DISEÑO DE EXPERIMENTOS

DISEÑO FACTORIAL 2 k

CÁTEDRA DE ESTADÍSTICA APLICADA

FACULTAD DE CIENCIAS EXACTAS, QUÍMICAS Y NATURALES

Mgter. M. R. PIRIS da MOTTA

 1

DISEÑO DE EXPERIMENTOS

1. INTRODUCCIÓN

 LAS CARACTERISTICAS DE CALIDAD DE UN PRODUCTO O PROCESO

SON AFECTADOS POR MÚLTIPLES FACTORES

 ENFOQUE TRADICIONAL CONSIDERA LA INFLUENCIA DE UN FACTOR

A LA VEZ (INEFICAZ E INEFICIENTE)

 ES MUY COSTOSA (EXIGE GRAN NÚMERO DE PRUEBAS)

 CONCLUSIONES OBTENIDAS PARA CADA FACTOR TIENE
UN CAMPO DE APLICACIÓN MUY RESTRINGIDO
 NO PERMITE DETECTAR LA PRESENCIA DE INTERACCIONES
 NO GARANTIZA LA OBTENCIÓN DE LAS CONDICIONES
OPERATIVAS ÓPTIMAS

 ACONSEJABLE RECURRIR AL DISEÑO DE EXPERIMENTOS, CUYO

SOPORTE ESTADÍSTICO ES EL ANOVA

Ejemplo
Objetivo: Evaluar la influencia en la corrosión de los envases de hojalata de los
siguientes factores:
 A-Tiempo de almacenamiento (150 y 250 días)
 B-temperatura de almacenamiento ( 15ºC y 25 º C)
 C- pH del contenido ( 5 y 9)
Condiciones habituales son : A+ , B- y C-
 2

Alternativa 1: estudiar un factor a la vez


Factor A --- 4 ensayos A+ y 4 ensayos A- con B+ y C-

Factor B --- 4 ensayos B+ y 4 ensayos B- con A+ y C-

Factor C --- 4 ensayos C+ y 4 ensayos C- con A+ y B-
Nº de pruebas: 24
No se estudian todas las combinaciones posibles : no se incluye el tratamiento A- , B- y
C-

Alternativa 2: Diseño factorial -- Plan 23

A B C
1 - - -
2 + - -
3 - + -
4 + + -
5 - - +
6 + - +
7 - + +
8 + + +

2.1. DEFINICIÓN DE CONCEPTOS

 EXPERIMENTO
Conjunto de pruebas cuyo objetivo es obtener información que permita mejorar el
producto o el proceso en estudio

 FACTOR
Parámetro o característica del producto o proceso para los que se prueban
distintas valores o variantes con el fin de evaluar su influencia sobre el o los
resultados.
 3

Estos pueden ser:

1. Cuantitativos (Temperatura, velocidad de giro, dosis, etc)
2. Cualitativos (proveedor, tipo de lubricante, tipo de molde,
etc.)
 TRATAMIENTO
Combinación de variantes o niveles de cada factor que se utiliza en una
determinada prueba
 EFECTO SIMPLE
Efecto de un factor que se estima sobre el promedio de las condiciones
estudiadas para los otros factores
 EFECTO DE INTERACCIÓN ENTRE FACTORES
Si el efecto de un factor se modifica al cambiar el nivel del otro se dice que
existe interacción entre los dos factores (EL cambio en el valor de la variable
respuesta , para el aumento en una unidad de un factor depende del nivel del
otro factor)
 ORTOGONALIDAD
Se dice que en un diseño los efectos simples son ortogonales, si para cada una
de las variantes de un factor se tienen las variantes del otro factor en idénticas
proporciones
 PLANES FACTORIALES EQUILIBRADOS
Es aquel en el que cada tratamiento posible se ensaya una vez o un mismo nº de
veces.
Un diseño factorial equilibrado en el que cada factor se ensaya a dos niveles se
denomina 2K

3. Cálculo de los efectos

- Efecto simple de A
 4

- Efecto de interacción B*C Efec B*C =

 5

3.1.Ejemplo de diferentes casos que se pueden presentar

(Para completar en clase)

A no tiene efecto A tiene efecto

B tiene efecto B tiene efecto
No hay interacción C no hay interacción

A tiene efecto A tiene efecto

B tiene efecto B tiene efecto
Ligera interacción Fuerte interacción
 6

4. Etapas del diseño de un experimento

Incluye la identificación y definición de los siguientes aspectos:
4.1.Objetivos
4.2.Definir los siguientes aspectos:
1) Característica de calidad o productividad sobre la cual se
investigar los posibles efectos de los factores
2) Seleccionar factores
3) Decidir los niveles o variantes a estudiar para cada factor
4) Decidir en que va consistir cada prueba individual

5. Anova en el diseño 2K

La SS total y GL totales = 2K -1

Se van a descomponer en :

- K efectos simples
- K C2
- K C3
- ..............
En la práctica rara vez se calculan y estudian las interacciones de orden superiores a
2.
5.1. Cálculos

SS total =  x2 - ( x) 2/ n
SS efecto = n (Efecto)2/ 4
SS residual = SS total - SS efecto
GL residual = GL total - GL efecto
Se recomienda que los GL residual  10 o al menos  4 o sino la potencia es muy baja
 7

5.2. Análisis de los resultados

 Determinación de los efectos significativos mediante el

ANOVA
 Análisis e interpretación de los efectos significativos mediante
intervalos LSD para el caso de factores cualitativos y contrastes
ortogonales para factores cuantitativos

5.2.1. Intervalo LSD para la comparación de medias de distintas variantes de un

factor
Cuando el efecto de un factor cualitativo con mas de dos niveles resulta significativo,
es necesario continuar el análisis con el fin de precisar la naturaleza de dicho efecto.
El efecto de un factor con tres variantes puede ser significativo porque las tres
variantes conducen a diferentes medias o porque una de ellas difiere de las otras dos
que no presentan diferencias entre sí.
Una forma sencilla de analizar la significación de las diferencias entre las medias
correspondientes a las variantes del factor, es construir intervalos LSD para cada
media. Las mismas se calculan utilizando la siguiente expresión:

LSD =

5.2.1. Contrastes ortogonales

Si el factor cuyo efecto resulta significativo es cuantitativo no se analiza su efecto

comparando los niveles por medio de intervalos LSD, sino por medio de contrastes
ortogonales, que permiten analizar por separado la significación de su efecto lineal,
cuadrático, cúbico, etc.
En principio, si un factor se ha estudiado a I niveles, es posible analizar I-1 subefectos
(tantos como grados de libertad del factor).
La suma de cuadrados del factor, como se verá en el apartado correspondiente, se
particiona en términos, cada uno de ellos con un grado de libertad, asociados a los
subefectos lineal, cuadrático, etc.
 8

5.3. Predicciones y residuos

A partir del análisis de los resultados se determinan las condiciones operativas

óptimas (COO).
El paso siguiente es predecir los resultados que se obtendrán en dichas condiciones.
Concretamente, si se seleccionan las variantes i, del factor FI, la variante j de factor
FJ y la variante k del factor FK, se trata de determinar la media m iijk

correspondiente a dicho tratamiento.

5.3.1. Predicción del valor medio para las condiciones operativas óptimas (COO)

La predicción se lleva a cabo sumando a la media general obtenida los valores de los
efectos correspondientes que hayan resultado significativos.

Media general =MG = ( x) / n = ( x) / 2K

Efecto de A al nivel de las condiciones operativas óptimas =

Media prevista p/ COO=MP= MG +  efecto de factores p/COO

5.3.2. Intervalo de confianza para la predicción de la media (MP)

(*) incluidos en el cálculo de la predicción

 9

6. Ejemplo de Cálculo
6.1. Plan 2K sin replicaciones----- 23
Objetivo: Estudiar el efecto de las capas de primer (PR), EC, y esmalte (ES)
aplicadas sucesivamente sobre planchas metálicas sobre la resistencia antipiedra
(Stone Chipping).
Se realizó un experimento factorial 23, ensayándose 8 paneles y obteniéndose los
resultados que se indican a continuación

A B C A*B A*C B*C Respuesta

1 - - - 14
2 + - - 10
3 - + - 8
4 + + - 6
5 - - + 12
6 + - + 4
7 - + + 6
8 + + + 2
Factores: EC(A), PR (B) y ES(C)

El ejemplo será resuelto en clase efectuándose las aclaraciones que correspondan a

cada paso del cálculo.

6.2. Análisis mediante STATGRAPHICS

6.2.1. Estimación de los efectos simples e interacciones

En el siguiente cuadro se dan los resultados obtenidos para los efectos simples y las
interacciones dobles
 10

6.2.2. Análisis de Varianza

Con el fin de precisar que efectos son estadísticamente significativos se recurre a la

técnica del ANOVA presentándose los resultados en el cuadro siguiente

Como puede observarse, los tres efectos simples resultan significativos, pero no las
interacciones dobles .
La suma de cuadrados de las interacciones no significativas y los grados de libertad
correspondientes serán incorporados a la suma de cuadrados y los grados de libertad
del residuo, obteniéndose un nuevo cuadro de ANOVA, el cual se presenta a
continuación.
 11

6.2.3. Intervalos LSD

La interpretación de la naturaleza de los efectos simples puede completarse

obteniendo los correspondientes gráficos de intervalos LSD y los valores de medias y
estimaciones de efectos de las distintas variantes.

6.2.3.1. Efecto de EC
 12

Para aumentar la resistencia antipiedra y disminuir el valor de la variable respuesta

(SC), se deberá ajustar el espesor del EC a nivel (+=alto).

6.2.3.2. Efecto de PR

Para aumentar la resistencia antipiedra y disminuir el valor de la variable respuesta

(SC), se deberá ajustar el espesor del PR a nivel (+=alto).

6.2.3.3. Efecto de ES
 13

Para aumentar la resistencia antipiedra y disminuir el valor de la variable respuesta

(SC), se deberá ajustar el espesor del PR a nivel (+=alto).

A partir de los resultados obtenidos se puede establecer que las condiciones

operativas óptimas (COO) corresponden a : EC+, PR+ y ES+.

6.2.4. Predicciones y residuos

6.2.4.1. Predicción del valor medio para las condiciones operativas optimas (COO)

Con la ayuda del cuadro siguiente se efectúa dicha predicción

Media general =MG = ( x) / n = ( x) / 2= 7.75

Efecto de EC al nivel de las COO = =5.5-7.75=-2.25

Efecto de PR al nivel de las COO = =5.5-7.75=-2.25
Efecto de ES al nivel de las COO = =6.0-7.75=-1.75
Media prevista p/ COO=MP= 7.75 -2.25-2.25-1.75= 1.50

6.2.4.2. Residuos
Los valores de los residuos se calculan como la diferencia entre el resultado real
observado en la prueba realizada para un determinado tratamiento y la media
prevista para dicho tratamiento como se muestra en el cuadro siguiente.
 14

Valor observado Valor predicho Residuo

14 14 0
10 9.5 0.5
8 9.5 -1.5
6 5 1
12 10.5 1.5
4 6 -2
6 6 0
2 1.5 0.5

El STATGRAPHICS permite obtener la representación gráfica de los residuos

estimados para los distintos tratamientos o del valor previsto para cada observación.
Si el número de grados de libertad residuales no es muy reducido puede estudiarse de
forma aproximada la posible existencia de efectos de los factores sobre la varianza de
la variable respuesta, realizando un ANOVA sobre el cuadrado de los residuos.

6.3. Plan 2K con replicaciones

Se trata de mejorar la incorporación de un aditivo en la fase final de granulación de

un polímero .
Factores a estudiar:
 Velocidad de giro del agitador (rpm)
 Tiempo de agitación (min)
Objetivo: asegurar una proporción de aditivo > 18 %0 (Prob 99 %)
Diseño: Plan 22
Un diseño de este tipo sin replicaciones conduciría a un nº muy reducido de grados de
libertad en el residuo, razón por la cual se decide replicar 3 veces cada tratamiento.
Los niveles ensayados para los dos factores y los resultados obtenidos expresados en
tanto por mil %o de aditivo incorporado al polímero se presentan en la siguiente
tabla.
 15

Velocidad Tiempo de agitación (min)

(rpm) 3´ 6´
600 17.2 16.4
17.0 16.8
17.1 15.6
media=17.1 media=16.267
1000 18.7 19.4
19.0 17.7
18.6 17.4
media= 18.767 media=18.167

El cálculo de los efectos se puede realizar a partir de los resultados individuales o de

forma equivalente pero mas cómoda a partir de las medias de cada casilla como se
muestra a continuación.

6.3.1. Efectos sobre la media

-Efecto de la velocidad

- Efecto del tiempo

 16

- Efecto velocidad (A)xtiempo(B)

Efec veloc.*tiempo =

Efec veloc.*tiempo =

Los cálculos restantes se realizan siguiendo el procedimiento descrito en los

apartados 5.1, 5.2. y 5.3. y serán analizados con detalle durante la clase .
 18

6.3. Planes con factores a mas de 2 niveles

Los planes 2k , se utilizan en las primeras etapas de la investigación, para explorar

la influencia de distintos factores.
El caso de factores a dos niveles no permite detectar la posible curvatura de la
función respuesta . A veces puede suceder que un factor no tiene efecto, porque el
nivel óptimo es intermedio a los dos ensayados (esta situación es especialmente
probable si se ensayan los niveles por encima y por debajo de la condición
operativa habitual.
Generalmente en las etapas siguientes resulta conveniente investigar el efecto de
aquellos factores que resultaron significativos aumentando el número de niveles.
Para el caso de factores cualitativos el número de niveles viene definido por el
número de alternativas existentes, mientras que en el caso de factores cuantitativos
el número de niveles y los valores concretos de los mismos se pueden fijar
libremente. En la práctica industrial rara vez está justificado estudiar 4 o mas
niveles .
Los experimentos con factores a 3 niveles, son mas complicados y costosos no solo
porque exigen un mayor número de pruebas, sino también porque presentan una
mayor dificultad en la interpretación de los efectos simples e interacciones, pero
como contrapartida brinda una mayor riqueza en las conclusiones.
Consideremos el siguiente ejemplo, cuyo objetivo es mejorar la resistencia a la
torsión de las adherencias de componentes electrónicos sobre placas.
 19

Los factores a estudiar son :

 Tipo de pegamento (Ay B)

 Temperatura de curado (60, 80 y 100 ºC)

Pegamento Temperatura de curado (ºC)

60 80 100
A 2.5 3.8 4.0
2.8 3.4 4.2
media= media= media=
B 1.6 3.2 4.3
1.2 2.8 4.7
media= media= media=

El estudio de la significación de los diferentes efectos y de sus posibles

interacciones se realiza a partir de la elaboración del cuadro resumen del Análisis
de la Varianza (ANOVA), cuyos pasos de cálculo no serán explicitados aquí y
fueron analizados con anterioridad en esta asignatura.
A continuación se presenta el cuadro resumen del ANOVA obtenida mediante el
STATGRAPHICS.
 20

Análisis de la Varianza para restor - Sumas de Cuadrados de Tipo III

--------------------------------------------------------------------------------
Fuente Suma de cuadrados GL Cuadrado Medio Cociente-F P-Valor
--------------------------------------------------------------------------------
EFECTOS PRINCIPALES
A:peg 0,700833 1 0,700833 10,92 0,0163
B:temp 10,4017 2 5,20083 81,05 0,0000
INTERACCIONES
AB 1,38167 2 0,690833 10,77 0,0103
RESIDUOS 0,385 6 0,0641667
--------------------------------------------------------------------------------
TOTAL 12,8692 11
--------------------------------------------------------------------------------
Los cocientes F están basados en el error cuadrático medio residual.

Como se aprecia el efecto de la interacción es significativo y los efectos simples de

PEGAMENTO Y TEMPERATURA aunque no pueden ser analizados de manera
independiente también resultan claramente significativos.
El gráfico LSD utilizado para estudiar el efecto simple del tipo de pegamento, pone
de manifiesto que la resistencia promedio obtenida con el pegamento A es muy
superior al del pegamento B.
 21

6.3.1. Descomposición de la suma de cuadrados de un factor cuantitativo

El estudio de un factor cuantitativo, en general no tiene como objetivo la

comparación de los niveles concretos ensayados, sino la investigación de la
naturaleza de la función respuesta que relaciona el valor medio de la variable
estudiada con los niveles del factor ensayado.
En este último ejemplo interesa responder a las siguientes preguntas :

 Afecta la temperatura la resistencia media a la torsión

 Existe un efecto lineal positivo (o negativo) de la temperatura, es decir una
tendencia a crecer (o decrecer) la resistencia media al aumentar la
temperatura ?
 Existe un efecto cuadrático de la temperatura?
Es decir, a medida que aumenta la temperatura, el incremento de la
resistencia es cada vez mayor? (efecto cuadrático positivo).

La descomposición de la SC del factor, en las componentes lineal, cuadrática, etc.

es fácil, si los niveles del factor están igualmente espaciados.

El gráfico LSD para el factor temperatura puede darnos una pista si el efecto de
factor es simplemente lineal o cuadrático.
 22

Como puede observarse en el gráfico, el efecto de factor temperatura de curado es

en apariencia simplemente lineal.
Para la descomposición de la suma de cuadrado del factor se procede de la
siguiente manera:

- Si son las medias de las observaciones correspondientes a los distintos i

niveles del factor, el valor de Z asociado a la componente (lineal, cuadrática,
etc) viene dada por

Z = i

Donde i se obtiene de la siguiente tabla

 23

Niveles
3 niveles 4 niveles 5 niveles

Componente lineal -1 0 +1 -3 -1 1 3 -2 -1 0 1 2
Componente cuadrática 1 -2 1 1 -1 -1 1 2 -1 -2 -1 2
Componente cúbica - - - -1 -3 1 3 -1 2 0 -2 1

Cada componente lleva asociada una suma de cuadrados, que es una parte de la
SC del factor que se obtiene mediante la siguiente ecuación

Donde
n= nº de datos con los que se calcula las medias Xi

La significación estadística de la componente se evalúa dividiendo su cuadrado

medio (CM) por el CM residual y comparando el valor obtenido con un valor de
tabla ( FF(1-/2) (1, GL residual).

A continuación se presenta la descomposición de la SC del factor temperatura en

las componentes lineal y cuadrática.

6.3.1.1. Componente lineal

3 niveles
=2.025 =3.3 =4.3
Componente lineal -1 0 +1
Componente cuadrática 1 -2 1
Componente cúbica - - -

Z = i = (-1) 2.025+0 (3.3)+(1) 4.3= 2.275

 24

6.3.1.2. Componente cuadrática

Z = i = (1) 2.025+(-2) 3.3+(1) 4.3= -0.275

El cuadro del ANOVA incluyendo los dos componentes del factor temperatura se
muestra en el siguiente cuadro

FV SC GL CM Fs Fc
Pegamento 0,7008 1 0,7008 10,92
Temperatura 10.40 2 5,20 80,99
pegxtemp 1,36125 2 0,6908 10,76
Lineal temperatura 10.35 1 10.35 161.21 5.9873
Cuadrática temperatura 0.05 1 0.05 0.779
Error o residuo 0,4054 6 0,0642

CM residual = 0.0642
Como puede observarse el efecto de la temperatura sobre la resistencia a la torsión
resulta simplemente lineal.
Estas componentes lineal y cuadrática puede obtenerse utilizando el programa
STATGRAPHICS. ANALIZAR DISEÑO disponible dentro de los procedimientos
AVANZADO . Los resultados obtenidos utilizando esta opción se muestran en el
siguiente cuadro.
 25

Se obtiene así, para el efecto lineal de la temperatura (B:temp.) una SS =10,35 y

para el efecto cuadrático (BB) una SS= 0,0504 que resultan idénticos a los
calculados anteriormente , siendo muy significativo el efecto lineal del factor.
 26

6.3.3. Descomposición de la suma de cuadrados de una interacción

Cuando el ANOVA en el que intervienen varios factores resulta significativa una

interacción doble en el que al menos uno de los factores implicados es cuantitativo
y tiene mas de 2 niveles, se puede efectuar una interpretación de la naturaleza de
dicha interacción descomponiendo la suma de cuadrados correspondiente en los
términos asociados a las distintas componentes de la misma.
La descomposición se plantea de modo diferente dependiendo de si los 2 factores
son cuantitativos o si uno de ellos solo es cuantitativo.

6.3.3.1. Interacción de un factor cualitativo con un factor cuantitativo

Sea, por ejemplo, en un plan factorial el estudio de la interacción entre los

factores:

FI, con I variantes de tipo cualitativo

FJ, con J niveles, de tipo cuantitativo

Sea N el número de observaciones en cada combinación de los IxJ niveles de los dos
factores.
Factor J Factor I
1 2 .................. I Media
1 N
2
…….
J
Media
 27

Designemos con:

media de la N observaciones correspondientes a la

combinación ij
media de la N xI observaciones del nivel j de FJ
Sea Z = i un contraste asociado a un efecto de FJ y SC Z la suma de
cuadrados asociada a dicho efecto

que es una parte de la SC del efecto simple de FJ.

Sean

Z1 = i

....................................................................

Z I = i

Los valores de los contrastes y las SC correspondientes de dichos efectos de FJ

calculados para las diferentes variantes de FI.
La SC asociada a la interacción del efecto Z de FJ con el factor FI viene dada por
la expresión :

con (I-1)x1 grados de libertad

En el caso de que dicha componentes de la interacción resulte significativa, se

deberá estudiar entre que variantes de FI existen diferencias significativas en el
efecto Z estudiado de FJ.
Esto puede llevarse a cabo a través de los intervalos LSD para los valores de efecto
Z correspondientes a las diferentes variantes de FI. Un intervalo LSD para cada
contraste Zi viene dado por la expresión:
 28

A continuación se presentan los resultados de la descomposición de la SC de la

interacción PEGAMENTOxTEMPERATURA . :

6.3.3.1.1. PEGAMENTOxLINEAL

Temperatura

Z SCLINEAL

PEG A 2.65 3.6 4.1 1.45 2.1025

PEG B 1.4 3.0 4.5 3.1 9.61
SCTOTAL 11.7125
PEGAMENTOxLINEAL

Del cuadro anterior resulta

SCPEGAMENTOxLINEAL = SCTOTAL PEGAMENTOxLINEAL -SC LINEAL TEMPERATURA

= 11.7125 - 10.35 = 1.3625

6.3.3.1.1.2. PEGAMENTOxCUADRATICA
 29

Temperatura

Z SCLINEAL

PEG A 2.65 3.6 4.1 -0.45 0.0675

PEG B 1.4 3.0 4.5 -0.1 0.0033
SCTOTAL 0.0708
PEGAMENTOxCUADRATICA

Del cuadro anterior resulta

SCPEGAMENTOxCUADRATICA = SCTOTAL PEGAMENTOxCUADRATICA -SC CUAD TEMPERATURA

= 0.0708 - 0.0504 = 0.0204

El cuadro del ANOVA para la interacción PEGAMENTOxTEMP finalmente

resulta

FV SC GL CM Fs Fs
PEGxTEMP 1.385 2
PEGxLineal temperatura 1.3625 1 1.3525 21.20 5.9873
(PEGx T)
PEGxCuad temperatura 0.0204 1 0.0204 0.3174
(PEGx T2 )

CM residual = 0.0642
Como puede observarse solo el efecto lineal de la interacción sale significativo.

El cuadro del ANOVA completo se muestra a continuación

 30

FV SC GL CM Fs Fs
Total 12.87 11
Pegamento 0.70 1 0.70 10.90* 5.99 F(1,6)
Temperatura 10.40 2 5.20 81.03* 5.14 F(2,6)
Lineal temperatura 10.35 1 10.35 161.21* 5.99 F(1,6)
Cuadrática temperatura 0.05 1 0.05 0.779 5.99 F(1,6)
Interac Pegxtemperatura 1.385 2 0.6925 10.79* 5.14 F(2,6)
PegxLineal temp 1.3625 1 1.3625 21.22* 5.99 F(1,6)
Pegxcuad temp 0.0204 1 0.0204 0.3177 5.99 F(1,6)
Residual 0.385 6 0.0604

CM residual = 0.0642

6.3.3.2. Interacción de factor cuantitativo con factor cuantitativo

Si los dos factores implicados en una interacción son de tipo cuantitativo, (Ej.
v=velocidad y t=tiempo de agitación la SC correspondiente puede descomponerse
en términos asociados a las componentes LinealxLineal (vxt) , LinealxCuad, (vxt2 )
CuadráticaxLineal, (v2xt) , etc. ....... de dicha interacción.
Estas componentes corresponden a los términos de la forma xi xj ,xi xj2 , xi2 xi ,.....,
de la función respuesta que relaciona el valor medio de la variable estudiada con
los niveles de los factores FI y FJ.
Para realizar esta descomposición hay que obtener en primer lugar, las
componentes Zi asociadas a un determinado efecto (por ejemplo al efecto lineal de
FJ), para las diferentes variantes de FI, de forma similar a como se operó en el
punto anterior.
A continuación s define un nuevo contraste iZi sobre estas componentes (por
ejemplo el asociado al efecto cuadrático de FI).
La SC asociada a este contraste sobre contrastes (que en caso mencionado
correspondería a la componente cuadráticaxlineal de la interacción) viene dado
por la expresión:
 31

y tiene un grado de libertad.

En la clase correspondiente se vera un ejemplo de aplicación a este tipo de
interacción.