Cap Viii

Departamento de Estadstica e Informtica
Curso: Mtodos Estadsticos para la Investigacin I Experimentos Factoriales
Captulo VIII
Experimentos Factoriales
Las caractersticas del diseo siempre triunfan sobre las caractersticas del anlisis.
G. E. Dallal
1. Introduccin
En captulos anteriores se estudiaron los diseos Completamente al Azar, de Bloques

Completos al Azar y Cuadrado Latino, en los cuales se analiz un solo factor de tratamientos.
Un experimento factorial es aquel en el que se estudian simultneamente varios factores, de
modo que los tratamientos se forman por todas las posibles combinaciones de los niveles de
los factores. Un experimento factorial no constituye un nuevo diseo experimental, sino un
diseo para la formacin de los tratamientos. Los experimentos factoriales pueden ser
conducidos bajo los lineamientos de cualquier diseo experimental tal como el DCA, DBCA
o DCL.
Los experimentos factoriales son ampliamente utilizados y son de gran valor en el trabajo
exploratorio cuando se sabe poco sobre los niveles ptimos de los factores o ni siquiera qu
factores son importantes. Estos experimentos son tiles tambin en campos de estudio ms
complejos en los que se sabe que un factor no acta independientemente sino en estrecha
relacin con otros factores.
En este captulo se tratarn los experimentos factoriales con dos factores conducidos bajo los
lineamientos de un DCA y DBCA.
2. Ventajas y Desventajas
Ventajas:
- Permite obtener ms informacin que en un experimento de un solo factor, ya que se
estudian los efectos principales, los efectos simples, los efectos cruzados y de interaccin
entre los factores.
- Todas las unidades intervienen en la estimacin de los efectos principales y de
interaccin, por lo que el nmero de repeticiones es elevado para estos casos.
Desventajas:
- Se requiere un mayor nmero de unidades experimentales que en los experimentos con un
solo factor.
Ing. Ral Eyzaguirre Prez 112
reyzaguirre@lamolina.edu.pe
- Dado que todos los niveles de un factor se combinan con todos los niveles de los otros,
por requerimientos del anlisis estadstico, se tendr que algunas combinaciones que no
son de inters para el investigador, sern tambin incluidas en el experimento.
- El anlisis estadstico y la interpretacin de los resultados son ms complicados que en los
experimentos con un solo factor, y la dificultad aumenta considerablemente conforme ms
factores son incluidos.
3. Notacin y Definiciones
3.1. Factor
Los factores son designados por letras maysculas. Por ejemplo en un experimento en el que
se evalan 3 cantidades de semilla con 4 dosis de nitrgeno por parcela y 2 variedades de
maz destinado a chala, el factor cantidad de semilla se puede denotar por A, el factor dosis de
nitrgeno por B y el factor variedad de maz por C.
3.2. Niveles de un Factor
Los niveles de un factor son denotados por letras minsculas con subndices. Por ejemplo, las
3 cantidades de semilla podran ser denotadas por a1, a2 y a3, las 4 dosis de nitrgeno por b1,
b2, b3 y b4, y las 2 variedades de maz por c1 y c2.
Una combinacin de letras minsculas con sus respectivos subndices es utilizada para
denotar una combinacin de los niveles de los factores. Por ejemplo la combinacin a2b2c1
denotar el tratamiento conformado por la aplicacin de la cantidad a2 de semilla con la dosis
b2 de nitrgeno y la variedad c1 de maz.
3.3. Tipos de Factores
Dependiendo de la naturaleza de los niveles de los factores, estos pueden ser cualitativos o
cuantitativos. En el ejemplo, los factores A y B son cuantitativos y el factor C cualitativo. En
el caso de factores cuantitativos estos pueden ser igualmente espaciados o no. As por
ejemplo, para el factor B, niveles de 0, 10, 20 y 30 kg/parcela y de 10, 20, 40 y 80 kg/parcela
constituiran niveles igualmente espaciados y no igualmente espaciados respectivamente.
Adicionalmente, los factores pueden ser fijos o al azar, dependiendo de la forma en que son
seleccionados sus niveles (ver el captulo II). Un experimento factorial con todos sus factores
fijos corresponder a un modelo I o de efectos fijos, un experimento factorial con todos sus
factores aleatorios corresponder a un modelo II o de efectos aleatorios y un experimento
factorial con algunos factores fijos y otros aleatorios corresponder a un modelo III o de
efectos mixtos. En el desarrollo de este captulo se considerar que todos los factores son
fijos.

3.4. Tipos de Experimentos Factoriales
Un experimento factorial queda definido por el nmero de factores y niveles de cada factor.
Un experimento factorial puede ser denotado utilizando las letras correspondientes a los
factores antecedidas por el nmero de niveles correspondiente a cada uno. Por ejemplo, el
experimento con 3 niveles del factor A, 4 del factor B y 2 del factor C puede ser denotado por
3A4B2C o simplemente 3x4x2.
3.5. Efectos en los Experimentos Factoriales
Efecto Principal: Es el efecto de un factor en promedio sobre los niveles de los otros
factores.
Efecto Simple: Es el efecto de un factor, en un nivel de los dems factores.
Efecto de Interaccin: Est dado por la variacin que tiene un efecto simple de un factor al
pasar de un nivel a otro de otro factor.
Efecto Cruzado: Est dado por las combinaciones cruzadas de dos factores.
Ejemplo 1: A continuacin se presentan datos para un experimento factorial 2x2.
Niveles del Factor A a1 a2

Niveles del Factor B b1 b2 b1 b2
Medias 54 38 45 56
Efectos Simples:
- de A en b1: ES(A(b1)) = a1b1 a2b1 = 54 45 = 9
- de A en b2: ES(A(b2)) = a1b2 a2b2 = 38 56 = -18
- de B en a1: ES(B(a1)) = a1b1 a1b2 = 54 38 = 16
- de B en a2: ES(B(a2)) = a2b1 a2b2 = 45 56 = -11
Efectos Principales:
1 9 18
- de A: EP(A) = [ ES( A(b1 ) + ES( A(b2 )] = = 4.5
2 2
1 16 11
- de B: EP(B) = [ ES( B(a1 ) + ES( B(a2 )] = = 2.5
2 2
Efecto de interaccin:
1 9 + 18
- de AB: EI(AB) = [ ES( A(b1 ) ES( A(b2 )] = = 6.75
2 2 4
1 16 + 11
EI(AB) = [ ES( B(a1 ) ES( B(a2 )] = = 6.75
2 2 4

Efectos cruzados:
- entre a1b1 y a2b2: EC(a1b1 - a2b2) = a1b1 a2b2 = 54 56 = -2
- entre a1b2 y a2b1: EC(a1b2 - a2b1) = a1b2 a2b1 = 38 45 = -7
La interaccin entre dos factores puede tambin analizarse grficamente. El grfico de la

interaccin presenta las medias de los niveles de un factor en cada uno de los niveles del otro.
Con los datos del ejemplo se tienen los siguientes grficos:
Cada lnea corresponde a un efecto simple, y la interaccin puede notarse cuando las lneas
tienen pendientes diferentes, esto es, cuando el efecto simple de un factor no es el mismo en
todos los niveles del otro. En el primer grfico se presentan los efectos simples de A en b1
(lnea punteada) y de A en b2 (lnea continua) y es claro que el efecto simple de A depende del
nivel de B (esto es, que existe interaccin). A continuacin se presenta otro ejemplo de
interaccin:
Note que no es necesario que las lneas se crucen para evidenciar una interaccin entre ambos
factores. Un caso de factores sin interaccin aparente sera el siguiente:

4. Experimento Factorial pxq
4.1. Modelo Aditivo Lineal
En un DCA, el modelo aditivo lineal est dado por:

Yij = + i + ij i = 1,..., t
Ahora, dado que los tratamientos son generados por las combinaciones entre los niveles de
dos factores, el efecto de los tratamientos se descompone en el efecto del factor A, el efecto
del factor B y el efecto de la interaccin entre los dos factores. As, el modelo aditivo lineal
para un factorial pxq en DCA ser:
Yijk = + i + j + ( )ij + ijk i = 1,..., p j = 1,..., q k = 1,..., rij
donde:
Yijk es el valor o rendimiento observado con el i-simo nivel del factor A, j-simo nivel
del factor B, k-sima repeticin.
es el efecto de la media general.
i es el efecto del i-simo nivel del factor A.
j es el efecto del j-simo nivel del factor B.
()ij es el efecto de la interaccin en el i-simo nivel del factor A, j-simo nivel del
factor B.
ijk es el efecto del error experimental en el i-simo nivel del factor A, j-simo nivel del
factor B, k-sima repeticin.
p es el nmero de niveles del factor A.
q es el nmero de niveles del factor B.
rij es el nmero de repeticiones en el i-simo nivel del factor A, j-simo nivel del factor B.

En el caso de un experimento factorial en DBCA, el modelo aditivo lineal es:

Yijk = + i + j + ( )ij + k + ijk i = 1,..., p j = 1,..., q k = 1,..., b
donde:
k es el efecto del k-simo bloque.
b es el nmero de bloques.
Los supuestos del modelo sern los mismos que para el DCA o DBCA con un solo factor
vistos en captulos anteriores. Los clculos y procedimientos presentados de aqu en adelante
correspondern al caso del experimento factorial pxq en DBCA. El caso del experimento
factorial en DCA es similar al del DBCA y ser ilustrado mediante un ejemplo.
Ejemplo 2 (Experimento Factorial en DBCA):

Se realiz un experimento con un arreglo factorial 2A3B en DBCA en 4 campos de cultivo,
para evaluar el efecto en el rendimiento de maz obtenido con dos tipos de abono (a1 y a2)
y tres dosis (b1=20, b2=30 y b3=40 kg/ha). Los resultados obtenidos (en TM/ha) se
presentan a continuacin:
a1 a2
Campos b1 b2 b3 b1 b2 b3
1 1.9 1.8 2.7 1.8 2.9 3.0
2 2.3 2.1 2.4 2.2 2.7 3.2
3 2.0 2.4 2.9 2.0 3.2 2.9
4 2.1 2.9 2.8 2.4 3.5 3.4
Total 8.3 9.2 10.8 8.4 12.3 12.5
El modelo aditivo lineal para este ejemplo ser:

Yijk = + i + j + ( )ij + k + ijk i = 1,..., p j = 1,..., q k = 1,..., b
donde:
Yijk es el rendimiento de maz en Tm/Ha obtenido con el i-simo tipo de abono, j-sima
dosis, k-simo campo de cultivo.
i es el efecto del i-simo tipo de abono.
j es el efecto de la j-sima dosis de abono.
()ij es el efecto de la interaccin en el i-simo tipo de abono, j-sima dosis.
k es el efecto del k-simo campo de cultivo.
ijk es el efecto del error experimental en el i-simo tipo de abono, j-sima dosis, k-
simo campo de cultivo.
p = 2 es el nmero de niveles del factor A.
q = 3 es el nmero de niveles del factor B.
b = 4 es el nmero de bloques.

4.2. Estimacin de los Efectos
Los efectos del modelo, , i, j, ()ij y k son estimados de modo que se minimice la
siguiente expresin (Mtodo de Mnimos Cuadrados):
p q b p q b
Q = = (Yijk i j ( )ij k )
2 2
ijk
i =1 j = i k =1 i =1 j = i k =1
teniendo en cuenta las siguientes restricciones:

p q p q b
i = 0
i =1
j = 0
j =1
( )ij = 0
i =1
( )ij = 0
j =1

k =1
k =0
La aplicacin de este mtodo da los siguientes resultados para la estimacin de los

parmetros:
= Y i = Yi Y j = Y j Y

( )ij = Yij Yi Y j + Y k = Yk Y ijk = Yijk Yij Yk + Y
Ejemplo 2 (Cont.): Con los datos del ejemplo anterior, la media estimada es:
= Y = 2.5625
Los efectos estimados de los niveles del factor A:
1 = Y1 Y = 2.3583 2.5625 = 0.2042
2 = Y2 Y = 2.7667 2.5625 = 0.2042
Los efectos estimados de los niveles del factor B:
1 = Y1 Y = 2.0875 2.5625 = 0.475
2 = Y2 Y = 2.6875 2.5625 = 0.125
3 = Y3 Y = 2.9125 2.5625 = 0.35
El efecto estimado de la interaccin entre el nivel 1 del factor A y el nivel 2 del factor B:

( )12 = Y12 Y1 Y2 + Y = 2.3 2.3583 2.6875 + 2.5625 = 0.1833
El efecto estimado del error 234:
234 = Y234 Y23 Y4 + Y = 3.4 3.125 2.85 + 2.5625 = 0.0125

4.3. Anlisis de Variancia
En este modelo la variabilidad total se descompone de la siguiente manera:

Variabilidad (Total) = Var (Tratamientos) + Var (Bloques) + Var (Error)
donde a su vez, la variabilidad correspondiente a los tratamientos se descompone en:
Variabilidad (Tratamientos) = Var (Factor A) + Var (Factor B) + Var (Interaccin AB)
La variabilidad total es cuantificada por la suma de cuadrados total:
p q b p q b 2
Y
SC(Total) = SC(Y ) = (Yijk Y ) 2 = Yijk2
i =1 j =1 k =1 i =1 j =1 k =1 pqb
2
Y
donde es el trmino de correccin (TC).
pqb
La variabilidad correspondiente a los tratamientos, la cual corresponde al efecto combinado

de los factores A y B, se calcula por:
p q
Yij2
SC(Comb. AB) = SC(A) + SC(B) + SC(AB) = TC
i =1 j =1 b
Las sumas de cuadrados para los factores A y B, para la interaccin, bloques y error se
calculan de la siguiente manera:
p
Yi2
SC(A) = TC
i =1 qb
q
Y2j
SC(B) = TC
j =1 pb
SC(AB) = SC(Comb. AB) SC(A) SC(B)

b
Y2 k
SC(Bloques) = TC
k =1 pq
SC(Error) = SC(Total) - SC(Comb. AB) SC(Bloques)

Estas fuentes de variacin son comparadas mediante el siguiente procedimiento de prueba de
hiptesis a partir del cuadro de anlisis de variancia (Cuadro ANVA):

Cuadro ANVA
Fuentes de Grados de Sumas de Cuadrados

Fc
Variacin Libertad (gl) Cuadrados (SC) Medios (CM)
SC(Bloques)
Bloques b1 SC(Bloques)
gl(Bloques)
SC( A) CM( A)
A p1 SC(A)
gl( A) CM(Error)
SC( B) CM( B)
B q1 SC(B)
gl( B ) CM(Error)
SC( AB) CM( AB)
AB (p 1)(q-1) SC(AB)
gl( AB ) CM(Error)
Error SC(Error)
(pq 1)( b 1) SC(Error)
Experimental gl(Error)
Total pqb 1 SC(Total)
Hiptesis:
Para el Modelo I (Efectos fijos) las hiptesis son, en trminos de los efectos de los niveles de
los factores las siguientes:
Para el efecto principal de A: H0: i = 0 i
H1: i 0 para al menos algn i
Para el efecto principal de B: H0: j = 0 j
H1: j 0 para al menos algn j
Para el efecto de la interaccin AB: H0: ()ij = 0 i, j
H1: ()ij 0 para al menos algn i, j
Para el Modelo II (Efectos aleatorios) las hiptesis sern planteadas en trminos de la
variancia de los niveles de los factores:
Para el efecto principal de A: H0: 2 = 0

H1: 2 > 0
Para el efecto principal de B: H0: 2 = 0

H1: 2 > 0
Para el efecto de la interaccin AB: H0:

2
=0
H1:
2
>0

Estadstico de Prueba:
CM(A)
Para el efecto principal de A: Fc = ~ F( gl( A),gl(Error) )
CM(Error)
CM(B)
Para el efecto principal de B: Fc = ~ F( gl( B ),gl(Error) )
CM(Error)
CM(AB)
Para el efecto de la interaccin AB: Fc = ~ F( gl( AB ),gl(Error) )
CM(Error)
Regla de Decisin:
Las hiptesis nulas se rechazan con un nivel de significacin si el Fc resulta mayor que el
valor de tabla F(1 ) con los grados de libertad correspondientes a cada caso.
La primera hiptesis a evaluar es la correspondiente a la interaccin. Que no exista

interaccin significa que el efecto de un factor es el mismo en cualquiera de los niveles del
otro, por lo que las conclusiones para los factores se obtendrn a partir del anlisis de sus
efectos principales. Si en cambio existe interaccin, el efecto de un factor depender de los
niveles del otro y el anlisis de los efectos principales no ser apropiado. En este caso se
deber efectuar un anlisis de los efectos simples de los factores.
Ejemplo 2 (Cont.): A continuacin se presenta el anlisis de variancia y las prueba de

hiptesis correspondiente para el ejemplo tratado en esta seccin:
p q b 2
Y
SC(Total) = Yijk2
i =1 j =1 k =1 pqb
61.52
= (1.92 + 2.32 + ... + 3.42 ) = 6.0763
(2)(3)(4)
p q
Yij2
SC(Comb. AB) = TC
i =1 j =1 b
8.32 9.22 12.52 61.52
= + +" + = 4.4738
4 4 4 (2)(3)(4)
p
Yi2
SC( A) = TC
i =1 qb
28.32 33.22 61.52

= + = 1.0004
(3)(4) (3)(4) (2)(3)(4)

q
Y2j
SC( B) = TC
j =1 pb
16.7 2 21.52 23.32 61.52
= + + = 2.91
(2)(4) (2)(4) (2)(4) (2)(3)(4)
SC(AB) = SC(Comb. AB) SC(A) SC(B)

= 4.4738 1.0004 2.91 = 0.5633
b
Y2 k
SC(Bloques) = TC
k =1 pq
14.12 14.92 15.42 17.12 61.52

= + + + = 0.8046
(2)(3) (2)(3) (2)(3) (2)(3) (2)(3)(4)
SC(Error) = SC(Total) SC (Comb. AB) SC(Bloques)

= 6.0763 4.4738 0.8046 = 0.7979
Cuadro ANVA
Fuentes de Variacin gl SC CM Fc
Bloques 3 0.8046 0.2682
A 1 1.0004 1.0004 18.81
B 2 2.9100 1.4550 27.35
AB 2 0.5633 0.2817 5.30
Error Experimental 15 0.7979 0.0532
Total 23 6.0763
Para un modelo de efectos fijos las hiptesis sern:

Para el efecto principal de A: H0: i = 0 i = 1, 2.
Para el efecto principal de B: H0: j = 0 j = 1, 2, 3.
Para el efecto de la interaccin AB: H0: ()ij = 0 i = 1, 2; j = 1, 2, 3.
Para la interaccin el estadstico de prueba es Fc = 5.30 y el valor de tabla, con un nivel de
significacin del 5% es F( 0.95, 2,15) = 3.68. Dado que el estadstico de prueba resulta mayor
que el valor de tabla se rechaza H0 y se concluye que hay suficiente evidencia estadstica
para aceptar la existencia de interaccin entre el tipo de abono y la dosis; por lo tanto, ser
necesario analizar los efectos simples de los factores en vez de sus efectos principales.
El coeficiente de variacin para este experimento es:

CME 0.0532
cv = = = 9%
Y 2.5625
4.4. Anlisis de Efectos Simples
Este anlisis debe ser efectuado en el caso que la interaccin resulte significativa y consiste en
evaluar a cada factor en cada uno de los niveles del otro. Las hiptesis a contrastar en este
caso, asumiendo un Modelo I (Efectos fijos) son las siguientes:
1. Para el efecto simple de A en el j-simo nivel de B:
H0: 1 j = 2 j = " pj
H1: Al menos un ij es diferente.
2. Para el efecto simple de B en el i-simo nivel de A:

H0: i1 = i 2 = " iq
H1: Al menos un ij es diferente.
Los grados de libertad para cada efecto simple sern iguales a los grados de libertad del
correspondiente efecto principal y las sumas de cuadrados son calculadas de acuerdo con las
siguientes frmulas:
1. Para el factor A en el j-simo nivel del factor B:
p
Yij2 Y2j
SC(Abj) =
i =1 b pb
2. Para el factor B en el i-simo nivel del factor A:

q
Yij2 Yi2
SC(Bai) =
j =1 b qb
Para cada efecto simple el estadstico de prueba Fc se calcula dividiendo el cuadrado medio
del efecto simple entre el cuadrado medio del error. El efecto ser significativo con un nivel
de significacin si es que el Fc es mayor que el valor F de tabla con los grados de libertad
del efecto y del error.
Ejemplo 2 (Cont.): Anlisis de los efectos simples.
Yi12 Y21 8.32 8.42 16.7 2

p
SC(Ab1) = = + = 0.00125
i =1 b pb 4 4 (2)(4)
Yi 22 Y22 9.22 12.32 21.52

p
SC(Ab2) = = + = 1.20125
i =1 b pb 4 4 (2)(4)

p
Yi 32 Y23 10.82 12.52 23.32
SC(Ab3) = = + = 0.36125
i =1 b pb 4 4 (2)(4)
q
Y12j 2
Y1 8.32 9.22 10.82 28.32
SC(Ba1) = = + + = 0.80167
j =1 b qb 4 4 4 (3)(4)
q
Y22j Y22 8.42 12.32 12.52 33.22
SC(Ba2) = = + + = 2.67167
j =1 b qb 4 4 4 (3)(4)
Cuadro ANVA para efectos simples
A b1 1 0.00125 0.00125 0.02 n.s.
A b2 1 1.20125 1.20125 22.58 *
A b3 1 0.36125 0.36125 6.79 *
B a1 2 0.80167 0.40083 7.54 *
B a2 2 2.67167 1.33583 25.11 *
Total 23 6.07625
Las hiptesis son:

Para A en b1: H0: 11 = 21
H1: 11 21
Para A en b2: H0: 12 = 22

H1: 12 22
Para A en b3: H0: 13 = 23

H1: 13 23
Para B en a1: H0: 11 = 12 = 13

H1: Al menos un 1 j es diferente.
Para B en a2: H0: 21 = 22 = 23

H1: Al menos un 2 j es diferente.
Los efectos simples del factor A son comparados con el valor de tabla F( 0.95, 1,15) = 4.54 y
los efectos simples del factor B con F( 0.95, 2,15) = 3.68. Note que solo el efecto simple de A en
b1 resulta no significativo. Las conclusiones en este experimento seran las siguientes:
- No existe suficiente evidencia estadstica para aceptar que con los dos tipos de abono
se obtengan resultados diferentes en el rendimiento de maz cuando se aplican en la
dosis b1 (20 kg/ha).
- Existe suficiente evidencia estadstica para aceptar que con los dos tipos de abono se
obtienen resultados diferentes en el rendimiento de maz cuando se aplican en las dosis
b2 (30 kg/ha) y b3 (40 kg/ha).
- Existe suficiente evidencia estadstica para aceptar que con al menos una de las dosis
se obtienen resultados diferentes en el rendimiento de maz tanto con el abono a1 como
con el a2.
Estos resultados pueden apreciarse en el siguiente grfico:
5. Pruebas de Comparacin de Medias
5.1. Pruebas de comparacin de medias de efectos principales
Para comparar las medias de los niveles i y j de un factor sobre todos los niveles del otro
utilice las siguientes frmulas para las desviaciones estndar:
Prueba Factor A Factor B

2CME 2CME
t y DLS sd = sd =
qb pb
CME CME
Tukey sd = sd =
qb pb
5.2. Pruebas de comparacin de medias de efectos simples
Para comparar las medias de los niveles k y l de un factor en un nivel del otro utilice las
siguientes frmulas para las desviaciones estndar:

Prueba Factor A en bj Factor B en ai

2CME 2CME
t y DLS sd = sd =
b b
CME CME
Tukey sd = sd =
b b
Ejemplo 2 (Cont.): En el anlisis de variancia de efectos simples se obtuvo resultados

significativos para los efectos simples de A en b2, A en b3, B en a1 y B en a2. Dado que el
factor A solo tiene dos niveles, no ser necesario efectuar pruebas de comparaciones
mltiples. En el factor B en cambio s se podran realizar comparaciones por pares entre
sus tres niveles. A continuacin se presenta la prueba de Tukey para B en a1.
H0: 11 = 12 H0: 11 = 13 H0: 12 = 13
H1: 11 12 H1: 11 13 H1: 12 13
El valor de tabla con = 5%, p = 3 tratamientos y 15 grados de libertad para el error
experimental es AES(T) = 3.67.
La amplitud lmite significativa de Tukey es:
CME 0.05319
ALS(T) = AES(T) = 3.67 = 0.4232
b 4
A continuacin se presentan los resultados para las 3 comparaciones:
Niveles de B en a1 Y1i Y1 j Significancia

1y2 0.225 n.s.
1y3 0.625 *
2y3 0.400 n.s.
a1b1 a1b2 a1b3

2.075 2.3 2.7
Ejemplo 2 (Cont.): Ahora se aplicar la prueba t para evaluar si con el nivel 3 de B se

obtienen mejores resultados que con el nivel 1 cuando se aplica el abono 2.
H0: 21 = 23
H1: 21 < 23
El valor del estadstico de prueba es:
Y21 Y23 2.1 3.125

tc = = = -6.29
2CME 2(0.05319)
b 4

El valor de tabla con = 5% y 15 grados de libertad para el error es t(0.05, 15) = -1.753.
Como el estadstico de prueba resulta menor que el valor de tabla, se rechaza H0 y se
concluye que existe suficiente evidencia estadstica para aceptar que con la dosis 3 se
obtienen mejores resultados que con la dosis 1 cuando se aplica el abono tipo 2.
Ejemplo 3 (Experimento factorial en DCA): Los siguientes datos muestran los aumentos
de peso en gramos de ratas machos bajo 6 tratamientos de alimentacin en un experimento
conducido en un DCA. Los factores en estudio y los resultados del experimento son:
A: Fuente de protena (a1 = Res, a2 = cereal, a3 = cerdo)
B: Dosis de protena (b1 = Baja, b2 = alta).
a1 a2 a3
b1 b2 b1 b2 b1 b2
88 83 91 107 64 93
74 102 81 95 83 78
90 108 75 97 74 95
83 104 101 80 73 97
335 397 348 379 294 363
Modelo Aditivo Lineal: En este caso el diseo utilizado es un DCA por lo que el modelo
aditivo lineal ser el siguiente:
Yijk = + i + j + ( )ij + ijk i = 1,..., p j = 1,..., q k = 1,..., r
donde:
Yijk es la ganancia de peso obtenida con la i-sima fuente de protena en la j-sima dosis,
k-sima repeticin.
i es el efecto de la i-sima fuente de protena.
j es el efecto de la j-sima dosis de protena.
()ij es el efecto de la interaccin en la i-sima fuente de protena, j-sima dosis.
ijk es el efecto del error experimental en la i-sima fuente de protena, j-sima dosis, k-
sima repeticin.
p = 3 es el nmero de niveles del factor A.
q = 2 es el nmero de niveles del factor B.
r = 4 es el nmero de repeticiones.
Estimacin de los efectos:
= Y = 88.17
Efectos estimados de los niveles del factor A:
1 = Y1 Y = 91.50 88.17 = 3.33

2 = Y2 Y = 90.88 88.17 = 2.71

3 = Y3 Y = 82.13 88.17 = 6.04
Efectos estimados de los niveles del factor B:
1 = Y1 Y = 81.42 88.17 = 6.75

2 = Y2 Y = 94.92 88.17 = 6.75
Efecto estimado de la interaccin en el nivel 1 del factor A y el nivel 2 del factor B:

( )12 = Y12 Y1 Y2 + Y = 99.25 91.50 94.92 + 88.17 = 1
El efecto estimado del error 312:
312 = Y312 Y31 = 83 73.5 = 9.5
Anlisis de Variancia:
p 2
q r
Y
SC(Total) = Y 2
ijk
i =1 j =1 k =1 pqr
21162
= (882 + 742 + ... + 97 2 ) = 3329.33
(3)(2)(4)
p q
Yij2
SC(Comb. AB) = TC
i =1 j =1 r
3352 397 2 3632 21162
= + +"+ = 1635.33
4 4 4 (3)(2)(4)
p
Yi2
SC( A) = TC
i =1 qr
7322 727 2 657 2 21162

= + + = 439.58
(2)(4) (2)(4) (2)(4) (3)(2)(4)
q
Y2j
SC( B) = TC
j =1 pr
977 2 11392 21162
= + = 1093.50
(3)(4) (3)(4) (3)(2)(4)
SC(AB) = SC(Comb. AB) - SC(A) - SC(B)

= 1635.33 439.58 1093.50 = 102.25
SC(Error) = SC(Total) - SC(Comb. AB)
= 3329.33 1635.33 = 1694

Cuadro ANVA
A 2 439.58 219.79 2.34
B 1 1093.50 1093.50 11.62
AB 2 102.25 51.13 0.54
Total 23 3329.33
Para un modelo de efectos fijos las hiptesis sern:

Para el efecto principal de A: H0: i = 0 i = 1, 2, 3.
Para el efecto principal de B: H0: j = 0 j = 1, 2.
Para el efecto de la interaccin AB: H0: ()ij = 0 i = 1, 2, 3; j = 1, 2.
Para la interaccin el estadstico de prueba es Fc = 0.54 y el valor de tabla, con un nivel de

significacin del 5% es F( 0.95, 2,18) = 3.55. Como el estadstico de prueba resulta menor que
el valor de tabla no se rechaza H0, y se concluye que no hay suficiente evidencia estadstica
para aceptar la existencia de interaccin entre la fuente de protena y la dosis. Dado que la
interaccin resulta no significativa, las conclusiones para un factor sern independientes
del otro; por lo tanto, se procede al anlisis de los efectos principales.
Para el factor A se obtiene un Fc de 2.34 menor que el valor de tabla F( 0.95, 2,18) = 3.55, por
lo que no se rechaza H0, y se concluye que no existe suficiente evidencia estadstica para
aceptar que con al menos una de las fuentes de protena se obtenga una ganancia de peso
diferente en las ratas.
Para el factor B en cambio, se obtiene un Fc de 11.62 mayor que el valor de tabla

F( 0.95, 1,18) = 4.41, por lo que se rechaza H0, y se concluye que s existe suficiente evidencia
estadstica para aceptar que la ganancia de peso de las ratas es diferente en las dos dosis de
protena.
El coeficiente de variacin para este experimento es:
CME 94.11
cv = = = 11%
Y 88.17

Anexo: Salida de Minitab

Ejemplo 2
General Linear Model: Y versus Bloques, A, B
Factor Type Levels Values

Bloques fixed 4 1 2 3 4
A fixed 2 1 2
B fixed 3 1 2 3
Analysis of Variance for Y, using Adjusted SS for Tests
Source DF Seq SS Adj SS Adj MS F P

Bloques 3 0.80458 0.80458 0.26819 5.04 0.013
A 1 1.00042 1.00042 1.00042 18.81 0.001
B 2 2.91000 2.91000 1.45500 27.35 0.000
A*B 2 0.56333 0.56333 0.28167 5.30 0.018
Error 15 0.79792 0.79792 0.05319
Total 23 6.07625
Ejemplo 3
General Linear Model: Y versus A, B
Factor Type Levels Values
A fixed 3 1 2 3
B fixed 2 1 2
Analysis of Variance for Y, using Adjusted SS for Tests
Source DF Seq SS Adj SS Adj MS F P

A 2 439.58 439.58 219.79 2.34 0.125
B 1 1093.50 1093.50 1093.50 11.62 0.003
A*B 2 102.25 102.25 51.13 0.54 0.590
Error 18 1694.00 1694.00 94.11
Total 23 3329.33

Ejercicios
1. En la tabla que se presenta a continuacin se presentan los tiempos de supervivencia en

horas de animales asignados aleatoriamente a tres venenos (v1, v2, v3) y tres antdotos (a1,
a2, a3). El experimento fue parte de una investigacin para combatir los efectos de ciertos
agentes txicos y el diseo fue un DCA.
v1 v2 v3
Rep. a1 a2 a3 a1 a2 a3 a1 a2 a3
1 4.5 6.3 3.5 4.1 4.0 3.6 4.2 4.8 3.9
2 4.4 6.9 3.5 3.9 3.5 3.1 4.3 4.3 3.6
3 4.2 6.4 4.0 3.6 4.0 3.5 3.8 3.9 4.0
4 3.9 6.5 3.2 4.1 4.1 3.9 4.7 4.2 4.1
a) Presente el modelo aditivo lineal e interprete cada uno de sus componentes en trminos
del enunciado.
b) Efecte el anlisis grfico de la interaccin.
c) Efecte el anlisis de variancia. Analice los efectos principales o simples segn
corresponda.
d) Efecte la prueba de Tukey para evaluar si existen diferencias entre los venenos cuando se
aplica el antdoto a2.
e) Se cree que el antdoto a2 es ms efectivo que el a1 para contrarrestar al veneno v1.
Efecte la prueba correspondiente.
2. Se realiz un experimento para evaluar el efecto del estrgeno en la ganancia de peso en

ovejas. Las ovejas fueron bloqueadas por corral con seis tratamientos por bloque. Los
tratamientos resultaron de las combinaciones del sexo de las ovejas (s1, s2)y el nivel de
estrgeno (d1, d2, d3). La dosis d1 fue un testigo (sin la aplicacin de estrgeno) y d3 la
dosis mayor. Los resultados en libras se presentan en la siguiente tabla.
s1 (Machos) s2 (Hembras)
Bloque d1 d2 d3 d1 d2 d3
1 45 57 57 40 49 52
2 50 53 55 45 52 56
3 42 63 65 43 53 55
4 46 60 61 39 50 55
del enunciado
corresponda.
d) Efecte la prueba de Tukey para evaluar si existen diferencias entre las dosis.
3. Una compaa grande de productos alimenticios realiz un experimento para investigar el

efecto de dos factores, el material de la envoltura de los paquetes y el color de la
envoltura, sobre las ventas de uno de sus productos. Se utilizaron dos tipos de material
(a1=Papel encerado y a2=Plstico), en tres colores (b1=Amarillo, b2=Rojo y b3=Verde). Se
seleccionaron 4 supermercados para el experimento y despus de estar el producto en el
mercado por una semana se registr la venta total (en miles de soles) para cada una de las
6 combinaciones. Los resultados se muestran a continuacin:
Papel encerado Plstico

Supermercado Amarillo Rojo Verde Amarillo Rojo Verde
1 2.6 2.7 2.2 2.9 3.0 2.4
2 1.8 2.3 1.5 1.9 2.5 1.8
3 2.4 2.2 1.8 2.4 2.8 2.1
4 2.6 2.9 2.5 2.8 3.2 2.7
del enunciado
corresponda.
d) Efecte la prueba de Tukey donde sea necesario.
4. Se realiz un experimento para evaluar el efecto de tres densidades de siembra (d1, d2, d3)
con tres variedades de frijol (v1, v2 y v3), en el rendimiento de frijol en kg/parcela. El
diseo utilizado para el experimento fue un DBCA.
v1 v2 v3
Bloque d1 d2 d3 d1 d2 d3 d1 d2 d3
I 10.05 9.66 9.14 10.71 10.35 11.42 9.03 10.46 13
II 8.71 8.45 9.02 9.45 10.24 12.91 8.54 10.5 10.1
III 9.9 8.05 8.01 9.25 11.1 11.5 7.24 8.85 11.57
del enunciado
corresponda.
d) Efecte la prueba de Tukey en donde sea necesario.
e) A partir de los resultados obtenidos en las preguntas anteriores, presente sus
recomendaciones.
5. En un experimento de algodn se analizaron 3 distanciamientos entre matas y dos dosis de

nitrgeno, en 4 campos de cultivo (bloques).
A: Distanciamiento entre matas (25, 37.5 y 50 cm)
B: Abonamiento nitrogenado (50 y 100 kg de N por ha)
Y: Rendimiento por parcela (en libras).

a1 a2 a3
Campo b1 b2 b1 b2 b1 b2
1 9.56 8.26 9.18 8.90 8.26 9.82
2 9.32 8.50 8.86 8.50 8.64 9.84
3 8.96 8.42 8.22 9.82 8.10 9.7
4 8.78 8.26 8.70 9.78 8.72 10.04
del enunciado.
corresponda.
d) Mediante la prueba DLS compare a1b2 con a3b2.
6. Con la finalidad de estudiar el efecto de tres niveles de Nitrgeno (a1, a2, a3) y dos niveles
de fsforo (b1, b2), en el cultivo de una variedad de papa se realiz un experimento con un
arreglo factorial conducido en el DCA con 4 repeticiones. Los resultados obtenidos en
kg/parcela son los siguientes:
a1 a2 a3
Repeticin b1 b2 b1 b2 b1 B2
1 31 43 42 45 48 51
2 32 41 38 46 50 47
3 34 43 36 44 48 50
4 35 39 41 43 51 52
del enunciado.
corresponda.
d) Efecte la prueba de Tukey en donde sea necesario.


Cap Viii

Cargado por

Copyright:

Formatos disponibles

Cap Viii

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Cap Viii

Cargado por

Copyright:

Formatos disponibles

Departamento de Estadstica e Informtica

Curso: Mtodos Estadsticos para la Investigacin I Experimentos Factoriales

En captulos anteriores se estudiaron los diseos Completamente al Azar, de Bloques

3.2. Niveles de un Factor

3.3. Tipos de Factores

Ing. Ral Eyzaguirre Prez 113

3.4. Tipos de Experimentos Factoriales

3.5. Efectos en los Experimentos Factoriales

Ejemplo 1: A continuacin se presentan datos para un experimento factorial 2x2.

Niveles del Factor A a1 a2

Ing. Ral Eyzaguirre Prez 114

La interaccin entre dos factores puede tambin analizarse grficamente. El grfico de la

Ing. Ral Eyzaguirre Prez 115

4. Experimento Factorial pxq

4.1. Modelo Aditivo Lineal

En un DCA, el modelo aditivo lineal est dado por:

Ing. Ral Eyzaguirre Prez 116

En el caso de un experimento factorial en DBCA, el modelo aditivo lineal es:

Ejemplo 2 (Experimento Factorial en DBCA):

El modelo aditivo lineal para este ejemplo ser:

Ing. Ral Eyzaguirre Prez 117

4.2. Estimacin de los Efectos

teniendo en cuenta las siguientes restricciones:

La aplicacin de este mtodo da los siguientes resultados para la estimacin de los

Los efectos estimados de los niveles del factor A:

1 = Y1 Y = 2.3583 2.5625 = 0.2042

2 = Y2 Y = 2.7667 2.5625 = 0.2042

Los efectos estimados de los niveles del factor B:

1 = Y1 Y = 2.0875 2.5625 = 0.475

2 = Y2 Y = 2.6875 2.5625 = 0.125

3 = Y3 Y = 2.9125 2.5625 = 0.35

El efecto estimado del error 234:

234 = Y234 Y23 Y4 + Y = 3.4 3.125 2.85 + 2.5625 = 0.0125

Ing. Ral Eyzaguirre Prez 118

4.3. Anlisis de Variancia

En este modelo la variabilidad total se descompone de la siguiente manera:

La variabilidad correspondiente a los tratamientos, la cual corresponde al efecto combinado

SC(AB) = SC(Comb. AB) SC(A) SC(B)

SC(Error) = SC(Total) - SC(Comb. AB) SC(Bloques)

Ing. Ral Eyzaguirre Prez 119

Fuentes de Grados de Sumas de Cuadrados

Total pqb 1 SC(Total)

Para el efecto principal de A: H0: 2 = 0

Para el efecto principal de B: H0: 2 = 0

Para el efecto de la interaccin AB: H0:

Ing. Ral Eyzaguirre Prez 120

La primera hiptesis a evaluar es la correspondiente a la interaccin. Que no exista

Ejemplo 2 (Cont.): A continuacin se presenta el anlisis de variancia y las prueba de

28.32 33.22 61.52

Ing. Ral Eyzaguirre Prez 121

SC(AB) = SC(Comb. AB) SC(A) SC(B)

14.12 14.92 15.42 17.12 61.52

SC(Error) = SC(Total) SC (Comb. AB) SC(Bloques)

Para un modelo de efectos fijos las hiptesis sern:

Ing. Ral Eyzaguirre Prez 122

4.4. Anlisis de Efectos Simples

2. Para el efecto simple de B en el i-simo nivel de A:

2. Para el factor B en el i-simo nivel del factor A:

Ejemplo 2 (Cont.): Anlisis de los efectos simples.