Experimentos Factoriales PDF

UNIDAD V: DISEO EXPERIMENTAL
31
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2013

D DI IS SE E O O Y Y A AN N L LI IS SI IS S
D DE E E EX XP PE ER RI IM ME EN NT TO OS S F FA AC CT TO OR RI IA AL LE ES S

1 19 9. .1 1. . I IN NT TR RO OD DU UC CC CI I N N

Con anterioridad se ha sealado que estadsticamente el concepto de experimento aleatorio es
aplicable, tanto al mbito de los estudios observacionales como de los estudios experimentales. Los
primeros basan su quehacer en la observacin de los hechos ocurridos (sin mayor participacin o
intervencin en la forma en que se producen los datos), de ah que generalmente suelen estar asociados
a una investigacin por muestreo y dan lugar a datos observacionales (datos recolectados sin mayores
decisiones acerca de cmo se exponen las unidades de anlisis a los factores en estudio). As son
ejemplos de estudios observacionales los estudios descriptivos o los estudios analticos para evaluar
hiptesis de trabajo. Este enfoque difiere del experimental, en el cual el investigador en cierta medida
ejerce un control en el ambiente donde se producirn los datos experimentales (datos recolectados
bajo la intervencin del azar y tambin bajo la decisin personal sobre varios aspectos de cmo se
exponen las unidades de anlisis a los factores en estudio).
Tambin se indic que el diseo de experimentos o diseo experimental se refiere al proceso
planificado para llevar a cabo un experimento y generar datos experimentales. Un experimento requiere
una intervencin activa; consiste en realizar una prueba o serie de pruebas para producir o reproducir
artificialmente un fenmeno. La unidad de experimentacin enmarca el caso del experimento
controlado, que se caracteriza porque en l al menos se toman decisiones sobre un factor para
provocar modificaciones en una variable de inters, la variable dependiente o respuesta, manteniendo
bajo control (estadstico o experimental) a otras variables y adems se hace una asignacin aleatoria de
las unidades experimentales a las distintas modalidades o niveles del factor. Por estas caractersticas se
dice que un experimento controlado es aquel en el que las variaciones observadas en la variable
dependiente pueden atribuirse nica e inequvocamente a la/s variable/s independiente/s, razn por la
cual es el procedimiento por excelencia para establecer explicaciones causales sobre fenmenos.
Muy efectivamente los experimentos controlados constituyen una valiosa herramienta para
explorar y establecer relaciones de causa-efecto entre una o ms variables de entrada a un proceso o
sistema (x
1
, x
2
, x
j
, , x
k
) y una variable respuesta (y), por tanto para valorar a la salida del proceso el
desempeo del proceso o la variabilidad que se ha producido (eficacia del factor). Con lo que antecede
deber quedar claramente comprendida la explicacin, que se diera oportunamente con relacin a los
modelos lineales en el contexto del anlisis de regresin, de que no siempre una relacin funcional (Y:
variable dependiente o predicha) se corresponde con una relacin de causa-efecto (Y: variable
dependiente o respuesta), las que slo pueden ser establecidas bajo condiciones experimentales.
Hasta ahora se ha visto como disear un experimento monofactorial o unifactorial y analizar los
datos experimentales obtenidos, al efecto de conocer cul es la variacin que puede provocar un nico
factor sobre las unidades experimentales, al aplicar diferentes modalidades o niveles del mismo
(tratamientos simples). Tambin se vio que el anlisis de los datos experimentales se hace con el
ADEVA, a fin de realizar la comparacin de las respuestas medias correspondiente a los tratamientos
aplicados. Sin embargo en muchas ocasiones, interesa examinar el efecto que produce en una
respuesta al aplicar simultaneamente factores sobre una misma unidad experimental. En tal caso se
tiene que abordar el problema mediante otro tipo de experimentos ms complejos. Por ejemplo, en una
agroindustria puede interesar la variable pH de una conserva de pimiento (variable respuesta); resulta
claro que tanto el grado de madurez de la materia prima utilizada (Factor 1) como el agregado posterior
de cido ctrico durante el proceso de elaboracin (Factor 2), son determinantes del pH final del
producto. Luego un tecnlogo procurar investigar para saber cul es el pH final que se logra empleando
pimiento cosechado con diferentes grados de madurez y aplicando en el proceso diferentes
concentraciones de cido ctrico. Es decir, que desear valorar los resultados logrados manipulando en
un mismo experimento dos factores.
Cuando se investiga el efecto de dos o ms factores, no es apropiado analizar la variacin que
provoca en una respuesta cada uno de ellos por separado, dado que puede suceder que los efectos
medidos en la variable respuesta se deban a: 1) la accin de los factores que actan como variables
Contenidos
19.1.Introduccin
19.2.Definiciones y notacin simblica
19.3.Anlisis inferencial de los experimentos factoriales
19.4.Estructuras grficas utilizadas en experimentales
factoriales
19.5.Ventajas de los experimentos factoriales
19.6. Bibliografa

TEMA
32
independientes entre s o, 2) que acten de modo no independiente. En consecuencia para medir su
eficacia hay que experimentar con ellos en forma simultnea, aplicndolos sobre una misma unidad de
anlisis. Hay que llevar a cabo lo que se conoce como un experimento polifactorial o multifactorial.
Genricamente se trata de experimentos en los cuales se investiga la accin de dos o ms factores, y
donde los tratamientos responden a arreglos combinados de tratamientos simples (tratamientos
combinados). Retomando el caso del anlisis del pH, para analizar los efectos del grado de madurez y
el agregado del cido ctrico, corresponder realizar un experimento bifactorial que es el caso ms
simple de un experimento multifactorial.

1 19 9. .2 2. . D DE EF FI IN NI IC CI IO ON NE ES S Y Y N NO OT TA AC CI I N N S SI IM MB B L LI IC CA A

Adems del desarrollo de nuevos conceptos especficos de los experimentos polifactoriales,
resulta necesario retomar algunos conceptos bsicos que fueron tratados en los captulos de
experimentacin anteriores y revisar el alcance del significado que algunos de ellos tienen en este nuevo
contexto temtico.
Factor: es cada una de las variables de entrada a un proceso (variables controladas o no
controladas) cuya influencia en la respuesta (salida) desea ser conocida. Es cada una de las variables
cuyos efectos se desea estudiar. Se lo representa con las letras del alfabeto latino en mayscula: A, B,
C, etc.
Nivel: es cada una de las distintas posibilidades (categoras o valor) de los factores. Se identifican
con la letra minscula del factor acompaada de un subndice: a
o
, a
1
, , a

o bien b
1
, b
2
,, b
donde a
y b representan, en cada caso, la cantidad de niveles del factor. Por ejemplo, las tres dosis posibles (0
kg/ha; 80 kg/ha y 160 kg/ha) del factor fertilizante (A: Urea) se representarn como a
0
, a
1
, a
2
.
Tratamiento combinado: en un experimento monofactorial se estudia un nico factor, y las
modalidades (factor cualitativo) o los niveles (factor cuantitativo) constituyen los tratamientos simples o
tratamientos; por ejemplo, para el primer caso al estudiar el efecto del sistema de riego en el rendimiento
de un cultivo los tratamientos seran los distintos sistemas (por surco, por inundacin, por goteo).
Tambin podra tratarse de tratamientos que son combinaciones de niveles de varios factores, donde
cada combinacin solo se analiza como una categora de tratamiento. En el caso de los experimentos
polifactoriales cada factor, de modo independiente, proporciona varios tratamientos simples. En trminos
generales el concepto de tratamiento en este ltimo tipo de experimento se refiere a un tratamiento
combinado que resulta de combinar los niveles de al menos dos factores. En otras palabras, un
experimento factorial es aquel en el que los tratamientos consisten en combinaciones posibles entre los
niveles de al menos dos factores (Los diferentes niveles de un factor NO son los tratamientos a los que
se hace referencia en un experimento factorial). La forma prctica de visualizar todas las posibles
combinaciones es recurrir para el arreglo combinatorio a la construccin de una tabla auxiliar apropiada
(de doble o mltiple clasificacin). Mientras que para denotar los tratamientos combinados se puede
emplear una notacin explcita que consiste en usar las letras minsculas y los subndices numricos
que correspondan, por ejemplo a
0
b
0,
a
0
b
1
c
2
, etc. Tambin puede usarse una notacin abreviada que se
indica simplemente con slo los subndices, por ejemplo: 01, 02,03, , ij,, ab, donde i=1,...,a y j
=1,..., b. El nmero total de posibilidades que tiene el factor se indica con la correspondiente letra griega
en minscula a, b, c, etc). El nmero de tratamientos combinados resulta de multiplicar el nmero de
niveles que tienen los factores, de modo que por ejemplo, para un factorial AxB y otro AxBxC se tiene,
respectivamente K=a*b y k= a*b*c.

A continuacin se ilustra la construccin de la matriz de diseo de tratamientos a travs de unos
ejemplos:
Caso 1: Arreglo combinatorio para un Factorial 3x2; K=6 (2 factores, el primero con 3 niveles y el segundo con 2)
Variable respuesta: Rendimiento de durazneros (kg/planta)
Factor V (Variedad de duraznero), a = 3 (O`Henry, Elegant Lady, Fantasa);
Factor P (Poda), b= 2 (poda corta y poda larga)
VARIEDAD (V)
PODA (P)

TRATAMIENTOS COMBINADOS (k= 3x2 = 6)
Corta (p
1
) Larga (p
2
)
Notacin
Descripcin
completa reducida
O`Henry
(v
1
)
v
1
p
1
v
1
p
2
v
1
p
1
11 Variedad O`Henry y poda corta
v
2
p
1
21 Variedad Elegant Lady y poda corta
Elegant Lady
(v
2
)
v
2
p
1
v
2
p
2
v
3
p
1
31 Variedad Fantasa y poda corta
v
1
p
2
12 Variedad O`Henry y poda larga
Fantasa
(v
3
)
v
3
p
1
v
3
p
2
v
2
p
2
22 Variedad Elegant Lady y poda larga
v
3
p
2
32 Variedad Fantasa y poda larga

33
Caso 2: Arreglo combinatorio para un Factorial 3x3x3 (o Factorial 3
3
), k= 27

Variable respuesta: Rendimiento de parcelas de ajo (t/ha)
Factor N (Fertilizacin nitrogenada), a = 3 (0 kg/ha, 100 kg/ha; 200 kg/ha);
Factor P (Fertilizacin fosfrica), b = 3 (0 kg/ha, 30 kg/ha; 60 kg/ha);
Factor K (Fertilizacin potsica), c = 3 (0 kg/ha, 40 kg/ha; 80 kg/ha);

NITR-
GENO
FSFORO
Testigo 0 kg/ha
(p
0
)
Dosis Simple 30 kg/ha
(p
1
)
Dosis doble 60 kg/ha
(p
2
)
POTASIO POTASIO
POTASIO

Testigo
0 kg/ha
(k
0
)
Dosis
simple
40 kg/ha
(k
1
)
Dosis
doble
80 kg/ha
(k
2
)

Testigo
0 kg/ha
(k
0
)
Dosis
simple
40 kg/ha
(k
1
)
Dosis
doble
80 kg/ha
(k
2
)

Testigo
0 kg/ha
(k
0
)
Dosis
simple
40 kg/ha
(k
1
)
Dosis
doble
80 kg/ha
(k
2
)
Testigo
0 kg/ha
(n
0
)
a
0
b
0
c
0
000

a
0
b
0
c
1
001

a
0
b
0
c
2
002

a
0
b
1
c
0
010

a
0
b
1
c
1
011

a
0
b
1
c
2
012

a
0
b
2
c
0
020

a
0
b
2
c
1
021

a
0
b
2
c
2
022

Simple
100 kg/ha
(n
1
)
a
1
b
0
c
0
100

a
1
b
0
c
1
101

a
1
b
0
c
2
102

a
1
b
1
c
0
110

a
1
b
1
c
1
111

a
1
b
1
c
2
112

a
1
b
2
c
0
120

a
1
b
2
c
1
121

a
1
b
2
c
2
122

Doble
200 kg/ha
(n
2
)
a
2
b
0
c
0
200

a
2
b
0
c
1
201

a
2
b
0
c
2
202

a
2
b
1
c
0
210

a
2
b
1
c
1
211

a
2
b
1
c
2
212

a
2
b
2
c
0
220

a
2
b
2
c
1
221

a
2
b
2
c
2
222

Experimentos polifactoriales: el experimento factorial es un experimento aleatorio que consiste
en el estudio de una variable aleatoria de respuesta en funcin de dos o ms factores, a travs de los
tratamientos combinados que de ellos se derivan.
Suele indicarse el tipo de factorial mediante una expresin numrica en formato factorial o de potencia
como se muestra a continuacin:

Descripcin Factorial
2 factores, uno con 2 niveles y otro con 3 2x3
2 factores con 2 niveles cada uno 2x2 o bien 2
2

3 factores con 2 niveles cada uno 2x2x2 o bien 2
3

2 factores con 2 niveles y 2 con tres niveles 2
2
x 3
2

Notar que la expresin en formato de potencia es especialmente prctica cuando todos los factores
tienen el mismo nmero de niveles: la base indica el nmero de niveles y el exponente el de factores.
De acuerdo a la estructura de tratamientos, los experimentos factoriales se pueden clasificar de acuerdo
a criterios especficos:
1) Criterio cantidad de tratamientos combinados:
a) Factoriales completos: cuando se someten a prueba todos los posibles tratamientos combinados
(cada nivel de un factor se corre con cada nivel del otro u otros).
b) Factoriales incompletos: a veces el nmero de tratamientos combinados resulta muy grande, y
entonces se puede recurrir a los denominados experimentos factoriales incompletos o
fraccionados en los que se utiliza slo una fraccin de todas las posibles combinaciones de
niveles.
2) Criterio cantidad de niveles de los factores
a) Factoriales simtricos: los factores tienen el mismo nmero de niveles. Ej: 3
3

b) Factoriales asimtricos: cuando los factores tienen distinto nmero de niveles. Ej: 3x2
A esta clasificacin se suma el criterio general del nmero de repeticiones de los tratamientos:
a) Diseo balanceado (u ortogonal): cada nivel del factor se repite la misma cantidad de veces
para todas las posibles combinaciones con los niveles de los otros factores.
b) Diseo desbalanceado: cuando los factores tienen distinto nmero de repiticiones.

34
Observacin

En los experimentos factoriales resulta conveniente tener claro dos
instancias de diseo: a) el diseo de los tratamientos o estructura de
tratamientos y, b) el diseo experimental.

El primero consiste en el conjunto de tratamientos o poblaciones que el
experimentador ha seleccionado para estudiar y/o comparar, por tanto se
refiere a la decisin de combinar los niveles de los diferentes factores para
obtener los tratamientos combinados y elegir cules de ellos utilizar para
evaluar efectos de inters (arreglo factorial de los tratamientos).

El segundo es el plan formal para conducir el experimento, incluyendo la
eleccin de los factores, niveles, respuestas, bloqueo, tamao de
muestras, repeticiones y aleatorizacin. Esta ltima se relaciona con la
asignacin de los tratamientos combinados a las unidades experimentales,
la que se hace mediante alguno de los diseos bsicos experimentales
descriptos (dispositivo experimental o arreglo geomtrico de la
distribucin de los tratamientos en las unidades experimentales, esto es
DCA: diseo con asignacin de tratamientos completamente aleatorizado,
DBA: diseo con asignacin de tratamientos en bloques al azar; DCL:
diseo de asignacin de tratamientos con doble bloqueo aleatorizado). En
consecuencia debe notarse que resulta inapropiada la expresin diseo
factorial para referirse a un experimento factorial. El tipo de diseo
experimental ser tenido en cuenta a la hora de modelar los datos
experimentales y de aplicar el anlisis de la varianza.

Tipos de efectos: simple, principal y de interaccin: en el caso de un experimento
monofactorial se ha visto que cada tratamiento simple se aplica a una unidad experimental diferente,
mientras que en el caso de un experimento polifactorial se aplican tratamientos combinados. Un caso
posible podra ser el siguiente experimento bifactorial:

Diseo de tratamientos

Factor A; Factor B
a = 3 , b = 2

Factorial completo
K = 3x2 = 6

I

II

III

IV
Dispositivo experimental DBA; r=4

(1)
a
1
b
1

(2)
a
1
b
2

(3)
a
2
b
1

(5)
a
3
b
1

(4)
a
2
b
2

(6)
a
3
b
2

(5)
a
3
b
1

(4)
a
2
b
2

(6)
a
3
b
2

(1)
a
1
b
1

(3)
a
2
b
1

(2)
a
1
b
2

(4)
a
2
b
2

(6)
a
3
b
2

(1)
a
1
b
1

(3)
a
2
b
1

(5)
a
3
b
1

(2)
a
1
b
2

(2)
a
1
b
2

(4)
a
2
b
2

(1)
a
1
b
1

(3)
a
2
b
1

(5)
a
3
b
1

(6)
a
3
b
2

Se observa en el mapeo del diseo experimental la distribucin de los tratamientos combinados segn
diseo de bloques completos al azar. La estructura de tratamientos permite analizar estos diferentes
tipos de efectos de tratamientos:

Efectos principales: se refieren a los efectos de los tratamientos que
corresponden a considerar, en cierto modo, los resultados de la aplicacin de los
niveles de cada factor (a
1
, a
2
y a
3
para el caso de A,

o bien b
1
y

b
2
para el caso de
B) como si se tratara de tratamientos simples.

Efectos simples y efectos de interaccin: en este caso corresponde
considerar los tratamientos combinados: a
1
b
1,
a
1
b
2
,

a
2
b
1
,

a
2
b
2
,

a
3
b
1
, y

a
3
b
2
.

La importancia prctica de los efectos lleva, como se ver, a interpretar los resultados de la tabla del
anlisis de la varianza en el siguiente orden: primero los efectos de interaccin (los efectos de los
factores no son independientes) y segundo los efectos principales (los efectos de los factores son
independientes), requirindose en el caso de tener efectos de interaccin significativos un anlisis de los
efectos simples (los efectos de un factor dependen de cul sea la combinacin de sus niveles con los
35
niveles del otro factor). Esta naturaleza de los experimentos factoriales permite la realizacin de
experimentos ms eficientes, dado que permiten conocer: a) cul es el efecto que produce la accin de
todos los factores (tratamientos combinados) en las unidades experimentales y, b) si los factores actan
en las unidades experimentales de manera independiente o bien en forma interactiva. Esta incipiente y
muy intuitiva introduccin a la posibilidad de analizar diferentes efectos en los experimentos factoriales,
ser analizada a continuacin mediante un ejemplo muy simple y las denominadas grficas de efectos.

Ejemplo 19.1. Se conoce que la gran amplitud trmica diaria en los meses de verano (da caluroso y
noche fresca) favorece la formacin de polifenoles en la uva. Sea un experimento factorial donde se ha
medido la concentracin de polifenoles en el hollejo de uva Malbec lograda en viedos de clones
diferentes (c1: Clon 1; c2: Clon 2) localizados en dos zonas que presentan diferente amplitud trmica
diaria (a1: Amplitud menor; a
2
: Amplitud mayor).

A continuacin se muestra un anlisis grfico con dos resultados posibles:
a) la variable respuesta muestra idntico comportamiento o patrn para los dos clones, con relacin a
ambas zonas.
Se observa que tanto el Clon 1 como el Clon 2 logran las mayores concentraciones de polifenoles
cuando estn implantados en la zona con mayor amplitud trmica diaria y, que sus concentraciones se
reducen en forma similar cuando lo estn en la zona con menor amplitud (Grfico 19.1).

Es importante notar que este comportamiento semejante, lleva a dar la misma recomendacin para
ambos clones: para lograr mayor concentracin de polifenoles tanto el Clon 1 como el Clon 2 se debe
ser implantar en la zona con mayor amplitud trmica (conclusin general vlida igualmente para ambos).
Grficamente la igualdad de patrones la indica el paralelismo de los dos segmentos punteados, que en
trminos estadsticos se traduce en una falta de efecto de interaccin entre los dos factores.

b) la variable respuesta muestra comportamiento o patrn diferencial en los clones con relacin a las
zonas.
Como en el caso anterior, podra suceder que ambos clones lograran menores concentraciones de
polifenoles en la zona con menor amplitud trmica diaria, y mayores valores cuando estuvieran
implantados en la zona con mayor rango trmico. Sin embargo podra aparecer un comportamiento
diferencial en el Clon 2, tal que la concentracin de polifenoles resultara comparativamente con la del
Clon 1 mucho mayor en la ltima zona (Grfico 19.2).

Ac es importante notar que la respuesta de los clones no es tan semejante. Por razones a investigar,
cuando el Clon 2 se encuentra en la zona de mayor amplitud trmica se potencializa su capacidad para
aumentar la concentracin de polifenoles en el hollejo de la uva, lo que no acontece de igual manera con
el Clon 1. Grficamente esta desigualdad de patrones la indica la prdida del paralelismo de los dos
Concentracin
media de
polifenoles
Clon 1 (c1) Clon 2 (c2) Factor
Clon

Factor Zona

Amplitud mayor (a2)
Amplitud menor (a1)
Grfico 19.2. Evidencia de efecto de interaccin entre los dos
Concentracin
media de
polifenoles

Clon 1 (c1) Clon 2 (c2) Factor
Clon
Factor Zona

Amplitud mayor (a2)
Amplitud menor (a1)
Grfico 19.1. Evidencia de ausencia de efecto de interaccin entre 2 factores
36
segmentos punteados, ahora resultan divergentes (uno con mayor pendiente y otro con menor). En
trminos estadsticos se traduce que hay un cierto efecto de interaccin entre los dos factores.
Podra suceder que los comportamientos de los clones fueran tan dispares, que los segmentos se
cruzaran en algn punto, lo cual indicara que las condiciones que son mejores para uno de los clones
resultan las peores para el otro. En tal caso, en trminos estadsticos se dira que hay un marcado efecto
de interaccin entre los dos factores. Tanto esta situacin como en la de un menor efecto de interaccin,
llevara a dar diferente recomendacin para cada clon.

Resumen comparativo:
Aspecto Caso de no interaccin Caso de interaccin
Efecto en la
respuesta
Los factores provocan efectos
independientes (efecto de un factor
consistente para todos los niveles del
otro factor).
El efecto del nivel de un factor en la
respuesta se modifica segn con cual
nivel del otro factor se haya combinado
(efecto de un factor no consistente para
todos los niveles del otro factor).
Patrn de
comportamiento
Patrones semejantes Patrones diferentes
Grfico de efectos Segmentos paralelos Segmentos divergentes o que se cortan
Tipo de conclusin
nica de carcter general, con
alcance vlido para explicar lo que
acontece con cada factor en
presencia del nivel del otro factor.
Varias de carcter particular, con alcance
vlido para explicar lo que acontece el
caso de cada nivel de un factor en
presencia de cada nivel del otro factor.

Se introducir ahora un formato de concepto ms formal, que pretende acercar al anlisis
numrico de los diferentes efectos:

Efecto simple: se mide a travs del cambio en la respuesta obtenida para los niveles de un factor
manteniendo constante el nivel del otro factor. Numricamente para el ejemplo 19.1 se tiene:

Efecto Simple medio
de Zona en el Clon 1

=
Respuesta media
de las repeticiones
del Clon 1
Amplitud mayor

[ [[ [Media clon1 en a
2
] ]] ]

-
Respuesta media
de las repeticiones
del Clon 1
Amplitud menor

[ [[ [Media clon1 en a
1
] ]] ]

En forma anloga se pueden calcular los efectos simples para los niveles del factor Zona.

Efecto principal de un factor: se mide a travs del cambio en la respuesta promedio que se produce al
cambiar de un nivel a otro nivel de ese factor, prcticamente, se estima por la diferencia entre la
respuesta media del nivel 2 (o alto) del factor y la respuesta media del nivel 1 (o bajo).

Efecto Principal
del Clon
=
Respuesta media
Clon 2

-
Respuesta media
Clon 1

Concentracin
media de
polifenoles
Clon 1 Clon 2
Grfico 19.3. Efectos simples de la zona en cada clon
(se vara la zona y se mantiene constante el clon)
Efecto simple de Zona en el clon 2
Efecto simple de Zona
en cada nivel del Clon

DIFERENCIA ENTRE LAS
RESPUESTAS MEDIAS DEL
CLON EN AMBAS ZONAS

37

En forma anloga se puede mostrar para el otro factor que:
Efecto Principal
de Zona
=
Respuesta media
Amplitud mayor

-
Respuesta media
Amplitud menor

Efecto de interaccin entre dos factores: se mide a travs de la diferencia entre los efectos simples
de un factor a travs de los niveles del otro factor.
Efecto de Interaccin
Clon x Zona
=
Respuesta media
Ef.simple Clon 2

-
Respuesta media
Ef.simple Clon 1

En este caso se observa que el efecto de las zonas es considerablemente ms notable en el
Clon 2 de la variedad Malbec. La combinacin simultnea del Clon 2 con las condiciones de la Zona con
mayor amplitud trmica, evidencia la existencia de una potenciacin del efecto de ambos factores;
particularmente se trata de un efecto de sinergismo (el rendimiento medio del Clon 2 en la Zona de
mayor amplitud e mucho mayor que el de la Zona 1, esto es
22
>>

21
). Contrariamente se observa en el
Clon 1, la existencia de una escasa disminucin del rendimiento medio en esa zona, insinuando que en
este caso habra un insinuante efecto de antagonismo con la mayor amplitud trmica (el rendimiento
medio
11
es algo menor que

12
). En otras palabras, el aumento en el rendimiento medio se ha
producido en forma cruzada con relacin a las zonas.
Observacin: las lneas punteadas utilizadas en los grficos solo pretenden facilitar la comprensin de
los cambios de las medias, pero dado que los factores son de tipo cualitativo es ms correcto utilizar el
siguiente tipo de representacin

Ejemplo 19.2. Se ha experimentado para medir el tiempo de reaccin de pacientes (Y) de acuerdo al
sexo (A) y al tipo de tratamiento recibido para el insomnio (B). El grfico 19.6 muestra que las mujeres
tardan ms en dormirse, tanto en el grupo tratado como en el grupo placebo (hay un comportamiento
diferencial por sexo) y tambin que los tratados con placebo tardan ms en dormirse que los tratados
con somnfero (hay un efecto diferencial por el tratamiento). Sin embargo se observa que los patrones
son similares (punteando la distancia entre los puntos resultaran segmentos paralelos), por tanto el
grfico no es indicativo de que exista un efecto de interaccin entre el sexo y el tratamiento.
En el grfico 19.7 se observa que el efecto del somnfero es distinto en ambos sexos y,
simtricamente, que el efecto del sexo es distinto en ambos grupos de tratamiento. Se observa que los
patrones son diferentes (punteando la distancia entre los puntos no resultaran segmentos paralelos),
por tanto el grfico es indicativo de que existe un efecto de interaccin entre el sexo y el tratamiento.

Concentracin
media de
polifenoles
Clon 1 Clon 2
Grfico 19.5. Evidencia de efecto de interaccin entre los dos
Efecto simple del Clon 2
Efecto simple del Clon 1
Efecto de Interaccin

DIFERENCIA MEDIA DE EFECTOS SIMPLES

Clon x Zona = [ [[ [ Efecto simple clon 2 - Efecto simple clon 1 ] ]] ]

Concentracin
media de
polifenoles
Clon 1 Clon 2
Grfico 19.4. Efecto principal del Clon
Efecto principal del Clon

MEDIA DE EFECTOS SIMPLES

Clon = (Efecto simple clon 2 + Efecto simple clon 1)


38
Cuadro 19.1. Modelos ADEVA y sus particularidades
Modelo I o de efectos fijos Modelo II o de efectos aleatorios
La H
1
se plantea suponiendo que las k
muestras fueron elegidas de k poblaciones
distintas y fijas.

Ejemplo: en un monte frutal existen
durazneros de tres variedades (V
1
, V
2
, V
3
)
que interesa comparar (se asume que
existen tres poblaciones fijas, de cada una
de ellas se extrae una muestra).
Si se repite el experimento, se volver a
tomar una muestra de cada una de las k
mismas poblaciones (V
1
, V
2
, V
3
).
La H
1
se plantea suponiendo que las k
muestras fueron seleccionadas
aleatoriamente de un conjunto de m
poblaciones (m>k), es decir, se tienen
muestras aleatorias de k situaciones
distintas y aleatorias.
Ejemplo: en un viedo existen 12 clones de
la variedad Malbec, se realiza un sorteo y
se seleccionan 5 de ellos (se asume que
existen varias poblaciones diferentes y que
slo se somete a prueba una muestra de
ellas).
Si se repite el experimento, la seleccin
aleatoria a partir de las m poblaciones,
dar k muestras que procedern
seguramente de distintas poblaciones.
Un valor individual de la variable respuesta se
modela en un bifactorial:
a) en caso de no interaccin
donde:
es la media global,
es el efecto fijo de la poblacin j-sima

(constante diferente para las a poblaciones),
es el efecto fijo de la poblacin l-sima

(constante diferente para las b poblaciones),
para cada una de las k poblaciones se

supone una distribucin normal de media 0 y
varianza comn
2

b) en caso de interaccin se introduce
adems un trmino ()
ij

= +

= 1, ,
= 1, ,
= 1, ,
= +
+ ()

= 1, ,
= 1, ,
= 1, ,
Un valor individual se puede escribir en este
modelo como

donde:
es la media global,
es el efecto aleatorio o una variable NIID

con media 0 y varianza
a

2
,
son variables (una para cada una de las

k poblaciones seleccionadas) distribuidas
normalmente con media 0 y varianza
2

(igual a modelo I)

Este tipo de modelo es muy utilizado en
gentica en problemas cruzamientos para la
seleccin de lneas.

= +

= 1, ,
= 1, ,
Las suposiciones iniciales y los propsitos de ambos modelos son diferentes, y los clculos y
las pruebas de significacin en el ADEVA son iguales pero conducen a diferente interpretacin.
NIID: distribuida normal, idntica e independientemente de las

Tratamiento

Grfico 19.6 Grfico 19.7
La interaccin indica que los efectos de ambos factores no son aditivos: cuando los factores se
aplican simultneamente, su efecto no es igual a la suma de los efectos que tienen cuando estn por
separado. Por tanto si en un determinado estudio existe interaccin entre dos factores, no tiene
sentido estimar los efectos de los factores por separado. A la interaccin positiva, es decir, cuando
el efecto de los factores actuando juntos es mayor que la suma de efectos actuando por separado, en
Biologa se le denomina sinergia o potenciacin y a la interaccin negativa inhibicin o antagonismo.
Modelos ANOVA para experimentos factoriales. La relacin entre una variable respuesta de
inters y un estmulo aplicado, que implica a por lo menos el efecto de dos factores puede modelarse
con un modelo lineal que contiene parmetros de acuerdo con la hiptesis de investigacin.
Existen distintos criterios de clasificacin de los modelos. Una clasificacin primaria con las
propiedades para cada caso, se presenta en el Cuadro 19.1.

39

Otro criterio para la clasificacin de los modelos es el siguiente:
Modelo completo: explica la variable respuesta a travs de todas las fuentes de variacin en que se ha
particionado la variacin total de los datos experimentales. El modelo completo sera utilizado en el caso
de un bifactorial donde el experimentador supone o sospecha que la respuesta a los dos factores se
puede explicar como la suma de los efectos individuales y adems de un efecto de interaccin (la
sobreparametrizacin necesariamente determina la necesidad de repeticiones para cada tratamiento), a
saber:
= +
+()
= , , ;
= , ,
= , ,

En este modelo los diferentes trminos representan:
: la respuesta de la variable aleatoria al i-simo nivel del factor A y j-simo nivel del factor B,
: una media general para los datos poblacionales del experimento completo,
:el efecto que produce el j-simo nivel del factor A,
: el efecto que produce el l-simo nivel del factor B

()
: el efecto adicional de la interaccin para la combinacin del j-simo nivel del factor A con el
l-simo nivel del factor B, y la i-sima repeticin.

ij
: es el error experimental asociado a la observacin ijl-sima que como siempre los errores se
suponen normales, independientes, con esperanza cero y varianza comn
2
.

En el caso de haber aplicado bloqueo, este modelo deber contener un trmino adicional,

i

que representa el i-simo bloque asociado a la unidad experimental donde se espera tener un valor
particular de la variable aleatoria Y
ijl
. Es importante notar que ahora Y posee tres subndices porque los
datos experimentales admiten una clasificacin triple o de acuerdo a tres vas: segn el nmero de
bloque (, subndice i), por el nivel aplicado del factor A (subndice j) y por el nivel aplicado del factor B
(subndice l).

= +
+()
= , ,
;
= , ,
= , ,

La interaccin entre dos factores es una interaccin de primer orden. Si se experimentara con ms de
dos factores se podran tener interacciones de mayor orden, por ejemplo en un trifactorial el modelo
completo debe ampliarse ya que contendr otras interacciones de primer orden adems de la
interaccin de segundo orden (AxBxC):

= +
+()
+()
+()
+()

= , ,
= , ,
= , ,
= , ,

Generalizando, el orden de la interaccin est dado por el nmero de factores que intervienen: primer
orden, si se trata de dos factores, segundo orden si intervienen tres, y as sucesivamente. Adems en el
caso de que se tengan varios tipos de interacciones se puede referenciar la interaccin de primer orden
como la interaccin de orden inferior y la interaccin de mayor orden como la interaccin de orden
superior.

Modelo reducido: no explica la variable respuesta a travs de todas las posibles fuentes de variacin en
que puede particionarse la variacin total de los datos experimentales. Un ejemplo es el siguiente

= +
= , ,
= , ,
= , ,
Modelo completo
para un factorial AxB, con tratamientos
combinados distribuidos segn un
diseo completamente aleatorizado

Modelo completo
para un factorial AxB con tratamientos
diseo de bloques aleatorizados.
Modelo reducido
para un factorial AxB, con tratamientos
DCA, sin efecto de interaccin.
Modelo completo
para un factorial AxBxC con
tratamientos combinados
distribuidos segn un DCA.
Ctedra de Clculo
Como siempre en el ADEVA mostrar la particin fundamental para la suma de los cuadrados de
los desvos generales, en coincidencia con el modelo que se postula para
resultados del anlisis se presentan resumidos en la tpica tabla del anlisis de varianza, que en un
bifactorial mostrara esta
Fuente de variacin
FV
Total
Factor A
Factor B
Interaccin
Error

Puede verificarse, lo sabido
aditivos.
A continuacin se da una salida de computadora obtenida con el software estadstico Minitab que
muestra los resultados del ADEVA,

La salida permite confirmar que no es significativo el efecto de
estudiar con mayor profundidad los efectos principales. A continuacin se muestra el
anlisis de las medias de los niveles
del somnifero (frmaco) es igual a

1 19 9. .3 3. . A AN N L LI IS SI IS S I IN NF F

1 19 9. .3 3. .1 1. . L La as s h hi ip p t te e

Sea un experimento factorial c
completamente al azar. Segn lo visto el modelo que representa los posibles datos experimentales es:

culo Estadstico y Biometra Facultad de Cien
los desvos generales, en coincidencia con el modelo que se postula para
estructura:

Modelo de tabla de ADEVA para un bifactorial
Fuente de variacin
Suma de
cuadrados
SC
Grados de
libertad
GL
SCG abr - 1
SCA a - 1
SCB b - 1
SC(AB) (a - 1)(b - 1)
SCE ab(r-1)
sabido por la ecuacin fundamental del ADEVA
muestra los resultados del ADEVA, para el experimento del ejemplo
permite confirmar que no es significativo el efecto de
estudiar con mayor profundidad los efectos principales. A continuacin se muestra el
de los niveles de los factores, donde por ejemplo puede verse que el
(frmaco) es igual a 39,8 - 28,0 =11,8 min.
F FE ER RE EN NC CI IA AL L D DE E L LO OS S E EX XP PE ER R
e es si is s
experimento factorial con dos factores y los tratamientos combinados distribuidos
. Segn lo visto el modelo que representa los posibles datos experimentales es:
iencias Agrarias UNCUYO / Ciclo 2013
los desvos generales, en coincidencia con el modelo que se postula para los datos experimentales y los
Modelo de tabla de ADEVA para un bifactorial en DCA
Cuadrados medios
CM
F

SCA/(a - 1) F
A
SCB/(b - 1) F
B

SC(AB) /[(a - 1)(b - 1)] F
(AB)

SCE/[ab(r-1)]
ecuacin fundamental del ADEVA, que tanto las SC como los GL son
para el experimento del ejemplo 19.2.

permite confirmar que no es significativo el efecto de interaccin, y por tanto interesa
estudiar con mayor profundidad los efectos principales. A continuacin se muestra el correspondiente al
factores, donde por ejemplo puede verse que el efecto

R RI IM ME EN NT TO OS S F FA AC CT TO OR RI IA AL LE ES S
on dos factores y los tratamientos combinados distribuidos
40
los datos experimentales y los
como los GL son
, y por tanto interesa
correspondiente al
efecto medio
on dos factores y los tratamientos combinados distribuidos
41
= +
+()
= , ,
= , ,
= , ,
donde
: observacin del tratamiento combinado j,l (j-simo nivel del factor A y el l-simo nivel del
factor B) en i-sima repeticin o simplemente el tratamiento combinado ij (o celda ij)
: efecto medio verdadero correspondiente a todas las posibles respuestas para todas las
posibles unidades experimentales
:el efecto que produce el j-simo nivel del factor A,
: el efecto que produce el l-simo nivel del factor B

()
: el efecto adicional de la interaccin para la combinacin del j-simo nivel del factor A con
el l-simo nivel del factor B, y la i-sima repeticin.
: efecto del error experimental para la i-sima repeticin del tratamiento combinado jl.

Aplicado este modelo a las unidades que correspondieron al tratamiento a
1
b
1
, la media verdadera
para esta subpoblacin est dada por:
( )
11 1 1 11
+ + + =

Las suposiciones bsicas del modelo, considerando un modelo de efectos fijos o modelo I, son
= ;
= ; ()
= ; ()
=

Por tanto se trata de un modelo de efectos aditivos, donde los errores experimentales
ijr
, al igual
que en los modelos ADEVA para experimentos monofactoriales, son variables aleatorias que tienen DNII
(0,
2
) para cada poblacin definida por una combinacin de niveles del factor A y del factor B (o para
cada celda ij de la matriz de diseo de tratamientos). La condicin de homogeneidad de las varianzas
poblacionales de los tratamientos implica que:

= =
= =

A partir del modelo postulado son tres las hiptesis a evaluar y se refieren a los efectos
principales del Factor A y del B, y el efecto de la interaccin AxB):

H
o
:
i
= 0 para todo i (el efecto del nivel i-simo del factor A es nulo)
H
1
:
i
0 por lo menos para algn i

H
o
:
j
= 0 para todo j (el efecto del nivel j-simo del factor B es nulo)
H
1
:
i
0 por lo menos para algn j

H
o
:()
ij
= 0 para toda combinacin ij
H
1
:()
ij
0 por lo menos para alguna combinacin ij

Las hiptesis formuladas se contrastan mediante la prueba de F, de modo anlogo a los
experimentos monofactoriales: se obtienen estimaciones de CM con los datos experimentales y luego,
los valores muestrales del estadgrafo de prueba, mediante el cociente entre el cuadrado medio
correspondiente y el cuadrado medio del error, y el resultado obtenido se compara con el valor del F
crtico al nivel de significancia fijado asociado a la correspondiente fuente de variacin.

Si los datos experimentales no aportan evidencia para rechazar la hiptesis nula para el efecto
de interaccin, H
o
:()
ij
= 0, cobra importancia el anlisis de los efectos principales. Contrariamente si se
rechaza la hiptesis de nulidad, hay que pasar a estudiar los efectos simples; en tal caso se plantean y
someten a prueba las siguientes hiptesis:

H
o
:
i
= 0 para todo i al nivel de b
1

H
1
:
i
0 por lo menos para algn i al nivel de b
1

H
o
:
i
= 0 para todo i al nivel de b
2

42
H
1
:
i
0 por lo menos para algn i al nivel de b
2

H
o
:
j
= 0 para todo j al nivel de a
1

H
1
:
j
0 por lo menos para algn j al nivel de a
1

H
o
:
j
= 0 para todo j al nivel de a
2

H
1
:
j
0 por lo menos para algn j al nivel de a
2

Para un experimento en donde intervengan tres factores el modelo, para un distribucin de
tratamientos combinados mediante bloqueo resulta:
= +
+()
+()
+()
+()

= , ,

= , ,
= , ,
= , ,
Donde:
: efecto medio verdadero correspondiente a todas las posibles respuestas

representa el efecto verdadero del i-simo bloque

efecto verdadero del i-simo nivel del factor A

efecto verdadero del l-simo nivel del factor B

efecto verdadero del m-simo nivel del factor C

()
efecto de la interaccin del j-simo nivel del factor A con el l-simo nivel del factor B
()
efecto de la interaccin del j-simo nivel del factor A con el m-simo nivel del factor C
()
efecto de la interaccin del l-simo nivel del factor B con el m-simo nivel del factor C
()
efecto de la interaccin del j-simo nivel del factor A con el l-simo nivel del factor B y el
m-simo nivel del factor C
efecto del error experimental para la repeticin en el i-simo bloque del jlm-simo
tratamiento combinado de A, B y C.

En tal caso las hiptesis que se someten a prueba mediante el ADEVA y la prueba de F son:

Efecto de bloques H
o
:
i
= 0 para todo i (el efecto del i-simo bloque es nulo)
H
1
:
i
0 por lo menos para algn i

Efectos principales H
o
:
j
= 0 para toda j (el efecto del j-simo nivel del factor A es nulo)
H
1
:
j
0 por lo menos para algn j

H
o
:
l
= 0 para toda l (el efecto del l-simo nivel del factor B es nulo)
H
1
:
l
0 por lo menos para algn l

H
o
:
= 0 para toda m (el efecto del m-simo nivel del factor C es nulo)
H
1
:
0 por lo menos para algn m

Efectos de interaccin de 1 orden H
o
:()
jl
= 0 para toda combinacin jl
H
1
:()
jl
0 por lo menos para alguna combinacin jl

H
o
:()
jm
= 0 para toda combinacin jm
H
1
:()
jm
0 por lo menos para alguna combinacin jm

H
o
:()
lm
= 0 para toda combinacin lm
H
1
:()
lm
0 por lo menos para alguna combinacin lm

Efectos de interaccin de 2 orden H
o
:()
jlm
= 0 para toda combinacin jlm
H
1
:()
jlm
0 por lo menos para alguna combinacin jlm

43
1 19 9. .3 3. .2 2. . S Su um ma as s d de e c cu ua ad dr ra ad do os s

Continuando con un modelo ADEVA para un experimento con arreglo factorial, para dos factores
A y B con a y b niveles respectivamente, y distribucin de los tratamientos totalmente al azar. La
ecuacin fundamental del ADEVA, que particiona la suma de cuadrados de desvos para el total en una
suma de componentes, que proporcionan estimaciones independientes de la variabilidad total es

SCG = SCA +SCB + SC(AxB) + SCE
En trminos de desvos,
) (
) ( ) ( ) ( ) (

= = =

= =

=

=

= = =
+ +
+ + + =

Y Y Y Y
Y Y Y Y r Y Y ra Y Y rb Y Y
l jl
r
i
a
j
b
l
ijl
l j
a
j
b
l
jl
b
l
l
a
j
j
r
i
a
j
b
l
ijl
1 1 1
1 1
2
1
2
1
2
1 1 1

Los trminos de la identidad fundamental del ADEVA, en este caso se refieren a:

SCG: trmino a la izquierda de la igualdad, que representa la variabilidad total, es decir, la suma
de cuadrados de desvos entre cada observacin y la media general. Los grados de libertad
asociados son igual a: (abr 1).
SCA: la variabilidad debido a las medias correspondientes a los niveles del factor A respecto a la
media general
SCB: la variabilidad debido a las medias correspondientes a los niveles del factor B respecto a la
media general
SC(AxB): la variabilidad de las medias
ij
y que no es atribuible a los efectos individuales (o
separados) de los factores A y B.
En forma anloga se tiene la particin de los grados de libertad:

g
=
A
+
B
+
AxB
+

(abr 1) = (a-1) + (b-1) + (a-1) (b-1) + ab(n-1)

Notar que el clculo de los grados de libertad para la interaccin se hace a travs del producto entre los
grados de libertad asociados a los efectos principales de los factores intervinientes. En el caso de una
distribucin de tratamientos en bloques aleatorizados, se agregar otra fuente de variacin explicativa, la
suma de cuadrados de bloques SCBl a la que le corresponden (r 1) grados de libertad.

En la prctica, se utilizarn las frmulas abreviadas para el clculo de las SC. Al finalizar, en el
anexo con problemas resueltos se encontrar un detalle de las mismas, donde adems se presentan
ejemplos de trifactoriales.

1 19 9. .3 3. .3 3. . T Ta ab bl la a d de el l A AD DE EV VA A y y p pr ru ue eb ba a d de e F F

Siguiendo el ejemplo utilizado para explicar la particin de la SCG, se presenta a continuacin
una sntesis en relacin a este tema.

Tabla de ADEVA para un experimento bifactorial (AxB, con a y b niveles respectivamente)
con tratamientos combinados segn un DCA
Fuente de variacin
FV
Suma de
cuadrados
SC
Grados de
libertad
GL
Cuadrados medios
CM
F
c

Total SCG
abr 1

Factor A SCA
a -1
SCA / (
a -1)

F
A
Factor B SCB
b -1
SCB / (
b -1)

F
B

Interaccin AxB SC(AB)
(a-1) (b-1)
SC(AB) / [
(a-1) (b-1)
]
F
(AB)

Error SCE
ab(r-1)
SCE / [
ab(r-1)]

Ctedra de Clculo
Resumen de las pruebas para un experimento factorial

1) Prueba del efecto de

1. Hiptesis nula:
H
o
: ()
no hay interaccin entre los factores A y B.

2. Hiptesis alternativa:
H
1
: ()
los fact

3. Estadgrafo de prueba:

4. Regin de rechazo:

Etapa
1.Hiptesis
nula:
H
0
:
no hay diferencias entre las medias de los

niveles del factor A
2.Hiptesis
alternativa:
H
1
:
por lo menos
3.Estadgrafo
de prueba
F = CMA/CME,
grados de libertad
4.Regla de
decisin
Rechazar H

En general en todo experimento factorial se pueden presentar 8 diferen
significancia A, B, y la interaccin AB como se puede ver a continuacin:

Causas de
Variacin

A

B

AB

Realizando la prueba de F, la conclusin en
dos factores ni interaccin.
Para los casos 2, 3. 4 se interpretan los resultados como que no hay interaccin; los factores
actan independientemente. Para el caso 2, hay que ver la diferencia entre ni
caso 3, entre niveles del factor B y para el caso 4, estudiar las diferencias entre niveles de A y de B
respectivamente.

culo Estadstico y Biometra Facultad de Cien
ueba del efecto de Interaccin.
= 0 ,
Hiptesis alternativa:
0 ,
los factores A y B actan recprocamente.
de prueba: F = CM(AB)/CME, en donde F se basa en

1
= (a 1)(b - 1) y
2
= ab(r -
Regin de rechazo: Rechazar H
0
si F > F
0
, donde F
distribucin F
2) Prueba de los Efectos Principales de los Factores
Factor A
= 0
= =

0
por lo menos una media es diferente de los
F = CMA/CME, en donde F se basa en

A
= a -1 y
2
= ab(r 1)
grados de libertad
Rechazar H
0
si F
c
> F
(1-;
A,
)
odo experimento factorial se pueden presentar 8 diferen
Distintos casos de la significancia A, B y la interaccin AB
s de

Casos posibles
1 2 3 4

ns

ns

ns

*

ns

ns

ns

*

ns

*

*

ns
ns: diferencias no significativas ;
Realizando la prueba de F, la conclusin en el caso 1 ser que no hay efecto entre los niveles de
dos factores ni interaccin.
actan independientemente. Para el caso 2, hay que ver la diferencia entre ni
iencias Agrarias UNCUYO / Ciclo 2013
ores A y B actan recprocamente.
F = CM(AB)/CME, en donde F se basa en
- 1) grados de libertad.
, donde F
0
, se localiza en la cola superior de la
los Efectos Principales de los Factores
Factor B
H
0
:
= 0
= =

niveles del factor B
H
1
:
0
por lo menos una media es diferente de los
niveles del factor B
F = CMB/CME, en donde F se basa en

B
= b -1 y
2
= ab(r 1)
grados de libertad
Rechazar H
0
si F
c
> F
(1-;
B,
)
odo experimento factorial se pueden presentar 8 diferentes casos, relativos a la
Distintos casos de la significancia A, B y la interaccin AB
Casos posibles
5 6 7 8

ns

ns

*

*

ns

*

ns

*

*

*

*

*
; *: diferencias significativas
el caso 1 ser que no hay efecto entre los niveles de
actan independientemente. Para el caso 2, hay que ver la diferencia entre niveles del factor A; para el
44
perior de la
de los

tes casos, relativos a la
el caso 1 ser que no hay efecto entre los niveles de
veles del factor A; para el
45

1 19 9. .3 3. .4 4. . A An n l li is si is s p po os st te er ri io or r a al l A AD DE EV VA A

En general, el anlisis de la varianza se completa, como ya es conocido:

a) si los tratamientos son de naturaleza cualitativa, con un anlisis de comparaciones mltiples de
medias
b) si los tratamientos son de naturaleza cuantitativa, con un anlisis de tendencia (modelo de
regresin)

Caso a: Factor de naturaleza cualitativa. Por ejemplo un bifactorial 3x2, donde el Factor A es tipo de
mezcla alimenticia para engorde de animales, y B es el sexo del animal., se procede segn:

La interaccin no result significativa: el anlisis contina sobre los efectos principales. A
posteriori se puede aplicar una prueba de comparaciones mltiples (Duncan, Tukey y otras) para
determinar cul o cules son las medias de niveles que difieren. En un bifactorial donde el efecto
principal de A result significativo y por ejemplo tiene tres modalidades (Ej. mezclas alimenticias
para engorde de animales) cabra hacer las siguientes comparaciones

media del nivel a
1
versus media del nivel a
2

media del nivel a
1
3

media del nivel a
2
3

La interaccin es significativa: se debe realizar el anlisis de todos los efectos simples,
entonces pueden hacerse comparaciones de la forma

media del nivel a
1
2
, al nivel de b
1

media del nivel a
1
3
, al nivel de b
1

media del nivel a
2
3
, al nivel de b
1

media del nivel a
1
2
, al nivel de b
2

media del nivel a
1
3
, al nivel de b
2

media del nivel a
2
3
, al nivel de b
2

media del nivel b
1
versus media del nivel b
2
, al nivel de a
1

media del nivel b
1
2
, al nivel de a
2

media del nivel b
1
2
, al nivel de a
3

Caso b: Factor de naturaleza cuantitativa. Por ejemplo un bifactorial 3x2, donde el Factor A es la
cantidad de suplemento vitamnico para engorde de animales, y B es cantidad de das a la semana en
que se proporciona el suplemento. En este caso la respuesta puede estar relacionada con los
tratamientos a travs de un polinomio (modelo lineal o bien no lineal), y entonces se procede como se
ha visto en el captulo del anlisis de regresin, para conocer como vara la respuesta en funcin de las
dosis crecientes, si:

La interaccin no result significativa: el anlisis contina sobre los efectos principales.
Suponiendo que resulta significativo el efecto principal de A, cabra continuar el anlisis con un
estudio de la tendencia, y siendo que se tienen 3 dosis crecientes de vitaminas, implica analizar
si la relacin funcional Y= f(cantidad de suplemento vitamnico) es del tipo lineal o bien
cuadrtico.

La interaccin es significativa: corresponder hacer un estudio de la tendencia, que arrojar
luz sobre interacciones del tipo (A)lineal x (B)lineal, (A)cuadrtica x (B)lineal, (A)cbica x (B)lineal
para el primer caso y, slo (A)lineal x (B)lineal en el segundo.

Un resumen de los lineamientos generales para el anlisis de los experimentos factoriales, se
expone en el Cuadro 19.2.

46
Cuadro 19.2. Lineamientos para el anlisis de experimentos factoriales
Anlisis preliminar: anlisis exploratorio del cumplimiento de los supuestos
del ADEVA mediante grficos (diagramas de dispersin, diagrama de caja,
grfico de efectos).
Anlisis numrico: ADEVA
1) construir la tabla de ANOVA para el modelo completo (con efectos
principales y de interaccin)
2) investigar las grficas de residuos para asegurar el buen ajuste del
modelo
3) analizar la significancia de las fuentes de variacin de la tabla del ADEVA
(criterio: p value o bien ), del siguiente modo:
3.1.) Comprobar la significancia del efecto del bloqueo si se hubiera
utilizado un diseo con control.
3.2.) Efectos:
a) comenzar con la investigacin del efecto de interaccin o
interacciones: primeramente establecer la significancia de la interaccin de
orden superior, luego las de los subsiguientes rdenes inferiores.
b) continuar con la investigacin de la significancia de los efectos
principales, para el caso de que los factores no estn involucrados en una
interaccin significativa.
4) profundizar el anlisis de las interacciones que resultaron significativas a
travs del anlisis de los efectos simples.
5) aplicar pruebas de hiptesis complementarias en los casos de inters
(pruebas de comparaciones mltiples o bien pruebas de tendencia) o bien la
estimacin de parmetros.
6) elaborar el informe del anlisis resumiendo los resultados numricos
obtenidos acompaados con las conclusiones en trminos estadsticos y del
problema, y acompaar con grficos que ilustren los efectos que se
consideren con inters prctico.

1 19 9. .4 4. . E ES ST TR RU UC CT TU UR RA AS S G GR R F FI IC CA AS S U UT TI IL LI IZ ZA AD DA AS S E EN N E EX XP PE ER RI IM ME EN NT TO OS S
F FA AC CT TO OR RI IA AL LE ES S

Caso 1. Bifactorial 3x3; diseo experimental: experimento completo (k= 3x3=9 tratamientos
combinados) segn DCA con r=3

Matriz de diseo de tratamientos Dispositivo experimental (plano de asignacin de las
unidades experimentales a los tratamientos combinados)
Niveles
Factor A
Niveles Factor B

b
1
b
2
b
3

a
1
a
1
b
1
a
1
b
2
a
1
b
3

a
3
b
1
(1)
a
1
b
3
(1)
a
3
b
3
(1)
a
3
b
2
(1)
a
1
b
1
(1)
a
3
b
3
(2)
a
2
b
3
(1)
a
3
b
1
(2)
a
2
b
1
(1)
a
2
a
2
b
1
a
2
b
2
a
2
b
3

a
1
b
1
(2)
a
2
b
1
(2)
a
3
b
2
(2)
a
1
b
2
(1)
a
1
b
1
(3)
a
2
b
3
(2)
a
1
b
3
(2)
a
2
b
1
(3)
a
3
b
2
(3)
a
3
a
3
b
1
a
3
b
2
a
3
b
3

a
2
b
2
(1)
a
2
b
2
(2)
a
1
b
2
(2)
a
1
b
2
(3)
a
3
b
3
(3)
a
2
b
2
(3)
a
1
b
3
(3)
a
2
b
3
(3)
a
3
b
1
(3)

Observacin: para los tratamientos combinados se ha usado la notacin explcita, y en el dispositivo
experimente los nmeros entre parntesis indican el nmero de repeticin del tratamiento.

47
Caso 2. Trifactorial 3 x 3 x 2 ( bien 3
2
x 2). Ejemplo adaptado del texto de Steel Torrie
Tabla de rendimientos parcelarios: Datos de un experimento en invernadero sobre la tasa de
emergencia de semillas (Y: n de plantas) de tres especies de leguminosas (A), sembradas a una
profundidad de pulgada en tres tipos de suelos (B) y tratadas con un fungicida (C).

Especies=A Fungicida=C
Tipo de Suelo=B
Franco
limoso=b
1

Arenoso=b
2
Arcilloso=b
3
Total=b
1
+b
2
+b
3

Alfalfa=a
1

Control=c
1

Tratadas=c
2

266=(a
1
b
1
c
1
)
276=(a
1
b
1
c
2
)
286=(a
1
b
2
c
1
)
271=(a
1
b
2
c
2
)
66=(a
1
b
3
c
1
)
215=(a
1
b
3
c
2
)
618=(a
1
c
1
)
762=(a
1
c
2
)
Total=c
1
+c
2
542=(a
1
b
1
) 557=(a
1
b
2
) 281=(a
1
b
3
) 1,380=(a
1
)
Trbol Rojo= a
2

Control=c
1

Tratadas=c
2

252=(a
2
b
1
c
1
)
275=(a
2
b
1
c
2
)
289=(a
2
b
2
c
1
)
292=(a
2
b
2
c
2
)
167=(a
2
b
3
c
1
)
203=(a
2
b
3
c
2
)
708=(a
2
c
1
)
770=(a
2
c
2
)
Total=c
1
+c
2
527=(a
2
b
1
) 581=(a
2
b
2
) 370=(a
2
b
3
) 1,478=(a
2
)
Trbol dulce=a
3

Control=c
1

Tratadas=c
2

152=(a
3
b
1
c
1
)
178=(a
3
b
1
c
2
)
197=(a
3
b
2
c
1
)
219=(a
3
b
2
c
2
)
52=(a
3
b
3
c
1
)
121=(a
3
b
3
c
2
)
401=(a
3
c
1
)
518=(a
3
c
2
)
Total=c
1
+c
2
330=(a
3
b
1
) 416=(a
3
b
2
) 173=(a
3
b
3
) 919=(a
3
)

Total= a
1
+a
2
+a
3

Control=c
1

Tratadas=c
2

Total=c
1
+c
2

670=(b
1
c
1
)
729=(b
1
c
2
)

1,399=(b
1
)
772=(b
2
c
1
)
782=(b
2
c
2
)

1,554=(b
2
)
285=(b
3
c
1
)
539=(b
3
c
2
)

824=(b
3
)
1.727=(c
1
)
2.050=(c
2
)

3.777=G
* Cada valor es un total de tres replicaciones de 100 semillas cada una.

Caso 3. Trifactorial 2x2x2; diseo experimental: experimento completo (k=2
3
=8 tratamientos
combinados) segn DBA con r=3
Matriz de diseo de tratamientos
Niveles
Factor
A
Niveles
Factor
B
Niveles Factor C
c1 c2
a1
b1 111 112
b2 121 122
a2
b1 211 212
b2 221 222

Dispositivo experimental (plano de asignacin de las
unidades experimentales a los tratamientos combinados)
I 122 222 111 211 221 212 112 121
II 211 112 121 222 111 122 212 221
III 222 221 112 121 211 212 122 111

Observacin: se ha utilizado la notacin abreviada para los tratamientos combinados por simplificacin

1 19 9. .5 5. . V VE EN NT TA AJ JA AS S D DE E L LO OS S E EX XP PE ER RI IM ME EN NT TO OS S F FA AC CT TO OR RI IA AL LE ES S

Hay ventajas y desventajas de usar experimentos factoriales. Las ventajas se encuentran en el
propsito del experimento. Si el propsito es investigar el efecto de cada factor, ms que los
48
tratamientos dados por la combinacin entre los niveles de los factores que producen una mxima
respuesta, el investigador deber conducir experimentos separados donde trate a cada uno de ellos,
caso contrario deber incluir a todos los factores simultneamente realizando un experimento factorial.
El principal aspecto de los experimentos factoriales es que economiza los recursos
experimentales. Por ejemplo, si los factores son independientes, todos los efectos simples son iguales al
efecto principal del experimento. Esto implica que bajo tales circunstancias, los efectos principales sean
las nicas cantidades necesarias para mediar la consecuencia de las variaciones en el otro factor.
Adems los experimentos factoriales nos permiten estimar cada efecto principal con la misma precisin
que si hubiramos realizado un experimento completo con un solo factor. Esto significa que si tenemos
un experimento con K factores, cada uno de ellos con dos niveles y todos independientes, el factor
simple requerira K ve ces ms recursos experimentales que los necesarios para un experimento
factorial con los mismos niveles de precisin. As, los experimentos factoriales ofrecen ahorro en tiempo
y recursos materiales.
Una ventaja adicional de los factoriales es su habilidad para extender el rango de validez de las
conclusiones de un modo conveniente. Por ejemplo, en un ensayo de fertilizacin donde la presencia o
ausencia de N, P, y K son de principal inters, podemos agregar diferentes variedades en el
experimento. Aqu el objeto no es comparar las variedades sino ms bien los efectos de los fertilizantes
en esas variedades. Debera puntualizarse el hecho de que si se concluye que los efectos fertilizantes
son esencialmente los mismos para las variedades, frente a una nueva variedad podramos aplicar esas
conclusiones, con una mayor confianza que si el experimento hubiera estado confinado a una sola
variedad. En un experimento monofactorial slo se hace variar un factor, manteniendo constantes todos
los otros. Luego, si al conducir un experimento, se reconoce que la variable de inters est afectada por
los diferentes niveles de otros factores, resulta importante aplicar un experimento factorial.
Tambin es importante mantener en mente que el uso indiscriminado de los experimentos
factoriales puede conducir a un incremento en la complejidad, tamao y costo del experimento.
Entonces, si el investigador todava est en las etapas exploratorias y especialmente si el nmero de
factores potencialmente relevantes es grande, el experimentador podra usar solamente dos niveles de
cada factor. Por razones prcticas tambin, se puede usar un experimento inicial de factores nicos y
una vez conocido su comportamiento pasar a la etapa de los experimentos factoriales.
Otra desventaja de los experimentos factoriales se encuentra en la menor precisin de las
estimaciones que resulta a partir de problemas asociados con la heterogeneidad de los factores as
como cuando se aumenta considerablemente el nmero de tratamientos. Cuanto mayor sea ste, mas
difcil es medir la influencia de las principales caractersticas de inters, an cuando tengamos la
posibilidad de recurrir a un buen diseo estadstico mediante el bloqueo de las fuentes identificadas para
controlar la variacin natural. Adems debera puntualizarse que en la comparacin con un experimento
monofactorial, un factorial de tamao comparable tendra un mayor error tpico. Como el nmero de
tratamientos combinados se incrementa en un experimento, el error tpico por unidad tambin se
incrementa. Este incremento en el error tpico usualmente puede mantenerse pequeo al usar bloques o
mediante otra herramienta que es el confundido o confundimiento de fuentes de variacin.

ESTE APUNTE SE COMPLETA CON EL ANEXO: CASOS DE APLICACIN DEL ANLISIS DE
EXPERIMENTOS FACTORIALES

1 19 9. .6 6. . B BI IB BL LI IO OG GR RA AF F A A

* KIRK, R.E. 1968. Experimental design: procedures for the behavioral sciences. Brooks/Cole Publishing
Company, California.

* MENDENHALL, W. 1990. Estadstica para administradores. Grupo Editorial Iberoamrica, S.A. Mxico.

* MILLER, I.R., J.E., FREUND Y R.., JOHNSON. 1992. Probabilidad y estadstica para ingenieros.
Prentice-Hall Hispanoamericana, S.A. Mxico.

* REZA HOSHMAND, A. 1994. Experimental research design and analysis: a practical approach for
agricultural and natural sciences. CRC Press, Inc. EE.UU..

*STEEL,R.G.D. y J.H., TORRIE. 1992. Bioestadstica:principios y procedimientos. Ed. McGraw-
Hill.Mxico

Experimentos Factoriales PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Experimentos Factoriales PDF

Uploaded by

Copyright:

Available Formats

UNIDAD V: DISEO EXPERIMENTAL

es el efecto fijo de la poblacin j-sima

es el efecto fijo de la poblacin l-sima

para cada una de las k poblaciones se

es el efecto aleatorio o una variable NIID

son variables (una para cada una de las

:el efecto que produce el j-simo nivel del factor A,

: el efecto que produce el l-simo nivel del factor B

:el efecto que produce el j-simo nivel del factor A,

: el efecto que produce el l-simo nivel del factor B

representa el efecto verdadero del i-simo bloque

efecto verdadero del i-simo nivel del factor A

efecto verdadero del l-simo nivel del factor B

efecto verdadero del m-simo nivel del factor C

0 por lo menos para algn m

no hay interaccin entre los factores A y B.

no hay diferencias entre las medias de los

You might also like