You are on page 1of 17

UNIDAD V: DISEO EXPERIMENTAL

DISEO Y ANLISIS DE EXPERIMENTOS


FACTORIALES

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

UNIDAD V: DISEO EXPERIMENTAL


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.

19.2. DEFINICIONES Y NOTACIN SIMBLICA


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: 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.

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 a0b0, a0b1c2, 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)
PODA (P)
VARIEDAD (V)
O`Henry
(v1)
Elegant Lady
(v2)
Fantasa
(v3)

Corta (p1)

Larga (p2)

v1p1

v1p2

v2p1

v2p2

v3p1

v3p2

TRATAMIENTOS COMBINADOS (k= 3x2 = 6)


Notacin
completa reducida
v1p1
11
v2p1
21
v3p1
31
v1p2
12
v2p2
22
v3p2
32

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

Caso 2: Arreglo combinatorio para un Factorial 3x3x3 (o Factorial 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);

316
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2013

UNIDAD V: DISEO EXPERIMENTAL


FSFORO

NITRGENO

Testigo
0 kg/ha
(n0)
Simple
100 kg/ha
(n1)
Doble
200 kg/ha
(n2)

Testigo 0 kg/ha
(p0)

Dosis Simple 30 kg/ha


(p1)

POTASIO

POTASIO

Dosis doble 60 kg/ha


(p2)
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

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
2 factores, uno con 2 niveles y otro con 3
2 factores con 2 niveles cada uno
3 factores con 2 niveles cada uno
2 factores con 2 niveles y 2 con tres niveles

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)

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: 33

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.

b) Diseo desbalanceado: cuando los factores tienen distinto nmero de repiticiones.

317
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2013

UNIDAD V: DISEO EXPERIMENTAL

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:
Dispositivo experimental

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

UNIDAD V: DISEO EXPERIMENTAL


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).
Concentracin
media de
polifenoles

Factor Zona
Amplitud mayor (a2)
Amplitud menor (a1)
Clon 1 (c1)

Clon 2 (c2)

Factor
Clon

Grfico 19.1. Evidencia de ausencia de efecto de interaccin entre 2 factores

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

Grfico 19.2. Evidencia de efecto de interaccin entre los dos

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

UNIDAD V: DISEO EXPERIMENTAL


Aspecto
Efecto en la
respuesta
Patrn de
comportamiento
Grfico de
efectos
Tipo de
conclusin

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

Segmentos divergentes o que se cortan

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

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

Efecto simple de Zona en el clon 1

Clon 1

DIFERENCIA ENTRE LAS


RESPUESTAS MEDIAS DEL
CLON EN AMBAS ZONAS

Clon 2

Grfico 19.3. Efectos simples de la zona en cada clon


(se vara la zona y se mantiene constante el clon)

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

Efecto simple de Zona en el clon 2

Concentracin
media de
polifenoles

Efecto principal del Clon


MEDIA DE EFECTOS SIMPLES
Clon = (Efecto simple clon 2 + Efecto simple clon 1)

Clon 1

Clon 2

Efecto simple de Zona en el clon 1

Grfico 19.4. Efecto principal del Clon

En forma anloga se puede mostrar para el otro factor que:

320
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2013

UNIDAD V: DISEO EXPERIMENTAL


Respuesta media

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

Efecto simple del Clon 2

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 19.5. Evidencia de efecto de interaccin entre los dos

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.
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.

321
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2013

UNIDAD V: DISEO EXPERIMENTAL

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.

Ejemplo: en un monte frutal existen


durazneros de tres variedades (V1, V2, V3)
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 (V1, V2, V3).
Un valor individual de la variable respuesta se
modela en un bifactorial:

Modelo II o de efectos aleatorios


La H1 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 se puede escribir en este
modelo como
 =
+  + 

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.

b) en caso de interaccin se introduce


adems un trmino ()ij
 =
+  +  + () + 
= 1, , 
 = 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 

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:

 =  +  +  + () + 

 = , , !;
 = ,,#
 = ,,$

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

UNIDAD V: DISEO EXPERIMENTAL


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 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

UNIDAD V: DISEO EXPERIMENTAL


Puede verificarse, lo sabido por la ecuacin fundamental del ADEVA
ADEVA, que tanto las SC como los GL son
aditivos.
A continuacin se da una salida de computadora obtenida con el software estadstico Minitab que
muestra los resultados del ADEVA, para
para el experimento del ejemplo 19.2.

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.

19.3. ANLISIS INFERENCIAL DE LOS EXPERIMENTOS FACTORIALES


19.3.1. Las hiptesis
Sea un experimento factorial con dos factores y los tratamientos combinados distribuidos
completamente al azar.. Segn lo visto el modelo que representa los posibles datos experimentales es:

 =  +  +  + () + 

 = ,,!

 = ,,#
 = ,,$

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

() : el efecto adicional de la interaccin para la combinacin del j-simo


imo nivel del factor A con
el l-simo
simo nivel del factor B, y la i-sima repeticin.
 : efecto del error experimental para la i-sima
sima repeticin del tratamiento combinado jjl.

324
Ctedra de Clculo Es
Estadstico y Biometra Facultad de Ciencias
ias Agrarias UNCUYO / Ciclo 2013

UNIDAD V: DISEO EXPERIMENTAL


Aplicado este modelo a las unidades que correspondieron al tratamiento a1b1, 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:
/
/
/
-..
= -./
= = -/.
= = -/ = -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

por lo menos para algn i

Ho:j = 0

para todo j (el efecto del nivel j-simo del factor B es nulo)

H1:i 0

por lo menos para algn j

Ho:()ij = 0

para toda combinacin ij

H1:()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, Ho:()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:
Ho:i = 0

para todo i al nivel de b1

H1:i 0

por lo menos para algn i al nivel de b1

Ho:i = 0

para todo i al nivel de b2

H1:i 0

por lo menos para algn i al nivel de b2

Ho:j = 0

para todo j al nivel de a1

H1:j 0

por lo menos para algn j al nivel de a1

Ho:j = 0

para todo j al nivel de a2

H1:j 0

por lo menos para algn j al nivel de a2

Para un experimento en donde intervengan tres factores el modelo, para un


distribucin de tratamientos combinados mediante bloqueo resulta:

' =  + & +  +  + (' + () + (()' + (()' + (()' + '

 = , , !$
 = ,,#
 = ,,$

' = ,,)
325
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2013

UNIDAD V: DISEO EXPERIMENTAL


Donde:
: efecto medio verdadero correspondiente a todas las posibles respuestas
2 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

34 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

(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

para todo i (el efecto del i-simo bloque es nulo)


por lo menos para algn i

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

Efectos de interaccin de 2 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

para toda combinacin jl


por lo menos para alguna combinacin jl

Ho:()jm = 0
H1:()jm 0

para toda combinacin jm


por lo menos para alguna combinacin jm

Ho:()lm = 0
H1:()lm 0

para toda combinacin lm


por lo menos para alguna combinacin lm

Ho:()jlm = 0 para toda combinacin jlm


H1:()jlm 0 por lo menos para alguna combinacin jlm

19.3.2. Sumas de cuadrados


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,
r

(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

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
326
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2013

UNIDAD V: DISEO EXPERIMENTAL

SC(AxB): la variabilidad de las medias y ij 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)


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
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.

19.3.3. Tabla del ADEVA y prueba de 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
ombinados segn un DCA
Suma de
cuadrados
SC

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)

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

F(AB)

Error

SCE

ab(r-1)

SCE / [ab(r-1)]

Resumen de las pruebas para un experimento factorial


1) Prueba
ueba del efecto de Interaccin.
1.
2.
3.
4.

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) Prueba de los Efectos Principales de los Factores


Etapa
1.Hiptesis
nula:

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

Rechazar H0 si Fc> F(1-; A, )

Rechazar H0 si Fc> F(1-; B, )

327
Ctedra de Clculo
culo Estadstico y Biometra Facultad de Cien
iencias Agrarias UNCUYO / Ciclo 2013

UNIDAD V: DISEO EXPERIMENTAL


En general en todo experimento factorial se pueden presentar 8 diferentes casos, relativos a la
significancia A, B, y la interaccin AB como se puede ver a continuacin:
Distintos casos de la significancia A, B y la interaccin AB
Causas de
Variacin

Casos posibles
4
5

ns

ns

ns

ns

AB

ns

ns

ns

ns

ns

ns

ns

ns

ns: diferencias no significativas ; *: diferencias 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.
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 niveles del factor A; para el
caso 3, entre niveles del factor B y para el caso 4, estudiar las diferencias entre niveles de A y de B
respectivamente.

19.3.4. Anlisis posterior al ADEVA


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
regresin)

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:

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 a1 versus media del nivel a2
media del nivel a1 versus media del nivel a3
media del nivel a2 versus media del nivel a3

La interaccin es significativa: se debe realizar el anlisis de todos los efectos simples,


entonces pueden hacerse comparaciones de la forma
media del nivel a1 versus media del nivel a2, al nivel de b1
media del nivel a1 versus media del nivel a3, al nivel de b1
media del nivel a2 versus media del nivel a3, al nivel de b1
media del nivel a1 versus media del nivel a2, al nivel de b2
media del nivel a1 versus media del nivel a3, al nivel de b2
media del nivel a2 versus media del nivel a3, al nivel de b2
media del nivel b1 versus media del nivel b2, al nivel de a1
media del nivel b1 versus media del nivel b2, al nivel de a2
media del nivel b1 versus media del nivel b2, al nivel de a3

. . / .
. . 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:

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
328
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2013

UNIDAD V: DISEO EXPERIMENTAL


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 siguiente recuadro.
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.

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

Dispositivo experimental (plano de asignacin de las


unidades experimentales a los tratamientos combinados)

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)

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.

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

UNIDAD V: DISEO EXPERIMENTAL


Tipo de Suelo=B
Especies=A

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

Caso 3. Trifactorial 2x2x2; diseo experimental: experimento completo (k=23=8 tratamientos


combinados) segn DBA con r=3
Matriz de diseo de tratamientos
Niveles
Factor
A
a1
a2

Niveles
Factor
B
b1
b2
b1
b2

Niveles Factor C
c1

c2

111
121
211
221

112
122
212
222

Dispositivo experimental (plano de asignacin de lasunidades 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

19.5. VENTAJAS DE LOS EXPERIMENTOS FACTORIALES


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
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
330
Ctedra de Clculo Estadstico y Biometra Facultad de Ciencias Agrarias UNCUYO / Ciclo 2013

UNIDAD V: DISEO EXPERIMENTAL


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

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

You might also like