Professional Documents
Culture Documents
TEMA
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
19.1. INTRODUCCIN
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 (x1, x2 , xj, , xk) 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
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
315
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2013
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: ao, a1, , a o bien b1, b2,, 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 a0, a1, a2.
Corta (p1)
Larga (p2)
v1p1
v1p2
v2p1
v2p2
v3p1
v3p2
Descripcin
Variedad O`Henry y poda corta
Variedad Elegant Lady y poda corta
Variedad Fantasa y poda corta
Variedad O`Henry y poda larga
Variedad Elegant Lady y poda larga
Variedad Fantasa y poda larga
3
316
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2013
NITRGENO
Testigo
0 kg/ha
(n0)
Simple
100 kg/ha
(n1)
Doble
200 kg/ha
(n2)
Testigo 0 kg/ha
(p0)
POTASIO
POTASIO
Testigo
0 kg/ha
(k0)
Dosis
simple
40 kg/ha
(k1)
Dosis
doble
80 kg/ha
(k2)
Testigo
0 kg/ha
(k0)
Dosis
simple
40 kg/ha
(k1)
Dosis
doble
80 kg/ha
(k2)
Testigo
0 kg/ha
(k0)
Dosis
simple
40 kg/ha
(k1)
Dosis
doble
80 kg/ha
(k2)
a0b0c0
a0b0c1
a0b0c2
a0b1c0
a0b1c1
a0b1c2
a0b2c0
a0b2c1
a0b2c2
000
001
002
010
011
012
020
021
022
a1b0c0
a1b0c1
a1b0c2
a1b1c0
a1b1c1
a1b1c2
a1b2c0
a1b2c1
a1b2c2
100
101
102
110
111
112
120
121
122
a2b0c0
a2b0c1
a2b0c2
a2b1c0
a2b1c1
a2b1c2
a2b2c0
a2b2c1
a2b2c2
200
201
202
210
211
212
220
221
222
Factorial
2x3
2x2 o bien 22
2x2x2 o bien 23
22 x 32
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)
2)
b)
Factoriales asimtricos: cuando los factores tienen distinto nmero de niveles. Ej: 3x2
3) 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.
317
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2013
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.
Diseo de tratamientos
(1)
Factor A; Factor B
a=3, b=2
Factorial completo
K = 3x2 = 6
(2)
(3)
a3b1
III
a2b2
a3b2
a1b1
a2b1
a3b1
a1b2
IV
a1b2
a2b2
a1b1
a2b1
a3b1
a3b2
(4)
(2)
(6)
(4)
(6)
a3b2
(1)
(1)
(1)
a1b1
(3)
(3)
a2b2
(6)
II
(4)
a3b1
(4)
a2b2
a2b1
(5)
a1b1
(5)
a1b2
DBA; r=4
(3)
a2b1
(5)
(5)
a3b2
(2)
a1b2
(2)
(6)
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 (a1, a2 y a3 para el caso de A, o bien b1 y b2 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: a1b1, a1b2, a2b1, a2b2, a3b1, y a3b2.
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
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; a2: 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.
318
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2013
Factor Zona
Amplitud mayor (a2)
Amplitud menor (a1)
Clon 1 (c1)
Clon 2 (c2)
Factor
Clon
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).
Concentracin
media de
polifenoles
Factor Zona
Amplitud mayor (a2)
Amplitud menor (a1)
Clon 1 (c1)
Clon 2 (c2)
Factor
Clon
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
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:
319
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2013
Caso de no interaccin
Los
factores
provocan
efectos
independientes (efecto de un factor
consistente para todos los niveles del
otro factor).
Caso de interaccin
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).
Patrones semejantes
Patrones diferentes
Segmentos paralelos
Respuesta media
de las repeticiones
del Clon 1 Amplitud mayor
Respuesta media
de las repeticiones
del Clon 1 Amplitud menor
[Media clon1 en a1 ]
[Media clon1 en a2 ]
Efecto simple de Zona en el clon 2
Concentracin
media de
polifenoles
Efecto simple de Zona
en cada nivel del Clon
Clon 1
Clon 2
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
320
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2013
Efecto Principal
de Zona
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
Concentracin
media de
polifenoles
Efecto de Interaccin
DIFERENCIA MEDIA DE EFECTOS SIMPLES
Clon x Zona = [ Efecto simple clon 2 - Efecto simple clon 1 ]
Clon 1
Clon 2
Efecto simple del Clon 1
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.
321
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2013
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.
Cuadro 19.1. Modelos ADEVA y sus particularidades
Modelo I o de efectos fijos
La H1 se plantea suponiendo que las k
muestras fueron elegidas de k poblaciones
distintas y fijas.
a) en caso de no interaccin
=
+ + +
= 1, ,
= 1, ,
= 1, ,
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
2
varianza comn
= 1, ,
= 1, ,
donde:
es la media global,
es el efecto aleatorio o una variable NIID
2
con media 0 y varianza a ,
son variables (una para cada una de las
k poblaciones seleccionadas) distribuidas
2
normalmente con media 0 y varianza
(igual a modelo I)
Este tipo de modelo es muy utilizado en
gentica en problemas cruzamientos para la
seleccin de lneas.
= , , !;
= ,,#
= ,,$
Modelo completo
para un factorial AxB, con tratamientos
combinados distribuidos segn un
diseo completamente aleatorizado
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2013
322
: una media general para los datos poblacionales del experimento completo,
:el efecto que produce el j-simo nivel del factor A,
() : 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 Yijl. 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).
= , , !$ ;
= ,,#
Modelo completo
para un factorial AxB con tratamientos
combinados distribuidos segn un
diseo de bloques aleatorizados.
= ,,$
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):
= ,,#
Modelo completo
para un factorial AxBxC con
tratamientos combinados
distribuidos segn un DCA.
= ,,$
' = ,,)
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 reducido
para un factorial AxB, con tratamientos
combinados distribuidos segn un
DCA, sin efecto de interaccin.
= ,,!
= ,,#
= ,,$
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 los datos experimentales y los
resultados del anlisis se presentan resumidos en la tpica tabla del anlisis de varianza, que en un
bifactorial mostrara esta estructura:
Modelo de tabla de ADEVA para un bifactorial en DCA
Fuente de variacin
FV
Total
Factor A
Factor B
Interaccin
Error
Suma de
cuadrados
SC
SCG
SCA
SCB
SC(AB)
SCE
Grados de
libertad
GL
abr - 1
a-1
b-1
(a - 1)(b - 1)
ab(r-1)
Cuadrados medios
CM
SCA/(a - 1)
SCB/(b - 1)
SC(AB) /[(a - 1)(b - 1)]
SCE/[ab(r-1)]
F
FA
FB
F(AB)
323
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2013
La salida 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
anlisis de las medias de los niveles de los factores, donde por ejemplo puede verse que el efecto medio
del somnifero (frmaco) es igual a 39,8 - 28,0 =11,8 min.
= ,,!
= ,,#
= ,,$
donde
: observacin del tratamiento combinado j,l (j-simo
simo nivel del factor A y el l-simo
simo nivel del
factor B) en i-sima
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
324
Ctedra de Clculo Es
Estadstico y Biometra Facultad de Ciencias
ias Agrarias UNCUYO / Ciclo 2013
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:
/
/
/
-..
= -./
= = -/.
= = -/ = -1/ = - /
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):
Ho:i = 0
para todo i (el efecto del nivel i-simo del factor A es nulo)
H1:i 0
Ho:j = 0
para todo j (el efecto del nivel j-simo del factor B es nulo)
H1:i 0
Ho:()ij = 0
H1:i 0
Ho:i = 0
H1:i 0
Ho:j = 0
H1:j 0
Ho:j = 0
H1:j 0
= , , !$
= ,,#
= ,,$
' = ,,)
325
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2013
() efecto de la interaccin del j-simo nivel del factor A con el l-simo nivel del factor B
(3)4 efecto de la interaccin del j-simo nivel del factor A con el m-simo nivel del factor C
(3)4 efecto de la interaccin del l-simo nivel del factor B con el m-simo nivel del factor C
(3)4 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
4 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
Ho: i = 0
H1: i 0
Efectos principales
Ho:j = 0
H1:j 0
para toda j (el efecto del j-simo nivel del factor A es nulo)
por lo menos para algn j
Ho:l= 0
H1:l 0
para toda l (el efecto del l-simo nivel del factor B es nulo)
por lo menos para algn l
Ho:34 = 0
H1:34 0
Efectos de interaccin de 1 orden
para toda m (el efecto del m-simo nivel del factor C es nulo)
por lo menos para algn m
Ho:()jl = 0
H1:()jl 0
Ho:()jm = 0
H1:()jm 0
Ho:()lm = 0
H1:()lm 0
(Y
i =1 j =1 l =1
ijl
Y ) 2 = rb (Y j Y ) 2 + ra (Y l Y ) 2 + r (Y jl Y j Y l + Y )
j =1
l =1
j =1 l =1
r
(Y
ijl
Y jl Y l + Y )
i =1 j =1 l =1
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
326
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2013
B +
AxB
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
efectos principales de los factores intervinientes
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
SCB 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.
Grados de
libertad
GL
Total
SCG
abr 1
Factor A
SCA
Factor B
Fuente de variacin
FV
Cuadrados medios
CM
Fc
a -1
SCA / (a -1)
FA
SCB
b -1
SCB / (b -1)
FB
Interaccin AxB
SC(AB)
(a-1) (b-1)
F(AB)
Error
SCE
ab(r-1)
SCE / [ab(r-1)]
Hiptesis nula:
Ho: () = 0
8 9:;: ,
no hay interaccin entre los factores A y B.
Hiptesis alternativa:
H1: () 6 0
8 <> ,
los factores
factores A y B actan recprocamente.
Estadgrafo de prueba: F = CM(AB)/CME, en donde F se basa en
1 = (a 1)(b - 1) y 2 = ab(r - 1) grados de libertad.
Regin de rechazo:
Rechazar H0 si F > F0, donde F0, se localiza en la cola superior
perior de la
distribucin F
2.Hiptesis
alternativa:
3.Estadgrafo
de prueba
4.Regla de
decisin
Factor A
Factor B
H0 : = 0 8 9:;:
. =
/ = =
?
no hay diferencias entre las medias de los
niveles del factor A
H1 : 6 0 8 <>
por lo menos una media es diferente de los
niveles del factor A
F = CMA/CME, en donde F se basa en
A= a -1 y 2 = ab(r 1)
grados de libertad
H0 : = 0 8 9:;:
. =
/ = =
@
no hay diferencias entre las medias de los
niveles del factor B
H1 : 6 0 8 <>
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
327
Ctedra de Clculo
culo Estadstico y Biometra Facultad de Cien
iencias Agrarias UNCUYO / Ciclo 2013
Casos posibles
4
5
ns
ns
ns
ns
AB
ns
ns
ns
ns
ns
ns
ns
ns
de
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:
. . / .
. . B .
/ . B .
. / / /
. / B /
/ / B /
. . / .
. / / /
. B / B
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:
19.4. ESTRUCTURAS
FACTORIALES
GRFICAS
UTILIZADAS
EN
EXPERIMENTOS
Caso 1. Bifactorial 3x3; diseo experimental: experimento completo (k= 3x3=9 tratamientos
combinados) segn DCA con r=3
Matriz de diseo de tratamientos
Niveles
Factor A
Niveles Factor B
b1
b2
b3
a1
a1 b1
a1b2
a1b3
a2
a2 b1
a2b2
a2b3
a3
a3 b1
a3b2
a3b3
a3b1
(1)
a1b1
(2)
a2b2
(1)
a1b3
(1)
a2b1
(2)
a2b2
(2)
a3b3
(1)
a3b2
(2)
a1b2
(2)
a3b2
(1)
a1b2
(1)
a1b2
(3)
a1b1
(1)
a1b1
(3)
a3b3
(3)
a3b3
(2)
a2b3
(2)
a2b2
(3)
a2b3
(1)
a1b3
(2)
a1b3
(3)
a3b1
(2)
a2b1
(3)
a2b3
(3)
a2b1
(1)
a3b2
(3)
a3b1
(3)
Caso 2. Trifactorial 3 x 3 x 2 ( bien 32 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).
329
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2013
Alfalfa=a1
Trbol Rojo= a2
Trbol dulce=a3
Total= a1+a2+a3
Fungicida=C
Arenoso=b2
Arcilloso=b3
Total=b1+b2+b3
Control=c1
Tratadas=c2
Franco
limoso=b1
266=(a1b1c1)
276=(a1b1c2)
286=(a1b2c1)
271=(a1b2c2)
66=(a1b3c1)
215=(a1b3c2)
618=(a1c1)
762=(a1c2)
Total=c1+c2
542=(a1b1)
557=(a1b2)
281=(a1b3)
1,380=(a1)
Control=c1
Tratadas=c2
252=(a2b1c1)
275=(a2b1c2)
289=(a2b2c1)
292=(a2b2c2)
167=(a2b3c1)
203=(a2b3c2)
708=(a2c1)
770=(a2c2)
Total=c1+c2
527=(a2b1)
581=(a2b2)
370=(a2b3)
1,478=(a2)
Control=c1
Tratadas=c2
152=(a3b1c1)
178=(a3b1c2)
197=(a3b2c1)
219=(a3b2c2)
52=(a3b3c1)
121=(a3b3c2)
401=(a3c1)
518=(a3c2)
Total=c1+c2
330=(a3b1)
416=(a3b2)
173=(a3b3)
919=(a3)
Control=c1
Tratadas=c2
670=(b1c1)
729=(b1c2)
772=(b2c1)
782=(b2c2)
285=(b3c1)
539=(b3c2)
1.727=(c1)
2.050=(c2)
Total=c1+c2
1,399=(b1)
1,554=(b2)
824=(b3)
* Cada valor es un total de tres replicaciones de 100 semillas cada una.
3.777=G
Niveles
Factor
B
b1
b2
b1
b2
Niveles Factor C
c1
c2
111
121
211
221
112
122
212
222
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
19.6. BIBLIOGRAFA
* 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. McGrawHill.Mxico
331
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2013