son
asignados al azar a los   grupos tales que el   tratamiento es aplicado a
cada una de las   UE en el   grupo ( ). Ver figura

Es claro de la definición que se tiene un diseño aleatorizado, si y solo si hay una

asignación aleatoria de los tratamientos a las UE.

Ventajas 

Cuando en un experimento las unidades experimentales se arreglan bajo un

Diseño completamente al azar se tienen las siguientes ventajas:

1. Flexibilidad: Cualquier número de tratamientos y cualquier número de

réplicas pueden ser usadas, siempre y cuando se tengan suficientes UE
homogéneas.
2. Análisis Estadístico simple: el análisis estadístico es simple ya sea cuando
todos los tratamientos tengan igual número de réplicas (balanceado),
diferente número de réplicas (desbalanceado) o pérdida de datos, caso en
el cual se trata como un análisis desbalanceado.
3. Máximo número de grados de libertad para el error: Esto ocurre porque el
diseño tiene solo dos fuentes de variación que son los tratamientos y el
 error y los grados de libertad para esta error estan dados por la
expresión  .
4. Precisión: Es muy preciso si se tienen en cuenta UE homogéneas.

Desventajas 

Se puede obtener baja precisión cuando las unidades experimentales no sean muy
homogéneas y así ser ineficiente.

Usos 

1. Es recomendado cuando es posible que gran parte de las UE no respondan

al tratamiento o puedan perderse durante el experimento.
2. Es útil en experimentos en los que el número de UE es limitado, ya que
provee el máximo número de grados de libertad del error.

Diseño completamente al azar y ANOVAhttps://cientecinstrumentos.cl/

El diseño completamente al azar es el más sencillo de los diseños de experimentos que tratan de comparar
dos o más tratamientos, puesto que sólo considera dos fuentes de variabilidad: los tratamientos y el error
aleatorio.

Para ilustrar el diseño, supongamos que queremos determinar si cuatro dosificaciones de un hormigón A,B,C
y D presentan una misma resistencia característica a compresión. Para ello se han elaborado 5 probetas para
cada tipo de dosificación y, a los 28 días, se han roto las probetas a compresión simple y los resultados son
los que hemos recogido en la tabla que sigue.

DOSIFICACIONES DE HORMIGÓN

A B C D

Resistencia 42 45 64 5
característica a 39 46 61 5
compresión fck (Mpa)
 48 45 50 6

43 39 55 5
Este tipo de diseño se llama completamente al azar porque todas las repeticiones experimentales se realizan
en orden aleatorio completo, pues44 no se han tenido en cuenta otros43factores de interés. Si durante58el estudio 6
se hacen N pruebas, éstas se deben realizar al azar, de forma que los posibles efectos ambientales y
temporales se vayan repartiendo equitativamente entre los tratamientos.
Para este caso, la variable de respuesta es la resistencia característica del hormigón a compresión (MPa),
la unidad experimental es la probeta de hormigón y el factor es la dosificación de hormigón. En este caso se
El número de repeticiones a
trata de un diseño realizar enhemos
balanceado porque cada tratamiento
realizado eldepende de la variabilidad
mismo número que se
de repeticiones (5)espera observar
para cada uno
en los datos, a la diferencia mínima
de los tratamientos (dosificaciones). que el experimentador considera que es importante detectar y al nivel de
confianza que se desea tener en las conclusiones. Normalmente se recomiendan entre 10 y 30 mediciones en
cada tratamiento. Con 10 mediciones se podrían detectar diferencias de medias mayores o iguales a  1,5
sigmas con una probabilidad alta, y con 30 mediciones se podrían detectar diferencias mayores o iguales a
0,7 sigmas.

Se utiliza el análisis de la varianza (ANOVA) para comprobar si existen diferencias en las medias.

Fundamentalmente este análisis consiste en separar la contribución de cada fuente de variación en la
variación total observada. Sin embargo, éste ANOVA está supeditado a los siguientes supuestos que deben
verificarse:

 Normalidad
 Varianza constante (igual varianza en los tratamientos)
 Indepedencia

Para los que queráis saber qué ha pasado con nuestro experimento con las amasadas, os diré que que el
ANOVA dió como resultado el rechazo de la igualdad de medias, es decir, que la resistencia media se ve
afectada por la dosificación. Sin embargo, las cuatro dosificaciones no son igual de efectivas, pues existen
diferencias significativas entre las resistencias medias de cada una de ellas. De hecho, las dosificaciones A y
B no presentan diferencias significativas entre sí, tampoco entre la C y la D, sin embargo, entre ambos grupos
sí que hay diferencias significativas. Asimismo, se ha podido comprobar que se cumplieron los supuestos de
normalidad, varianza constante e independencia.

Os dejo en el siguiente vídeo cómo se puede utilizar el software SPSS para realizar un diseño de
experimentos completamente al azar.

Referencias:

 Box, G.E.; Hunter, J.S.; Hunter, W.G. (2008). Estadística para investigadores. Diseño, innovación y
descubrimiento. Segunda Edición, Ed. Reverté, Barcelona.
 Gutiérrez, H.; de la Vara, R. (2003). Análisis y diseño de experimentos. McGraw-Hill, México.
 Vicente, M.L.; Girón, P.; Nieto, C.; Pérez, T. (2005). Diseño de experimentos. Soluciones con SAS y SPSS.
Pearson Educación, Madrid.

Un cuadrado latino es una matriz de n×n elementos en la que cada casilla está ocupada por

uno de los n símbolos de tal modo que cada uno de ellos aparece exactamente una vez en
cada columna y en cada fila.
Las siguientes matrices son cuadrados latinos:
 Los cuadrados latinos se dan como una tabla de multiplicar empleadas para operar en
los cuasigrupos y que son aplicables para la elaboración de experimentos numéricos.

Índice

 1Historia y terminología
 2Representación a través de un arreglo ortogonal
 3Clases equivalentes de cuadrados latinos
 4El número de cuadrados latinos
 5Aplicaciones
 6Cuadrados latinos y rompecabezas matemáticos
 7Véase también
 8Referencias
 9Enlaces externos

Historia y terminología[editar]
El nombre cuadrado latino se origina con Leonhard Euler, quien utilizó caracteres latinos como
símbolos.
Un cuadrado latino se dice que está reducido (o "normalizado" o "de forma estandarizada") si
la primera fila y la primera columna están en orden natural. Por ejemplo, el primer cuadrado
está reducido, porque la primera fila y la primera columna son 1, 2, 3.
Es posible hacer un cuadrado latino permutando (reordenando) las filas y las columnas.

Representación a través de un arreglo ortogonal[editar]

Si cada entrada de un cuadrado latino de n × n se escribe como una tripleta (f, c, s),
donde f es la fila, c la columna y s el símbolo (para nuestro caso un número), se
obtendrán n2 tripletas, llamado arreglo ortogonal del cuadrado. Por ejemplo, para el primer
cuadrado latino de todos estos ejemplos, el arreglo ortogonal será así:
{ (1,1,1),(1,2,2),(1,3,3),(2,1,2),(2,2,3),(2,3,1),(3,1,3),(3,2,1),(3,3,2) },
donde, por ejemplo, la tripleta (2,3,1) representa que el valor en la fila 2 columna 3 es 1. La
representación de un cuadrado latino puede escribirse en términos del arreglo ortogonal, y
queda así:

 existen n2 tripletas de la forma (f, c, s), donde 1 ≤ f, c, s ≤ n;

 todos los pares (f, c) son diferentes, todos los pares (f, s) son diferentes, y todos los pares
(c, s) son diferentes.
La representación por arreglos ortogonales muestra que las filas, columnas y símbolos
representan un papel muy similar.

Clases equivalentes de cuadrados latinos[editar]

Muchas operaciones sobre un cuadrado latino produce otro cuadrado latino (por ejemplo,
alternar filas).
Si permutamos las filas, permutamos las columnas, y permutamos los símbolos de un
cuadrado latino obtenemos un nuevo cuadrado latino que decimos que es isotópico del
primero. El isotopismo es una relación de equivalencia; basándose en esto, se dice que todos
los cuadrados latinos están divididos en subgrupos, llamados clases isotópicas; según esto,
dos cuadrados de la misma clase se dice que son isotópicos, y dos de clases diferentes
son no isotópicos.
Otro tipo de operación puede explicarse fácilmente usando la representación de estos por
arreglos ortogonales. Si se reorganizan consciente y sistemáticamente los tres elementos de
cada tripleta (f, c, s) por (c, f, s), lo cual corresponde a una transposición del cuadrado
(reflejado en la diagonal principal), o es posible reemplazar cada tripleta (f, c, s) por (c, s, f), lo
que es una operación más complicada. Todas juntas dan 6 posibilidades, incluida la de no
hacer nada, lo que da 6 cuadrados latinos llamados conjugados del cuadrado original.
Finalmente, es posible combinar estas dos operaciones equivalentes: dos cuadrados latinos
son paratópicos si uno de ellos es conjugado del otro. Esto es nuevamente una relación de
equivalencia, con la clase de equivalencia principal llamada clase principal, especies o clase
paratópica. Cada clase contiene 6 clases isotópicas.

El número de cuadrados latinos[editar]

No se conoce una fórmula para el cálculo fácil del número de cuadrados latinos de n × n son
para n=1,2,...,n. Los límites superiores e inferiores más exactos conocidos para n más grande
están demasiado separados. Aquí se dispone de todos los valores exactos conocidos. Es
posible notar que los números crecen exageradamente rápido.
Para cada n, el número de cuadrados latinos disponibles (secuencia A002860 en OEIS ) es n!
(n-1)! veces el número de cuadrados latinos reducidos (secuencia A000315 en OEIS).

El número de cuadrados latinos de distintos tamaños

Cuadrados latinos reducidos de

n Todos los cuadrados latinos de tamaño n
tamaño n

1 1 1

2 1 2

3 1 12

4 4 576

5 56 161280

6 9408 812851200

7 16942080 61479419904000

8 535281401856 108776032459082956800

9 377597570964258816 5524751496156892842531225600

1
7580721483160132811489280 9982437658213039871725064756920320000
0

1 53639377732773712981196735407 77696683617177014410744434673423068231106
1 71840 5600000
Para cada n, cada clase isotópica (secuencia A040082 en OEIS) contiene hasta
(n!)3 cuadrados latinos (el número exacto varia), y cada clase principal
(secuencia A003090 en OEIS) contiene alguna de las 1, 2, 3 o 6 clases isotópicas.

Clases equivalentes de cuadrados latinos

n clases principales clases isotópicas

1 1 1

2 1 1

3 1 1

4 2 2

5 2 2

6 12 22

7 147 564

8 283657 1676267

9 19270853541 115618721533

10 34817397894749939 208904371354363006

Aplicaciones[editar]
El estadístico inglés Ronald Fisher se valió del uso de los cuadrados latinos para mejorar
significativamente los métodos agrícolas, cuando se hallaba investigando la eficacia de los
fertilizantes en el rendimiento de las cosechas. Buscó la manera de plantar cosechas en
similares condiciones de suelo de modo que la calidad de la tierra no fuese un factor
indeseable que influyese en el rendimiento de la cosecha. Si bien la única manera de
asegurarse de tener condiciones idénticas de tierra era utilizar siempre el mismo suelo, en la
práctica esto es casi imposible, pues se deberían desenterrar y volver a plantar las cosechas
varias veces.1
Por otra parte, aunque sí se pudiera hacer esto último, las condiciones meteorológicas serían
otro factor indeseable. Para evitar esto, por ejemplo en un caso en que se tuviese un campo
cuadrado dividido en 16 parcelas, se puede concebir un cuadrado latino en que la descripción
del campo sea tal que la calidad del suelo varíe «vertical» y «horizontalmente». Entonces se
aplican al azar los 4 fertilizantes («a», «b», «c», y «d») con la única condición de que cada
fertilizante aparece una sola vez en cada fila y en cada columna. De esta manera se busca
eliminar la variación de la calidad de tierra. Si hubiese otro factor que pudiese influir en el
rendimiento, por ejemplo, el momento del día (A, B, C, D) en que se aplica el tratamiento,
entonces puede utilizarse un cuadrado latino ortogonal al anterior donde se identifiquen dichos
momentos del día. De esta manera cada pareja momento-fertilizante se aplicará en una única
parcela.1
Así, un plan podría ser:1

plan, MOMENTO

a, A b, B c, C d, D
 b, C a, D d, A c, B

c, D d, C a, B b, A

d, B c, A b, D a, C

Cuadrados latinos y rompecabezas matemáticos[editar]

El popular rompecabezas Sudoku es un caso especial de cuadrado latinos; toda solución de
un Sudoku es un cuadrado latino. Un Sudoku impone una restricción adicional a los subgrupos
de 3×3, estos sólo deben contener los dígitos del 1 al 9 (en la versión estándar).
El rompecabezas conocido como Diamante 16 (Diamond 16 Puzzle) ilustra un concepto
generalizado de la ortogonalidad de los cuadrados latinos: el cuadrado ortogonal ([1], 1976) o
"Matrices ortogonales"-- ortogonal en el sentido combinatorio y no en un sentido algebraico-
lineal (A. E. Brouwer, 1991).
Para una comparación con la geometría finita, véase Geometría del cuadrado latino (en
inglés).

Véase también[editar]
 cuadrado greco-latino
 cuadrado mágico
 sudoku

Referencias[editar]
1. ↑ Saltar a:a b c Tony Crilly (2011). 50 cosas que hay que saber sobre matemáticas. Ed.
Ariel. ISBN 978-987-1496-09-9.

Enlaces externos[editar]
 Bogomolny, Alexander. «Latin Squares (An Interactive Gizmo)». Interactive Mathematics
Miscellany and Puzzles (en inglés).
 Bogomolny, Alexander. «Infinite Latin Square: an Interactive Gizmo». Interactive
Mathematics Miscellany and Puzzles (en inglés).
 Magic Square in Latin Square (en inglés)

Diseño factorial
Ir a la navegaciónIr a la búsqueda
 Este artículo o sección sobre matemáticas necesita ser wikificado, por
favor, edítalo para que cumpla con las convenciones de estilo.
Este aviso fue puesto el 25 de diciembre de 2008.

En estadística, un experimento factorial completo es un experimento cuyo

diseño consta de dos o más factores, cada uno de los cuales con distintos valores
o niveles, cuyas unidades experimentales cubren todas las posibles
combinaciones de dichos niveles en todos los factores. Este tipo de experimentos
permiten estudiar el estudio del efecto de cada factor sobre la variable respuesta,
así como el efecto de las interacciones entre factores sobre dicha variable.
Por ejemplo, con dos factores y dos niveles en cada factor, un experimento
factorial tendría en total cuatro combinaciones de tratamiento, y se le
denominaría diseño factorial de 2×2.
Si el número de combinaciones en un diseño factorial completo es demasiado alto
para su procesamiento, puede optarse por un diseño factorial fraccional, en el que
se omitan algunas de las combinaciones posibles.

Índice

 1Historia
 2Notación
 3Ejemplo real
 4Análisis de Yates
 5Prueba F de Fisher
 6Referencias
 7Véase también

Historia[editar]
Los diseños factoriales fueron utilizados en el siglo XIX por Jhon Bennet Lawes y
Henry J. Gilbert de la Estación experimental de Rothamsted.
Ronald Fisher discutió en 1926 que los diseños «complejos», tales como los
diseños factoriales, eran más eficientes que estudiar un factor a la vez. Fisher
escribió: «ningún aforismo se repite tan frecuentemente respecto de las pruebas
de campo, que aquel de que a la Naturaleza debemos hacerle pocas preguntas, o,
idealmente, hacérselas de a una. Quien escribe está convencido de que este
punto de vista está totalmente equivocado».
Un diseño factorial permite que el efecto de varios factores e incluso las
interacciones entre ellos sean determinados con el mismo número de ensayos que
son necesarios para determinar cualquiera de los efectos por sí solo con el mismo
grado de exactitud.
Frank Yates realizó importantes contribuciones, particularmente en el análisis de
diseños, mediante el análisis de Yates.
Es posible que el término "factorial" no haya sido utilizado en forma impresa hasta
1935, cuando Fisher la utilizó en su libro El diseño de experimentos.

Notación[editar]

diagrama de cubo para 3 dimensiones usando variables A, B y C.

Para ahorrar el espacio, los puntos en un experimento factorial de dos niveles se

abrevian a menudo con las cadenas de más y signos de menos. Las secuencias
tienen tantos símbolos como factores, y sus valores dictan el nivel de cada factor:
− para el primer (o bajo) llano, y + para el segundo (o alto) llano. Los puntos en
este experimento se pueden representar como − − , + − , − + , y + + .
Los puntos factoriales se pueden también abreviar cerca (1), a, b, y el ab, donde la
presencia de una letra indica que el factor especificado está en su alto (o en
segundo lugar) nivel y la ausencia de una letra indica que el factor especificado
está en su (o primero) nivel bajo (por ejemplo, “a” indica que el factor A está en su
alto ajuste, mientras que el resto de los factores están en su ajuste del punto bajo
(o primero)). (1) se utiliza indicar que todos los factores están en sus (o primero)
valores más bajos.
Para poder finalmente obtener un modelo estadístico que nos indique el valor de
respuesta al modificar los factores.
Cálculo del efecto
Contraste = (suma de niveles+)-(suma de niveles-) Efecto Contraste /replica*2^k
b= efecto/2 bo= suma total/numero total
Modelo estadístico: Y= bo+ b1X1 + b2X2......

Ejemplo real[editar]
El experimento factorial más simple contiene dos niveles para cada uno de dos
factores. Suponga que un ingeniero desea estudiar la energía total usada por cada
uno de dos diferentes motores, A y B, funcionando cada uno en alguna de las
siguientes dos velocidades: 2000 o 3000 RPM. El experimento factorial consistiría
en cuatro elementos experimentales: motor A a 2000 RPM, motor B a 2000 RPM,
motor A a 3000 RPM, y motor B a 3000 RPM. Cada combinación de un solo nivel
seleccionado con cada factor está presente una vez.
Este experimento es un ejemplo de un experimento factorial de 2^2 (o 2x2),
nombrado así porque considera dos niveles (la base) para cada uno de dos
factores (la potencia o exponente), o #niveles #factores, produciendo 22=4 puntos
factoriales.
Los diseños pueden implicar muchas variables independientes. Como otro
ejemplo, los efectos de tres variables entradas se pueden evaluar en ocho
condiciones experimentales ilustradas como las esquinas de un cubo. Esto se
puede conducir con o sin repetición, dependiendo de su propósito previsto y
recursos disponibles. Proporcionará los efectos de las tres variables
independientes en la variable dependiente y las interacciones posibles (en caso de
haber más de 3 se habla de un hiperespacio).

Análisis de Yates[editar]
La técnica fundamental consiste en repartir el total en componentes
mediante sumas de cuadrados. Esta técnica tuvo efectos secundarios en el
modelo. Por ejemplo, demostramos el modelo para un ANOVA simplificado con un
tipo de tratamiento en diversos niveles.
Los grados de libertad se pueden repartir de manera similar y
especifican distribuciones chi-cuadrado que describen las sumas asociadas de
cuadrados.

Prueba F de Fisher[editar]
Se utiliza para las comparaciones de los componentes de la desviación total. Por
ejemplo, en una forma, o el solo-factor ANOVA, la significación estadística es
probada para comparando la estadística de la prueba de F
donde:
1. Número de tratamientos: , I
2. Total de casos: , nT'
a distribución F con el del I-1, secundario< del > n< T> /sub grados de
libertad. Usar la F-distribución es un candidato natural porque
la estadística de la prueba es el cociente de dos sumas malas de los
cuadrados que tienen a distribución .

Referencias[editar]
 1.-Frank Yates and Kenneth Mather (1963). "Ronald Aylmer Fisher".
Biographical Memoirs of Fellows of the Royal Society of London 9: 91–
120. http://digital.library.adelaide.edu.au/coll/special//fisher/fisherbiog.pdf.
2.-Ronald Fisher (1926). "The Arrangement of Field Experiments". Journal
of the Ministry of Agriculture of Great Britain 33: 503–
513. https://web.archive.org/web/20110928044736/http://digital.library.adela
ide.edu.au/coll/special//fisher/48.pdf.

Qué es un diseño factorial?

Un diseño factorial es un tipo de experimento diseñado que permite estudiar los
efectos que varios factores pueden tener en una respuesta. Al realizar un experimento,
variar los niveles de todos los factores al mismo tiempo en lugar de uno a la vez,
permite estudiar las interacciones entre los factores.
En las siguientes gráficas, cada punto representa una combinación única de niveles de

factores.
Diseño de dos factores

 2 niveles del factor A

 3 niveles del factor B

Diseño de tres factores

2 niveles de cada factor

Usted puede ejecutar el diseño factorial completo o una fracción del diseño factorial.

NOTA
Cuando usted tiene un diseño factorial con puntos centrales, puede probar si existe
curvatura en la superficie de respuesta. Sin embargo, no puede modelar el efecto de
esa curvatura en ningún lugar, excepto en el punto central. En otras palabras, solo
puede calcular los valores ajustados en los puntos de vértice y el punto central del
diseño, por lo que no puede crear una gráfica de contorno. Debe tener términos
cuadráticos (por ejemplo, términos al cuadrado) en el modelo a fin de modelar la
curvatura en toda la superficie de respuesta. Esto es posible con un diseño de
superficie de respuesta. Usted puede ampliar el diseño factorial con puntos axiales
para crear un diseño de superficie de respuesta central compuesto a partir de un
diseño factorial.

¿Qué es un diseño factorial completo y un diseño

factorial fraccionado?
Diseños factoriales completos
Un diseño factorial completo es un diseño en el cual los investigadores miden las
respuestas para todas las combinaciones de niveles de los factores. Minitab ofrece dos
tipos de diseños factoriales completos:

 Diseños factoriales completos de 2 niveles que solo contienen factores de 2

niveles.
 Diseños factoriales completos generales que contienen factores con más de dos
niveles.
El número de corridas necesarias para un diseño factorial completo de 2 niveles es 2 k,
donde k es el número de factores. A medida que aumenta el número de factores
incluidos en un diseño factorial de 2 niveles, el número de corridas necesarias para
realizar un diseño factorial completo aumenta rápidamente. Por ejemplo, un diseño
factorial completo de 2 niveles con 6 factores requiere 64 corridas, un diseño con 9
factores requiere 512 corridas. Un diseño factorial fraccionado de un medio requeriría
solo la mitad de esas corridas.

Diseños factoriales fraccionados

Un diseño fraccionado es un diseño en el cual los investigadores solo realizan un
subconjunto seleccionado o "fracción" de las corridas experimentales incluidas en el
diseño factorial completo. Los diseños factoriales fraccionados son una opción
adecuada cuando los recursos son limitados o el número de factores incluidos en el
diseño es grande, porque utilizan menos corridas que los diseños factoriales
completos.

Un diseño factorial fraccionado utiliza un subconjunto de un diseño factorial completo,

por lo que parte de los efectos principales y las interacciones de 2 factores se
confunden y no se pueden separar de los efectos de otras interacciones de orden
superior. Por lo general, los investigadores están dispuestos a presuponer que los
efectos de orden superior son insignificantes para obtener información sobre los
efectos principales y las interacciones de orden bajo con menos corridas.

¿Qué es un diseño factorial completo de 2 niveles?

En un diseño factorial completo de 2 niveles, cada factor experimental tiene solo dos
niveles. Las corridas experimentales incluyen todas las combinaciones de estos niveles
de factores. Aunque los diseños factoriales de 2 niveles no pueden explorar
completamente una amplia región del espacio de los factores, sí proporcionan
información útil con un número relativamente reducido de corridas por factor. Puesto
que los diseños factoriales de 2 niveles pueden identificar tendencias importantes, se
pueden usar como punto de partida para realizar experimentos adicionales. Por
ejemplo, cuando necesite explorar una región donde crea que puede existir una
configuración óptima, podrá ampliar un diseño factorial para formar un diseño central
compuesto.

Comparación
Los siguientes diagramas muestran un diseño factorial completo en comparación con
un diseño factorial fraccionado de ½.

Diseño factorial completo

Diseño factorial fraccionado de ½

El diseño factorial completo contiene el doble de puntos de diseño que el diseño

fraccionado de ½. La respuesta se mide solo en los cuatro de los ocho puntos de
vértice posibles de la porción factorial del diseño. Sin embargo, con este diseño, los
efectos principales se confundirán con las interacciones de 2 factores.

Cómo ordena Minitab las fracciones de un diseño

Las fracciones de un diseño se ordenan con base en los signos asignados a los
generadores de diseño. Por ejemplo, consideremos un diseño de 6 factores y 8
corridas. Los generadores de diseño son D = AB, E = AC, F = BC. Esto es un 1/8 de un
diseño completo de 6 factores. Por lo tanto, hay 8 fracciones. Estas se ordenan de la
siguiente manera:

Orden estándar
Fracción (Yates) Generador de diseño

1 ––– D = –AB, E = –AC, F = –BC

2 +–– D = +AB, E = –AC, F = –BC

3 –+– D = –AB, E = +AC, F = –BC

4 ++– D = +AB, E = +AC, F = –BC

5 ––+ D = –AB, E = –AC, F = +BC

6 +–+ D = +AB, E = –AC, F = +BC

7 –++ D = –AB, E = +AC, F = +BC

8 +++ D = +AB, E = +AC, F = +BC

La fracción principal siempre es la última, la que tiene todos los signos +.

Supongamos que creamos la segunda fracción. Comenzamos con el factorial completo

de 3 factores y luego agregamos los factores D = AB, E = -AC, F = -BC, dando como
resultado:
 D=
Corrida A B C AB E = –AC F = –BC

1 – – – + – –

2 + – – – + –

3 – + – – – +

4 + + – + + +

5 – – + + + +

6 + – + – – +

7 – + + – + –

8 + + + + – –

Elección de una fracción que no sea la predeterminada

Cuando usted crea un diseño factorial fraccionado, Minitab utiliza la fracción principal
por opción predeterminada. La fracción principal es la fracción en la que todos los
signos son positivos. Sin embargo, pudiera haber situaciones en las que un diseño
contenga puntos cuya inclusión resultaría poco práctica y la elección de una fracción
apropiada puede evitar estos puntos.
Un diseño factorial completo con 5 factores requiere 32 corridas. Si usted desea solo 8
corridas, necesita utilizar una fracción de un cuarto. Puede utilizar cualquiera de las
cuatro fracciones posibles del diseño. Minitab enumera las corridas en orden estándar
(también conocido como orden de Yates) utilizando los generadores de diseño de la
manera siguiente:

1. D = –AB E = –AC
2. D = AB E = –AC
3. D = –AB E = AC
4. D = AB E = AC

Por ejemplo, supongamos que usted no pudo realizar el diseño con los cinco factores
establecidos en su nivel alto. La fracción principal contiene este punto, pero la tercera
fracción no.

Diseño de medidas repetidas El diseño de medidas repetidas es una extensión del diseño de
bloques, en que el sujeto sustituye al bloque y actúa de control propio. Con este formato, los
sujetos de la muestra reciben todos los tratamientos y repiten medidas o registros de respuesta;
asimismo, la comparación de los tratamientos es intra-sujeto. ..//..

De este modo, el uso del procedimiento de medidas repetidas proporciona un control más

efectivo de las fuentes de variación extrañas asociadas, por lo general, a las características
individuales; es decir, se consigue una reducción de la variancia del error. ..//..

Esto es así porque, al actuar el sujeto de bloque, la variabilidad debida a las diferencias
individuales es eliminada del error. De este modo, el diseño de medidas repetidas constituye
una estructura más potente que los diseños completamente aleatorizados.

Efectos de orden Los efectos de orden (order effects) se derivan de la propia estructura del
diseño de medidas repetidas, y deben ser neutralizados para que no confundan los efectos de
los tratamientos.
Tipos de efectos de orden A) Efecto de período (period effect) B) Efecto residual (carry-over
effect)

Efecto de período Los efectos de período ocurren cuando, independientemente del tratamiento
aplicado, el sujeto responde al período o posición que, en la secuencia, ocupa el tratamiento
(período de administración). Cabe, por lo tanto, la posibilidad de que el sujeto responda mejor
al período que al tratamiento en sí mismo. Cuando esto ocurre, el efecto de período confunde la
acción del tratamiento.

Efecto residual El efecto residual, conocido por error progresivo, se caracteriza por la
persistencia de la acción de un tratamiento más allá del período o tiempo de aplicación.
Representa la progresiva acumulación tanto de los efectos facilitadores de la respuesta (efecto
de la práctica, aprendizaje, etc.) como de los efectos obstaculizadores (como la fatiga mental,
cansancio físico, etc.) ..//..

Cuando, como es frecuente en esos casos, se produce una persistencia del efecto del
tratamiento anterior sobre el tratamiento siguiente, se corre el riesgo de que los efectos queden
contaminados.

Clasificación del diseño en función de los factores Simple (SxA) Diseños de medidas repetidas
Factorial (SxAxB, SxAxBxC, etc.)

Clasificación del diseño en función de los grupos De un grupo o muestra (SxA) Diseños de

medidas repetidas Multimuestra (S(A)xB)

Diseño de medidas repetidas simple de un grupo

Concepto El diseño simple de medidas repetidas es prototípico en esa clase de experimentos, al

incorporar la estrategia de comparación intra-sujeto. Lindquist (1953) se refiere a
estas estructuras como diseños de Tratamientos x Sujetos, ya que los sujetos se cruzan o
combinan con los tratamientos. Así mismo, es un diseño simple o unifactorial porque sólo se
evalúa la acción de una variable independiente o de tratamiento. ..//

La principal ventaja del diseño, dada su especial disposición, es la posibilidad de extraer del
error una de sus fuentes de variación más importante: la variación atribuida a las diferencias
individuales.

Estructura del diseño La estructura del diseño de medidas repetidas simple es similar al

formato factorial de dos variables independientes. A diferencia del diseño factorial, la variable
de sujetos no es manipulada ya que se trata de un pseudo-factor. La variable de tratamientos
está manipulada por el experimentador y es considerada como un auténtico factor. ..//..

Supóngase, por ejemplo, que la variable sujetos, simbolizada por S, actúa a n valores, y que el
factor A -variable de tratamiento-, a a valores que son aplicados, de forma secuencial, a los
sujetos de la muestra. Nótese la similitud entre este diseño y el diseño bifactorial dado que,
analíticamente, la variable de sujetos actúa como si fuera un factor. La diferencia estriba sólo
en la naturaleza y objetivo de las dos variables. ..//..

La variable S representa la variabilidad entre sujetos y no es, por lo tanto, un factor manipulado
sino de control. La variable A es una dimensión de variación manipulada por el investigador. El
propósito del experimento sigue siendo el análisis del posible impacto de la variable de
tratamiento sobre la variable de respuesta. ..//..

Con este formato, no sólo se controlan las diferencias individuales, por el pseudo-factor de
sujetos, sino que se minimiza la variancia del error al sustraer una de sus principales
fuentes. ..//..
Así, el diseño de medidas repetidas simple es el procedimiento más eficaz para probar el efecto
del tratamiento. Al controlar las diferencias interindividuales, este diseño es un potente
procedimiento de análisis porque al reducir el error se aumenta la precisión y efectividad en
probar los efectos de la variable de tratamiento.

Formato del diseño de medidas repetidas simple, S x A (Gp:) Y.. (Gp:) Tratamientos (Gp:) A1
(Gp:) A2 (Gp:) A3 (Gp:) Aj (Gp:) … (Gp:) S1 (Gp:) S2 (Gp:) Sn (Gp:) . . . (Gp:) Y11 Y12 Y13 … Y1j
Y21 Y22 Y23 … Y2j ……………………………………………………………………………………………… Yn1 Yn2
Yn3 … Ynj (Gp:) Medias (Gp:) Sujetos (Gp:) Medias (Gp:) Y1. (Gp:) Y2. (Gp:) . . . (Gp:) Yn.
(Gp:) Y.1 (Gp:) Y.2 (Gp:) … (Gp:) Y.3 (Gp:) Y.j

Caso paramétrico. Ejemplo 1 Sea, a nivel ilustrativo, la siguiente situación experimental. Se

pretende estudiar el efecto de la frecuencia de tres tonos auditivos, o variable A, de igual
intensidad (65 db). Para ello, se decide registrar los tiempos de reacción, en milésimas de
segundos, a la presentación de los tonos. De la variable independiente -frecuencia de tono- se
eligen tres valores: 300 cps. (condición A1), 600 cps. (condición A2) y 1200 cps. (condición A3)

Modelo de prueba de hipótesis Paso 1. Se asume, por hipótesis de nulidad, que los efectos de los
tratamientos son nulos. Es decir, H0: µ1 = µ2 = µ3

Paso 2. Según la hipótesis experimental o hipótesis de efectividad se asume que, uno o más
tratamientos o efectos es significativo (distinto de cero). En términos estadísticos se afirma
que: H1: µ1 ? µ2, o µ1 ? µ3, o µ2 ? µ3 H1: por lo menos una desigualdad

Paso 3. Se asume un modelo ANOVA de aditividad. El estadístico de la prueba es la F normal, a

un nivel de significación de a = 0.05. El tamaño de la muestra experimental es N=n=3. Paso 4.
El cálculo del valor empírico de F se realiza a partir de la correspondiente matriz de datos, una
vez ejecutado el experimento.
Matriz de datos del diseño

ANOVA de medidas repetidas

Modelo estructural
Modelo aditivo

Descripción y supuestos Yij = la puntuación del i sujeto bajo la j condición experimental o

tratamiento µ = la media global de todos los datos del experimento ?i = µi – µ = el efecto
asociado al iésimo sujeto aj = µj – µ = el efecto de jésimo nivel de la variable de tratamiento A
eij = el error experimental asociado al i sujeto bajo el j tratamiento ..//..

Asimismo, para que el modelo sea válido, se asume que: a) ?i ? NID(0,s?²) b) eij ? NID(0,se²)
c) S = s?²11' + se²I

Cuadro resumen del ANOVA: Diseño de medidas repetidas (Gp:) F0.95(2/4) = 6.94 (Gp:) an-
1=8 (Gp:) 16.16 (Gp:) Total (T) (Gp:) >0.05 >0.05 (Gp:) 2.11 5.86 (Gp:) 1.71 4.75 0.81 (Gp:) (n-
1)=2 (a-1)=2 (n-1)(a-1)=4 (Gp:) 3.42 9.49 3.25 (Gp:) Suj (S) Trat (A) SujxTrat (SxA) (Gp:) p
(Gp:) F (Gp:) CM (Gp:) g.l (Gp:) SC (Gp:) F.V.

Modelo de prueba de hipótesis Paso 5. Dado que el valor empírico de F es menor que el teórico,
se acepta la hipótesis de nulidad relativa a la variable de sujetos y a la de tratamiento, a un nivel
del riesgo del cinco por ciento.

Supuesto de uniformidad o simetría compuesta Según esta restricción, conocida por condición
de uniformidad o simetría compuesta, se asume una variancia común para las distintas
medidas repetidas y una covariancia común para los diferentes pares de medidas (prueba de
Box, 1950)

H0 : ? = S ? = Matriz poblacional S = Matriz muestral . . . S1 S2 Sn

Prueba de ajuste Prueba de simetría combinada (Box, 1950) H0: S = S

Decisión estadística Se calcula el valor del estadístico B con distribución aproximada a chi-
cuadrado y con [a² + a - 4]/2 grados de libertad: B = (1 - C)M = (1 - 075)(15.2) = 3.8 y [3² + 3 -
4]/2 = 4 g.l. ..//..

El valor teórico de chi-cuadrado es ?0.95 (4) = 9.49 Puesto que este valor es mayor que el valor
empírico calculado, 3.8 < 9.49, se infiere la aceptación de la hipótesis de nulidad y, por tanto,
que la matriz de variancia y covariancia muestral se ajusta al patrón específico asumido en la
población.

Supuesto de esfericidad Huynh y Feldt (1970) y Rouanet y Lepine (1970) han mostrado que es
suficiente el cumplimento de una condición más débil o condición de esfericidad (circularidad).
Esta condición sólo requiere que las variancias de las diferencias entre todos los pares de
medidas repetidas sean iguales (prueba de esfericidad de Mauchley, 1940)

Supuesto de homogeneidad del ejemplo Sub Uniformidad Circularidad Box(1950) Mauchley

(1940) ?o2 = 3.8 ?o2 = 0.479 g.l.= [p2+p-4]/2 =4 g.l.=[p(p-1)/2]-1=2 ?20.95(4) =9.49 ?
20.95(2) =5.99 A(H0) ? p>0.05

Alternativas de análisis del diseño de medidas repetidas Sub F normal ANOVA F conservadora
F ajustada Diseño de medidas repetidas MANOVA
Fórmulas para el cálculo de los grados de libertad de las F 's

Factores de ajuste Epsilón de: Greenhouse y Geisser (1959) Huynh y Feldt (1970)

Épsilon de Greeenhouse y Geisser (1959) ? = 0.72

Valores teóricos de las F 's de las distintas pruebas, a un nivel de significación de 0.05 Tipo de
Grados de libertad Valor teórico de prueba Numerador Denominador F para a = 0.05 Normal 2
4 6.94 Ajustada 1 3 10.13 Conservadora 1 2 18.51

Caso paramétrico. Ejemplo 2 Rauscher, Show y Ky (1993) estudiaron si la audición de la sonata

K488 de Mozart incrementaba el rendimiento en tareas cognitivas. Se pidió a un total de 36
estudiantes que ejecutaran tres tareas de razonamiento espacial. Previo a las tareas los sujetos
escuchaban, por un periodo de diez minutos, una de las siguientes piezas: (a) la sonata para dos
pianos K488 de Mozart, (b) música de relajación y (c) silencio. ..//..

Los efectos de orden se controlaron mediante contrabalanceo entresujetos de las tres

audiciones. La variable dependiente fue la puntuación obtenida en la escala de razonamiento
espacial del Test de inteligencia de Stanford-Binet.

Estadísticos descriptivos

Prueba de esfericidad