CONTENIDO

CAPTULO 1

. METODOLOGA DE LA INVESTIGACIN 13
De6n.iciones .................................. 13

CAPITULO 2

PRINCIPIOS BASICOS DEL DISEO EXPERIMENTAL 21

Alearorizaci6n 21
Replicacion ......................................................................................... 22
Control I..ocal.................................................................................... 23
Definiciones Bsicas 23
Trawniento 23
UnidadExperimental ....................................... :.L. 24
Tamao y Forma de la Unidad Experimental 25
Arreglo y Nmero de Bloques ........................................................... 27
Efecto de Competencia y Bordura 28
Clasificaci6n de lasObservaciones 29
Ventajas y Desventajas de los Experimentos
Diseados Estadisticamente 31

CAPITULO 3

ANLISIS DE VARIANZA 33
Supuestos Bsicosen el Anlisis de Varianza ........................................ 33
Supuesto de Normalidad ................................................................. 35
Prueba de Ji Cuadrado de Bondad de Ajuste 36
Prueba de Wtlk y Shapiro .................................................................. 37
Supuesto de Aditividad .................................................................... 39
Homogeneidad de Varianzas .............................................................. 41
Pruebas Grfica;.deHomogeneidad de Varianzas ............................. 42
Seleccin de una Transformaci6n Estabilizadora de Varianzas 45
 Ejemplo del Uso de Transformaciones Estabilizadoras
de la Varianz:a ............................................................................ 46
Pruebas Analticas de Homogeneidad de Varianzas 50
Prueba de Barlett ........................................................................... 50
Prueba de Cochran ~.............................................. 57
Prueba de Pearson y Hanley ............................................................... 57

-CAPITULO 4

DISEO EXPERIMENTAL COMPLETAMENTE

ALEA TORIZADO 59

Ventajas del Diseo experimental Completamente Aleatorizado 59

Desventajas del Diseo experimental Completamente Aleatorizado 60
El modelo lineal aditivo 60
Anlisis de Varianza ....................................................................... 61
Esperanza de los Cuadrados Medios : 68
Formulacin del Modelo Tipo 1(Efectos Fijos) 73
Modelo Tipo II (Efectos Aleatorios) 74
Ejemplo Ilustrativo ........................................................................... 76
Diseo Completamente Aleatorizado con subunidades
en las unidades experimentales .......................................................... 82
Ejemplo Ilustrativo ........................................................................... 84

CAPITULO S

DISEO EXPERIMENTAL EN BLOQUES ALEA TORIOS O

BLOQUES AL AZ.AF.. 91

Introduccin ...................................................................................... 91
D1SpOslcon
. ., Experim en tal ............................. ................. 9~L
Ventajas y desventajas del Diseo experimental en Bloques al azar 93
Modelo Lineal en el Diseo en Bloques al Azar 93
EfeCto del tratamiento y bloques fijos ............................................ 94
Esperanza y Varianza de y 96
Efecto del tratamiento y bloques aleatorios ................................... 98
Ejemplo Ilustrativo ....................... :.................................................. 106
~iseo en Bloq~es al azar c~n SubmuestreO 112
Ejemplo Ilustrativo 115
 CAPITULO 6

DISEO DE EXPERIMENfOS CUADRADO LATINO ....

U1

In.tJOOlICCin ................................................................ ~.................. 121

Vencajas y desventajas del Diseo experimental Cuadrado Latino 121
Modelo Lineal Aditivo ..............................................122
Supuestos e Hiptesis bajo efecto de Tratamiento Fijo ..................... ID
Supuestos e Hiptesis bajo efecto de Tratamiento Aleatorio ........U4
Ejemplo Ilustrativo .......~............................................ 126
Diseo Cuadrado Latino con Submuestreo ............................ 132

CAPITULO 7

COMPARACIONES DE MEDIAS. PRUEBAS DE RANGO

MULTIPLE. TEORIA~ICA y APllcACIONES 137

Introduccin .................................................................................... 137

Supuestos y Condiciones para la aplicacin de las Pruebas
de Rango Mltiple ................ :........................................................ 138
Clasificacin de las Pruebas de Rango Mltiple ................................. 139
De acuerdo a su naturaleza :.................................................... 139
Prueba de efectos sugeridos por los datos .......................................... 140
De acuerdo a las comparaciones de inters 141
Desarrollo de las Pruebas ........................ : 142
Contraste 142
Mtodo de Scheff para comparar todos los contrastes ..................... 145
Prueba de las Mnimas Diferencias Significativas 146
Prueba de Student - Newman - Keuls 149
Prueba de Rangos Mltiples de Duncan .............................................. 150
PruebadeTukey ............................................................................ 151
Prueba de Dunnett para la comparacin de todas las medias
con un control .................................................................................. 152
Prueba de Gabriel ............................................................................. 155
Prueba t de Razn Bayesiana de Waller - Duncan ............................. 156
Ejemplo Ilustrativo ...................................................................... 157
 CAPITULO S

EXPERTh1ENfC>S FACfORIALES ...................................................... 169

Introducci6n ...................................................................................... 169

Factores, Niveles, Clasificaci6n de los Factores 170
Efectos Simples, Efectos Principales, Interacci6n 172
' ...Caso de tres Factores a dos-niveles ................................................... 177
.:.' Caso General de varios Factores a dos niveles .................................... 180
."Ventajas de los Factoriales ................................................................... 182
.Factores a tresruveles' 184
Dos factores a tres niveles 186
Experimentos Factoriales 21t _ ...... __ _ . __ _ _ 197
lt.xperimentos Factoriales 3k 210

CAPITULO 9

REGLAS PARA LA ESPERANZA DE LOS CUADRADOS

MEDIOS 221

Regla 1 221
Regla 2 ............................................................................................... 221
Ejemplos ........................................................................................... 224

CAPITULO 10

EXPERIMENfOS FACTORIALES CONFUNDIDOS 227

Introducci6n 227
Sistemas Confundidos 227
Experimentos Factoriales 23 _ _ .................... __ .._ _ .._ 229
Composici6n de los Bloques bajo determinado esquema
de confusin 230
Teorema de Fisher ............................................................................ 231
Confusi6n Parcial 236
Esquema de Confusi6n Parcial para un Factorial Z' 237
'Ejemplo Ilustrativo de un Factorial con Confusi6n Parcial 239
Ejemplo Ilustrativo de un Experimento Factorial Confundido 23 _ .._._. 244
Confusi6n para el Diseo Factorial P _ _ 251
 Mtodo d Kempthome 253
Pactorial Se.S P''dondep es un nmero primo 264

CAPITULO 11

EXPERIMENTOS FACfORIALES CONEFECfOS PRINCIPALES

CONFUNDIDOS PARCELAS DIVIDIDAS : 275

Introduccin :.................................................. 275

Ventajas del Diseo en Parcelas Divididas 276
Desventajas del Diseo en Parcelas Divididas 276
A p licacion
., del a Al eatonzacion
.., en este disefno 276
Anlisis de Varianza , 277
Modelo Matemtico y Esperanzas de los Cuadrados Medios 282
Ejemplo Ilustrativo 288
Diseo en Franjas o Diseo en Bloques Divididos 293
Modelo Matemtico y Esperanza de los CuadradosMedios ............... 295
Ejemplo Ilustrativo ............................................ : : 299

CAPITULO 12

ANALISIS DE REGRESION 303

Definicin de Regresin r-- ~.:l.; 303

Modelo de Regresin Lineal Simple .................................................... 303
Distribucin Probabilstica de Yi 304
Mtodo de los Mnimos Cuadrados 304
Distribucin Probabilstica de :.~....308
~I' -.

Distribucin Probabilstica de ~ o .......................... 309

DistribucinProbabilsticade y 310
Pruebas de Hiptesis 311
Intrvalos de Confianza 313 ,
Anlisis de la Varianza 314 '
EnformaMatricial : 315
Bondad de Ajuste ............................................................................... 317
Determinacin del Modelo 318
Modelo de Regresin Lineal Mltiple 321
 Descripci6n de.los Datos y del Modelo ............................................. 323
Supuestos del Modelo Poblacional ................................................... 325
Mtodo de los mnimos cuadrados 326
Prueba de hip6tesis en el Modelo de Regresin 331
Estimador de S2 . ._. __ .._ __.335
UsoS de la Ecuaci6n de Regresi6n ...................................................... 337
Criterios para seleccionar Ecuaciones de Regresin 338
Ejemplo ilustrativo de RegreSi6n Mltiple 341
Ejeniplo Ilustrativo de Regresi6n con MatriceS ................ : 348

CAPITULOt3

ANAI.lSISDE COY ARIANZA 359

Intrducci6n ............................................................................... :.... 359

Mc;xJeloy Supuestos del Anlisis .................................................... 360
Ejemplo de Anlisis de Covarianza en Diseos
Completimente Aleatorizados .......................................................... 361
Ejemplo de Anlisis de Covarianza en Diseos
en Bloques Aleatorios ................................................................ 367
Ejemplo de Anlisis de Covarianza en Diseos
Cuadrados Latinos .................................................................. 373
Tcnica para la Parcela Faltante 377
Ejemplo Prctico sobre Tcnicas para la Parcela Faltante .................... 379
Aplicacin de la Covarianza en la estimaci6n
de Datos Faltantes ..................................... ~....;.............................. 381
\

REFERENCIAs BffiUOGRAFICAS ~.......................... 385

.ANEXOS ~ 389
 ACERCA DEL AUTOR

El Doctor Franklin Chacn Lugo, graduado de Ingeniero Agrnomo, es

un destacado investigador en el rea de los Mtodos Estadsticos aplicados a la
Agronoma y en general a la Biologa. Inici su preparacin siendo estudiante
universitario yen proceso de superacin continua en esta disciplina. Ha transcurrido
su vida profesional como Profesor de Postgrado de Estadstica, Coordinador
General de Investigacin y Decano de la Facultad de Agronoma de la Universidad
Central de Venezuela. Cuenta con numerosos Trabajos de Investigacin como
autor y como coautor en la formacin de alumnos de Pregrado y Postgrado.

En 1998 publica el texto Anlisis de Regresin y Superficie de Respuesta,

producto de su amplia experiencia como docente investigador y asesor; y basado
en su Trabajo de Ascenso a Profesor Titular, titulado" Anlisis de Regresin y
Superficie de Respuesta".

Esta nueva obra "Diseo y Anlisis de Experimentos" es un aporte que

contribuye a la mejor formacin de nuestros docentes e investigadores, de
estudiantes y de profesionales vinculados a la aplicacin de los Estudios Estadsticos.

Margarita Coba
 Capitulol

METODOLOGA DE LA INVESTIGACIN
DEFINICIONES

-
Ciencia: Es un creciente cuerpo de ideas organizadas en un sistema de
conocimientos caracterizado como racional, sistemtico,exacto,verificable y falible.

Conocimiento Cientfico: Es un sistema de ideas establecido provi-

sionaJ~

II;lvestigaci6n Cientfi~: Es la actividad que procura el conocimiento

objetivo (hechos) o de entes ideales (abstractos e 4tterpretados) que solo existen
en la mente humana. Laciencia aplicada al mejoramiento de nuestro mundo na-
.~ y artificial, a la ~versi6n de bienes materiales ~cu1turales se conviene en
tecnolog(a. La ciencia como creadora del mundo 4'e, la cultura es un sistema de
ideas establecidas provisionalmente (conocimiento cientfico) y como actividad
esproductora de nuevos conocimientos (mvestigaci6n cientfica).
".
Ciencias Formales o Ideales: Es un conocimiento racional, sistemtico y
verificable, pero no es objetivo, no dan informaci6n de la realidad. La,16gica, la
matemtica, entre otras, establecen contacto con la realidad a travs del lenguaje
ordinario y cientffico. .
Ciencias Deductivas: Las Ciencias Fcticas o materiales se ocupan de los
hechos usando un conocimiento racional y objetivo. Usan los procesos inductivos
o deductivos. Entre ellas se encuentran las Ciencias de la Salud Yde la Sociedad.
Caracterfsticas de las Ciencias Fcticas: Se caracterizan por lo siguiente:
- El conocimiento cientfico es fctico, esto es, est basado en hechos.
-El cono{miemo cientfico trasciende los hechos y crea nuevos hechos,
- La ciencia es anaUtica, esto es, se descompone en elementos.
13
Dr. Franklin Chacin

- La investigaci6n cientfica es eSpecializada

- El conocimiento cientfico es sistemtico.
- El conocimiento cientfico es general. .
- El conocimiento cieiltfico es legal.
- El conocimiento cienmico es predictivo.
- La ciencia es explicativa.
- La ciencia es abierta.
-La ciencia es til.
La tecnologa. no es solo una aplicaci6n del conocimiento' cientfico a
problemas prcticos, es el enfoque cientfico de
los problemas prcticos. Todo
avance tecnol6gico plantea problemas cientficos.
Mtodos de Ciencia: Son familia de-mtodos, cada undelos cuales
difiere de acuerdo a la materia invohicrada, a la medida; dei fii(>rrieno y la
experimentaci6n u observaciones repetidas. Entre los mtodos de i Ciencia se
incluye el estudio de la hiptesis cientfica, la induccin, adems detertas, leyes y
mtodos de explicici6n. , .,.
l'
0.,

El Mtodo Cientfico: Se aplica en, la Ciencia no experimental,

observacional y terica as como tambin en la Ciencia Experimental.
. T.

Mtodos de Inv~igaci6n: I .

1.- Existen mtodos l6gicos o generales aplicados a todos los campos de la

inv.estigaci6n. Entre ellos se encuentran: 1 , ,

. a.-El Mtodo Cieitfico Inductivo -Deductivo. En l se siguen lossiguientes

" . '0"

pasos:
- Recolecci6n de los h~chos por observacin o experimentaci~~. .
- Fornulaci6rl de ls hiptesis que expliquen los ~os e~'~
trminos de causas y efectos. . f;',
,
- Deducciones de la hiptesis, l'

14
 Di5effo y Anli5i5 de Experimento5 I

- Verificacin de las deducciones por nuevas observaciones o

nuevos experimentos.
b.- El Mtodo Emprico.
c.- El Mtodo Experimental.
d.- El Estudio de Casos.
e.- El Mtodo de Encuesta.
f.- El Mtodo Estadstico.
g.- El Mtodo Histrico.
h:- El Mtodo Sinttico.

2.- Mtodos Especiales o tcnicos.

Hiptesis: Es la explicacin lgica o supuesto sobre algunos hechos que
parten de las observaciones que son de nuestro inters. La hiptesis puede ser
establecida como ecuacin matemtica y se denomina Modelo Matemtico .
Cuando una hiptesis soporta un considerable nmero de pruebas que miden su
respetabilidad es llamada-Teora y cuando sobrevive.a un gran nmero de
observaciones se convierte en Ley,

, '

Prediccin: es la conduccin de un experimento en la imaginacin; puede

hacerse una prediccin lgica de ciertas consecuencias de la hiptesis que bajo
condiciones naturales especficas pueden ser observadas en caso de ser verdadera,
pero no ha sido observada. (
El mtodo cientfico aplicado a la comprobacin de afirmaciones
informativas se reduce al mtodo experimental. La experimentacin involucra la
~odificacin deliberada de algunos factores, es decir, la sujecin del objeto de
experimentacin a estmulos controlados. La astronoma no experimenta con
cuerpos celestes, pero es una ciencia emprica porque aplica el-mtodo
experimental.

La esencia de Un experimento 'eSque nos capacita para comparar los efectos

de dos o ms tratamientos sobre algunos atributos de plantas, animales u otro
material experimental. '
15
Dr. Franklin Chacin
El Mtodo Estadstico: Permite al investigador cientfico, planificar,
analizar e interpretar los resultados de sus investigaciones, concluir y recomendar.

El mtodo estadstico cuantifica las observaciones y sigue los siguientes pasos:

- Recoleccin y resumen de los datos.
- Diseo experimental ymuestreo.
- Medici6n de la magnitud de la variaci6nen datos experimentales.
- Estimacin de los parmetros
- Prueba de hiptesis acerca de poblaciones.
- Relacin de las variables.

La Estadistica es la ciencia que crea y desarrolla mtodos para la

recoleccin, organizacin, clasificacin y anlisis de datos a partir de muestras
evaluadas a la luz de la incertidumbre.

Mtodos de la Ciencia No Experimental: El esquema para los procesos

de la Ciencia no experimental (ej. astronoma, ecologia) es el siguiente:
METODO DE LA CIENCIA NO EXPERIMENTAL
, (11Obl8fVacl6n bajO~ literatura
---.- .... ----
condiciona naturales
_---_ ...
(Ob 8 HipJ
.- .. ~.)
I

!~.J
. (~.~(p6~~I~ (~=r

! J
_(31 P~~i6n
I
I

.. (41 Obufyicl_ posterio
~:~;
.:~;~,.' bajo eoadlclontllltUraltl
_._. _. -_ _ _.-._ _
{,....;:: y compiracl6n con (1)
.. .. .. __ .. _ ..,.
16
 Di!5eo y An41i!5i!5de Experimento!5 I

Mtodos de la Ciencia Experimental El esquema para los procesos de

la Ciencia experimental (ej.fsica, qumica) es el siguiente:

METODO DE LA CIENCIA EXPERIMENTAL

(1) Observaci6n bajo Uteratura
' condiciones
..
_". --_.1' I
naturales ~(Obs.
.. Hip.)__.
._...............

121HrL II
!
_______
i ~Al:eptar
1
__
..
Rechazar
_~_-J

(3) Prediccin J
!
Disefto del experimento

.!
(4) Observaciones experimentales i
(b.!B~~~~~~!9 cOnd{ci0I1t!~.c~~_~~~das)
;
_;J
Nuevos Problemas

Caractersticas de los mtodos de la Ciencia: La matemtica, la (

astronoma y la fsica constituyeron en el pasado campos de til solucin de
problemas. En el resto de los diferentes campos se obtenan resultados
provenientes de la experiencia y garantizados por su utilidad tcnica.
Posteriormente el mtodo cientfico se aplic y fue modificado en los campos de
la qumica y de la biologa y en la actualidad se aplica a los problemas de la
sociedad o Ciencias de la Conducta Humana.

Existe la obligatoriedad en la preparacin personal, para el pensamiento

cientfico,la necesidad de adquirir el conocimiento a travs del dominio de los
hechos. El dominio de los hechos no se adquiere simplemente escuchando lo
Dr. Frankln Chacin

que explica otra persona, sino que es la recompensa de los propios esfuerzos, se
adquiere cuando a la investigacin y a la experimentacin se le ha dedicado mucho
tiempo, siguiendo un sistema ordenado y un buen mtodo, especialmente
cultivando el hbito de distinguir entre las cosas que tienen importancia y las que
no la tienen. Se podra aadir la imaginacin proyectada hacia la bsqueda de
causas y efectos.

En sntesis, el mtodo cientfico es el producto de una metodologa

usada correctamente, una actitud crtica y un intenso trabajo que lleva de la
incertidumbre a la probable certeza. El mtodo cientfico es el procedimiento
reflexivo, controlado y crtico que permite descubrir nuevos hechos o datos,
relaciones o leyes, en cualquier campo del conocimiento humano. Comprende la
formacin y definicin de problemas, la formulacin de hiptesis, la recopilacin,
sistematizacin y elaboracin de datos, la formulacin de deducciones y
proposiciones generales y por ltimo, el anlisisde lasconclusiones para determinar
si confirman las hiptesis formuladas y encajan dentro del marco terico del que
I
se parno.

La investigacin dentro de las ciencias fcticas o empricas, por su

vinculacin a una realidad concreta referida al mundo que nos rodea, debe
observar, describir, explicar, formular supuestos o predicciones sobre hechos
especficos de ese mundo real y concreto, para tales supuestos la validez debe ser
verificada por la experiencia, lo cual corresponde a la aplicacin correcta del
mtodo cientfico. La investigacin en el campo de la Agronoma corresponde
justamente a estas ciencias bien sean naturales o sociales.

Persiguiendo la investigacin fines concretos, su pro~eso requiere

fundamentalmente del equilibrio entre la metodologa y las tcnicas. En ese orden
de ideas, la metodologa describe, analiza y valora crticamente los mtodos de la
investigacin, por lo que el mtodo o conjunto de ellos representa los
procedimientos o caminos a seguir, mientras que las tcnicas son sus auxiliares o
maneras de recorrer el camino, de all que los mtodos son generales y las tcnicas
particulares.
18
 Diseo y Anlisis de Experimentos. l

El mtodo cientfico se caracteriza por ser fctico, trasciende los hechos,

verifica empricamente, confronta la realidad, es autocorrectivo y progresivo,
formula en forma general y su objetivo es alcanzar la verdad fctica. El mtodo
cientfico queda entonces enmarcado entre la realidad y la teora, por lo que en
todo trabajo de investigacin debe manejarse los llamadoselementos bsicos del mtodo

- cientfico: Sistema conceptual, hiptesis, definiciones, variables e indicadores.

. El sistema conceptual est constituido por construcciones lgicas,

producto del hombre, y permite la aprehensin de un hecho o fenmeno. La
hiptesis es el nexo entre la teora y la realidad emprica, siendo el instrumento
que permite probar lasrelaciones entre hechos. La definicin, fundamentalmente
es en trminos de operaciones efectivas de acuerdo con la ciencia moderna, las
variables son caractersticas propias de los individuos y los indicadores surgen de
la observacin y son las dimensiones de las variables.

Planificacin y etapas en un plan de investigacin: La proyeccin del

trabajo de investigacin responde a una estructura lgica de decisiones ya una
estrategia que garantice la obtencin de respuestas adecuadas. La planificacin
corresponder entonces a aspectos cientficos y administrativos que deben
responder al qu y para qu de la investigacin, al cundo y dnde, el cmo y con
qu se v a investigar un aspecto de la realidad en el campo de las.ciencias naturales \
o sociales. . . .

Con un conocimiento cabal de 10 anteriormente expuesto se bosqueja

un esquema orientador de las etapas generales que debe cubrir un plan de
I
invesngacioru

1.- Formulacin del problema(s) y la(s) hiptesis.

2.- Elaboracin del diseo de la investigacin
3.- Delimitacin del trabajo de investigacin.
4.- Constitucin del equipo de investigacin.
5.- Seleccin de mtodos y tcnicas.
19
Or. Franklln Chacln '(

6.- Organizaci6n del material de investigaci6n.

7.~Recopilaci6n de los datos .
.'
8.- Elaboracin de los datos.
9.- Anlisis e interpretaci6n de los datos.
10.- Redacci6n del inftrrme de investigaci6n.

En forma resumida, se pueden expresar las siguientes ideas a manera de

conclusi6n: .
- La metodologa de la investigaci6n exige el estudio de la 16gica y la
Teora del Conocimiento para su cabal entendimiento.
- El trabajo de investigaci6n es el resultado del equilibrio entre la
metodologa y lastcnicas de investigaci6n,lo cual garantiza unacorreaa ejecuci6n
y respuestas adecuadas. ' '
-Debe diferenciar claramente entre metodologa, mtodos y tcnicas de
investigtlci6n.
- La planificaci6n responde a aspectos cientficos y administrativos por
lo que puede ser conformado dentro de un conjunto de etapas generales que
deben cumplirse con ciertas variantes de acuerdo a la ndole del trabajo de
investigaci6n. '

"

20
 Captulo 2
, .
DISEO DE EXPERIMENTOS
DEFINICION

Disear un experimento es planificarlo de forma tal, que reda la

informacin que se requiere del problema planteado en la investigacin. CoriSiste,
por consiguiente, en una secuencia de pasos que garanticen que los dates qUe se
obtienen hagan posible un anlisis objetivo, el cual permitira llegar a ilttpre-
taciones, conclusiones y recomendaciones vlidas en el estudi. stas tambin
dependen de la experiencia y criterio del investigador.

Es muy frecuente que se coleccionen datos que aporten poc '_'o nada a la
solucin d problemas planteados. Por lo tanto, es necesario planificar los
experimentos con antelacin de manera que la informacin que se recolect est
acorde con los objetivos, fines y alcances de la investigacin y mediante la
informacin que se genere se pueda llegar con precisin a definir la aceptacin o
rechazo de la hiptesis de trabajo.

La planificacin del experimento se hace fundamental, con el objeto de

proporcionar la mayor cantidad posible de informacin sobre el problema
estudiado.

PRINCIPIOS BSICOS DEL DISEO EXPElUMENTAL

Los principios bsicos del diseo experimental son: '

Aleatorizacin
Replicacin
Control Local

Aleatorizaci6n: Uno de los supuestos del anlisis de la Varianza hace

referencia a la independencia de los errores, sto es, los errores de las observaciones
deben estar distribuidos independientemente. Surge la pregunta Cmo corro-
borar que esta suposicin esverdadera? En cienaforma 110 es posible, sin embargo,

21
Dr. Franklin Chacin

el hecho de hacer una asignacin al azar de los tratamientos a las unidades

experimentales hace que la suposicin pueda considerarse vlida. La aleatorizacin
hace vlida la prueba resto la hace apropiada para analizar los datos como si la
independencia fuera un hecho. Esta referencia s~ hace ya que existen errores
asociados con unidades experimentales adyacentes en espacio o tiempo y estos
tendern a correlacionarse yla aleato~izacin sio asegura que el efecto de la
asociacinsobr cualquier comp~ci~ entre los tratamientos se haga tan pequea
como sea posible, sin embargo la correlacin siempre existe y sta, no puede
eliminarse totalmente.

En sfntesis, nunca existe ~a independencia ~ompleta y verdadera, pero debe

buscarse dicha independencia y la mejor manera de buscarla es mediante la
Aleatorizacin. Sepuede expresar que la aleatorizacin esun principio importante,
ya que esun instrumento para eliminar tendencias, sistematizacin y subjetividad .

." Replicacion: Se refiere a la repeticiadel experimento bsico; por lo tanto,

es la repeticin de las diferentes unidades experimentales que conforman un
experimento. En muchos casos la repeticin puede ser de todas las unidades
experimentales, de parte de ellas o de una sola unidad experimental. Las razones
del porqu las replicaciones son indispensables son las siguientes: -
(

- Mediante la replicacin se puede obtener una estimacin vlida del error

experimental yasu vez ste esnecesar{o ya que se utiliza en la estimacin de los
parmetros de la poblacin y en las pruebas de hiptesis ..
- Bajo una serie de suposiciones el errorexperimental puede ser estimado sin
tener replicaciones,sinembargo lasreplicacionesson convenientesya queproporcionan,
la mayor parte de las veces, una estimacin ms aproximada del error.
- Se obtiene una estimacin ms precisa del efecto medio de cualquier
factor, ya que se conoce lo siguiente:

donde 0'2 = error experimental

n = nmero de replicaciones

22
 Di5eo y Anli5i5 de Experimento5 2

La varianza de la media es igual a la varianza por unidad entre el nmero de

replicaciones, en consequencia, a medida que las replicaciones aumenten disminuye
el efecto promedio del factor.

Control Local: Este principio se refiere a la cantidad de balances,bloqeo

y agrupamiento de las unidades experimentales que se utilizan en, un diseo
experimental. Con la aplicacin del control local se trata de disminuir el error
experimental con el control de uno o varios factores de variabilidad que de no
controlarse formaran parte del error experimental y por consiguiente abultaran
dicho error. La funcin del control local es la de hacer el diseo experimental
ms eficiente; esto es, ms sensible a las pruebas de significaci6n o hacer ms
poderosos los procedimientos de prueba, debido a que se espera conseguir una
disminucin en la magnitud del error experimental

DEFINICIONES BSICAS

Tratamiento: Hace referencia a un factor o a una combinacin de factores

controlables. Se define como tratamiento a un conjunto particular de condiciones
experimentales que deben imponerse sobre las unidades experimentales de un
experimento. El trmino entr6 en la literatura debido a su uso enexperimentacin
agrcola, pero actualmente ha perdido su connotacin estrictamente agron6mica
y ha 'entrado a formar'parte del lenguaje de los estadsticos. Se darn ilustraciones
del uso de esta terminelega en algunos campos: ' /,\' )

En Fsica: Por ejemplo, en experimentos sobre bacterias los tratamientos

pueden ser varias combinaciones de la cantidad de electrolitos y la temperatura
de activacin de las bacterias. En otro tipo de ensayo, se podra incluir otros
factores tales como el tipo de material de construccin,

EnQmic4.
En experimentos sobre rendimiento de cierto proceso qumico, los
tratamientos pueden ser:
Diferentes temperaturas en la cual se ejecuta el proceso.
Cantidad de reactivo usado.
Pureza de los reactivos usados.

23
Oro Franklin Chacln

.EnAgronoma:
Cantidad de mezcla de determinado fertilizante.
Cantidad de determinados nutrientes o combinaciones de cantidades
de nutrientes utilizados.
Diferentes variedades o lnea de cultivo.
Distintas densidades ~iembra.
Profundidad de siembra:

En Zoota:ma:
Diferentes raciones alimenticias dadas al animal.
Sexo y raza de los animales.
Cantidad de leche o concentrado suministrado a becerros, novillos.

EnPsic%gfay Sociologa:
Edad. .' ~
Sexo.
Altura de los individuos.
Nivel educativo, entre o os.

. Unidad Experimental: Los resultados de un experimento estn afectados

no solamente por el efecto del, tratamiento sino tambin por una serie de
variaciones extraas que tienden a encubrir los efectos de los tratamientos, llamado
error experimental. Existen dos fuentes principales de error experimental: La
variabilidad inherente al material experimental a la cual se aplican los tratamientos,
y la falta de uniformidad en la conducci6n fsica deLexperimento; es decir, la
deficiencia en poder utilizar uniformente la tcnica experimental. U no de los
aspectos principales que se debe tomar en cuenta con respecto a este ltimo, es la
adecuada escogencia de la Unidad experimental.

Se define como Unidad experimental a la ms pequea unidad a la cual se

aplica independientemente un tratamiento. La unidad experimental representa al
conjunto de material experimental al cual se le aplica un tratamiento en un solo
bloque.

24
 Diseo y Anlisis de Experlment0!3 2

La unidad puede ser una parcela sembrada de maz, ajonjol, tomate o un

grupo de cerdos, bovinos, ovinos o un lote de semillas. Es comn que tales
unidades experimentales produzcan diversos resultados aun cuando son sometidos
al mismo tratamiento, estas diferencias contribuyen a formar los errores
experimentales. '

Tamao y forma de la Unidad Experimental: El tamao yformade la

unidad experimental son importantes, tanto desde el punto de vista ~ variabilidad
como econmico. Se ha comprobado que la variabilidad tiene una relacin
inversa con el tamao de la unidad, a medida que el tamao aumenta la variabilidad
disminuye. Una medida de esa variabilidad puede ser por ej'emplo el coeficiente
de variacin, el cual se expresa a travs de la siguiente expresin:
..( ,;., .

s
C.V.= X

siendo S la desviacin estndar de las observaciones y X la media dejas

observaciones, t, .

. ' \:

En el anlisis de la varianza, la desviaci6n estndar es medida en base a la

raiz cuadrada del cuadrado medio del error, lo cual se expresa en la forma siguiente:
,
~ j t i:L t, ~ ,:11)'
'1

S2 =CMEE luego, S=.JCMEE

)
Si se grafica el coeficiente de Variaci6n y el tamaode la,parcela se
obtendr la curva mostrada en la Figura 2.1 Como puede observarse en: el
grfico existe una relacin inversa entre el coeficiente de variaci6n y el tamao de
la parcela.

(,:

! .[j :~,-....l' -', ')~ .. '.

~ f ~, '",;

):j:._-;~~l.l-:.JI/ ;~r;;t:
...
:t/. i _ :.;~~i~~_~~'.~.

25
Oro Franklin Chacin

40

30
C.V.
20

10

Tamallode la parcela (m~

Figura 2.1 Coeficient~ de Variacin versus tamao de la Parcela.

Otro aspecto importante que se debe tomar en cuenta a la hora de planificar

el experimento es lo referente a la escogencia de la forma que debe tener la
unidad experimental ya que de esta puede depender el aumento o disminucin
de la precisin en los resultados. En experimentos agrcolas vegetales se ha
comprobado que las parcelas rectangulares son menos variables que las cuadradas
de igual tamao; sin embargo, se pueden planificar experimentos en los cuales
lasbordurassearrimportantes. Por ejemplo, en experimentos con maquinaria agrcola,
la razn primordial es que las parcelas cuadradas tienen menor permetro para
igual rea que las parcelas rectangulares, a esto se debe la escogencia de las parcelas
cuadradas en esta rea.

.El aspecto econmico tambin debe privar en la escogencia del tamao de

la parcela, muchos experimentos son llevados en reas grandes injustificadas no
solamente desde el punto de vista de variabilidad, sino d costos.

Existen una serie de mtodos que nos permiten determinar tamao y forma
de la parcela ptima, tomando en cuenta la heterogeneidad, costos y nmero de
repeticiones. Estos mtodos son:

- Mtodo de Mxima Curvatura.

- Mtodo de Mxima Curvatura Modificado.
- Mtodo Fairfield Smith.
26
 Di5eo y Anli5i5 de Experimento5 2

- Mtodo Koch y Rigney.

- Mtodo de las Regresiones Mltiples.
- Mtodo de Hatheway.
- Otros mtodos nuevos.

Arreglo y nmero de Bloques: El bloque es una de las formas de

agrupamiento de las unidades experimentales. Seha demostrado en experimentos
agrcolas que las parcelas cercanas tienden a ser ms similares que las parcelas
apartadas; esto se ha demostrado en los ensayos de uniformidad. Debido a esto
es comn en estos ensayos colocar parcelas vecinas en un solo grupo, tratando de
poner las parcelas de tal manera que el grupo sea aproximadamente cuadrado,
esto siempre y cuando sea posible. Con frecuencia las parcelas contiguas forman
una buena base para el agrupamiento, incluso en ensayos de umbrculo o ae
invernadero, donde en diferentes estratos o lugares pueden existir diferencias en
temperatura, luz solar, corriente de aire o accesibilidad al riego. Por otro lado es
importante sealar que en muchos experimentos con plantas o, ms particu-
larmente, con animales, la localizacin fsica de las unidades experimentales a
travs del experimento tiene poca importancia.

En el caso de experimentacin con animales es posible que un animal pueda

. constituir el bloque en aquellos casos en que los tratamientospuedan aplicarse
sucesivamente al mismo animal, sin producir efectos residuales que oscurezcan
los resultados. U no de los agrupamientos de unidades experimentales ms simple
es el Diseo de Bloques al azar, ya que simultneamente se pueden eliminar
variabilidades procedentes. de varias fuentes. Por ejemplo, supngase que se
planifica un experinento en maz con tres hbridos diferentes: Arichuna; Obregn,
FM6; siendo el FM6 el utilizado en la zona, esto es el considerado como testigo.

::>7
Dr. Frankln Chacn

Los tratamientos pueden ubicarse consecutivamente de la manera siguiente:

REP.I
IFM6 OBREGON IARICHUNA I
I ARICHUNA r REPll
FM6 OBREGON

REPID
IOBREGON FM6 I ARICHUNA
No siempre los tratamientos van colocados en los bloques consecutivamente,
como muchos experimentadores tienden a creer. Cuando el nmero de trata-
mientos es grande puede ser conveniente tratar de buscar, en lo posible, una
forma cuadrada como la siguiente:

T3 1'8 TI T6
T5 T4 T2 17

La escogencia del tamao del bloque puede variar dependiendo del tipo de
investigaci6n. El bloque en el campo puede ser colocado de manera tal que pueda
tener cualquier nmero de tratamientos, sin embargo debe tomarse en cuenta que el
error estn.dar por parcela aumenta sucesivamente con el incremento en el tamao
del bloque. Algunos autores piensan que en el sentido prctico en experimentos de
campo, el nmero de tratamientos por bloques debe estar ntre 2 y 20 mximo; las
cifras mayores existen cuando hay gran uniformidad en el suelo.

Existen otros diseos como los diseos de Bloques Incompletos en los que
la idea esencial es reducir el nmero de tratamientos por bloque de tal manera de
llevarlos al tamao adecuado.

Efecto de competencia y bordura: Cuando se planifican los experimentos,

uno de los principios bsicos que se toma en cuenta es el tratar de disminuir la
variabilidad proveniente de algunos factores que se pueden controlar y que de no

28
 D5eo ,y Anl5i5 de Expermento5 2

hacerlo abultada el error experimental y esto podra provocar que los efectos de
los tratamientos no puedan ser claramente medidos. Uno de estos efectos, que
debe ser tomado en cuenta, es el Efecto de Competencia y Bordura.

Se puede definir como Competencia, la interacci6n que se presenta por el

contacto directo de dos unidades experimentales vecinas que reciben tratamientos
diferentes, esta competencia puede ser por espacio, agua, luz, nutrientes, entre
otros; esto surge por la vecindad entre las plantas. En el caso de animales la
vecindad puede provocar diferencias de salud, temperamento, comportamiento,
hbitos.'

Se define como Bordura, la diferencia en comportamiento de las plantas

ubicadas en los hilos externos del experimento de campo por estar en reas no
sembradas o cubiertas de malas hierbas o de otros cultivos. Para evitar estos
efectos que provocan que el error experimental se abulte, generalmente se dejan
hilos de Bordura. Estos hilos de bordura no se toman en cuenta en el arilisis de
los datos. Debido a eso se habla de parcela experimental la que incluye los hilos
efectivos y los hilos de bordura y la parcela efectiva que incluye solamente los
hilos efectivos.

La American Sodty of Agronomy refiere lo siguiente, sobre los efectos de

competencia y BordUra:"En la mayora de los experimentos de suelo: en prueba
de variedades y ensayos de prcticas culturales, la produccin d las parcelas
puede ser modificadpor la continuidad de otros tratamientos y cultivos o spacios
(

no cultivados entre lasparcelas; la modificacin consiste en el aumento de algunas

producciones y las bajas de otras. Se ha realizado algunos experimentos para
estudiar el efecto de la Competencia y la Bordura y gran parte de ellos llegan a
la conclusin de tomar en consideraci6n estos aspectos a la hora de planificar los
experimentos" .

Clasificacin de las observaciones

Se refiere como observaciones a las mediciones que se van a hacer en el

experimento, estas observaciones pueden ser:

29
Dr: Franklin Chactn

Observaciones Principales: Estas son las mediciones que van a servir

para evaluar los tratamientos de manera de analizar los resultados, discutidos,
concluir y hacer las recomendaciones pertinentes. Todo esto con el fin de cumplir
los objetivos previstos en el ensayo.

En el caso de la Experimentacin Agrcola Vegetal, la medida ms comn

es el rendimiento; sin embargo, pueden tomarse otras mediciones principales
con el fin evaluar los tratamientos. Por ejemplo en ensayos de frijol pueden tomarse,
adems, observaciones sobre el nmero de vainas, longitud de las vainas, nmero
de granos por vaina, peso de las vainas, peso de los granos, entre otros. Estas
observaciones son tomadas sobre la misma unidad experimental o sobre una
muestra de la unidad experimental.

Observaciones Auxiliares: stas se hacen principalmente con dos

finalidades:
Disminuir el error experimental .
Encontrar una mejor interpretacin de los resultados cuando los
tratamientos son evaluados.

Las medidas adicionales hacen posible presuponer, por 10 menos hasta

cierto punto, el comportamiento de las unidades experimentales. Por ejemplo, en
un experimento para medir diferentes raciones alimenticias para animales, al
comienzo del experimento, los pesos iniciales seran una medida adicional muy
importante, ya que el incremento en peso de un animal durante el experimento,
Puede estar asociada al peso inicial.

Mediante una tcnica conocida con el nombre de Anlisis de Covarianza, se

puede estimar el grado en que las observaciones fueron influenciadas por
variaciones de estas observaciones auxiliares. La respuesta promedio a cada
tratamiento puede, por 10 tanto, ser ajustada-para disminuii el error experimental
ocasionado por esa fuente de variacin.

30
 Oi!3t:o y Anli!3i!3 dt: Expt:rimt:nto 2

Ventajas y desventajas de los experimentos diseados estadsticamente

Las ventajas de los experimentos diseados estadsticamente son:

- Cuando el experimento es planificado estadsticamente es necesario

- una colaboraci6n estrecha entre los estadsticos y el investigador con las

consiguientes ventajas en el anlisis e interpretaci6n de resultados en las
diferentes etapas.
- Se hace nfasis en las distintas alternativas de planificaci6n y por supuesto
esto permite la producci6n nica de datos tiles para el anlisis e interpretaci6n
de resultados.
- La atenci6n debe centrarse tambin en las interrelaciones y la estimaci6n
y cuantificaci6n de las fuentes de variabilidad de los resultados.
- El nmero de anlisis y pruebas de significaci6n pueden determinarse
con certezay a menudo se pueden reducir.
- La comparaci6n de los efectos es ms precisa debido a la tabulaci6n y
clasificaci6n adecuada de los resultados,
- La exactitud de las conclusiones se conoce con una precisi6n probabilisti-
camente definida.

Existen algunas desventajas al planificar los experimentos estadsticamente;

sin embargo, son mucho menores. Ellas son: -'

- Los diseos de los experimentos y su posterior anlisis generalmente van

acompaados,de cienos enunciados basados en el lenguaje estadstico, presentando
para muchos investigadores cierta dificultad, por eso es conveniente que el esta-
dstico traduzca a un lenguaje mas sencillo tales enunciados de manera que sea
ms entendible para el investigador. El estadstico no debe subestimar la imponancia
de la presentaci6n de los datos en forma grfica, pero siempre acompaado
posteriormente por el procedimiento analtico.

", - Existen algunos diseos muy complicados y se han criticado no solamente

por lo costoso y porque requieren mucho tiempo; sin embargo, no hay que
olvidar que los diSeios complejos son la respuesta a objetivos complejos; por
. consiguiente, es prudente recordar que el mejor diseo experimental a usarse en
unasituaci6n particular es aquel que siendo el ms sencillo permite alcanzar los
objetivos planteados.
31
 Capftulo3

ANliSIS DE VARIANZA

El anlisis de Varianza, inspirado Ydesarrollado por R.A. Fisher y sus alumnos

en el ao de 1921, es un mtodo de Estadstica Inductiva vlido para efectuar
pruebas de significacin entre dos o ms series simultneamente.

Consiste en separar la variacin total de un conjunto de observaciones

medidas por la suma de cuadrados de las desviaciones con respecto a la media,
en componentes asociados a fuentes definidas de variacin, utilizada como criterio
de clasificacin para las observaciones. Esto indica que en realidad, el anlisis de
varianza es un anlisis de sumas de cuadrados.

El anlisis de Varianza es usado para proveer soluciones a dos tipos de

problemas fundamentales distintos. Por un lado, puede ser usado para detectar la
existencia de relaciones. fijas entre medias de una poblacin y para estimar los
parmetros que definen tales relaciones; y por otro lado, puede ser usado para
detectar la existencia de componentes de variacin yestimarlas.

SUPUESTOS BSICOS EN EL ANliSIS DE VRIANZA

Los supuestos bsicos en el anlisis de Varianza cuando se hacen pruebas

de hiptesis son:
- Los tratamientos y los efectos ambientales son aditivos.
- Los-errores experimentales son aleatorios y se distribuyen normal e
independientemente en tomo a una media cero y una varianza comn.

El supuesto de normalidad no es necesario para estimar los componentes

de la vrianza. Cuando el supuesto no se hace,'es necesario que los errores no
estn correlacionados en vez de ser independientd. En la prctica nunca estamos
. seguros de que todos los supuestos se cumplan, a menudo hay razn para creer
que algunos son f~~l incumplimiento de uno o ms supuestos puede afectar

33
Oro Franklin Chacin

tanto el nivel de significancia como el de sensibilidad de F o t a las discrepancias

reales respecto a la hiptesis nula/En el caso de no normalidad, el verdadero
nivel de significancia es corriente, pero no siempre mayor que el nivel aparente.
Esto lleva al descarte de la hiptesis nula cuando no es verdadera con mayor
frecuencia de lo que describe el nivel de probabilidad, en otras palabras, sepresentan
demasiadas diferencias significantes que no existen. Los experimentadores pueden
pensar que estn usando el n1Velde significancia del 5% cuando en realidad el
nivel puede ser de 7 u 8%. Se presenta prdida de sensibilidad para las pruebas
de significancia y la estimaci6n de efectos, ya que hubiera podido combinarse una
prueba ms poderosa si se hubiese conocido el modelo matemtico exacto. Es
decir, si se conociera la verdadera distribuci6n de los errores y la naturaleza d~os
efectos, su aditividad o no aditividad, entonces podra construirse una prueba
capaz de detectar o estimar efectos reales. / ...

Para la mayora de los datos biol6gicos, la experiencia indica que las

perturbaciones debidas a que los datos no cumplan los anteriores requisitos no
son de importancia; sin embargo, hay casos excepcionales en que si lo son. En
todo caso, la mayora de 16S datos no Cumplen exactamente con los requisitos del
modelo matemtico y los procedimientos de pruebas de hiptesis y de estimaci6n
de intervalos de confianza no deben considerarse exactos sino aproximados.

Se ha sealado, que los errores experimentales deben tener una varianza

comn; por ejemplo, en un diseo completamente aleatorizado, las componentes
del error proveniente de los diferentes tratamientos, deben ser todas lasestimaciones
de una varianza de poblaci6n comn. Aqu la heterogeneidad del error puede ser
resultado del comportamiento errtico de la respuesta a ciertos tratamientos. En
experimentos como los destinados a determinar la eficacia de diferentes insec-
ticidas, fungicidas o herbicidas, puede incluirse un control no tratado para medir
el nivel de infestaci6n y proporcionar una base para determinar la efectividad de
los tratamientos. La variaci6n de las observaciones individuales en el control de
prueba puede ser considerablemente mayor que en los tratamientos, ante todo
porque el control puede tener una media ms alta y as, una mayor base de
variaci6n .: En estas situaciones, el trmino de error puede no ser homogneo.
Un remedio para esto puede ser repartir el trmino del error en componentes
homogneos para probar comparaciones de tratamientos especficos: Algunas
veces, si las medias de uno o dos tratamientos son mucho mayores que las otras

34
 Oi!38o y Anli!3i!3 de Experimento!3 3

y tienen una variacin significativa mayor, entonces tales tratamientos se pueden

excluir del anlisis.

El que no se cumplan algunos de los dems supuestos puede dar lugar a

heterogeneidad en el error experimental. Algunas sugerencias para solventar esta
situacin dependen de la naturaleza del no aunplimiento y pueden ser, por ejemplo,
el uso de un tipo de transformacin de los datos.

Es deseable probar la homogeneidad de varianza por la misma razn que

se prueba homogeneidad de medias o para establecer si se cumple o no el supuesto
de homogeneidad requerido para el anlisis vlido de la varianza de los datos. Si
se descarta la hiptesis de homogeneidad de la varianza, entonces es probable
que se haga un anlisis de varianza sobre datos transformados.

Si se supone heterogeneidad de varianzas a partir de una prueba aplicada, se

asume que las muestras se extraen de diferentes poblaciones. No se debe decir
POBLACIN ya que, como las varianzas son desiguales, se evidencia que las
muestras no provienen de una misma poblacin muestral.

Supuesto de normalidad

La normalidad de los errores implica que el componente aleatorio de los

tratamientos (error experimental} de un ensayo debe seguir una distribucin
simtrica cuando la distribucin es normal.A..as consecuencias de la no-normalidad
de los errores no son demasiado graves. nicamente una distribucin muy
asimtrica tendra ~ efecto marcado sobre el nivel de significacin de la prueba
F o sobre la eficiencia del diseo, La mejor manera de corregir la falta de
normalidad es realizar una transformacin que har que los datos se distribuyan
normalmelte. Si una transformacin simple no es suficiente habra que aplicar
pruebas no paramtricas. I .

35
Oro Franklin Checln

Se puede probar la normalidad por:

* Prueba de Ji Cuadrado de Bondad de Ajuste:

ESta prueba consiste en calcular un Z!/CU/ado para luego compararlo con un

r,abukulo a un nivel de significacin prefijado con el fin de establecer si se rechaza
o no, la hiptesis nula. Las hiPtesis que se prueban para el caso de normalidad
.son:

'2Ho: &j ecooe est distribuido NID (0,0'2)

~ Ha: &j si est distribuido NID (0,0'2)

El estadstico de prueba es:

2 -E)2
Zca/cu/aif E
(3.1)

donde 0. ""frecuencias observadas

E "" frecuencias esperadas

* Prueba de Wilk y Shapiro:

Las hiptesis continuan siendo:

Ha: No hay normalidad

Ha : Si hay normalidad

Para la verificacin de la normalidad de la variable aleatoria especificada se

seguiran los siguientes pasos:
1) Se ordenan en forma creciente los datos de la variable objeto de estudio.
r. < v
I - 12 -
<... < v
- In

2) Se calcula la suma de cuadrados de las desviaciones de los datos de la

variable respecto a su media ~ 11

S2 = -f? LO;
;=]

36
 Oi~o ,y Anli6i6 de Experlment06 8

3) Si n es part n - 2k calcule b con la siguiente ecuaci6n:

J

b = a"_I+I(Y,,_I+1 -~)
i~1

4) Si n es impar.n - 2k + Lcalcule conla siguiente ecuacim

b=a,,(y" -~)++ak+2(~+2 -~)
2
b
5) Se calcula W = sr
6) Seobtiene el W-tabulado ~ er Tabla A) t con un nivel de significacin de
a (en la tabla se busca '1 - .a )

7) Siel W-calculado > W-tabulado; se rechaza la hiptesis nula en favor de

la alternativa, con lo cual se estima que hay normalidad,

Ejemplo de aplicaci6n de la prueba de WUk y Shapiro

Sea el siguiente conjunto de datos compuesto de doce observaciones, en los

cualesse quiere establecer si provienen de una pob1aci6n distribuida normalmente
o no. Los datos se presentan en la Tabla 3.1.

37
Or. Frsndtn Chscln. (

Tabla 3.1. Tabla de Resultados para la Prueba de Wilk - Shapiro

1
y. Y.
I I

original ordenados a""+1 y . (y. an-i+l(Yn.i+(Y)

11-I+ I

1 11,2 11,2 0,5473 13,3 7,2791
2 14,5 13,2 0,3325 9,3 3,0923
3 17,2 14,5 0,2347 6,7 1,5725
4 17,8 14,8 0,1586 5,2 0,8248
5 19,3 16,9 0,0922 2,4 . 0,2213
6 24,5 17,2 0,0303 0,6 0,0182
7 17,8 -0,6
8
.21,2
16,9
14,8
19,3
20,0
-2,4
-5,2

9
10 20,0 21,1 -6,7
11 13,2 22,5 -9,3
12
Total
22,5 24,5 -13,3
b - 13,0082

CALCULO S

V=(t -1
Y;)/12=17,7583
".

= (y; - V) = 171,3885
12 . 2
S2
-1

b2 (13,0082)2
WCGIc =. S2 = 171,3885
. = 0,9873
W,ab = 0,979 con n = 12 Y a= 0,05

38
 Oi!5eo y Anl/!5/!5 de Experlment0!5 :5
Conclusi6n: Como el W-calculado > W-tabulado, se descarta Hoen favor
de Ha, por lo tanto se asume que existen evidencias suficientes para suponer la no
violacin del supuesto de normalidad. '

Esta prueba puede ser llevada a cabo a travs del uso de la computadora y
los paquetes estadsticos ms comunmente usados, entre ellos el SAS o el Statistix.
En estos casos adems de obtener el valor del estadistico correspondiente se tie-
ne la probabilidad de significancia que al compararla con el a seleccionado per-
mitirconc1uir si se rechaza o no la hiptesis nula. Usualmente tambin'se presenta
un grfico en el cual si se observa la presencia de una recta es indicativo de nor-
malidad. Es de notar que usualmente un acercamiento a la normalidad es consi-
derado suficiente para el cumplimiento del supuesto.

Supuesto de aditividad
Prueba de Turkey

Mediante el cumplimiento de este supuesto cualquier valor nico observado

puede descomponerse en componentes aditivas que representan los efectos de
tratamiento as como un trmino especial aleatorio. Una comprobacin de este
supuesto requiere ms de una simple observacin por 'casilla, o bien el clculo
independiente del cuadrado medio del error a partir de experimentos previos
equiparables.

Si el efecto es multiplicativo en vez de aditivo se encontrara que la suma de

cuadrados de -inte~ccin aumentara debido a la no aditividad de los efectos de
tratamiento. En este caso transformando la variable se conseguir restablecer la
aditividad de los datos.

La no aditividad ocurre si los efectos principales estn hechos por algn

proceso como multiplicacin, tambin ocurre cuando alguna observacin se
entremete accidentalmente de una poblacin diferente de las que se estn
investigando, y tambin si la varianza heterognea pide medias ponderadas y,
finalmente si ~en.efectos (mteracciones) adems de los efectos principales y el
error.

39
I
Or. Frariklin Checin

El mtodo de prueba para la hiptesis de aditividad queda explicado por

medio del siguiente ejercicio:
Los datos de la tabla 3.2 corresponden el las observaciones del efecto de 5
dosis de fertilizantes sobre la altura de plantas de pimentn al momento de
transplante; en un diseo en bloques al azar.
-
Tabla 3.2. Datos y resultados para el anlisis del supuesto de aditividad
I

TRT/
BLOQ 1 2 3 4 5 ~J
YJ - y. = di

1 16,80 14,20 9,60 15,2 16,4 14,44 -1,51

2 16,60 20,80 11,00 15,8 17,6 16,36 0,41
3 19,80 23,75 11,00 12,6 16,2 16,67 0,72
4 . 17,40 21,20 '12;25 13,2 17,6 16,33 0,38
Y, 17,65 19,98 10,96 14,2 16,95 15,95
Y,,-Y, = e, 1,7 4,0375 '-4,9875 -1,75 1,0
P1
2,306 12,242 -: 2,589 - 2,386 0,0804
~
). o., I

'"
"

F'
;} . ;
,
Los clculos seran;' :.

P1 16,8x(-1,51) + 16,6x(0,41) + 19,8x(0,72) + 17,4x(0,38) = 2,306

P20= 14,2x(-1,51) + 20,8x(0,41) + 23,7Sx(0,72) + 21,2x(0,38) 0= 12w242

. . '., _a': . ,

, ;

Ps - 16,4x(-1,51) + 17,6x(0,41) + 16,2x(0,72) + 17,6x(0,38) .0,0804

. '

"L.J d I
2
= 3 111 , ,"L.J e~ = 48129-1
I ,

P = cF . 1,7X2,306 +'4,0375xH,242:~4;9875x2,S89+"
1,7Sx2,386 + 1,OxO;0804 - 44;6905 ,'. .,,' -.1

40
 p2 ,' 446905' , ,
SCNoAditividad = (c~)(d~) = 3,11l~48,1291 = 13,775

Por 10 tanto el ANA VAA sera de la manera presentada en la tabla 3.3.

Tabla 3.3. ANA VAR que il~la prueba de Tukey

'4V
F.deV. G.deL., '~
S.C

C.M. F P
"
rl.

Trnt 4 192,516 48,129 10,52 ' 0,0003

Error 15 68,639
, 4,576
Prueba de Tukey

No Adit. 1 13,339 " ,

13,775 3,51 0,0818
"
Residuo 14 " r . ~~,,864 3,919
Total 19 ~.61;155 ..c.

El F calculado de la no-aditividad (3,51) es menor que el Fjabulado,

a = 0,05 con 1 y 14 grados de libertad (4,6) lo que quiere decir, que no hay
evidencias suficientes para ~~ la hiptesis nula, lo cual indica a~tivivid3.d
de los.efectos. .
- .,
Homogeneidad de varianzas

La igualdad de varianzas, como hemos visto, en un grupo de muestras es

una condicin importante para varias pruebas estadsticas. Un sinnimo para
esta condicin es la homogeneidad de varianzas u homocedasticidad. El trmino
homocedasticidad proviene del Griego y significa igualdad de dispersin, la
condicin inversa (desigualdad de las varianzasde algunas medias muestrales) es
llamada heterocedasticidad.

La homocedastieidad puede alcanzarse asignando aleatoriamente los

tratamientos, pero esto solamente algunas veces no basta, ya que puede haber una
respuesta diferente de las unidades experimentales con distintos tratamientos. Esta'

41
Or. Franklin Chacin

situacin puede presentarse al evaluar el efecto de distintas dosis de fungicidas o

herbicidas que adems incluyen un control. Una posibilidad es separar los
tratamientos que tienen varianzas semejantes y separarlos de los otros al hacer el
anlisis.

Cuando los datos se alejan de cualquiera de estos supuestos, es posible, en

algunos casos, realizar un cambio de escala en la presentacin de los resultados de
manera de ajustarse a las condiciones impuestas para que el ANA VAR pueda
aplicarse y el comportamiento de la variable estudiada se ajuste al modelo lineal.
Para los tipos de desviaciones ms comunes existen transformaciones.

Pruebas de Homogeneidad de Varianzas: De tiempo en tiempo nos

hemos preguntado si dos o ms cuadrados medios difieren significativamente.
Para dos cuadrados medios se obtiene una respuesta mediante el uso de la prueba
de F de dos colas, que se estudia en Estadstica General, pero para el caso de ms
de dos medias, hay varios procedimientos y pruebas que Se tratarn a continuacin.

Pruebas Grficas:

Anlisis de Grficos de residuales: Si el modelo es correcto y si se

comprueban los supuestos, los residuales no deben tener estructura; en particular
, ellos no deben estar correlacionados con ninguna otra variable incluida la respuesta
y ij Un simple chequeo es el grfico de residuales contra valpres fijos se Y ij .
Este anlisis puede no revelar ningn patrn aparente. La figura 3.1 es un grfico
de residuales contra valores fijos para los datos de la Tabla 3.4.
 Diseo .Y Anlisis de Experimentos 3
Tabla 3.4. Fuerza de tensin en varias fibras sintticas Qb/in)

Observaciones
%de algodn 1 2 3 4 S Y.
l.

15 7 7 15 11 9 49
20 12 17 12 18 18 77
25 14 18 18 19 19 88
30 19 25 22 19 23 108
35 7 10 11 15 11 54
376= Y ..

:~
.,
4

2
X

*

.1
.2
...
~1 X * * A3
X4
~ +-----I----~
...
1','
A
_--I--..:;.;::-....--+-==-----1
25,\'*56
l ...

1
5
*0. 15 20

3
*

Figura 3.1. Grfico de residuales contra valores fijos.

43
Dr. Franklin Chacin

Algunas veces la varianza de las observaciones aumenta cuando crece la

magnitud de las observaciones. Este puede ser el caso si el error es un porcentaje
constante del tamao de la observacin (esto comnmente sucede con muchas
medidas de instrumentos en que el error es un porcentaje de lectura). Si es este el
caso, los residuales mostraran el corte transversal de un embudo. Las varianzas
heterogneas tambin se evidencian en casos en que los datos siguen una
distribucin distinta a la normal y/o una distribucin asimtrica, en distribuciones
asimtricas la varianza tiende a ser funcin de la media. Respuestas incorrectas al
tratamiento tambin puede causar desigualdad en las varianzas.

Si el supuesto de homogeneidad es violado, la prueba de F se afecta solo

ligeramente en el modelo balanceado de efectos fijos. Sin embargo, diseos mal
balanceados o en casos en que una varianza es mucho mayor que las otras, el
problema es ms serio. Para el modelo de efectos aleatorios, varianzas de errores
diferentes pueden afectar significativamente las inferencias sobre los componentes
de varianza, aun si se utilizan en diseos bien balanceados.

Una propuesta usual al tratar con varianzas no constantes es aplicar una

transformacin estabilizadora de varianzas, luego se efecta el anlisis de la varianza
sobre los datos transformados, Se debe notar que las conclusiones de este anlisis
de varianza se aplican a las poblaciones transformadas.

Se ha investigado mucho acerca de la seleccin de una transformacin

apropiada. Si las observaciones de los experimentos de prueba siguen,
distribuciones tericas, se puede utilizar esta informacin para la seleccin de una
transformacin. Por ejemplo si las observaciones siguen la distribucin Poisson,
una distribucin de raz cuadrada 1ij * = .jY; y ij = ~ 1 + 1ij pueden ser
usadas. Si los datos siguen una distribucin logartmica, entonces la transformacin
1ij * ..log Y ij es apropiada. Para datos binomiales expresados como fracciones
la transformacin 1ij * = arcsen Y ij es usada. Cuando la transformacin no es
clara, el experimentador usualmente busca en forma emprica una transformacin
que iguale las varianzas haciendo caso omiso del valor de las medias. En
experimentos factoriales, otra salida es seleccionar una transformacin que
minimice la interaccin de varianzas, resultando en un experimento que sea fcil
de interpretar.

44
 Diseo'y Anlisis de Experimentos 3

Seleccin de una transformacin estabilizadora de varianzas: Si los

experimentadores supieran las relaciones que hay entre las varianzas de las
observaciones y las medias, podran usar esta informacin para guiarse en la
seleccin de una transformacin. Ahora se trabajar sobre este punto y se probar
como es posible estimar la forma de la transformacin requerida por los datos.

Sea E(Y) - Jl la media de Y, y suponga que la desviacin estndar de Y es

proporcional a una potencia de la media de Y, tal que:

(3.2)

Sequiere encontrar una transformacin para Y que haga la varianza constante,

Suponga que la transformacin es una potencia de los originales, esto es:
~=~ ~~

en la que puede ser probado que:

(3.4)

Claramente si hacemos A.=1-el entonces la varianza de los datos

transformados Y" es constante.

Varias de las transformaciones ms comunes estn resumidas en la Tabla

3.5. Note que A. - Oimplica la transformacin logaritmica. Estas transformaciones
estn ordenadas segn su incremento de fuerza. Por la fuerza de la transformacin
queremos significar la cantidad de curvatura que induce. Una transformacin
ligera aplicada a unos datos que abarcan un rango estrecho tiene poco efecto en
el anlisis, de la misma forma que una transformacin fuerte aplicada en datos de
rango amplio puede tener resultados dramticos.

45
Or. Franklin Chacin

Tabla 3.5. Transformaciones estabilizado ras de varianzas.

Relaciones entre
Uy y J-l a A=l-a Transformacin Notas

O"y oc constante
ay oc J-l112
o
1/2
1

1/2
- No hay
Raz cuadrada Datos de Poisson
ay a: J-l o Logaritmo
a y oc J-l 312 3/2 1/2
Raz cuadrada recproca
ay oc J-l2 2 1
Recproco

Seleccin emprica de a: En muchas situaciones de diseo experimental

en los que hay rplicas se puede hacer una estimacin emprica de a para los
datos. Ya que en la combinacin del tratamiento i-simo

a a
O"y OC J-l = a J-l (3.5)

donde a es una constante de proporcionalidad, tomando logaritmos obtenemos:

log ay = loga + a logu, (3.6)

Por lo tanto un grfico de logO'ycontra logu, debera ser una recta con
~endiente a. Como no se conoce ay y J-l se puede sustituir estimaciones
razonables de ellas y usar la pendiente de la lnea ajustada como una estimacin de
<x.. Se puede usar la desviacin estndar Si y el promedio Yi. del tratamiento
,. ,=', .
i-esrmo para estimar O"y y J-l.

Ejemplo del uso de transformaciones estabilizadoras de la varianza.

" ,.

Un ingeniero civil est interesado en determinar si cuatro mtodos diferentes

para determinar el fluido de barro producen estimaciones equivalentes de descarga
mxima, cuando es aplicado a un mismo canal de descarga. Cada procedimiento
es usado seis veces en el mismo canal de descarga y el resultado de los datos de
descarga (en pies cbicos por segundo) aparecen en la tabla 3.6.

46
 Diseo y Anlisis de Experimentos 3

Tabla 3.6. Descargas mximas.

Mtodos de
estimacin Observaciones y.
l.

- 1 0,34 0,12 1,23 0,70 1,75 0,12 0,71 0,66

2 0,91 2,94 2,14 2,36 2,86 4,55 2,63 1,09

3 6,31 8,37 9,75 6,09 9,82 7,24 7,93 1,66

4 17,15 11,82 10,95 17,20 14,35 16,8:! 14,72 2,77

El anlisis de varianza de los datos, totalizado en la tabla 3.7 , implica que

hay una diferencia entre las medias mximas de descarga dadas por los cuatro
procedimientos.

Tabla 3.7. Anlisis de Varianza para los datos de descargas mximas.

Iuemede Gradosde Suma de Owlrados

Variaan libertad cuadrados medios Fc

Tratamiento 3 708,3471 236,1157 76.07

Error 20 62,0811 3,1041
Total 23 770,4282

El grfico de residuales contra valores fijos que se muestra en la Figura 3.2

es problemtico, ya que la forma en embudo del corte transversal implica que el
supuesto de homogeneidad de varianzas no se cumple.

47
Dr. Frenkltn Chacin

:=-
J
...
1

O
:;: .
.2.3
+1

1 )(4
'i 0.71
*5

1
a:
2 .~ 6

-4

Figura 3.2. Grfico de residuales contra valores fijos de Y

para los datos de descargas mximas.

Para estudiar la posibilidad de utilizar la transformacin estabilizadora de

varianza sobre estos datos, se grafic Ln Scontra Ln Y en la figura 3.3.

1.2
1 +
0.8
r
...
0.8
D.4
0.2
+

.0.6 0.5 1.5 2 2.5 3
.0.2

.0.4
.0.6
Ln iL

Figura 3.3. Grfico de Ln Ycontra Ln Si'

48
 Diseo'y Anlisis de Experimentoe 3

La pendiente de la lnea recta que pasa por estos puntos se cona para ~ y
de acuerdo con la tabla 3.5, esto implica que la transformacin de raz cuadrada
puede ser apropiada. El anlisis de la varianza para datos transformados Y"
.JY es presentada en la tabla 3.8 y su grfico de residuales en la figura 3.4.
Tabla 3.8. Anlisis de la varianza para los datos de descarga mxima transformada
y* ... .JY

Fuente de Suma de Cuadrados

Variacin G. deL. Cuadrados medios Fe

Tratamiento 3 32,6842 10,8947 76,99

Error 19 2,6884 0,1415
Total 22 35,3726

0.6
+
0.4

0.2

O
W
.0.2
~

.0.4

x
.0.6

.0.8

v;

Figura 3.4 Grfico de residual es para los datos y *

ij

Estos residuales estn mucho ms dispersos que en la figura 3.2, por lo que
se concluye que la transformaci6n de raz cuadrada ha sido til. Notar que en la
T-abla 3.8 se han reducido los grados de libertad en uno para tomar en cuenta el
uso de los datos para estimar el parmetro a de la transformaci6n.

49
Dr. Franklin Chacin

PRUEBAS ANALTICAS DE HOMOGENEIDAD

DE VARIANZAS

Adems de los grficos de residuales que se utilizan frecuentemente para

diagnosticar desigualdad de varianzas, sehan propuesto varias pruebas estadsticas.
Estas pruebas pueden ser vistagcomo pruebas formales de la hiptesis:

Ha: al menos una de las 0;2

I
es distinta de las dems.

Prueba de Barlett: Es un procedimiento de prueba aproximado

ampliamente usado. El mismo es una modificacin de la prueba de razn de
verosimilitud de Newman-Person. Esta prueba permite detectar si se cumple el
supuesto de homogeneidad de varianza, y aunque tediosa por la cantidad de
clculos involucrados, es relativamente sencillade aplicar y debe utilizarse siempre
que se sospeche que el conjunto de datos a analizar puede estar violando este
supuesto.

Para aplicar laprueba deben calcularselasvarianzas dentro de cadatratamiento

que no necesariamente debe ser igual. A partir de ellos se construye una tabla que
ayuda a ordenar los clculos n~os para evaluar un valor de z;
(Z2 calculado)
que se compara con un valor tabulado. Si el valor calculado resulta menor que el
tabulado para un nivel de significacin predeterminado, la diferencia entre las
varianzas es atribuida al azar y se declara no significativa; de lo contrario, si es
mayor el Z; que el tabulado, la diferencia entre las varianzas de los distintos
tratamientos es significativa y debe realizarse una transformacin en los datos
originales antes de proceder al ANA VAR.

El procedimiento comprende el clculo de un estadstico cuya distribucin

muestral se aproxima mucho a la distribucin de Z2 , con a-l grados de libertad,
donde a es el nmero de varianzas bajo estudio. Estas varianzas provienen de
muestras independientes extradas de una poblacin normal, El estadstico de
prueba es:
z; = LnlO (q/c) = 2;3026 (q/c) (3.7)

50
 Oieeov Anlisis de Experimentos 3

donde q y e se definen como:

q = (n - a) log S~ -1: (ni - 1) log Sj2 (3.8)

e = 1 + [1/3(a - 1)]{1: (ni - 1) -1 - (n - a )-I} (3.9)

S~ . 1: (ni - 1) Sj2/ (n - a) (3.10)

donde Sj2 es la varianza muestral de la i-sima poblacin.

La cantidad q es grande cuando las Sj2 difieren grandemente 7 es cero

cuando todas ellas son iguales. As, se puede rechazar Ho basndose en valores
muy grandes de X; .
En otras palabras, se rechaza Ho solamente cuando

2 2
r; > Xa;a-I (3.11)

donde X;;a-I es el percentil superior de valor a de la distribucin de 1'2 con

a-I grados de libertad.

Varios estudios han indicado que la prueba de Barlett es muy sensible al

supuesto de IIOrmalidad y no debe ser aplicada cuando este supuesto est en
duda, pues para usar apropiadamente esta prueba se supone que las distribuciones
de base son normales. Cuando esto no ocurre, la prueba puede detectar la no
normalidad en vez .pe
la heterogeneidad de varianzas. Esta prueba es ms sensible
a la no normalidad que el uso de F en el anlisis de varianza.

51
Dr. Franklin Chacin

EJEMPLOS DE APLICACIN DE LA PRUEBA DE

HOMOGENEIDAD DE VARlANZAS DE BARLETI

Ejemplo 1

Dadas cinco varianzas: S12 = 11,2; S22 = 9,8; S32 = 4,3; S42 = 6,8 ;
S 52 = 8,2 provenientes de muestras de tamao 5 todas ellas, entonces:

Sp2 = [4(11,2) + 4(9,8) + 4(4,3) + 4( 6,8) + 4(8,2)] / 20 = 8,06

q = 2010g8,06 - 4(1og11,2 + log9,8 + log4,3 + log6,9 + log8,2) = 0,45
e = 1 + [ 1/ 3(4) ][5/4 - 1/ 20] = 1,10
Yel estadstico de prueba es:

Z2 = 2,3025(0,45/1,10) = 0,93
Z;
El2 valor tabulado corresponde a ' ON, = 9,49. Como A-c .y2 es menor

que ZO,05;4 entonces no podemos rechazar Ho y concluimos que las varianzas

son homogneas. Esta es la misma conclusi6n a que se llega por el anlisis del
grfico de residuales contra valores fijos.

Ejemplo 2
.
Sitenemos estimaciones SI2 cadauna con un nmero de grados de libertad
f (igual nmero de observaciones fueron usadas para cada estimaci6n) el criterio
de prueba es:

M = 2,3026 fea log82 - 10gS~) donde 82 = St / a

El factor 2,3026 es una constante. Bajo la hip6tesis nula en que cada SI2
es una estimaci6n del mismo (j2 la cantidad M / e se distribuye normalmente
con una Z2 con a- 1 grados de libertad donde:

e = 1 + (a - 1) / 3 af
5?
 Diseo'y Anlisis de Experimentos 3

En estos casos e es siempre ligeramente mayor que 1, y es necesario usada

nicamente si M est cerca de los valores crticos de 1'2 .

En la tabla 3.9 se aplica la prueba de varianza de gramos de factores

absorbidos en los cuatro tipos de factores. Aqu a == 4 y f = 5. El valor de M
es 1,8810 cual claramente no es significativa con tres grados de libertad. Para
ilustrar este mtodo 1'2 = =
MI e 1,74 ha sido calculado.

Tabla 3.9. Clculo de la Prueba de Barlett cuando todas las estimaciones tienen
cinco grados de libertad.

Factores S/ logS/

1 178 2,2504
2 60 1,7781
3 98 1,9912
4 68 1,8325
Total 404 7,8522

8 2
= 100,9 log82 = 2,0038
M = 2,3026(5)[4(2,0038)
s
-7,8522] = 1,88
e = 1 + [(a+l) / 3 a f] = 1 + 5 /3 (4) 5 = 1,083
1'2 = 1,88/1,083 = 1,74

Se concluye que no se rechaza Ha a un nivel de significancia de 0,05 y con 3

grados de libertad.
Cuando los grados de libertad difieren, como con muestras de tamaos
diferentes, el clculo de 1'2 es ms largo y s~ realiza de la siguiente manera:

53
Dr. Frsnklin Chacin

M = 2,3026 (L filogS2 - L ti.logSf) donde S2 = ti.S~ / ti

(3.12)
e = 1+ [1/ 3(a-l)][ L(1/fi)-( l/Lfi~
(3.13)
z; = MI e con a- 1 grados de libertad.
- (3.14)
Ejemplo 3

En la tabla siguiente se aplica la prueba de varianzas a los pesos al nacer de

cinco camadas de cochinos. Como S2 es la varianza combinada (ponderada
segn los grados de libertad) necesitamos una columna para la suma de cuadrados.
En el clculo de e se usar tambin una columna con los recprocos de los grados
de libertad (l/ti). Los clculos dan valores a z;
= 16,99 con 4 grados de
libertad, probando que las varianzas difieren de camada a camada en estos datos.

Tabla 3.10. Clculo de la Prueba de Barlett para homogeneidad de varianzas.

Muestras de diferentes tamaos.

Camada SC g.del. CM
(muestra) f. S.2 f. S.2 lag Si2 fi lag Si 2 1/f.
1 1 1 1 1

1 1,18 9 0,909 -0,0414 0,3726 0,111

2 3,48 7 0,497 -0,3060 -2,1252 0,1429
3 0,68 9 0,076 -1,1192 -10:0728 0,1111
4 0,72 7 0,103 -0,9872 -6,9104 0,1429
5 0,73 5 0,146 -0,8357 -4,1785 0,2000
sumatoria 13,79 37 -23,6595 0,7080

~=13,79/37
( ti.logS2 )=37(-0,4286)=-15,8582
M...2,3026(-15,8582-(-23,6595)] = 17,96
e = 1+[1/3(4)10,7080-1/37]= 1,057
z; = MI e ..17,96/1,057 = 16,99

54
 Diseo'y Anlisis de Experimentos 3

al comparar con el valor tabulado, con 4 grados de libertad, no es significativo

con un nivel de significancia de 0,01; lo cual es indicativo de homogeneidad en las
vananzas.

Cuando alguno o todos los S son menores que 1, como en el caso de

estos datos, es de notar que no se altera si todos los S y todos los 2 son "8

multiplicados por un mismo nmero (digamos 10 100); esto permite evitar

logaritmos negativos.

Ejemplo 4

La prueba de homogeneidad de varianzas de Barlett se efecta en los datos

de un estudio sobre la herencia del tamao de la semilla de lino; en el cual el
experimentador (Myers) obtuvo la varianza de los pesos de grupos de SO semillas
provenientes de plantas individuales de padre y de la generacin F1. Si se usan
logaritmos naturales (con base e), no se requiere el factor 2,3026; ste slo se
emplea cuando se usan logaritmos decimales. Los datos y el clculo del estadstico
de la prueba de Barlett aparecen a continuacin en la tabla 3.11.

Tabla 3.11. Prueba de Homogeneidad de Varianzas.

Clase G .de L. (y-y)2 S2, logS2 (n-1)logS~

1
1/(n-1)
Redwing 81 4.744,217 58,57 1,76768 143,18208 0,01235.
Ottawa770B 44 3.380,96 76,84 1,88559 82,96596 0,02273
F1 13 1.035,71 79,67 1,90129 24,71677 0,07692
Totales 138 9.160,84 250,86481 0,11200
66,38 1,8204 251,44152
2
X; = 2,302{(ni -1) log5 - (ni -l)lOgS~donde

52 = (ni.-l)S~ / (ni -1)

X2c= 2,3026(251,44152 - 250,86481) = 1,3279con dos grados de libertad

55
Dr. Franklin Chacin

Factor de correccin = 1 + [1/ 3(k -1) ]{I[ 1/ (m -1)] -1 / I(ni -1)}

= 1 + [1/ 3(2) ]{0,1l200 -1/ 138} = 1,01746

X;Orregido = 1,3279/1,01746 = 1,305 No significante

El factor de correccin deber mejorar la aproximacin de X2 cuando los

tamaos de la muestra son pequeos. Es siempre mayor que 1 y su uso disminuye
el valor bruto de X2 . As generalmente calculamos el X;orregido slo cuando el
X2 bruto es significante pero est cercano al valor crtico.

El valor tabulado para X2 con dos grados de libertad (igual al nmero de

tratamientos menos uno) y con probabilidad de 95% es 5,99. Como el valor
calculado es 1,305 (menor que el valor tabulado) es posible atribuir al azar las
diferencias entre las varianzas de los tratamientos y hacer un ANA VAR con los
datos originales.

Los valores independientes de X2 son aditivos, o sea que la distribucin de

una suma semejante se distribuye como X2 con un nmero de grados de libertad
igual a la suma de los grados de libertad de los sumandos. Esto es vlido slo
para los X2 sin corregir, pero no para los corregidos. As que si setuvieran varianzas
de varios aos, podra ser informativo hacer comparaciones entre y dentro de
aos. Tambin si sedispone de las varianzas de varias generaciones en segregacin,..
podemos hacer comparaciones entre padres y F1 (como en el ejemplo) entre
generaciones y segregacin y entre los dos grupos. El X2 total puede usarse, al
menos como comprobacin aritmtica.

Cabe sealar que esta prueba requiere que se cumpla el supuesto de

normalidad, si esto no se cumpliera y se hubiera realizado un muestre o de una
poblacin que no se distribuye normalmente, la prueba detecta esta falta de
normalidad. El inconveniente reside en que la prueba de Barlett es ms sensible
que la prueba F del ANA VAR para detectar la falta de ajuste a la normalidad.

56
 Diseo .YAnlisis de ExperimentoE? 3

Prueba de Cochran: La prueba de Cochran ("The distribution of the largest

of a set of estimated variances as a fraction of their total, Ann Eugen, 11:47-
52(1941));consiste en calcular S~ax/S~. '. '.
. .
Sean S;
para i= 1,2,...k; el conjunto de varianzas que son' estimadores
independientes de 0"2 respectivamente, cada. una est basada en n variables
t. , .
aleatorias independientes normalmente distribuidas. Sea
k

g = max S 2

I
/ S;
i=1
. (3.15),

el radio del mayor S2 en el conjunto total de varianzas muestrales. La hiptesis

H o: 0"12 = 0"2 =... = O"a
2 2
es acepta a Sl
d .

(3.16)

e
donde ga est dada en las tablas B y .conun nivel de significancia a igual a
0,05 0,01. Las tablas tienen enteros con n, el nmero de observaciones por
grupo y k el nmero de varianzas que han sido consideradas.

Prueba de Pearson y Hartley. Pearson y Hartley (1954)proponen una prueba

en la que se calcula la razn S~ax/S~in" en la cual se consid~ra el cociente entre
la mayor y la menor varianzadelas muestras. Los autores proporcionan unas
tablas especiales, Esta prueba aparece como una alternativa, puesto que la
aproximacin a la X2 es menos satisfactoria si la mayor parte de los grados de
libertad (ni- 1) de cada muestra son menores que 5. Es una prueba rpida, un
poco menos simple que la prueba de Barlett. En Biometrika, Tables for
Statisticians,Third edition, Cambridge, New York, 1966,aparecen tablas de valores
crticos para realizar la prueba.

La Fmax puede ser usada como una prueba corta de heterogeneidad de

varianzas. Sean S; para i = 1,2,....k, el conjunt de varianzas que son estimadores
independientes de 0"; ,
cada una basada en v grados de libertad y ordenadas en
forma ascendente de magnitud. Entonces:

(3.17)

57
 Dr. Frsnklin Chacin

donde log, Si2 se aproxima a una distribucin normal con media log, (j2 y
varianza 2/(v-1), puntos percentiles para S~S~n pueden ser calculados
aproximadamente para los puntos correspondientes a los percentiles de los rangos
en pruebas normales. Las tablas D y E se calculan para puntos correspondientes
a los extremos de los porcentaje 5% y 1% superiores.

Una aplicacin del Fmax propuesto por Pearson y Hartley para los datos
de la tabla 3.9 ser:

Fmax (S2max'/ S2.

mm
) - 178/60 - 2,97 (3.18)

Cada varianza muestral tiene cinco grados de libertad, basndose en esto, se

busca el valor tabulado para un nivel de significancia de 0,05 por ejemplo, y
resulta ser 13,7; de donde se desprende que para este ejemplo las varianzas son
homogneas. En el caso en que el tamao de las muestras sea diferente, se toma
el menor de los grados de libertad de las varianzas empleadas en el clculo de
Fmax.

Tanto la prueba de Barlett como la de Pearsony Hartley son sensibles a la

no normalidad de los datos, particularmente a la kurtosis. Con distribuciones
platicurticas, la prueba da veredictos errneos acerca de la heterogeneidad de
vananzas.

-, 58
 Captulo 4
_ f

DISENO EXPERIMENTAL COMPLETAMENTE

ALEATORIZADO

Introduccin

Es el diseo experimental ms sencillo y se origina por la asignacin aleatoria

de los tratamientos a un conjunto de unidades experimentales previamente
establecidas. En este diseo puede probarse cualquier nmero de tratamientos
resultando deseable, aunque no esencial, asignar el mismo nmero de unidades
experimentales a cada tratamiento.

Es un diseo de mucha utilidad en todos los campos de la ciencia, siempre

y cuando se consiga homogeneidad del material experimental y del mismo sitio
donde se vaya a desarrollar el experimento. Se podran enumerar una serie 'de
ventajas y desventajas del diseo.

Ventajas del Diseo Experimental Completamente Aleatorizado:

- Tanto la planificacin como el anlisis son los ms simples si se"lescompara

con los otros diseos conocidos.

- Produce el mximo nmero de grados de libertad para el error

experimental, lo que es muy til en pequeos ensayos.

- Cuando existe un nmero desigual de replicaciones por tratamiento no es

causa de complicaciones en el anlisis estadstico.

- Es de fcil manejo en el campo y en el laboratorio.

59
Dr. Frankln Chacin

Desventajas del Diseo Experimental Completamente Aleatorizadoi

- Slo puede usarse con material experimental homogneo.

- Su utilidad es muy restringida en los experimentos de campo, debido a la

heterogeneidad del suelo, que se conoce puede ser muy grande y para evitar que
la misma enmascare los resultados del experimento, debe recurrirse a diseos
ms eficientes.

- Presenta desventajas cuando el material es heterogneo, ya que no se puede "-

I
aumentar mucho el tamao del experimento, ya que esto motiva variaciones altas
que enmascaran el efecto del experimento.

En cuanto al nmero de observaciones para cada tratamiento o factor se

determina en base a los costos y a la potencia de la prueba.

El Modelo Lineal Aditivo

El modelo lineal aditivo para este diseo es:

(4.1)

para i-1, 2, ... t j -1, 2, ... r

Yij representa la j-sima observacin del i-simo tratamiento, por

ejemplo Y 23 representa la tercera observacin del tratamiento dos.
p es el efecto comn de todo el experimento, es decir la media
poblacional.
rl representa el i-simo tratamiento.
&u denota el error aleatorio presente en la j-sima rplica del i-simo
tratamiento.

Se considera que &ij se distribuye normal e independientemente (NID) con

media cero y varianza eJ esta es una varianz comn para todos los tratamientos.
& ij ..., NID (O, (2) (4.2)
 Diseo .Y Anlisis de Experimentos 4

p es un parmetro fijo y Ti se consideran tambin parmetros fijos si los

tratamientos son fijos, que en ese caso se hace el supuesto siguiente:
t

L
;=(
Ti = O (4.3)
-~

Si los "t" tratamientos son elegidos al azar, se asume que Ti se distribuye

normal e independientemente con media cero y varianza 021

(4.4)

El hecho de que los tratamientos sean fijos o aleatorios, depende de como

son elegidos en un experimento dado.

El anlisis de un diseo completamente aleatorizado para un solo factor

consiste de un anlisis de varianza con un criterio de clasificaci6n , probndose la
hiptesis nula:

Ho: T.
1
= O (4.5)

para toda i probada. Si la hiptesis nula es verdadera, no existe efecto de

tratamiento y cada observaci6n Yij proviene de una poblaci6n con media p y
un efecto aleatorio e 1).

Anlisis de Varianza

Para la revisi6n de la prueba F, se realiza en un anlisis de varianza con una

sola va de clasificaci6n con t grupos o tratamientos. Considrese la siguiente tabla
(Tabla 4.1) en la que se muestran las observaciones.

61
Dr. Franklin Chacin

Tabla 4.1. Ordenamiento de los datos con las medias de tratamiento para el
Anlisis de Varianza.

Tratamiento Observaciones Medias

1 2 j n

YII YI2 Ylj YID MI. ~1.

Y21 Yn Y2j Y2n fi\ ~2.

Yi2 Y.IJ Y. M
YiI L ~i.

Yu Yt2 Ylj y ~ ~L

Cada observacin puede ser tomada de cada tratamiento, se nota que puede
haber un nmero infinito de datos tomados de cada tratamiento. La esperanza
matemtica de cada tratamiento es:

E(Ylj) = ~I = ~ + 'tI
E(Y2j) = ~2=~+'t2

(4.6)
E(Y.) = ~, = ~ + 't,
~

J.I representa el promedio para todos los tratamientos por consiguiente

E(Y) = J.I

En el modelo, el efecto de tratamiento se puede indicar como (p i. - ~ ), de

esta forma el modelo se puede escribir de la forma siguiente:

Yij= ~ + (~i. -~)+ (Yij- ~J

Yij - ~ = (~i. - ~ ) + (Yij - ~J
(4.7)

62
 Diseo ,y Anlisis de Experimentos 4

Si las medias son desconocidas, entonces se toman muestras aleatorias de

observaciones de los tratamientos y se puede hacer una estimacin de las medias
de los tratamientos y de la media poblacional. Si se toman ni observaciones de
los tratamientos en los que el nmero de observaciones no es necesariamente
igual se podra representar de la manera siguiente; (Tabla 4.2).

Tabla 4.2. Muestra para el ANA VAR con un solo criterio de clasificacin.

Tratamiento Observaciones
1 2 ... n. 1
Total Media n.
1

1 YII YI2 Y1nl LY1j ~I ni

2 Y21 Yn Y2n2 LY2j fi\ n2.

YI Yi2 Y.n LYj ttl l ni

Yu Ya y. LYIj ~l n 1.

Aqu Y. representa el total de las observaciones tomadas del tratamiento

1.

"i" Yni representa el nmero de observaciones del mismo tratamiento y M. es la

media del referido tratamiento. Y.. representa el total de todas las observaciones.

Y.
(4.8)
I

n=
;=\
(4.9)

63
Dr. Franklin Chacin

Si Y.. es la media de las n observaciones, entonces:

I

Y.. = L
i=l
n.1 Y. 1
/ n (4.10)

Si esos estadsticos muestrales sustituyen a los correspondientes parmetros

poblacionales, la ecuacin que se generara sera la siguiente:

Y.1) - Y.. = (Y.,. - Y.. ) + (Y.1) - Y.)r, (4.11)

Esta ecuacin se establece con base en las desviaciones de las observaciones

con respecto a la media general y pueden dividirse estas desviaciones en dos
partes, las desviaciones de la media de cada tratamiento con respecto a la media
general ms las desviaciones de cada observacin con respecto a la media de
cada tratamiento.

Si ambos lados de la ecuacin anterior son elevados al cuadrado y sumados

en "i" y en "j", resulta:
I ni I ni I ni

L L
i=l i=)
(Y. -Y ..
1)
)2=L L i=l j=l
(Y. -Y .. )2
l.
+L L
i=l j=l
(Y..- y.)2
1) l.

I ni

+2 L L
i=l j=l
(Y. - Y.. ) (Y..- Y.)
l. 1) l.

Examinando el ltimo trmino del lado derecho de la ecuacin.

I ni I ni

L L
i=l I=)
(Y. - Y.. ) (Y..-
l. 1)
Y. ) - L

i=l
(Y L - Y.. ) [L j=l
(Y.-
')
Y.)]
l. (4.12)

la parte que se encuentra entre los corchetes es igual a cero ya que representa la
suma de todas las observaciones con respecto a la media dentro de cada
tratamiento. Por consiguiente:

64
 Oi5eo y Anli!3i!3 de Experimento!3 4

La ecuacin anterior se puede referir como la ecuacin fundamental en el

anlisis de la varianza y expresa la idea de que la suma de cuadrados de todas las
desviaciones de las observaciones con respecto a la media general es,igual a la
suma de cuadrados de las desviaciones de la media de tratamiento con respecto
a la media general mas las desviaciones de cada observacin con respecto a la
media de cada tratamiento. La manera de obtener estimadores insesgadas de la
varianza poblacional sera la siguiente:
I tti

L L
I
i=)
\'l..- y..)2 - se TOTAL dividido porlos grados de libenad (n - 1)(4.14)
.

Si la hiptesis que se va aprobar en el anlisis de varianza es verdadera,

entonces t" - O para toda i, es decir, no hay efecto de tratamiento, esto es;

111 -112.- 113. - .. - IIL

por consiguiente el modelo estara formado solo por la media poblacional ms

el efecto aleatorio.

luego uno slo de los tres trminos de la ecuacin anterior puede usarse como
estimador insesgado de la varianza poblacional. Por ejemplo, si se divide el trmino
del lado izquierdo de la ecuacin por los grados de libertad (n-1) se producira
un estimador insesgado de la varianza poblacional.

(Yij - y i.)2 dividido por (Th - 1)

Si las varianzas dentro de los t tratamientos son estadsticamente iguales,

entonces se estimarn por agrupamiento:

65
, Di: Frankln Checln

(Y..- y.)2
1) _1.

:divididos por los grados de libertad respectivos, calculados de la siguiente manera:

I

;=1
(ni - 1) "" n - t

y as se obtendra la estimacin de la varianza poblacional. As tambin pueden

hacerse estimaciones de la varianza 0'2 y entre las medias formadas de la
poblacin con d y = n. 0'2 un estimador insesgado para 0'2 Y es dada por
I
ni ~ i, -
I .

Y...:.) 2 /(t - 1) el cual se encuentra sumando el primer

;=1
trmino de la parte derecha de la ecuacin 4.13 sobre "j" y dividido por (t -1)
grados de libertad. De esta forma existen tres estimadores insesgados de 0'2
cuando la hiptesis nula es verdadera. Los tres estimadores son independientes y
las sumas de cuadrados aditivas. Sin embargo se puede mostrar que si cada trmino
de la suma de cuadrados es dividida por los respectivos grados de libertad,
entonces se produciran dos distribuciones independientes que son estimadores
insesgados de 0'2 cuando Ha es verdadera. Si dos de tales estimadores
independientes son comparados, la razn puede demostrarse que tiene una
distribucin F con (r - 1) Y (n - r) grados de libertad dada por,:
t

ni (Y.- YJ2 /(t-l) CMTRAT

F(t- 1;n- t) = ...:...~...:...I-n-:-
--.,....---- = CMEE (4.15)
"" L..J (Y1) - YL )2
L..J / (n- t)
=I j=1

La regin crtica se toma de la tabla en la que aparece la distribucin de F,

rechazando Ha si Feal ~ Ftab (1 - a) donde a es el rea de F I-a. Si F es significativa
indicara que existen diferencias entre las medias de los tratamientos y por lo tanto
la hiptesis nula es rechazada. Estimadores insesgados de la varianza, es decir, la
suma de cuadrados entre los grados de libertad son tambin referidos como
cuadrados medios, En la tabla 4.3 se d el esquema de ANA VAR mostrando los
grados de libertady las sumas de cuadrados respectivos.

66
 Diseo .Y Anlisis de Experimentos 4
.

Tabla 4.3. ANA VAR del Diseo Completamente aleatorizado.

Fuente de Variacin Grados de libertad Suma de Cuadrados

F.deV. G. deL. S. de C.

Tratamiento t - 1 L
I i=1
n.(Y-.
1 l.
_y .. )2

L
i=1
Y.2/ni1
- Y.. 2/n

Error L
I

i=1
(ni - 1) ti:
i=1 j=1

I ni I

= L L
i=1 j=1
Y..2_
1)
L
i=1
Y.2 / n.
l. 1

TtU L i=1
n.1 - 1

ti:
i=1 j=1
Y..2_ Y .. 2
1)
/ n

67
Or. Franklin Chacin

Esperanza de los Cuadrados Medios:

El Modelo Lineal Aditivo es:

(4.16)

La suma de cuadrados de tratamiento de acuerdo a la Tabla 4.3 es:

t

SC1RAT = Li=l
ni (Yi. -Y.y

del modelo (4.16)

n ni

Y.l.
=L Y../n=L
j=l 1) j=l

ni

Vi. =(n J.l In) + (n 'ti In) + Lj=l

E ..
1)
In

ni

Mi. = J.l + 't i + L

j=l
E ij I n (4.17)

Tambin:
t ni

Y .. = L i=l j=l
Y.1) I nt= tI
i=l j=l
(J.l + r + E ij ) I nt

Y .. =(nt J.l Int)+ (nt

i=l
'ti I nt) + t
i=l
I
j=l

Y .. = J.l + Li=l
t

ti:
i=l j=l
(4.18)

68
 Diseo.,yAnlisis de Experimentos ,4

restando de la ecuacin 4.17la ecuacin 4.18.

I ni I n{.

(Y. -Y .. )2 = ( ti - L
;=1
ti /t )2 + I / n2( L j=1
&ij -L L
;=1 I=t
productos cruzados (4.19)

Suma de Cuadrados de tratamiento:

I I I

se TRA T = L;=1
n (~. -ti!.) 2 = n L ;=1
(1: i - L
;=1
1:i / t )2 +

n;

(L
j=1
E ij / t )2 + n productos cruzados

(4.20)

El valor esperado ser:

I I I ni

E(SC TRAT) = n E [ L
;=1
(Ti - L;=1
ti /t )2] + I/n E[ L (L
;=1 j=1

ti:
;=1 j=1
(4.21)

ya que se puede demostrar que el valor esperado de los productos cruzados es

igual a cero.

I I

L
;=1
Ti = L
;=1
(Jl i - Jl ) O

69
Or. Franklin Chacin

luego la E(SC TRA 1) = = n L;=1

't 2 + (nt - n) / n a2

si los errores son aleatorio s y L 't i 2 es una constante, la E(CM TRA 1) =

SC TRA T / (t-1) ;=1

,
as;
I I

E(CMTRAT) = n L
;=1
t/ /(t-1)+[n(t -l)/n (t-1) ]a 2
=nL
;=1
,2 /(t-1)+ a2

Si los tratamientos son aleatorios y su varianza es el,

(4.22)

Cuadrado medio del Error.

I n

SCERROR= L L
;=1 i=v
(Y.-Y.)2
1) l.

Sustrayendo las ecuaciones 4.16 y 4.17

y-
1)
~.l.
E 1).. L j=1
E ..
1)
/n

elevando al cuadrado y sumando

tI
;=1 i=)
(Yj - ~j=L L
I

;=1 j=1
n

( Ej - L
j=1
E/n)
1)
2

70
 Oieeo y Anli5i5 de Experimento5 4

El valor esperado ser:

I n n

E(SCERROR) = E
;=1 j=1
(E .. -
1)

j=1
E/n)2

(n-l)cr
.
2= t (n-l)cr2 E
(4.23)
;=1

E (CMEE) = E [ SCEE / t (n -1)] .., dE (4.24)

Complementando la tabla 4.3 del Anlisis de Varianza, vease la siguiente

Tabla 4.4.

71
 o\:)
~ :'l
:ll
~
::3
.~

Tabla 4.4. ANAVAR aumentado con las esperanzas de los cuadrados medios para el dlseflo Completamente Aleatorlzado ~
9
~
F. de V G. de l. Suma de cuadrados Cuadrados Medios Modelo Fijo Modelo Aleatorio (')
:l-
t t

Trat I - 1
=1
n(V
o o.
_Y .. )2 SCTRAT/t-1 n
=1
t; 2 I ( 1-1) + 02, n 02. + 02.

t ni

Error t(n - 1) (Yij - Y;. )2 SCEE I t(n - 1) 0\ 02

=1 j=1

t ni

Total nt - 1 (Y;j - '1.. )2

;=1 j=1

..
 Diseo'y Anlisis de Experimentos 4

Forniulacin del Modelo Tipo 1 (Efectos Fijos)

El modelo puede ser establecido como sigue:

Yj = !l + Ej
I

Yj = es el valor de la variable de respuesta en la j-sima repeticin del i-simo

tratamiento.
!l = son parmetros
Ejson independientes N(q, a2) i = 1, ... ,r j = 1, ... ni

Aspectos importantes del modelo Tipo 1

1) Los valores observados de Y en la j-sima repeticin del tratamiento i-

simo es la suma de dos componentes: ~l trmino constante!l y el
trmino aleatorio del error E...
1)1.

2) Como E( Ej) = 01' se tiene que E(Yj) = !l.. Por lo tanto todas
las observaciones para el i-simo tratamiento tienen la misma esperanza
!l.
3) Corno u, es una contante s~ tiene que a2(y if)-= a2( E) = a2 por lo
tanto lasobservaciones tienen ~ misma varianza, para cualquiertratamiento.
4) Como cada E est distribuido normalmente Y. tiene la misma
u u
distribucin. Esto es debido a que Y. es una funcin lineal de E...
u - . u
5) Los errores se asumen independientes; esto es, el trmino del error en
una salida no tiene efecto en el trmino 'de error de otro resultado, Si los
errores son independientes as; tambin son las observaciones Yjj.:.
6) En virtud de estos aspectos en el modelo planteado se puede establecer
que: Y. estn independientemente distribuidos N(J.l., 0-2)
1)" .. d

Nota: El modelo de anlisis de varianza es un modelo lineal porque puede ser

expresado matricialmente en la forma: Y == X~ + E.

73
Oro Franklin Chacin

Por ejemplo en el caso de dos tratamientos con dos observaciones cada uno, Y,
X, ~ Y E se definen como sigue:

YI 1 O O &11

p~[:l
Y2 1 O O &12
1;\ O 1 O &2\
y= X= &=
1;2 O 1 O &22
1;\ O O 1 &3\
1;2 O O 1 &32

Note la estructura simple de la matriz X y que el vector ~ consiste en una

matriz de medias.

Modelo Tipo 11 (Efectos a1eatorios)

El anlisis de varianza para el modelo Iles de la forma:

Y IJ..=II.+E
rl
..
IJ

Yj = es el valor de la variable de respuesta en la j-sima repeticin del i-simo

tratamiento.
Jl = son independientes N ( Jl , al)

Eij son independientes N(O, a ) i= 1, ... ,r = 1, ... n

2
j
Jl y Ej son variables aleatorias independientes.

El modelo IIes similar en apariencia a los modelos de efectos fijos. La

principal distincin es que para el modelo 1el factor de medias Jl es constante,
pero son variables aleatorias para el modelo ll. Por lo tanto el modelo IIes
llamado el modelo de los efectos aleatorios.

74
 Oieeo y Anttete de Experimentos 4

Aspectos importantes del modelo Tipo 11.

1) El valor esperado de una observacin Yj es E(Y) = Jl, esto se debe

a que E(Y.)IJ = E(Jl')I + E( E..)
, IJ
= Jl + O = u, Note que la esperanza toma
Promedios tanto para IlI como para E..IJ.
2) La varianza de Y es: (j2(y.)= (j2 + (j2 esto resulta porque modelo II
supone que Jl y E~son vari~b1esal~atorias independientes y (j2(Jl)= (j2u
y cr2(Ej)=cr2. Debido a que la varianza de Y en este modelo es la suma
de dos componentes (j2u y (j2, este modelo es algunas veces llamado
modelo de componentes de varianza.
3) Finalmente, los Yj estn normalmente distribuidos porque son una
combinacin lineal de las variables Jl y Ejlos cuales son independientes
y normales. Sin embargo, los Yj no son independientes debido a que un
nmero de diferentes Y.IJ tienen el mismo componente r". r,

Comparacin entre los modelos Tipo 1 y Tipo 11

En el modelo I, las conclusiones que se generan son pertinentes a solo

aquellos tratamientos incluidos en el estudio. En el modelo TI, las conclusiones se
extienden a la poblacin de tratamientos de los cuales los tratamientos en el estudio
son una muestra. La diferencia principal entre las dos situaciones es la siguiente:

El Modelo I, es relevante cuando los tratamientos son escogidos porque

existe particular inters en ellos y no son considerados como una. muestra de una
poblacin ms grande. El Modelo TI, es apropiado cuando los tratamientos
constituyen una muestra de una pob1a~in y el inters est en el 'estudio de los
tratamientos.

,
75
Or. Franklin Chacin

EJEMPLO ILUSTRATIVO

En la siguiente tabla (Tabla 4.5) se presentan los resultados (rendimiento

en Kg/ parcela de 3 m2) de un ensayo con cuatro variedades de pepino.

Tabla 4.5 Datos en el ejemplo ilustrativo de un diseo completamente aleatorizado.

Observaciones VARIEDADES (k)

(r) 1 2 3 4

1 4,87 2,30 6,80 1,28

2 4,60 2,25 5,70 3,88
3 1,33 5,85 4,62 5,00
4 5,58 6,16 3,80 3,25
5 5,88 8,35 2,75 1,56
6 2,81 5,93 4,93 4,25
7 4,10 1,50 4,93 4,46
8 5,63 5,85 3,80 5,53
Total 34,80 38,19 37,33 29,21

k .4 .nmero de variedades.
Ellas son: l.-Marketer; 2.-AsWey; 3.- Pixie; 4.- Poisett
r .8 = nmero de observaciones por variedad
n 32 nmero total de observaciones.

1. Modelo Lineal Aditivo:

i ~1,2, ... , t j = 1,2, ... ,r

Y.IJ observacin J' -sima del i-simo tratamiento.

p media general.
t:1 -= efecto del i-simo tratamiento.
&j = error experimental de la j-sima observacin en el i-simo tratamiento.

76
 Diseo .Y Anlisis de Experimentos 4

2. Supuestos del Modelo:

/

Modelo 1 Modelo II
I

L
;=\
't.I = O 't i ~ NID (O, 0'2
r
)

Eij ~ NID (O, 0'2 )

E

3. Hiptesis:

Modelo 1 Modelo TI

Ha: 't. =
I
O Ho: 0'2 =0

,
4. Esquema del Anlisis de Varianza:

Ver Tabla 4.6

77
Pr. Fr~nklin Chacin

Tabla 4.6. Esquema del Anlisis de Varianza para un diseo completamente

aleatorizado

Esperanzas de los CuadradosMedios

F. de V G. de L Suma de cuadrados Cuadrados Medios Modelo Fijo Modelo Aleatorio
M(I) M(II)

I I

Trqt t-J ;=1

y ;.2/r - F.C. se TRAT / t - I r
;=1
.;2/(t-I)+a2E

Error t (r - 1) Diferencia SCEE/t(r-I)

E

Total rt - 1 ti: v:
;=1 I=t
1)
-F.C.

I 11;

F.C.= Y//rt=(M..)2/n
;=1 l=)

5. Desarrollo del Ejemplo:

Suma de Cuadrados

SumadeOuiradosde Tratamieruo:

34,802 ~ 38,192 +37,332 + 29,212 139,52

SCTRAT - = 6,139
8 32
Suma de Cuadrado: Total:

SCTOTAL = 4,872 + 4,602 + ... +4,462 + 5,532 - 139,52/32 = 92,569

Suma de CuadradosdelError Experimental:

SCEE = SCTOT AL - SCTRA T = 86,457

78
 Diseo y Anlisis de Exper(mentos 4

Cuadrados Medios o Yarianzas

OiadradoMa:liodeTratamiento:

CMTRAT = SCTRAT /(t-1) = 2,0463

CuadradoMediodelErrorExperimental:

CMEE = SCEE / t (r - 1) = 3,0877

Anlisis tle Varianza (ANA VAR)

Gradosde 0w1r(f(;/a
, Iuentede Suma de #

Variadn I.ikrtad 0Ittdmda mda Fe

Tratamiento 3 6,139 2,0463 0,662

Error 28 86,457 3,0877
Total 31 92,596

Prueba de Hiptesis

Fe = CMTRA T / CMEE = 0,662

~>.;2/
I

Ft = .:.;;=:.:..1 __
(t-l) +
-:-- __
0-;
0-2
s

79
Dr.:Franklin ,Chacin

Para probar la hiptesis compare el F calculado (0,662) con el F tabulado,

ste se encuentra en la tabla de F con los grados de libertad del numerador
(tratamiento) y los grados de libertad del denominador (error experimental) y
con un nivel de significacin y probabilidad de cometer el error tipo l.

Ftab (3,28,0,05) = 2.95 Ftab '(3 , 28 ,0,01) = 4,57

Fcal = 0,662 es menor que cualesquiera de los dos Ftab a los distintos niveles de
significacin considerados.

Interpretacin:

De acuerdo a los resultados se puede establecer que F no es significativa,

por lo tanto, no se rechaza la hiptesis nula, es decir, Ho: T = O. Esto se puede
interpretar como que no hay diferencias entre los tratamientos (variedades)
estudiadas; los rendimientos promedios correspondientes a las variedades de
pepino fueron estadsticamente iguales.

...

80
 Diseo .YAnlisis de Experimentos 4

EJERCICIOS

Con un conjunto de datos afn a su investigacin, responda las siguientes

preguntas:

- Establezca el modelo lineal aditivo describiendo cada uno de los

trminos del modelo y los sub-ndices presentes.

- D los supuestos del modelo.

- Establezca las hiptesis a probar.

- Escriba el cuadro de ANA VAR de acuerdo al modelo. Considere

cuadrados medios esperados y los estadsticos de prueba.

-Realiceel ANA VAR.

- Pruebe las hiptesis.

-Interprete los resultados.

81
Dr. Franklin Chacin

DISEO COMPLETAMENTE ALEATORIZADO

CON SUBUNIDADES EN LAS UNIDADES EXPERIMENTALES
- SUBMUESTREO -

Muchas veces no basta con tomar un elemento por unidad experimental

debido a que se incrementa grandemente el coeficiente de variacin; por tanto,
existen procedimientos en los que se determina el tamao ptimo de la unidad
experimental. Se pueden variar las combinaciones de nmero de rplicas y el
tamao de la unidad experimental con el fm de disminuir la variabilidad, expresada
usualmente a travs del coeficiente de variacin.

Cuando se tienen las unidades experimentales compuestas de varios

elementos, se pueden seguir tres procedimientos:
a.- Tomar un promedio
b.- Totalizar
C.-Tomar informacin de cada elemento individual, con el
procedimiento que se describir a continuacin.

1.- Modelo Lineal aditivo

(4.25)

i = 1,2, ... , t j = 1,.2,... , r k = 1,2, ... , m

c ..= efecto del error experimental

1)

0k = efecto del error de muestreo

1)

82
 Diseo y Anlisis de Experimentos 4

11.- Supuestos
Modelo 1 Modelo 11
I

L
i=l
T.I = O

8..
,~
IJ..
NID(0,a2) E

111.- Hiptesis

Modelo 1 Modelo 11

Tratamiento:

Ha: 't. =
I
O Ho: a2 =0
1

Ha: 't.:f. O
I
Ha: a2 :f.O
1

Error.

Ho: a2 E
=0 Ho: a2 E
=0

Ha: a2 E
*O Ha: a2 *0E

1V.- Prueba de F

Fe TRA T F;ab (a,t -1,t(r -1)) Se rechaza Ha

FeTRAT < F;ab (a,t -1,t(r -1)) No se rechaza Ha

FeEE F;ab (a,t(r -1),tr(m -1)) Se rechaza Ha

FeEE < F;ab (a,t(r -1),tr(m -1)) No se rechaza Ha

83
Dr. Franklin Chacin

Si la prueba de F para el Error Experimental es significativo, la prueba de

F para tratamiento se divide entre el cuadrado medio del Error experimental;
pero si no es significativo se debe hacer un pool de errores, adicionando las
sumas de cuadrados y dividiendo entre las sumas de los grados de libertad de los
dos errores y el FTRA T ser CMTRA T / CMEE(conjunto).

Ejemplo Ilustrativo

Este ensayo fue realizado en los campos experimentales del CENIAP para
evaluar el efecto de la fertilizacin sobre la produccin de follaje en el cultivo de
maz. El rea fo1iar se midi en base al peso seco. El diseo experimental que se
utiliz en el ensayo fue el de bloques al azar, tomando muestras de dos plantas
dentro de cada unidad experimental, ya que la medicin del rea fo1iar por este
mtodo es muy laboriosa para hacerlo en todas las plantas y se consideraba que
dos plantas representaran una muestra apropiada de la poblacin en cada unidad
experimental. Sin embargo, para fines de ejercicio, el ensayo ser analizado como
unDzSeO CompletamenteAleatorizo4o con Submuestreo:

El modelo se considera fijo, ya que las dosis de fertilizantes utilizadas se

consideran como una poblacin y los resultados obtenidos a partir de estas dosis
no pueden ser extrapo1ados a otros tratamientos o dosis.

1.- Modelo Lineal aditivo

i=1,2, ... , t j = 1,2, ... , r k = 1,2 ... , m

s.1)
= efecto del Error Experimental
Ojk = efecto del error de muestre o
r = nmero de repeticiones por tratamiento
m = nmero de muestras por unidad experimental

84
 Diseo'y Anlisis de Experimentos 4

II.- Supuestos

E .. ~ NID (O, (J2 ) 8'k ~NID(0,(J2)

~ t ~ B

III.- Hiptesis

Ha: 'ti = O Ho: (J2 =0

IV.- Anlisis de los Resultados.

Vease Tabla 4.7.

85
Dr. Franklin Chacin

Tabla 4.7 Datos en el ejemplo ilustrativo de un diseo completamente aleatorizado

con submuestreo

Tratamiento Observaciones Total

1 6240,70 5499,90 6355,44 5634,58

5746,64 6336,64 6822,10 7612,56 50248,56

2 8865,02 7437,97 8171,28 8677,62

10263,24 9288,72 6093,54 7720,01 66517,40

3 7403,04 8537,94 7734,78 7734,78

7123,68 5993,94 6569,33 9236,34 60333,83

4 10458,54 9484,52 9515,70 8223,66

8960,72 7214,72 7577,64 7820,80 69256,30

5 8511,75 6809,40 6828,11 8511,75

8956,98 7865,87 8771,03 6477,66 62732,55

6 7811,90 9973,15 9248,34 9207,24

8503,02 5296,20 9847,44 6966,54 66853,83

7 6382,60 5825,82 9804,88 9256,13

10056,96 8684,05 6468,26 8125,80 65494,96

8 8855,22 8338,90 6920,71 9166,50

9550,62 5971,32 9035,55 4923,72 62762,54

9 6728,82 9551,65 9288,71 9998,17

10056,96 9166,50 7093,13 6420,00 68243,94

10 8503,02 7865,87 9026,82 7077,12

10166,09 7422,25 7857,00 6440,56 64358,73

11 6479,25 7071,30 5584,51 8830,88

7384,42 7950,54 7106,72 7623,47 58031,09

TOTAL
183899,65 167587,17 171661,02 171685,89 694833,73

86
 Diseo'y Anlisis de Experimentos 4

Anlisis de Varianza

F. de V G. de l. Suma de cuadrados Cuadrados Medios ECM F

I r

Entre Ir- 1 L L
;=1 }=l
Y.'/m-
~ F.C.

Unidad

Experi- - 43 - 77608543

mental

Trata- I -1 L ;=1
y L'/ rm - F.C. SCTRAT/I-l d +mcr'e+ CMTRAT/CMEE

miento I

- 10 - 37019293 - 3701929,30 mrL ;=1

1,' / (1-1) - 3,010

Error I (r-l) SC(EUE) - Serrar SCEE/I(r-l) d +mcr'g CMEE/CMEM

Experi-

mental - 33 - 40589250 - 1229977,27 - 0,592

Error de n - lr SCTotal- Serrar- SCEE SCEM / (n - Ir) d

Muestreo -44 - 91398328 - 2077234,73

TOlal n - 1-87 tt
;=1 i=v k=l
Y;>' -F.C-169006871

Y' / trm - (694833,73)' / 88 - 5486294457

Suma de Cuadrados entre Unidades Experimentales:

I r

SC(EUE) = L L
;=1 i=)
Y.
'l,
2/ m - F.C.

SC(EUE) = [(6240,70 + 5746,64)2 + (5499,90 + 6336,64)2 + ... + (8830,88 +

7623,47)2] / 2 - F.C.

SC(EUE) = 1,1127806xl01o / 2 - 5486294457 = 77608543

87
Dr. Frankln Chacn

Suma de Cuadradosde Tratamiento:

t

SCTRAT =
i=l
y2/rm
1..
- F.C

SCTRAT = (50248,56Y +(66517,40)2 +...+(58031,09)2

8 - 5486294457
SCTRA T = 5523313750 - 5486294457 = 37019293

Suma de Cuadrados del.Error Experimental:

SCEE = SC(EUE) - SCTRA T

SCEE = 77608543 - 37019293 = 40589250

Suma de Cuadrados del Total:

t r m

SCTOTAL =
i=l j=l k=l
Y.k2 - F.C.
q

SCTOTAL = 5655301328 - 5486294457 = 169006871

Suma de Cuadrados del Error de Muestreo:

SCEM = SCTOTAL - SCTRA T - SCEE

SCEM = 169006871- 37019293 - 40589250 = 91398328

88
 Diseo .Y Anlisis de Experimentos 4

Prueba de Hiptesis

Para Tratamiento:

Fcal = 3,010 Ftab = 2,12 (10 gl, 33 gl, 0,05)

Ftab = 2,49 (10 gl, 33 gl, 0,01)

Para elError Experimental:

Fcal = 0,592 Ftab = 1,72 (33 gl, 44 gl, 0,05)

Ftab = 2,15 (33 gl, 44 gi, 0,01)

Coeficiente de Variacin

~CMEM .J2077234,73
CV(M)= _ xl00 = 789584 xlOO = 18%
Ygeneral ,

~CMEE .J1229977,27
CV(EUE) = _ xlOO = 9 68 xl00 = 7%
YUE 157 1,

Interpretacin de Resultados

La prueba de F para tratamiento muestra un valor altamente significativo

por lo que se rechaza la hiptesis nula (Ho: r; = O) en favor de la hiptesis alterna
(Ha: r; *- O) lo que indica que por lo menos un tratamiento tuvo efectos diferentes
a los dems. En este sentido tambin se puede observar que el c.v. entre unidades
experimentales fue relativamente bajo, permitiendo confiabilidad en los resultados
obtenidos. Por ende, se puede afirmar que al menos una de las dosis de fertilizantes
utilizadas provoc una produccin promedio de follaje en la planta de maz
diferente a las otras dosis.

89
Or. Franklin Chacin

Por otra parte la prueba de F para el error experimental arroja valores no

significativos y menores que uno. Por lo tanto no se rechaza la hiptesis nula (Ho:
a2e = O) Yse concluye que la varianza del error de muestreo y la varianza del Error
Experimental son estadsticamente iguales y estn siendo estimadas por d 5' Esto
indica poca heterogeneidad en el muestreo y complementado con el hecho de
que el coeficiente de variacin es relativamente bajo, afirma aun ms la conclusin
de que el muestreo fue adecuado.

90
 CaptuloS

DISEO EXPERIMENTAL EN BLOQUES ALEATORIOS

O BLOQUES AL AZAR

Introduccin

Los bloques al azar o bloques aleatorios constituyen el diseo de mayor

importancia en la planificacin experimental estadstica. La utilizacin de este
diseo conduce a utilizar los tres principios fundamentales del diseo estadstico:
a) Aleatorizacin, b) Replicaciones, c) Control Local.

La aleatorizacin se cumple al asignar los tratamientos a las unidades

experimentales de cada bloque, de tal manera que todos los tratamientos estn
representados en cada uno de ellos; esto en s constituye una restriccin en la
aleatorizacin en comparacin con el diseo completamente aleatorizado.

Las replicaciones se cumplen ya que cada bloque representa una repeticin'

de cada tratamiento y el Control Local con el bloqueo o agrupamiento de las
unidades experimentales en los bloques de tal manera de extraer del error
experimental la variabilidad de cualquier factor medida a travs del bloqueo.

Para que el experimento sea eficiente, deber cada bloqueo ser lo mas
uniforme, ya que el error se mide con base en la variabilidad aleatoria dentro
del bloque.

El diseo permite realizar un anlisis de varianza para datos que pueden ser
clasificados bajo dos criterios. La disposicin en bloques ~ azar es recomendable
en la prctica, cuando se hacen comparaciones en las que el nmero de tratamientos
van desde 4 hasta 24. Puede ser muy til en ensayos de campo, umbrculos,
gana deri
ena, econOffila,entre otros.
I

Si se utiliza cuando el nmero de tratamientos es menor que 4, el nmero de

repeticiones tendra que ser grande, generalmente mayor que 6, para poder tener
suficientes grados de libertad para el error y poder estimarlo eficient~mente. Es
de recordar que en la prctica, es conveniente que los grados de libertad del

91
 pr. Franklin Chacin

error sean mayores de 10, aunque esto depende de la homogeneidad del material
I experimental.

Utilizar el diseo cuando hay ms de 24 tratamientos es hasta cierto punto

ineficiente y poco prctico, ya que puede existir heterogeneidad dentro de las
repeticiones, es decir, entre las unidades experimentales, que hace aumentar
grandemente el error.

Disposicin Experimental

Es condicin principal que todos los tratamientos formen bloques aleatorios;

esto es, cada tratamiento debe estar representado una sola vez y aleatorizado en
cada bloque. En cuanto al nmero de repeticiones es conveniente que oscile
entre 4 y 12 dependiendo de:

-La relacin directa entre precisin y nmero de repeticiones: si se necesita

ms precisin se aumenta el nmero de repeticiones.

- La heterogeneidad: entre mayor la heterogeneidad del material

experimental mayor el nmero de repeticiones.

-Nmero de tratamientos: entre mayor el nmero de tratamientos menor

puede ser el nmero de bloques.

- Tamao de la unidad experimental: entre mayor sea el tamao de la

unidad experimental menor puede ser el nmero de repeticiones.

Por consiguiente es conveniente encontrar la mejor relacin entre estos

factores.

92
 Diseo y Anlisis de Experimentos 5

Ventajas y desventajas del diseo experimental

en bloques al azar

Es el diseo ms utilizado en la investigacin agrcola ya que permite controlar

un factor de variabilidad, adems de ser un diseo muy flexible desde el punto de
vista de su anlisis as como cuando hay parcelas perdidas o covariables para
ajustes en el anlisis de varianza.

En cuanto a sus desventajas principales, se puede mencionar que cuando las

condiciones son homogneas los grados de libertad para el error experimental
son menores que los del completamente aleatorizado y por consiguiente es menos
precisa la estimacin del Error Experimental. Otra desventaja es que cuando se
usa un gran nmero de tratamientos las variabilidades dentro del bloque se pueden
elevar de tal manera que el diseo se hace poco eficiente.

Modelo Lineal en el Diseo en Bloques al azar

El modelo de componentes de variacin que describe la respuesta obtenida

a travs de un diseo en Bloques al azar es:

r;j = !J. + 't i + P+E

j ij (5.1)
para i = 1, 2, ... t j = 1, 2, ... r

Yij representa la j-sima observacin del i-simo tratamiento.

!J. es el efecto comn de todo el experimento o media poblacional.
't. son los efectos desviaciones debidas al i-simo tratamiento.
I

PJ
es el efecto o desviaciones debidas al j-simo bloque.
E ij es el efecto del componente aleatorio en la j-sima observacin del
. ,. .
l-eSlIDO tratarruento.

93
Dr. Franklin Chacin

Efecto del tratamiento y bloques fijos

Se considerar el bloque fijo como una medida para desarrollar la teora

que sustenta el modelo matemtico de componentes de variacin, as mismo
para el desarrollo posterior de los modelos mixtos y aleatorios, (Hernandez, A. y
E. Soto, 1986).

En l caso del Modelo 1 la poblacin de tratamientos se puede considerar

dividida en sub-poblaciones independientes y cada observacin Yij,
correspondiente a cada sub-poblacin es una muestra de tamao uno con
distribucin normal con media .t ij Y varianza cr2.

esto implica que las observaciones pertenecientes a la ij-sima poblacin tienen

esperanza J.lij y varianza cr2 = cr2 en otras palabras existe homocedasticidad.

Prueba de hiptesis

La hiptesis de tratamiento sera:

Ho: J.ll. = J.l2 ... =J.l t. =J.l

Ha: J.l i. =/:. J.l j. i =/:. j

La media general se puede definir

J.l11 + J.l12 + ... + J.l tr

J.l = --------
tr

Vease en la tabla 5.1 las medias.poblacionales de los datos.

94
 Diseo'y Anlisis de Experimentos 5

Tabla 5.1.. Medias Pob1acionales de los datos.

Br ~i.

'tI ~II ~12 ~Ir ~J.

't 2 ~ 21 ~ 22 . ~ 2r ~ 2.

~II ~t2

~.I ~.2

Se puede expresar que:

~J. +~2. + . +~1.

~ = ---------

~= L i=l
~ i. It (5.2)

o de la siguiente manera:

f-I.1+~.2+ ... +~'r

~=
r

~= L j=l
~ . Ir
.)
(5.3)

95
Oro Frankln Chacin

Las desviaciones de .t .t con respecto a la media general permite estimar los

efectos de tratamiento adicionado con el efecto de bloque.

Las desviaciones deYjcon respecto a la media de su grupo permite obtener

la variabilidad aleatoria.

En sntesis, si:

se puede llegar al componente de varianzas:

Yij = .t + 1:i + ~j + S ij

presentando dicho modelo dos restricciones:

r

I

L
i=l
1:.I =0
j=l
(5.4)

Esperanza y Varianza de Y

= 11 + E(1:.)+ E(A)+ E(S..)

r I ""'J IJ

(5.5)
 Diseo y Anlisis de Experimentos 5

V(Y..)
1)
= V(IIr + 't.1 + A.
1-') + E 1)..)

V(Y..)
IJ
= E("r + 't.+,""J A+E IJ..)2_ [E("t'" + 't.+I""J A.+E IJ..)]2

=E( E .. )2
1)

=0' 2 (5.6)
e

Si se considera que los efectos de bloques y tratamientos son aditivos;

y calculando la sumatoria:

r r

L
j=1
Jl. - r Jl = r r. +
~ 1
L
j=1
~j

se divide por r

L
j=1
Jlij / r - Il = 't i

Si 't i = O implica Il i. = Il

Esto conduce a la hiptesis nula y alternativa antes citada:

Ho: 't. =
1
O vs. Ha: 't.:I; O
1

El procedimiento es similar para el efecto del bloque.

97
Or. Franklin Chacin

Efecto de Tratamiento y Bloques aleatorios

Cuando se tienen efecto de tratamiento y bloques aleatorios, la poblaci6n

sera de tr subpoblaciones independientes de donde se van a extraer las muestras
(Hernndez A. y E. Soto, 1986).

La poblaci6n tendra "T" tratamientos y "R" bloques y se seleccionan

aleatoriamente t y r medias de tratamientos y bloques con t < T Y r < R.

La sub-poblacin
.
se supone distribuida normal con media Il u.. y varianza al
. Cuando se seleccionan las muestras, se van a tener sub-poblaciones n muestrales
distribuidas normalmente.

Hiptesis Estadstica:

La hiptesis de tratamiento sera:

Ho: ~ 1. =~ 2. = ~ 1. =~
H a: ~i. * ~j. i * J'
La media sera expresada como:

Il = tt
;=1 j=1

Las desviaciones . de Y.1) con respecto a la media poblacional general es un

efecto aditivo de tratamiento y bloque, por lo tanto daran los efectos aleatorios:

e ij = Yij - ~ ij

Yij =~ ij + g ij

98
 Diseo y Anlisis de Experimentos 5

Por consiguiente:

Este ltimo sera el modelo de componentes de varianza que es el mismo

que se obtuvo cuando los efectos eran fijos, deferenciandose en la forma como
fue muestreada la poblacin.

Los supuestos que tendra el modelo serian:

NID
t. ,.., (O. (12 )
1 t

E .. ,..,NID (O, a2 )
IJ E

Como se puede observar el efecto de t. tiene varianza

1
a2 t y I-'J
A. tiene varianza a2 ~

porlo tanto a\ representa la variacin de Jl i. alrededor de Jl ya medida que sea a\.

sea mayor se debe interpretar que las desviaciones de las medias de los grupos de
tratamiento son muy diferentes con respecto a la media general, por lo tanto;

Si a2 t => O Jli => Jl

y cuando a2 =O no hay variacin entre las Jl i ' esto es, Jl i. = Jl

t

Hiptesis Estadsticas:

Ho: a2t = O
Ha: a\ *O

99
Dr. Franklin Chacin

Anlisis de Varianza:

El anlisis de varianza del bloque al azar est basado, por supuesto, en el

modelo lineal de acuerdo a la siguiente consideracin:

- Los efectos de los tratamientos y de las repeticiones o bloques son

aditivos de acuerdo al modelo lineal establecido.
- Las subpoblaciones son normales.
- Las subpoblaciones tienen la misma varianza, es decir, existe
homocedasticidad.
- Las muestras son extradas al azar.

Es conveniente resaltar que las consideraciones hechas son condiciones

bajo las cuales la prueba de hiptesis es vlida.

Si se indica por i (i = 1,2, ... , t) al tratamiento, por j G = 1,2, ..., r) la

repeticin, de manera que la unidad experimental en el tratamiento i y en la
repeticin j, puede ser identificada por ij. Habr tr unidades experimentales
en total, cuyo modelo definido anteriormente es:

Notacin:

Y ..
J
= yIJ = total de la repeticin j.
i=l

fi1.. J = Y ..J / t = media de la repeticinj.

Y l.
yIJ = total del tratamiento i.
j=l

~ = Y / r = media del tratamiento i.

100
 Diseo .Y Anlisis de Experimentos 5

i= 1 i=2 i=3 i=4 Y.-r Y. .)

y ..
)

j=l Yl1 Y21 Y31 Y41 Y.I Y.1 y.

j=2 Yu Y22 Y32 Y42 Y2 Y.2 Y2
j=3 Y13 Yn Y33 Y43 YJ Y.3 y.)
Y. YI. Y2. Y3. Y4.
L
Y. YI. Y2 Y4.
L
Y3.
't. l.
'tI. 't2. .'t3. 't 4.

El gran total y la media general son:

I r

Y.. =
;=1
Y. =
l.
=
j=1
Y.
.)

1.7 .. =
I

;=1
Y./t
l.
=t j=l
y./r=t
-J i=l
t l=)
Y ../tr
1)

El efecto de las replicaciones y de los tratamientos es

y.
.)
= 5lJ..J - ~ ..

Con las restricciones:

I r

t:
l.
= O
l=)
y..J = O (5.7)
;=1

101
Dr. Frankln Chacin

De acuerdo a lo anterior Yij puede ser expresado:

Y.1) = ~ .. + (~. - ~ ..) +

l.
cY .- ~ ..) + (Y. - ~..- l'iI.
.J IJ .J
+ 1Sf..)

Y.1) = ~.. + 't.1..J+ y. + E IJ..

donde

E'.J. = YIJ - (IYI.. + 't.l..)+ y. )

Estimaciones por mnimos cuadrados

La suma de cuadrados a ser minimizados para lograr los valores

apropiados de Y, y, 'ti es:

Q= ~ J
(Y'.J. -IYI .. - 't. -
t.
y).J 2

Q=~~ J
E .. 2
')

Derivando Q con respecto a Y.. , 't. , y. e igualando a cero, se obtienen un

1. .)

conjunto de ecuaciones que pueden ser resueltas, con las restricciones mencionadas
en la ecuacin 5.7 , quedando entonces, expresiones de la forma:

y u = IYI.. - 't. - YI Y.2 = IYI.. - 'tI - Y2 YI3 = IYI.. - 'tI - Y3

Y21 = M .. - 't2 - Y1 Y22 -a. - 't2 - Y2 Y23 =I'iL - 't2 - Y3
Y31 = M .. - 't3 - Y1 Y32 = IYI.. - 't3 - Y2 Y33 = IYI.. - 't3 - Y3
Y41 = IYI.. - 't4 - Y1 Y42 = IYI.. - 't4 - Y2 Y43 = IYI.. - 't4 - Y3

Para estimar ~ se hace la suma de las doce expresiones, ntese que al

estimar el valor de ~ se desconoce la media general.

102
 Diseo .Y Anlisis de Experimentos 5

y .. =t t ;=1 j=1
Y ../tr
1)

Para estimar 1" se ignoran las expresiones que no tienen 1, y se hace la

suma de las expresiones que involucra a 1, y se iguala a cero.

;=1
YiI - t ~ .. - ty , = O

en forma semejante, al efecto 't

r

Yr
j=1 )
- r Y .. - r 't 1 = O

y as sucesivamente con el resto. En las estimaciones por mnimos cuadrado, el

2 I
valor s , es un mirumo.
1)

Componentes de la Suma de Cuadrados

La desviacin total es la desviacin de cada valor de la media general y

puede ser escrita de la siguiente manera:

Y. - Y..
1)
= (Y. - y..) + (Y-J. - Y .. ) + (Y.. - y. -y + Y .. )
l. 1) l. .
.)

si se eleva al cuadrado cada uno de los trminos y se suman, se obtiene la identidad

siguiente:

103
Or. Franklin Chacin

i j
(f.. -
IJ
fil. F= t t
j=1
(fil - fiJ.. f
l.
+r:t;=IJ;
(M - ~ F +
j
(Y. -
IJ
filo -
l.

r I I r

=t
j=1
y.2J + r ~2+
;=1 1 ;=1 j=1
(5.8)

Anlisis de Varianza

El esquema de ANA VAR para este diseo aumentado con sus respectivas
Esperanzas de los cuadrados medios sera mostrado en la tabla 5.2.

104
 Diseo y Anlisis de Experimentos 5

1. Modelo Lineal Aditivo:

i = 1,2, ... , t j = 1,2, ... ,r

~j observacin del i-simo tratamiento en el j-sirno bloque.

~ media general.
't.
I
efecto del i-sirno tratamiento.
P j
efecto del j-simo bloque.
E ij efecto aleatorio en el i-simo tratamiento y en el j-simo bloque que mide
el error experimental.

2. Supuestos del Modelo:

Modelo 1 Modelo II

't i - NID (O, a2 )

t

P - J
NID (O, a2
~
) P - J
NID (O, a2
~
)

Eij - NID (O, a2 ) E ij NID (O, a2 )

e e

107
Or. Frankln Chacin

3. Hiptesis:

Modelo 1 Modelo II

Pttra Tratamientos
Ho: T. =
I
O Ho: 0-2 = O

Ha: 't.::f;
I
O Ha: 0-2 ::f; O

ParaBloques
Ho: d =0 Ho: 0-2 = O
Jl Jl
Ha: 0- 2 ::f; O
Jl

4. Esquema del Anlisis de Varianza:

Ver Tabla 5.2.

5. Desarrollo del Ejemplo:

Suma de Cuadrados

Suma de Cuadradcsde Tratamiento:

246,632 + ... + 282,77 1542,272

SCTRAT = 643,03
4 24

Suma de CuadradosdeBloques:

336,352 + ... + 424,052 1542,272

SCBLOQ = -------- 1120,56
24

108
 Tabla 5.2. ANAVAR aumentado con las Esperanzas de los Cuadrados Medios.

Esperanzas de los Cuadrados Medios

F. deV G. de 1. Suma de cuadrados Cuadrados Medios Modelo Fijo Modelo Aleatorio

I I

Trat t- I Y. r. 21 r - F.C. SCTRAT I(t - 1) r"'"L..J ,

T2 l(t-I)+cr2 e r cr2T + cr2,
;=1 ;=1

r \:J

Bloq r- I
Y.2/t
.J
- F.C. SCBLOQ 1 (r - 1) t cr2J3 + a2e t cr2J3 + cr2,
~.
j=1 ~!

Error (t-I)(r-I) SCTOTAL -SCTRAT-SCBLOQ SCEE I( t - I)(r - 1) cr2, cr2e :>

~
~,
:::::
\ti
I ~'

Total rt - 1 Y/ - F.C. ~
;=1
~
I r ~
donde F.C=( Y;j )2/rt
::I.
;=1 j=1
~
~
~ (n
Or. Franklin Chacin

Esperanza de la Suma de Cuadrados:

Si se establece que no hay interaccin entre replicaciones y tratamiento, Eij

es independiente y normalmente distribuido con media igual a cero y varianza
<T. Se supone tambin que 'ti y Yj no estn correlacionados, por consiguiente
se puede expresar:

E( Y ij 2) = E [ t...t + L ri + ry j + LE. j ] 2

E( Y /) = t...t 2 + e e 2+ t e 2+ te 2 (5.9)
II t E

donde crp 2 = E (y j 2) Y la esperanza de los trminos producto es cero.

EJEMPLO ILUSTRATIVO

En la siguiente tabla se presentan los resultados (rendimiento en Kg/ parcela

de 28 m") de un ensayo con seis poblaciones de tomate.

Tabla 5.3. Datos en el ejemplo ilustrativo para el diseo en bloques aleatorios.

Poblacin
plantas/ha Trat 1 II III IV Total Y

17857 1 49,51 35,27 75,20 86,65 246,63 61,66

23928 2 38,46 55,00 53,51 70,35 217,32 54,33
28571 3 45,05 65,47 87,27 64,96 262,75 65,69
35714 4 47,62 66,11 75,64 74,18 263,55 65,89
47851 5 80,74 62,06 53,79 72,66 269,25 67,31
71428 6 74,97 69,86 82,69 55,25 282,77 70,69
Total 336,35 353,77 428,10 424,05 1542,27

106
 Diseo y Anlisis de Experimentos 5

Suma de IatIn:lthI Total:

SCTOTAL - 49,5t2 + 38,462+ ... + 72,662 + 55,252-1542,272/24 - 5015,20

Suma de Cuadmdosdel Error ~

SCEE = SCTOTAL-SCTRAT -SCBLOQ = 3251,61

Cuadrados Medios o Varianzas

Cuadmdo Medio de Tmtamiento:

CMTRA T = SCTRA T /(t -1) = 643,03/5 = 128,61

Gtadn:lLh Medio de Bbque:

CMBLOQ = SCBLOQ/(r-l) = 1120,56/3 = 373,52

CMEE = SCEE / (r - l)(r - 1) = 3251,61/15 216,17

Anlisis de Varianza (ANA VAR)

Fuente de Grados de Suma de Cuadrados

Variacin libertad Cuadrados medios Fe

Tratamiento 5 643,03 128,61 0,59

Bloque 3 1120,56 373,52 1,73
Error 15 3251,61 216,17
Total 23 5015,20

109
Dr. Franklin Chacin

Prueba de Hiptesis

Para tratamiento:

Fc = CMTRA T / CMEE = 0,59N.s.

Ftab 5% = 2,90 Ftab 1% = 4,56

Para Bloque:

Fc = CMBLOQ / CMEE = 1,73N.s

Ftab 5% = 3,29 Ftab 1% = 5,42

Interpretacin:

De acuerdo a los resultados se puede establecer que F no es significativa,

por lo tanto, no se rechaza la hiptesis nula, es decir, Ha: t i = O. Esto se puede
interpretar como que no hay diferencias entre los tratamientos (poblaciones de
plantas estudiadas ), los rendimientos promedios correspondientes a las poblaciones
de plantas cosechadas fueron estadsticamente iguales.

Para bloques, no se rechaza la hiptesis nula Ha: a2 = 0, por consiguiente

no hay diferencias entre los bloques, interpretndose tomo que existe cierta
homogeneidad entre los bloques.

110
 Diseo'y Anlisis de Experimentos 5

EJERCICIOS

Con un conjunto de datos afn a su investigacin, responda las siguientes preguntas:

- Establezca el modelo lineal aditivo describiendo cada uno de los

trminos del modelo y los subndices presentes.

- D los supuestos del modelo.

- Establezca las hiptesis a probar.

- Escriba el cuadro de AJ:\:A VAR de acuerdo ~1 "1lodelo. Considere

cuadrados medios esperados y los estadsticos de prueba.

-RealiceelANA VAR.

- Pruebe las hiptesis.

- Interprete los resultados.

111
Dr. Frsnklln Chacin

DISEO EN BLOQUES AL AZAR CON SUBMUESTREO

1,- Modelo Lineal aditivo

(5.10)

i=1,2, ... , t j = 1,2, ... , r k = 1,2 ... , m

~j = efecto de bloque
E..=
1)
efecto del error experimental
O"k= Q
efecto del error de muestreo

Il Supuestos

Modelo I Modelo 11

;=1
7.=0
1

112
 Tabla 5.4. Anlisis de Varianza para un diseo en bloques al azar con submucstrco

F. de V G. de l Suma de cuadrados Cuadrados Medios _o.

ECM F

Trata- 1-1
t
;_1
y ;..'/ rm - F.e.
SCTRAT / (t - 1) ci6 +m ci, + CMTRAT/
,
miento = 37019293 CMEE
mrLT,'/(t-l)
= 10 = 3701929,30 -I

= 3,28

SCBLOQ/(r-1) ci6 +m ci, + CMBLOQ /

Bloques r - 1
L y J.'/tm - F.e.
CMEE
)-1
tmt 13' /(r-I)
)-1

= 3 =6800606 = 2266868,7
-2,01

Error (t-I )(r - 1)

tt)-,
I
y ;.'/ m -
SCEE/(t-I)(r- 1) ci6 +m er, CMEE /
~
~
Q
Experi- F.C. - SCTRAT - CMEM ~
mental = 30 SCBLOQ = 1126288,13
= 0.54
>
:::s
= 33788644 t\),
n-(m-I) :::-:
~
Error de SCTotal - SCTRAT- SCEM /n (m - 1) er. ~.
Mucstreo =44 SCBLOQ- SCEE
= 2077234,73 ~
= 91398328 ~
Total rtm - 1
t t t Y,,.'
-1 )-1 '-1
~
,
- F.C.
= 87 ~
= 169006871 ~
~
(J
~
Dr. Franklin Chacin

llI.- Hiptesis:

Modelo 1 ModeloII

Tratamiento:

Ho: t. =
I
O Ho: cr2 =0

Ha:t.:f:. O
I

Bloque:

Ho: cr2 =0 Ho: cr2 =0

i3 i3
Ha: cr2 :f:. O
i3
Error:

Ho: cr2 =0 Ho: cr2 =0

s &

Ha: cr2 :f:. O Ha: cr2 :f:. O

e E

N.- Prueba de Hiptesis

FeTRAT~Ftab(a, t-l, (t-l)(r-l)) SerechazaHo

FeTRAT < Ftab(a, t-l, (t-l)(r-l)) No se rechazaHo

FeBLOQ ~ Ftab(a, r-l, (t-l)(r-l)) SerechazaHo

114
 Diseo'y Anlisis de Experimentos 5

FcBLOQ < Ftab(a, r-1, (t-1)(r-1)) No se rechaza Ho

FcEE ~ Ftab(a, (t-1)(r-1) ; tr(m-1)) Se rechaza Ho

FcEE < Ftab(a, (t-1)(r-1); tr(m-1)) No se rechaza Ho

Generalmente, se prueba primero el F del error, de manera de que si no hay

significacin se usa un pool de errores; esto es:

SCEE+SCEM
CMEE( conjunto) = (t-1)(r-l) + tr(m-1)
(5 11)
.

Si el FEU da significativo es porque hay diferencia entre las unidades

experimentales en el mismo tratamiento.

Ejemplo Ilustrativo
Se analizaron los mismos datos que se utilizaron en el ejercicio del Diseo
Completamente Aleatorizado con Submuestreo, (el cual solo se hizo con fines
didctico s) , pero ahora es a travs del Diseo en Bloques al Azar que fue el
diseo que realmente se us en el montaje del experimento.

El modelo se considera fijo por las razones expuestas anteriormente.

1.- Modelo Lineal aditivo

i=1,2, ... , t j = 1,2, ... , r k = 1,2 ... , m

II.- Supuestos
I

T =
1
O s IJ.. - NID (O, a2 )

o ijk - NID (O, a2

)

115
Dr. Frsnklin Chacin

ID.- Hiptesis

Ho: 't., = O Ho:~. =0 )

Ho: 0'2 =0
&

Ha: 't.;f:.
, O Ha: 0'2 ;f:. O
&

IV.- Analisis de los Resultados

Ver Tabla 5.4

Tabla 5.4. Anlisis de Varianza para un diseo en bloques al azar con submucstreo

FdeV Gdel Suma de cuadrados Cuadrados Medios ECM r

/

Trata- t - l
L y L'/rm
"I
- F.e.
SCTRA TI (t - 1) cr6 +mcr,+ CMTRATI
miento = 37019293 CMEE
mr 1:,'/(t-1)
=10 = 3701929,30 ,~I

= 3,28

- Ee. SCIlLOQ 1 (r - 1)
o' + 1110', + CMIlLOQ 1
Bloques r - 1
L
i=!
y .'/tm
CMEE
tm ~' I(r-I)
r-!
= 3 =6800606 = 2266868,7
= 2,01
Y,;' 1 m

Error (t-I)(r-I) al j-I SCEE/(t-I)(r- 1) cr\ + 111 cr{ CMEE 1
Experi- r.c, - SCTRAT CMEM
mental = 30 SCRLOQ = 11262g8,13
= 0.54
= 33788644
rt-(m-I)
Error de SCTotal - SCTRAT- SCEM 1 rt (m - 1) crt;
Muestrco =44 SCIlLOQ- SCEE
= 2077234.73
= 913<)8328

Total rtm - 1

;-1

-I
t
,-,
YI)l ~

- Ee.
= 87
= 169006871

116
 Diseo y Anlisis de Experimentos 5

Suma de Cuadrados

F. C. = t
;=1

j=1
t
k=1
Yjk 2/ trrn = (694833,73)2/ 88 = 5486294457

Suma de Cuadrados de Tratamiento:

I

SCTRAT =
;=1
Y. 2/rro - F.C
L.

SCfRAT (50248,56)2 + (66517,40y +...+(58031,09)2

= 8 - 5486294457

SCTRAT = 5523313750-5486294457 = 37019293

Suma de Cuadrados de Bloque:

SCBLOQ = j=1
y .2ltro
.,.
- F.C

SCBLOQ = 6800606

Suma de Cuadrados del Error Experimental:

I r

SCEE =
j=1 j=1
y ..2/ m - F.C-SCTRAT -SCBLOQ
i].

SCEE = 33788644

117
Df: Frankln Chacn

Suma de Cuadrados del Total:

I r m

SCTOTAL =
;=1 I=) k=1
Y..k2 - F.C.
1)

SCTOT AL = 5655301328 - 5486294457 = 169116871

Suma de Cuadrados del Error de Muestreo:

SCEM = SCTOT AL - SCTRA T - SCBLOQ - SCEE

SCEM = 91398328

Prueba de Hiptesis

Para Tratamiento:

FeaI = 3,28 Ftab = 2,18 (10 gl, 30 gl, 0,05)

Ftab = 2,98 (10gI, 30 gI, 0,01)

Para Bloque:

Fcal = 2,01 Ftab = 2,92 (3gI, 30gI, 0,05)

Ftab = 4,51 (3gI, 30gI, 0,01)

Para el Error Experimental:

Fcal = 0,54 Ftab = 1,72 (30gI, 44 gl, 0,05)

Ftab = 2,15 (30 gl, 44 gI, 0,01)

118
 Dteeo v Anlisis de Experimentos 6

Coeficiente de Variacin

.JCMEM .J2077234,73
CV(M)= xl00= 89 84 xl00= 18%
X general 7 5,
.JCMEE .J1126288,13
CV(UE)= X x100= 15791,68 xl00=7%
UE

Interpretacin de Resultados

En este caso los resultados fueron muy semejantes a los obtenidos

anteriormente con el Diseo Completamente Aleatorizado con submuestreo,
con la diferencia de que aqu se debe interpretar el efecto de bloques, el cual no
fue significativo; por lo que se puede asumir que ~j = 0, o sea que no existi un
efecto muy marcado de bloque. Es posible que no haya sido necesario bloquear,
sino mas bien realizar el ensayo en forma de Diseo Completamente Aleatorizado,
que es ms sencillo de manejar y planificar en el campo.

119
 Captulo 7

COMPARACIONES DE MEDIAS.
PRUEBAS DE RANGO MLTIPLE
TEORA BSICA Y APLICACIONES

Introduccin

Cuando se realiza el anlisis de varianza y se rechaza la hiptesis nula para un

determinado efecto fijo, se llega a la conclusin de que por lo menos una de las
medias de los grupos involucrados en esa fuente de variacin difiere del resto y
no se puede especificar cual de ellas es la q\l': presenta la diferencia. Por ello es de
gran utilidad efectuar comparaciones adicionales entre las medias de los grupos o
tratamientos. Dichas comparaciones se realizan en trminos de los totales de
tratamiento Y de los promedios de tratamiento ,( Los procedimientos para
efectuar las comparaciones se denominan mtodos de comparacin mltiple.

Estos mtodos se ocupan de los procedimientos y tasas de error que no se

estudian al aplicar la prueba de "t" y la prueba de "F". Con la primera, se comete
un error tipo 1al rechazar errneamente una hiptesis con respecto a un solo
parmetro o diferencia de dos parrnetros. En el caso de la prueba de "F", la
hiptesis incluye muchos parrnetros dentro de un experimento; ello se puede
considerar como la prueba de hiptesis simultnea con respecto a muchas
diferencias, en las que el rechazo general depende de una mas diferencias no
especificadas.

De all la necesidad y el origen de las pruebas de comparaciones mltiples

de medias. En este captulo se estudiarn las siguientes pruebas de rango mltiple:

- Mni~a D.iferencia Significativa (mds)

- Contrastes Ortogonales.
- Prueba de Dunnett.
- Prueba de Sheff.

137
 Dr. Franklin Chacin

- Prueba de Student, Newman y Keuls (S.N.K)

-Procedimiento W de Tukey.
- Prueba de Amplitudes Mltiples de Duncan.
- Prueba t de razn k-bayesiana de Waller-Duncan.
- Prueba de Bonferroni.

Inicialmente se mencionan algunos aspectos importantes en cuanto a los

supuestos requeridos para la aplicacin de estas pruebas. Posteriormente se ofrecen
algunas clasificaciones de las mismas, en base a criterios prcticos, como una gua
para su correcta aplicacin a casos especficos.

Luego se mencionan los antecedentes, la metodologa aplicada en un ejemplo,

para fmalmente ofrecer una revisin bibliogrfica general que ilustre el desarrollo
de la investigacin en este importante tema a travs del tiempo.

Supuestos y Condiciones para la aplicacin de las

Pruebas de Rango Mltiple

WELCH, B. L. (1951) en su trabajo sobre "una aproximacin como

alternativa en la comparacin de varias medias", resume muy apropiadamente las
suposiciones bsicas de las pruebas de rango mltiple, al discutir el trabajo de
]AMES(1951), sealando:

"Sean Y (t = 1,2, ..., k) estadsticos normales e independientes distribuidos

t

con media .tI Y varianzas ni al2 respectivamente, donde las ni son constantes
conocidas, siendo .tI Y al2 desconocidas. Se supone que los datos permiten la
estimacin de a I2 a travs de sI2, donde sI2 estn distribuidas respectivamente
como X 2 a 2/ f siendo f los grados de libertad de X 2. Se supone adems que
I I I [ t

todas las Sl2 estn independientemente distribuidas para cada uno de los Y".

El problema consiste luego en probar si los datos son consistentes con

respecto a la hiptesis de que todas las .tI son iguales, es decir, .tI=..t para
(e = 1,2, ..., k)".

~., 138
.'
 Diseo'y Anlisis de Experimentos 7

Seala el autor que un caso particular de Y, pueden ser las medias x, de t

muestras de n observaciones de k diferentes poblaciones normales cuyas medias
t ,

Y varianzas son J.l, y cr,2,respectivamente.

Dado que V (x,) = cr,2/n" se tiene (de acuerdo a lo anterior) que

W, = 11n,' Cada muestra proporciona estimaciones S,2de cr,2. La hiptesis bajo
estudio es ablece si se puede considerar que las poblaciones muestreadas poseen
la misma media, bajo la condicin de que sus varianzas sean necesariamente
iguales.

La suposicin de que los datos permiten la estimacin de cr,2atravs de s/

y la distribucin de este estadstico, establece la necesidad de una escala de medida
en la variable bajo estudio; por otra parte se reieja la importancia de probar los
supuestos con pruebas adecuadas. Tal es el caso de la prueba de Barlett para
verificar si todas las muestras estiman la misma varianza.

Se aprecia claramente que las pruebas de rango mltiple requieren del

cumplimiento de una serie de supuestos de forma similar al anlisis de varianza.

Clasificacin de las Pruebas de Rango Mltiple

A continuacin se ofrecen dos clasificaciones de laspruebas de rango mltiple

las cuales pueden constituir una orientacin inicial desde el punto de vista prctico,
para su aplicacin. En este sentido se describe brevemente cada una de las categoras
establecidas.

De acuerdo a su naturaleza

Son aquellas cuya aplicacin est "restringida" a las situaciones en las que las
comparaciones a realizar son planificadas previamente. En una comparacin
planeada, se les da nombres a los tratamientos de antemano; no es necesario
esperar los resultados, por ejemplo para saber cual tratamiento est asociado con
la mayor respuesta (Steel y Torrie, 1990).
139
Dr. Frankln Chacn

Las pruebas predeterminadas pueden conducir a resultados sin validez cuando

son aplicadas en comparaciones sugeridas por los datos. Dentro de esta categora
se incluyen las siguientes pruebas:

Mnima Diferencia Significativa (m.d.s)

Contrastes Ortogonales
Prueba de Dunnett

Pruebas de f!foctossugeridos por hs datos

Son aquellas pruebas que se aplican en situaciones en las que se conoce poco
con respecto a la naturaleza de los tratamientos y se vacila en proponer
comparaciones con sentido. Estas tcnicas son muy utilizadas para comparar
todos los posibles pares de medias.

Con respecto a este tipo de pruebas Steel y T orrie, 1990 exponen:

Cuando la hiptesis va a ser sugerida por los datos o se incluyen mas

comparaciones que los grados de libertad para los tratamientos, entonces se debe
tener mucho cuidado en el procedimiento de prueba.

Se incluyen en este grupo las pruebas:

Prueba de Scheff
Prueba de Student Newman y Keuls (S.N.K.)
Procedimiento W de Tukey
Prueba de Amplitudes Mltiples de Duncan
Prueba t de razn bayesiana de Waller-Duncan
Prueba de Gabriel
Prueba de Bonferroni

140
 Diseo y Anlisis de Experimentos 7

De acuerdo a las comparaciones de inters

Pruebas contra un testigo. Se destacan en esta categora aquellas pruebas cuyo

objetivo es comparar todas las medias de los tratamientos contra un testigo
preestablecido. Esta consideracin involucra obviamente la necesidad de una
planificacin previa predeterminada. Se incluye en el presente grupo la prueba
de Dunnett.

Pruebas que involucran solo algunas comparaciones. Son aquellas pruebas

predeterminadas, con las cuales es posible efectuar solo algunas comparaciones,
dentro de las que pueden incluirse o no, las comparaciones contra un testigo.
Esta restriccin depende de las caractersticas de cada prueba. Se incluyen aqu las
pruebas:

Mnima diferencia significativa (m.d.s.)

Contrastes Ortogonales

En la m.d.s. pueden efectuarse como mximo, un nmero de comparaciones

igual a los grados de libertad de tratamiento. Con la prueba de los Contrastes, la
limitacin est determinada por aquellos contrastes que resulten ortogonales.

Pruebas que involucran la comparacin de todos lospares de medias. Tal como lo

expresa la denominacin con estas pruebas es posible comparar las medias de
todos los grupos o tratamientos, bien sea que se trate de efectos sugeridos por
los datos o que se considere un conjunto planeado. Se estudian en este caso las
pruebas: .

Prueba de Scheff
Prueba de Student Newman y Keuls (S.N.K.)
Procedimiento W de T ukey
Prueba de Amplitudes Mltiples de Duncan
Prueba t de razn k-bayesiana de Waller-Duncan
Prueba de Gabriel
Prueba de Bonferroni

141
Dr. Franklin Chacin

Nmero de Repeticiones por Grupo (Tratamiento)

Un aspecto muy importante a considerar al aplicar cualquier tipo de prueba

de rango mltiple, es si el nmero de repeticiones para los grupos o tratamientos
a ser comparados, es o no el mismo. Se desarrollaran cada una de las pruebas
mencionadas bajo la suposicin de que todos los grupos tienen igual nmero de
repeticiones, sin embargo, se ofrece en algunos casos los ajustes necesarios para el
caso de grupos con desigual nmero de repeticiones.

Desarrollo de las Pruebas

Contrastes

Si se usa alguna prueba de significacin para detectar diferencias reales entre

tratamientos y se rechaza la hiptesis nula, sabemos que hay diferencias entre las
medias pero no sabemos cuales son las medias o que combinacin de ellas causan
estas diferencias. Es por ello que en muchos mtodos de comparacin mltiple
se utiliza la idea de un contraste. Esto conlleva a una combinacin lineal de los
totales de tratamientos con el objeto de hacer comparaciones planeadas.

En la comparacin de un experimento frecuentemente podemos preparar

pruebas F para responder preguntas pertinentes. Esto involucra la particin de
los grados de libertad y de la suma de cuadrados para los tratamientos en
componentes de comparacin.

Estas comparaciones son independientes y por lo mismo ortogonales cuando:

-la suma de los coeficientes de la comparacin es igual a cero.

-la suma de los productos de los coeficientes correspondientes a dos
comparaciones es igual a cero.

Las comparaciones o contraste son un conjunto de funciones lineales de la

forma:

142
 Diseo'y Anlisis de Experimentos 7

e= c. yi con la restriccin e = o (7.1)

i i

donde y pueden ser totales o medias de tratamientos. La suma de cuadrados de

un contraste es igual:

(Le. Y.)'
scc = 1"
n L.,C;
2 (7.2)
;
donde n es el nmero de observaciones por tratamiento. Cuando el nmero de
observaciones en cada tratamiento es diferente la comparacin de las medias
reqwere que:
Q

niC =O (7.3)
;=1

se tiene que:

(7.4)

Tal como fue mencionado, los y pueden ser totales medias de tratamientos,
los primeros son mas convenientes para las pruebas, los ltimos para la estimacin
de intervalos de confianza.

Una comparacin tiene un grado de libertad as que t es la prueba apropiada,

pero puede usarse F tambin. Para probar la hiptesis nula de que no existe
diferencias entre los tratamientos generalmente es conveniente usar F y calcular el
numerador a partir de los totales de tratamiento y el denominador la suma de
cuadrados del error.

Para probar un contraste se debe comparar la suma de cuadrados del

contraste con el cuadrado medio del error. El estadstico que resulta tiene una
distribucin F con 1y n-a grados de libertad.

143
 Dr. Frankln Chacin

Contrastes Ortogonales: Dos contrastes como los descritos anteriormente y con

coeficientes C, y Di respectivamente, son ortogonales si:
a
c.D.=O
1 1
(7.5)
j~1

o en el caso de repeticiones desiguales:

a

j=1
n.
1
C.D.
1 1
= O (7.6)

Si se tiene a tratamientos, el conjunto de a-l contrastes ortogonales

descomponen la suma de cuadrados de tratamiento en a-l componentes
independientes de un solo grado de libertad, por lo que las pruebas realizadas
sobre los contrastes ortogonales son independientes.

Los coeficientes de los contrastes deben ser elegidos antes de realizar el

experimento y analizar los datos. Para elegirlos coeficientes existen muchas maneras;
las siguientes reglas son de utilidad en ese sentido:

1.- Si se van a comparar dos grupos de igual tamao, simplemente asgnense

coeficientes + 1 a los miembros de un grupo y -1 a los integrantes del otro grupo.

2.- En la comparacin de grupos que contienen distintos nmeros de

tratamientos, asgnense al primer grupo tantos coeficientes como nmero de
tratamientos tenga el segundo grupo; y a este ltimo tantos coeficientes del signo
opuesto como nmero de tratamientos tenga el primer grupo. Entonces, si entre.
cinco tratamientos se quiere comparar los dos primeros con los tres ltimos los
coeficientes seran + 3, + 3,-2,-2,-2.

3.- Redzcanse los coeficientes a los enteros mas pequeos posibles. Por
ejemplo, en la comparacin de un grupo de dos tratamientos con un grupo de
cuatro, en virtud de la regla 2, se tienen los siguientes coeficientes;
+4,+4,-2,-2,-2,-2 pero estos pueden reducirse a +2,+2,-1,-1,-1,-1.

4.- Los coeficientes de interaccin siempre pueden determinarse mediante

la multiplicacin de los coeficientes correspondientes a los efectos principales .
. .
"::::
,:". 144
 Diseo'y Anlisis de Experimentos 7

Mtodo de Scheff para comparar todos los contrastes

En muchas situaciones no se sabe de antemano los contrastes que se desean

comparar, se desea realizar mas de a-I comparaciones. En muchos experimentos
exploratorios, las comparaciones de inters son descubiertas solo hasta despus
de un examen preliminar de los datos.

El mtodo de Scheff (1959) es muy general en el sentido de que todas las

posibles comparaciones pueden probarse en cuanto a significancia o bien pueden
construirse intervalos de confianza para las correspondientes funciones hneales
de parmetros. Esto quiere decir que son permisibles infinito nmero de pruebas
simultneas, aunque solo se llevea cabo un nmero finito, lo que da como resultado
una tasa de error no mayor que la planeada. En este sentido el error tipo 1 es
cuando mucho igual a !l en cualquiera de las posibles comparaciones.

Supongamos que se ha determinado un conjunto de m contrastes de las

medias de tratamientos de inters que se designar

u= 1,2, ... , m (7.7)

al contraste correspondiente usando los promedios de tratamientos y, es:

Cu =CIU~ +C2u~ + ... +Cau~ u= 1,2, ... , m (7.8)

Necesariamente, laprueba debe tener un valor crtico alto para la comparacin,

por ende el poder es bajo. El valor crtico para una comparacin de la forma
.
a
Cy exige el clculo de Cu , luego el error estndar de este contraste es:
i=1 a

Scu = CMEE (C//n) (7.9)

i=1

en donde n. es el nmero de observaciones del i-simo tratamiento.

1
El valor
crtico con que Cu debe ser comparado es :

Sau = Seu .J(a -l)Fa,a - 1,11 - a (7.10)

145
Dr. Franklin Chacn

Para probar la hiptesis de que el contraste Tu difiere significativamenre de

cero, hay que comparar e,
con el valor crtico I e, I~
Sau la hiptesis nula de que
el contraste Tu es igual a cero debe ser rechazado.

Tambin puede usarse el procedimiento de Scheff con el fin de construir

intervalos de confianza para todos los posibles contrastes de las medias de
tratamientos. Los intervalos de confianza construidos con este procedimiento,
por ejemplo:

son intervalos de confianza simultneamente verdaderos con un nivel de confianza

de al menos t-o,

Prueba de las Mnimas Diferencias Significativas

Es un procedimiento usado para comparar un conjunto de medias y tambin

para comparar cada una de las medias de un conjunto con un tratamiento control.
Este procedimiento fue trado a discusin por Fisher.

El valor de rnds (el cual representa las mnimas diferencias significativas) es

igual al producto de la desviacin estndar de la media por .fi
veces el valor de
t al nivel de significacin u escogido y con f grados de libertad asociados con la
desviacin estndar de la media.

El rnds es una forma de d Ja t y simblicamente se podra establecer:

-~d
d Sd'j
t =- (7.12)
Sd

Sea la diferencia entre dos medias (X - x '= d) el lmite inferior de los

valores que cabra esperar en un 5% mas de las veces al obtener muestras de
diferencia de medias, donde la media Ild es igual a cero. Se sustituye d por rnds
y Ild por cero y la frmula se transforma en:

t = rnds / Sd
o"~

1~
 Diseo y Anlisis de Experimentos 7

resolviendo por rnds, se tiene:

2 '2
2 Si Si
mds = t Sd; donde Sd =-
+ -, siendo Si 2 Y Si '2 las varianzas estimadas
n n
de los experimentos que reciban los tratamientos i e i respectivamente, ry r
I I

son los nmeros de unidades experimentales que reciben los tratamientos i e i I

respectivamente.

Todas las diferencias entre las medias son comparadas con el rnds calculado.
Si la diferencia excede el mds, se dice que las medias provienen de poblaciones
con medias distintas.

Una variacin aadida a la prueba de t mltiple a un nivel es el uso de F

('<

Z antes de realizar la comparacin de medias, y si este muestra significacin,

entonces la prueba de t mltiple es realizada sobre las diferencias entre las medias;
de lo contrario la prueba rnds no debe ser usada para hacer comparaciones entre
las medias.

En conexin con estas pruebas de medias, Fisher estableci que los a-l
grados de libertad provenientes de los a. tratamientos pueden ser particionados
en a-l comparaciones ortogonales, cada una con un grado de libertad, y que es
posible obtener una estimacin de la varianza del error para cada comparacin
con un grado de libertad en un nmero de diseos de experimentos.

La dificultad aqu estriba en que las varianzas de los errores usualmente est
asociada con pocos grados de libertad; en consecuencia, la varianza combinada,
con un mayor nmero de grados de libertad, es usada siempre que sea posible.
Tambin, mas de a-1 comparaciones ortogonales es usualmente lo deseado.

El caso ms extremo en el uso de la prueba mds, es el que compara la

media mayor con la menor en un conjunto de a tratamientos. En este caso
Pearson y Hartley (1966) mostraron que los errores tipo 1 para los a tratamientos
no es del 5% para a mayor que dos sino mucho mayor.

El tamao del error tipo 1 es igual a [1 - f P n (Q)] donde f P n (Q) es

obtenido a travs de la siguiente expresin:

147
Dr. Franklin Chacin

(7.14)

donde Po' a o(Q), bJQ) se obtienen de la Tabla 1 del trabajo mencionado

de Pearson y Hartley.

n = nmero de tratamientos
f = grados de libertad asociados con el error experimental
Q = ..fi tU;f

t de Student tabulado para un nivel de significacin

t U;f = a y para los
grados de libertad asociados con el error experimental (Q

Cochran y Cox (1957)tambin indican que en la situacin extrema en que el

experimentador solo compara la diferencia entre la mas alta y la mas baja de las
medias de los tratamientos mediante la prueba t rnds, esta diferencia ser
probablemente considerable an cuando no exista efecto.

Ellos aseveran que puede demostrarse que con tres tratamientos el valor
observado de t para la mxima diferencia ser mayor que el valor tabulado al
nivel del 5% en el 13% de las veces; con seis tratamientos la cifra es del40%j con
diez tratamientos es del 60% y con veinte tratamientos 90%.

As cuando los experimentadores piensan hacer una prueba t al 5%, en

realidad la estn haciendo a un nivel del 13% para tres tratamientos; 40% para seis
tratamientos y as sucesivamente.

Por lo tanto, la prueba rnds para comparar las diferencias entre la mas alta y
la mas baja de las medias, no puede ser usada para ms de dos tratamientos en el
expenmento.

En un anlisis de varianza se supone que si S2 estima la misma varianza que

Si' 2y que r es por regla general igual a r ' , por tanto:
(2s2
mds = t V---;--r- (7.15)

ili8
.'
 Diseo'y Anlisis de Experimentos 7

donde S2 es el cuadrado medio del error, r es el nmero de repeticiones y t es el

valor tabular de t para los grados de libertad del error (Q.

Prueba de Student - Newman - Keuls

En 1927, Student sugiri el uso de rangos como procedimientos para

rechazar muestras que difieran en una serie de anlisis. Newman hizo uso de las
ideas de Student para subdividir un grupo de medias de tratamientos ordenados
en subgrupos homogneos y present tablas para ciertos valores de q donde:
Xmax- Xmin rango
q= (7.16)
s desviacion. estandar
donde
Xmax = la ms alta de las medias
Xmin ~f ms baja de las medias
sr = } Fr es un estimado independiente de la desviacin estndar de
cada media si se tiene el mismo nmero de observaciones para los tratamientos
y todas las desviaciones estndar son iguales.

Las tablas de Newman fueron calculadas basadas en la ley de probabilidad

aproximada de ordenamiento estudentizado de Pearson. Ms tarde Pearson y
Hartley realizaron una tabla similar a la obtenida por Newman. Las tablas fueron
calculadas por mtodos aproximados. May (1952) recalcul estas tablas con el
fin de obtener resultados correctos con ms cifras significativas. Esta tabla es
reproducida en la Tabla F.

Las ltimas lneas (para infinitos grados de libertad) corresponden a los

valores calculados por Snedecor (1946) ya los valores usados por Student (1947).
La primera columna (n = 2) puede ser obtenida multiplicando los valores de ta.f
por J2 . La tabla puede ser extendida para otros valores de a y otros grados de
libertad tal como lo explica May (1952) en su trabajo. Es deseable tener ms de
diez grados de libertad asociados con la estimacin del error experimental. Por lo
tanto la parte de la tabla de May (1952) relacionada con menos de cinco grados
de libertad es omitida.

149
Dr. Franklin Chacin

Al aplicar la prueba de Student-Newman-Keuls (llamada as porque cada

uno de ellos contribuy a su creacin) se deben seguir los siguientes pasos:

1.-Escoger un nivel de significacin a, el cual usualmente ser de un 5% 1%.

2.- Calcular la desviacin estndar del error Si y los valores:
Wn=qu.n Si
Wn1 = q U,n_1 Si

WJ = q U.J Si

W2=qU,2 Si = tU;f J2 Si =mds

3.- Ordenar las medias de los tratamientos desde la ms alta a la ms baja.
Es decir: x, ' )(0-1 .... X2 . XI; donde Xo
es la ms alta y XI es la ms baja.

4.-Comparar los rangos de los n tratamientos, (Xn- X) con los Wo calculados

. Si Xn - XI es mayor que W n se subdivide las medias en dos grupos de n-1 medias
cada uno y se comparan los rangos Xn - X2 y Xn_l -Xl con W y as sucesivamente.

En forma ms concisa el procedimiento se podra establecer corno: "la

diferencia entre cualquiera dos medias en un conjunto de n medias es significativo,
si el rango de cada uno de los subconjuntos que contiene la media es significativo,
de acuerdo a una prueba de rango escogida a un nivel a".

Prueba de Rangos Mltiples de Duncan

Duncan (1955) propuso una prueba de rangos mltiples que combinan la

simplicidad de la Prueba de Student-Newman-Keuls con las ventajas de potencia
que su estadstico proporciona. Es decir, la prueba se aparta del procedimiento
S-N-K en el cual se emplea un nivel de significancia constante en todas las etapas
de la prueba. Para Duncan este nivel de significancia es variable y depende del
nmero de medias que entren en la prueba. La idea es que a medida que el
nmero de medias que se prueban aumenta, menor es la probabilidad de que se
asemejen.

15er.
 Diseo'y Anlisis de Experimentos 7

Si el rango es de dos medias se debe usar un a en general aceptable como

0.05. Sin embargo, para tres medias 1-(1-0.)2 = 0.0975 se sugiere usar
a = 0.05; para cuatro medias 1-(1-0. )3 = 0.14; para t medias sese 1-(1-0: )1-1. La
tabla G se construye de acuerdo con este planteamiento, a partir de la distribucin
de amplitud "estudentizada",

De acuerdo a Duncan esta prueba permite al experimentador cometer

menor error tipo II pero mayor error tipo 1 que con la prueba S-N-K. La
prueba es esencialmente la misma que la S-N-K excepto que se utilizan tablas
distintas.

Prueba de Tukey

En 1953, Tukey propuso un procedimiento de comparacin mltiple que

est basado en los intervalos. Este procedimiento hace uso de la amplitud
"estudentizada" y es aplicable a pares de medias; necesita de un solo valor para
juzgar la significancia de todas las diferencias. Es fcil y rpido de comparar ya
que slo se hacen comparaciones por pares. Este procedimiento requiere del uso
de q a (a,~ el cual es el punto porcentual superior de tamao a del intervalo
"estudentizado" para grupos de medias de tamao a y f grados de libertad del
error. Este valor de q sirve para determinar el valor crtico de todas las
comparaciones independientemente de cuantas medias estn en un grupo.

Ya que solo se hacen comparaciones por pares, el valor crtico es menor que
el exigido por Scheff. El procedimiento consiste en el clculo de un valor crtico
mediante la ecuacin:

T a =q (a, f) Syi (7.17)

u

donde q a (a, ~ es el punto porcentual y se puede hallar en la tabla de puntos

porcentuales superiores de la amplitud estudentizada. Tabla F, en la cual a es el
nmero de tratamientos y f corresponde a los grados de libertad del error.

Syi = f~E (7.18)

151
Dr. Franklin Chacin

Para que un par de medias se declare significativamente diferente

(7.19)

La prueba de Tukey tiene un nivel de error tipo 1 de a para todas las

comparaciones con base en cada experimento. En consecuencia la prueba de
Tukey tiene menos poder que el procedimiento de Duncan o de Student-
Newman Keuls.

Esta prueba tambin puede usarse para clculos de un conjunto de intervalos

de confianza para las diferencias. La verdadera diferencia entre medias
poblacionales estimados por yi y YJ se estima mediante:

(7.20)

Prueba de Dunnett para la comparacin de todas las medias con un control

Probablemente uno de los casos ms frecuentemente encontrados es la

comparacin de un control con cada tratamiento. Por ejemplo, en medicina
como tambin en las industrias se podra desear probar varias drogas nuevas y
compararlas con una droga estndar.

Suponga un conjunto de datos a los que se les ha realizado un anlisis de

varianza, la cual no es necesaria como parte del procedimiento de comparaciones
mltiples pero es una forma conveniente de obtener la varianza del error, la cual
es requerida para los cmputos a realizarse.

Asuma que uno de los tratamientos es el control. El primer paso es calcular

la diferencia de todas las dems medias con la media del tratamiento control.

Ya que la varianza de cada observacin se supone /la varianza de la media

sin donde n es el nT70 de repeticiones. La varianza de la diferencia entre
dos tratamientos es 2s

152
In
n so ~ [2~2r
y su desviacin estndar es:

(7.21)
 Diseo .YAnlisis de Experimentos 7

cuando hay solo dos medias a comparar se puede utilizar el estadstico "t" de
Student, donde:

(7.22)

yel intervalo de confianza sera d t. s- Note que las comparaciones no seran

independientes, a juzgar por el criterio de los contrastes ortogonales. Para obtener
una prueba de significacin conjunta, Dunnett construy tablas "t"
correspondientes al nmero de tratamientos a ser comparados con el control
(verTablasH).

Mientras mayor seael nmero de tratamientos mayor es el valor t de Dunnett

(dut). Obviamente cuando un solo tratamiento ha de ser comparado con el
control, el estadstico t de Dunnett es idntico al estadstico tde Student.

Las conclusiones que se obtengan simultneamente al aplicar esta prueba

tendrn una probabilidad de ser correctas de 0.95. -

Como es costumbre, los intervalos de confianza tambin podran ser

obtenidos para las diferencias de las medias con el control. Ellas son: d dut. s .
donde dut es el estadstico tabulado de Dunnett al nivel de confianza deseado.

Algunas veces el experimentador est solo interesado en saber si el tratamiento

en cuestin es mayor que el control. Estas seran las llamadas pruebas de una cola
y los intervalos de confianza seran d - dut. Sd .Las tablas de los duts de Dunnett
para las comparaciones de una sola cola estn dadas en la tabla I.

Si en el experimento hay alguna forma de bloqueo que pudiese ser

considerado aleatorio en lugar de efecto fijo; el modelo del anlisis de varianza
sera mixto- Esto hace apropiado para la varianza del error el cuadrado medio
de la interaccin, para las comparaciones de los tratamientos. La prueba de
comparaciones mltiples sera:
XI-XO
t = [1 1]
s-+-
1/2 (7.23)
ni no

153
Dr. Franklin Chacin

s = la raz cuadrada dei cuadrado medio de la interaccin

XI = media del tratamiento
Xo = media del control
n, = nmero de repeticiones en el tratamiento
no = nmero de repeticiones en el control

Por supuesto para obtener el t de Dunnett (dut) se busca con los grados de
libertad asociados a la interaccin. Es de notar que se parte del supuesto de que
los grupos tienen la misma varianza. En algunos casos ste supuesto puede ser
bastante razonable; pero sin embargo la varianza del grupo control podra ser
significativamente mas pequea que la de los tratamientos, en estas circunstancias
las varianzas de los tratamientos y del control pueden ser calculados en forma
separada, en este caso el estadstico t apropiado sera:
XI-XO

t = [2
SI So 2]1/2 (7.24)
-+-
tu no
donde:
s/2 = varianza de los tratamientos
So 2 = varianza del control
El valor del estadstico t de Dunnett (dut) se busca con los grados de libertad
ponderados de las varianzas invo1ucradas. El valor dut que se encuentra tabulado
se ajusta por la desigualdad de las varianzas a travs de la frmula: (Dunnett,
1964)
2
n.. So
1---2 (7.25)
no.s/

Construccin de las tablas de Dunnett

Los mtodos para determinar los valores tabulados de t fueron los mismos
para calcular los valores de dos colas de una sola cola. Todos los clculos
fueron hechos por computadora (los programas fueron hechos por Dunnett en
una LPG30 usando subrutinas para la distribucin normal escritos por R.A.Lamn).

1f54;
 Diseo'y Anlisis de Experimentos 7

Los clculos involucraban la evaluacin numrica de una integral doble.

Para cada valor de p mostrado en la tabla y para los grados de libertad 5, 10,20
e infinito; esta integral doble fue evaluada numricamente para tres valores sucesivos
de t difiriendo en 0.05 tal que el valor deseado de p fuese acotado. Entonces, el
valor de t fue determinado fijando una curva de 3 puntos y el resultado fue
chequeado calculando directamente el valor de p. Para grados de libertad
intermedios los valores tabulados fueron obtenidos por interpelacin. Los
resultados obtenidos fueron redondeados a dos cifras decimales tal como aparecen
en las tablas.

Prueba de Gabriel

Esta prueba fue desarrollada en la Universidad hebrea en Jerusaln, Israel

por K.R. Gabriel. El procedimiento fue designado con las siglas STP que
representan en ingls SIMUL TANEOUS TEST PROCEDURE y que en espaol
significa PROCEDIMIENTO DE PRUEBAS SIMUL TANEAS. El
procedimiento se propone probar la homogeneidad de todos los conjuntos de
medias involucradas en el anlisis de la varianza. Las decisiones de significacin
estn basadas en las sumas de cuadrados entre medias que estn en un conjunto,
se usa el mismo valor crtico como el usado para el test F.

Sedice que lasdecisiones son transitivas en el sentido de que cada subconjunto

que contenga otro subconjunto significativo es por s mismo significativo. Sin
embargo, las decisiones seran incompletas en el conjunto que pueda ser significativo
pero no contenga ningn subconjunto significativo, en este caso no se puede
inferir heterogeneidad en el conjunto con el grado de confianza especificado.

Un ejemplo de la utilidad de un STP es donde un conjunto de medias es

juzgada como significativamente diferentes, pero se sospecha falta de
homogeneidad en las varianzas del conjunto.

155
 Dr. Franklin Chacin

Descripcindelaprueba S1P

Se asume que los siguientes datos estn disponibles para k poblaciones: XI,
XX' ... s, sozn edias no%:rales e independientemente distribuidas con varianzas
(]"
, (]"
, ... , O" .
.respecnvamente, .
SIend o nI, n2 , ... , nk conocl.das
m
peroni a 2 es desconoci id o;m. se tiene tam bi . doo in
ien S2 un estima i d epen dilente e
insesgado de (]"2 con no grados de libertad.

Cada conjunto p de todas o algunas de las k poblaciones se juzga como de

varianzas significativamente diferentes, si y solo si:
2 2 (7.26)
Sp > S k -1 F atk - I;no)

donde F a(k - 1; es el punto superior de a de la distribucin F con k-I y no

110)

grados de libertad y Sp 2 es la suma de cuadrados para la hiptesis de homogeneidad

de las varianzas de las poblaciones en p. Entonces:

Sp 2 = ni(Xi- Xp)2 (7.27)

pi
xp = ni.xi/np (7.28)
~
n, = ni (7.29)
i
P

donde denota la sumatoria sobre todas las muestras de la poblacin en p.

Prueba t de Razn Bayesiana de Waller-Duncan

En 1975, Duncan en su afn de perfeccionamiento de los procedimientos

para realizar comparaciones mltiples de medias, con la colaboracin de Waller
propuso la siguiente prueba. Esta prueba se caracteriza porque no interviene un
nivel de significancia, en lugar de esto se escoge una gravedad o peso del error
tipo 1 tipo ll. Se aconseja razones de 50:1, 100:1,500:1, en vez de a = 0,10;
0,05 yO,Ol.

~:156
 Oleoo y Anlisis de Experimentos 7

La tabla que se deduce para ser utilizada contienen valores t de riesgo mnimo
para k= 100. Estos son los nicos valores presentados all. La tabla se consulta
con base en el valor para el contraste F de tratamiento por lo cual se calcula el
valor de b, de acuerdo a la expresin:

b=I~1 F-l
(7.30)

Luego se va con q = f = grados de libertad de tratamiento y f = fe =

1

grados de libertad del error. Este valor crtico el cual se presenta en tablas y
luego se sustituye en la expresin.

rnds t sd (7.31)

donde rnds es el valor con el cual van a ser comparadas todas las diferencias de
medias.

Es conveniente hacer notar que la prueba F global que se usa como regla de
decisin para el anlisis de la varianza cuando se analizan las k poblaciones. La
probabilidad de que simultneamente ningn conjunto de poblaciones es
significativamente no homogneo es de al menos t-e. En otras palabras, la
probabilidad de que sea cometido error tipo 1es como mximo u.

Todos los clculos realizados por Gabriel para la realizacin de esta prueba
e incluso un ejemplo numrico es proporcionado en el artculo "T esting
homogeneity of all sets of means"de Gabriel, pero no sern incluidos en este
trabajo. Sin embargo, es importante notar que el autor sugiere en este artculo que
el uso conjunto de la prueba de Scheff y STP es deseable debido a la similaridad
de los procedimientos utilizados en ambos.

Ejemplo Ilustrativo
Se presenta un ejemplo ilustrativo, al cual se le aplica todas las pruebas de
comparaciones de medias consideradas en el presente captulo.
,

En un experimento se estudi el efecto de diferentes concentraciones de

Aroclor 1254, (un bifenil polidorinado; BPC) sobre ratones enjaulados, a los

157
 Dr. Frankln Chacin

cuales se les administr el medicamento a travs de los alimentos consumidos ad-

libitum. El objetivo fue determinar la mejor dosis de sustancia, es decir aquella
que produzca la mayor actividad heptica (desdoblamiento en el hgado de
sustancias extraas al organismo en el menor tiempo posible). Despus de dos
semanas de iniciado el experimento, los ratones fueron inyectados con Nembutal
(anestsico) y se registr para los sobrevivientes, el tiempo que permanecieron
dormidos. El tiempo dormido es una medida de la actividad de la enzima
microsorr.al heptica. Los resultados se muestran a continuacin en la tabla 7.1.

Tabla 7.1. Datos en el ejemplo ilustrativo para comparaciones de medias

Dosis de BBC Tiempo Dormido

(Tratamientos) (min)

1 0,0 55 47 46 53
2 62,5 47 51 40 44
3 500,0 49 44 46 51
4 1000,0 36 41 40 38

Contrastes Ortogonales

Como se tienen 4 tratamientos, se pueden efectuar 3 contrastes a saber:

Jl3 + 1-'4 = JlI + Jl2

Jl2 + Jl4 = JlI + Jl3
1-'1 + 1-'4 = 1-'2 + Jl3

Por lo tanto:
CI=-YI-Y2+Y3+Y4
C2 = - y 1 + Y 2 - Y 3+ Y 4
C3=+YI-Y2-Y3+Y4

Los coeficientes (Ci) en estos casos son:

-1 -1 +1 +1
-1 +1 -1 +1
+1 -1 -1 +1

~. 158
 Diseo'y Anlisis de Experimentos 7

los cuales cumplen con las condiciones de que

C = O Yadems CCj = O
para ii'j . Se conoce, partiendo de los datos de la tabla 7.1 que los totales de
tratamiento (dosis) son: y 1.= 201, Y 2.= 182, Y 3.= 190, Y 4.= 155, N = 16,
a=4, N-a = 12.
Luego:

C, = (-1)(201) + (-1)(182) + (+ 1)(190) + (+ 1)(155) = -38

C2 = (-1)(201)+(+1)(182) + (-1)(190) + (+1)(155) = -54
C 3 = (+ 1)(201) + (-1)(182) + (-1)(190) + (+ 1)(155) = -16

Ahora, si n=4 (observacionesltrat) y

(Cyf
SCC = nL.JC
" 2

para el primer contraste resulta:

(-38)2
SCC, = 16 = 90,25

para el segundo contraste:

SCC2 = (-54)2 = 182,25

16
finalmente para el tercer contraste:
(-16)2
SCC3= 16 =16~O

Se calcula a continuacin el valor de F a partir de la siguiente expresin:

C
Fea' = -------'-/2
3

c/
j='
(CMEE) 1/2 n,

159
 Dr. Franklin Chacin

Se obtiene el siguiente anlisis de la Varianza:

Fuente g de 1. SC F

Tratamiento 3 288,5 6,89~':

Error 12 167,5
Total 15 456,0

Se compara el F tabulado (0,05;1, 12) = 4,75 con el Fcalculado. El

El CMEE = 13,9583 para todos los contrastes. Los valores de F calculados

para cada contraste respectivamente:
38 56
F I = (13,~(13,9583) 10.17 F2 = = 14,99
(3,736)
16
F 3 = (13,9583) = 4,28

Al comparar los F calculados con el F tabulado se obtiene:

6,46> 4,75 Se rechaza H o

13,056> 4,75 Se,rechaza H o
1,146 < 4,75 No se rechaza H o

por 10 que se puede concluir que:

fl3 '*
+ u flI + fl2
fl2 '*
+ fl4 flI + fl3
flI + u = fl2 + fl3

Ahora es necesario observar si en laprctica, existe la posibilidad de combinar

la dosis de los tratamientos sin afectar la respuesta de los individuos.

~: 160
 Diseo'y Anlisis de Experimentos 7

Prueba de Scheff

Para efectuar la prueba de Scheff es necesario plantear todos los contrastes

posibles entre las medias o solo aquellos contrastes de inters para el investigador.
En este caso todos los contrastes posibles son:

Ha:,LJ1 - ,LJ2 =O Ha:,LJ2 - ,LJ3 =O Ha:,LJ1 - ,LJ3 =O

Ha:,LJ2 - ,LJ4 = O Ha:,LJ1 - ,LJ4 =O Ha: ,LJ3 - ,LJ4 = O

Se analizar solo un caso: Ha:,LJ1 - ,LJ3 = O. En este caso el contraste Cu

viene dado por la expresin:

C, = (+l)YI + (O)Y2 + (-1)y3 + (O)y4 = 2.'/5

luego se calcula:
a
s; CMEE re,2/ ni)
i=1

s'" ~ 13.9583[1' +0';1'+0'] ~ 2.64

finalmente se calcula:

Sau = Scu.J(a-l)Fa.a-,.N- a

S au = 2.64.J3(3,49) = 8.54

Como C, < Sall no se rechaza la hiptesis nula. Ello indica que los
tratamientos 1 y 3 no son estadstica mente diferentes. De igual forma pueden
efectuarse las restantes comparaciones. Una vez obtenidos estos contrastes se
concluy que no existe diferencia entre los tratamientos 1,2 Y3. Sin embargo la
dosis de BPC= 1000 (tratamiento 4) si produce un efecto significativamente
diferente del resto disminuyendo significativamente el tiempo de recuperacin de
los ratones.

161
Dr. Franklin Chacn

Prueba de la Mnima Diferencia Significativa (mds)

El valor crtico para la prueba viene dado por:

mds= ta/2.N-a.(Sd) = ta/2,N-a CMEE[~ + ~J

rnds = tO.025.16- 4 13.9{ ~ + ~]

rnds = 2. 179.J6.975 = 5.75

Si ly.-Yj.1 > 5.75 se concluye que las medias de los tratamientos
involucrados en la comparacin (i,j)son estadisticamente diferentes. Si se realiza
la operacin solamente para Hs: Jil - Ji3 = O, las medias de los tratamientos 1y
3 respectivamente resultan estadsticamente iguales ya que:

IYI.-Y3.1 = 2.75 < 5.75

Este proceso se puede repetir para el resto de las comparaciones y as generar
los grupos de medias como se ver posteriormente.

Prueba de Student-Newman -Keuls (S.N.K.)

Esta prueba consiste en subdividir un grupo de medias de tratamientos

ordenados en subgrupos homogneos. El procedimiento se basa en calcular un
conjunto de valores crticos.

- Se escoge un nivel de significacin a, en este caso 0,05

- Se calcula el valor Sy
CME]1I2 [13.9583]1/2
Sy = [ -- = = 1.868
n 4
- Se busca en la tabla F correspondiente a los valores de q para
u=0,05yn = 2,3,4.

162
 Diseo y Anlisis de Experimentos 7

q 0,05(2,12) = 3,08
q 0,05(3,12) = 3.77
q 0,05(4,12) = 4,20

- Luego se calcula Wj donde W =q a(p, t) Sy

W2 = 3,08(1,868) = 5.75
W3 = 3,77(1,868) = 7,04
W4 = 4,20(1,868) = 7,84

- Se ordenan las medias de los tratamientos en orden descendente y se

comparan las diferencias de todas las combinaciones con su respectivo valor de
W y se obtienen los grupos homogneos.

)'1. y3 y2. )'4.

50.25 47.59 45.50 38.75
B A

Por ejemplo, la diferencia entre las medias de los tratamientos 2 y 4 es mayor

que el valor de W2; de all que aparezcan en grupos diferentes. La diferencia
entre las medias de los tratamientos 1 y 2 es menor que el valor de W3 por lo
tanto aparecen en un mismo grupo, y as sucesivamente.

Prueba de Duncan

Duncan propuso una prueba de rangos mltiples donde se debe calcular:

CME]1I2 [13.9583]1/2
Sy = [ -n- = 4 = 1.868

y luego los valores de la tabla de r (Tabla G) correspondientes al nmero de

medias involucradas en la comparacin, obtenindose:

163
 Dr. Franklin Chacin

[0,05(2,12) = 3,08
[0,05(3,12) = 3,23
[0,05(4,12) = 3,33
Luego se calcula V; donde V = [a(p,f) Sy;

V2 = 3,08(1,868) = 5.75
V3 = 3,23(1,868) = 6,04
V4 = 3,33(1,868) = 6,22
De forma similar al procedimiento descrito para la prueba anterior se
comparan las diferencias entre las medias con su respectivo valor crtico 01) para
formar los grupos homogneos.

yl. )'3. y2. )'4.

50.25 47.59 45.50 38.75
B A

Prueba de Tukey

En la prueba de T ukey se necesita de un solo valor para juzgar la significacin

de todas las diferencias y las comparaciones se hacen por pares. Se requiere de :

q a(a,/): punto porcentual

a: tamao del grupo de medias
f: grados de libertad del error experimental

El procedimiento consiste en calcular:

T = qa(a, f) Sy;

Si a = 4,f = N - a = 16 - 4 = 12, a = 0,05; q 0,05(4.12) = 4,20; este valor

se busca en la tabla F. Sustituyendo:

Ts = 4.20(1.,868) = 7,8456

~:164
 Oteeo v Anlisis de Experimentos 7

Luego para declarar un par de medias significativamente diferentes debe

ocurrir que IY-Yil > t:
Comparacin Diferencia
(Pares) IY-Yil Ta

1-3 2,75
1-2 4,75
1-4 11,50 >7,8456*
2-3 2,00
2-4 6,75
3-4 8,75 >7,8556':-

Luego se conduye que los pares de medias de los tratamientos (1 y 4) Y

tambin (3y 4) tienen diferencias significativas.

Prueba de Dunnett

En esta prueba se comparan todas las medias con un control. En este

ejemplo ilustrativo, se considera el tratamiento 1 como el tratamiento control y
los otros tres tratamientos se comparan con el. El valor crtico a calcular es;

d[a,(a-I),fl~CMEE(Yn + in)

Los valores de d pueden ser obtenidos de la tabla H. De all se obtiene el

valor dO,05(4,12) = 2,88. En este ejemplo:

d )13,9583(114+114) =2,88J13,9583/2 =7,085

0,05(4,12)

Iy
Es de notar que 4 - Y 11 = 11,50 es mayor que el valor crtico, por lo tanto
j14 y j./I son estadsticamente diferentes. De igual manera, se analizan el resto de
los pares de medias que se comparan con el controL

165
 Dr. Franklin Chacin

Prueba de Waller-Duncan

El valor crtico en esta prueba se obtiene con los siguientes datos:

g.1. = grados de libertad de tratamiento = 3

f = grados de libertad del error experimental = 12
k = 100

Cuyo valor F ser tomado para buscar los valores en la tabla titulada "Valores
de t de riesgo promedio mnimo Duncan-Waller".

q = 3 (g.Ltrat)
f = 12 (g.1.error)

En la tabla se obtienen

F=6 t = 2,22
F = 6,89 t =?
F = 10 t = 2,125

Interpolando se obtienen t 2,19875. Luego la mnima diferencia

significativa para esta prueba es:

m.d.s = t.sa = 2, 198.J13,95(1/ 4 + 1/ 4) = 5,8087

Al colocar las medias en orden descendente, se puede notar que el tratamiento"
4 difiere considerablemente del tratamiento 2 y por ende del resto de los
tratamientos. En este caso al comparar tratamiento 4 y tratamiento 2, la diferencia
entre las medias es 6,750, el cual es mayor que el valor crtico calculado 5,8087.

~~166
 Diseo .Y Anlisis de Experimentos 7

Tabla 7.2. Cuadro Comparativo de los Resultados de las Comparaciones de

medias

Comparaciones Tukey Scheff mds

1-2
1-3
1-4
2-3
2-4
3-4

Tabla 7.3. Cuadro Comparativo por grupos de tratamiento

Trat Sdxff mds SNK Duncan Tukey Waller

1 A A A A A A
3 A A A A A A
2 BA A A A BA A
4 B B B B B B

Se puede concluir que invariablemente en todas las pruebas f.11 = f.12 = f.13 ;
e igualmente f.11 ::f:. f.14. us f.14.

En las pruebas de Scheff y Tukey, f.12 no es significativamente diferente de

f.14 , sin embargo m.d.s .., SNK, Duncan y Waller-Duncan si detectan diferencias
entre ellas.

Otra caracterstica a destacar es que f.14 es significativamente diferente de

las otras medias en la mayora de las pruebas, pero es de considerar que la dosis
asignada a este tratamiento es considerablemente superi?r a los otros tratamientos.

167
 Captulo 8

EXPERIMENTOS FACTORIALES

Introduccin

En experimentacin podemos hablar de dos procedimientos de uso comn.

U no que estudia el efecto determinado por diferentes cantidades de un simple
factor variable, establecindose un control a niveles constantes del resto de los
factores actuantes. Es 10 que comnmente se conoce como experimentos de
factor nico. Por ejemplo, tenemos la comparacin de variedades de un cultivo,
o la determinacin de la mejor distancia de un cultivo, entre otros. El otro tipo
de experimentacin co. ~sponde a aquellos experimentos que investigan
simultneamente los efectos de diferentes factores, conocidos como
experimentos factoriales.

Estos procedimientos han sido usados y se usan en las ciencias experimentales

dependiendo en general de los objetivos de la investigacin. En la investigacin
de los fenmenos biolgicos el uso de los experimentos factoriales es ms
generalizado que en los fsicos por la misma esencia de dichos fenmenos; su
complejidad en trminos de relacin efecto-causas actuantes. As, por ejemplo, la
produccin de un cultivo depende de una serie de factores tales como: fertilidad
del suelo, humedad del suelo, condiciones climticas (temperatura, precipitacin,
humedad relativa, entre otros), densidad de siembra, mtodos culturales, capacidad
genrica de la variedad, entre otros, que por 10 general interactuan.

Se puede estudiar el efecto de cada factor por separado cuando los otros se
mantienen a niveles constantes, pero este procedimiento de factor nico no dara
informacin sobre la dependencia del efecto del factor sobre los niveles de los
otros factores; mediante el segundo procedimiento; es decir, los experimentos
factoriales, es posible conocer si cada factor ejerce un efecto independiente del
resto de los factores variables o si su efecto est relacionado a los cambios de
niveles de otros factores.

169
Dr. Franklin Chacin

El concepto de experimentos factoriales est en realidad restringido a un

tipo especial de diseo de tratamiento que implica todos los tratamientos posibles
resultantes de combinar cada uno de los niveles de los diferentes factores en
estudio; es decir, que en el diseo de tratamiento conocido como factorial, cada
uno de los posibles tratamientos es una combinacin particular de un nivel de
cada uno de los factores en estudio. En este sentido cabe hacer diferenciaciones
con otros diseos de tratamiento que aun cuando un tratamiento es una
combinacin particular de un nivel de cada factor, no entran en el experimento
todas las combinaciones posibles.

La denominacin de experimentos factoriales completos sera adecuada

para el caso en que el factorial se estudie en todas sus posibles combinaciones y
experimentos factoriales incompletos cuando algunas combinaciones de inters
del factorial sern seleccionadas para el experimento. Existen cienos diseos de
tratamientos que aun cuando se estudia ms de un factor no entran en la definicin
de experimentos factoriales; es el caso, por ejemplo, de experimentos con varias
drogas, cada una a varios niveles, pero cada nivel de una droga es un tratamiento;
es decir, los niveles de cada droga no se combinan para formar un experimento
de tipo factorial. Estos experimentos pueden ser denominados seudofactoriales.

Factores, Niveles, Clasificacin de los factores

Factores:Un factor en trmino estricto sera una causa o variable independiente

que puede variar a voluntad del experimentador. Sin embargo, es una connotacin
convencional para designar una clase de tratamiento o cualquier proceso o
manipulacin que interviene en un tratamiento. En un factorial sera cada uno de
los tratamientos bsicos que intervienen en la formacin de una combinacin de
tratamientos. Una distincin que usualmente se hace entre factores es con base en
la definicin de tratamiento. En este sentido, si un tratamiento es cualquier proceso
o condicin que es aplicado a una unidad experimental y adems la aplicacin de
los tratamientos en las unidades est bajo el control del experimentador, entonces
se distinguen factores de tratamiento propiamente dichos como aquellos aplicados
directamente a la unidad experimental y factores de clasificacin cuando las
unidades experimentales se clasifican en dos o ms tipos de clases.

170
 Diseo .Y Anlisis de Experimentos 8

Niveles: El trmino niveles hace referencia a las diferentes clases, dosis o

cantidades de un factor. Un nivel puede ser entonces una clase, estado o cantidad
particular de un factor. Por ejemplo, si se van a comparar varias variedades de un
cultivo, el factor es la variedad y las diferentes variedades son los niveles del factor
variedad. Si se estudia el efecto de nitrgeno sobre el rendimiento de un cultivo,
el factor es el nitrgeno y las diferentes dosis o cantidades aplicadas del mismo
son los niveles.

Gasificacin de losfactores: Es convenienteclasificarlosfactoresen lossiguientestipos:

Factores Cualitativos Especficos. Son aquellos en que los niveles no siguen un

orden natural y cada nivel es de igual inters. Por ejemplo, diferentes variedades
de un cultivo en un ensayo de variedades, diferentes mtodos de siembra, etc.

Factores Cuantitativos. Los diferentes niveles se expresan en valores numricos

definidos que corresponden a determinadas cantidades de la variable bajo estudio.
Por ejemplo, diferentes cantidades de nitrgeno en un ensayo de fertilizantes,
diferentes densidades de siembra en un ensayo de poblacin, etc.

Factores Cualitativos Ordenados. Los niveles del factor se arreglan en algn

orden pero no hay una variable cuantitativa natural que describa los niveles o
factores cuantitativos en los que los diferentes niveles no corresponden a valores
bien definidos sino mas bien a valores agrupados. Por ejemplo, muchos factores
de clasificacin pertenecen a este grupo; los suelos de un rea experimental pueden
ser clasificados en ridos, de fertilidad baja, de fertilidad media y muy frtiles. Se
puede clasificar un lote de novillos en flacos, medianamente flacos, gordos y muy
gordos, de acuerdo a algn agrupamiento previo de sus pesos.

Factores Cualitativos Muestrales. En algunos casoslos niveles cualitativos usados

no son de mucho inters en s, sino como una muestra de una poblacin de
niveles. Por ejemplo, experimentos repetidos en varios lugares o en varios aos,
en los que se supone que los sitios escogidos sern una muestra de los lugares
donde se harn las recomendaciones finales del experimento y los diferentes aos
son una muestra de los diferentes aos por venir.

171
Dr. Frankln Chacn

Sepueden clasificar los facroriales de acuerdo al nmero defactores y al nmero

de niveles que intervienen de lasiguientemanera:

Grupos de p k, es decir, k factores todos al mismo nmero de niveles p (la

base indica el nmero de niveles y el exponente el nmero de factores)

2k (22 ;23 ;24; . ) k factores a dos niveles: k = 2,3, .

3k (32;33;34; ) k factores a tres niveles: k = 2,3, .
4k (42 ,'43 ,'44. , ... ) k factores a cuatro niveles: k = 2,3, ...
entre otros ...

Grupos (p x q x s x .... ); es decir, distintos nmero de niveles. Para cada

factor 2 x 3 un factor est a dos niveles y el otro a tres. En el caso (3 x 3 x 4) dos
factores estn a tres niveles y el otro a cuatro y as sucesivamente.

En el caso de dos factores, digamos A y B cada uno a dos niveles;

(a o ; a ); (b o ; b ) ; el factorial se indicara como un 22 y constara de cuatro (4)
posibles combinaciones de tratamientos, representados como:

(aobo)
(a.b,)
(albo)
(a.b.)

El anlisis factorial implica un anlisis de los efectos de los factores a fin de

constatar si el efecto de un factor es independiente del otro factor o por el contrario
existe interaccin.

Efectos Simples, Efectos Principales, Interaccin

El incremento de A desde a o a a l' vendr dada por la diferencia

(a I - a );
o
as tenemos dos efectos de A para cada nivel de B.

(8.1)

(8.2)

172
 Diseo y Anlisis de Experimentos 8

Estos efectos de A a cada nivel de B se llaman efectos simples de A. En

forma alternativa:

Efecto de B al nivel ao = b.a, - b ,a, = B, (8.3)

Efecto de al nivel al = b,a,- boa, = B2 (8.4)

Si los efectos simples de A a los niveles b o y b l son iguales decimos que el

efecto de A es independiente de la accin de B. Esto es, Al = A2

De manera que una estimacin del efecto de A sera dada por el promedio
de los efectos simples; y se denomina efecto principal de A.
1
A ="2(a,b,-aob,+a,bo-aobo) (8.5)

1
A = "2(al- ao)(b, + bo)

De igual manera, el efecto principal de B vendr dada por el promedio de sus

efectos simples.

1
B = "2(a,b,- albo + aob,- aobo) (8.6)

1
B = "2(al + ao)(b,- bo)

Si los factores A y B se influyen mutuamente los efectos simples diferirn, es

decir Al :j:. A2 o B, :j:. B2 Yesta diferencia ser una medida de la interaccin
de los factores. As definimos la interaccin como:

AB=~{ (a,b,-aob,)-(a,bo-aobo)} (8.7)

1
AB = "2 (a l - a o )(b l- b o)

BA={ (a,b,-a,bo)-(aob,-aobo) }

1
BA = 2"(al- ao)(b,- b ,')
(8.8)
173
Dr. Franklin Chacin

Lo anterior indica que AB = BA, por lo tanto la relacin es simtrica. La

interaccin es la misma tanto si la consideramos desde el punto de vista del factor
A como del factor B.

Vase ahora numrica y grficamente mediante observaciones ficticias, la

presencia o ausencia de interaccin. Se asume la no existencia de variacin no
controlada.

No Interaccin

Factor B
Niveles bo b b I - bo
Factor A ao 30 32 2
a 36 38 2
a - ao 6 6

Factor B
Niveles bo b b - bo
Factor A ao 10 12 2
a 13 lS 2
a l - ao 3 3

Con Interaccin

Factor B
Niveles bo b b I - bo
Factor A ao 30 32 2
a 36 44 8
a I - ao 6 12

174
 Diseo y Anlisis de Experimentos 8

Factor B
Niveles bo b, b - bo
Factor A ao 30 32 2
a 36 26 10
a - ao 6 -6

45 16

40 14
~~I

35 12
/a,

30 10

a, al b, b.
No hay interaccin No hay interaccin

45 45

.:
40 40

35 35

30 30
b,
a, l, a, al
Hay interaccin Hay interaccin
(cambio de magnitud) (cambio de direccin)

Fig 8.1 Representacin Grfica de la presencia o ausencia de Interaccin de

los factores en un Experimento Factorial.

En el anlisis de los resultados de un factorial 22 tal como fue descrito

anteriormente, es necesario estimar los efectos principales y la interaccin AB. Si
no se detecta interaccin los efectos principales seran entonces las mejores
estimaciones de los efectos y sobre los cuales se basaran las interpretaciones de la
investigacin, en caso contrario es necesario examinar e interpretar la naturaleza
de la interaccin.

175
Dr. Frankln Chacin

Los efectos A, B YAB satisfacen las condiciones para un conjunto ortogonal

de comparaciones. La siguiente matriz ortogonal puede servir para calcular los
efectos medios y la suma de cuadrados asociada a cada efecto.

Tabla 8.1. Matriz Ortogonal.

Efecto Divisor Divisor Contribucin
Factorial Totales de Tratamiento para la para la de la S.e.de
media S.e. tratamiento

(1) a b ab 2k-l rIC2 I

A 1 1 -1 1 2.r 4.r [A] /4.r

B -1 -1 1 1 2.r 4.r [B] /4.r
AB 1 -1 -1 1 2.r 4.r [AB] /4.r

[ A] es el efecto factorial total de A y viene dado por la funcin:

[A] = Te = [- (1) + (a) - (b) + (ab) ] (8.9)

donde T es el i-simo total de tratamientos representados en nuestro caso por

(1), (a), (b), (ab). e
son los coeficientes que permiten cumplir con el propsito
de comparacin y ortogonalidad. As el efecto principal promedio A se estima
como:

[A] / 2. r = [- (1) + (a) - (b) + (ab) ] / 2 r (8.10)

donde r es el nmero de repeticiones del experimento. En el Anlisis de Varianza,

la contribucin del efecto Principal de A a la suma de Cuadrados de Tratamiento
es [ A] /4.r. La prueba de hiptesis de los efectos se puede realizar por dos
vas equivalentes en este caso: mds y F en el anlisis de varianza. Si se utiliza mds
se debe conocer el error estndar de un efecto factorial.

Definicin: Sea I, = C)X) + C2X2 +",+CkXk una comparacin. El

error estndarde Les (a- / fn~ C; y el error estndar estimado ser

(s/ .;;>J C; donde n es el nmero de observaciones de cada media Xi'

176
 Diseo y Anlisis de Experimentos 8

Para el efecto principal promedio de A se tiene que:

A = [1- 1
+ - (a) - - (b) - - ( 1)
(ab)
1- 1_]
(8.11)
222 2
donde (ab), a, ..., son los promedios de rendimientos sobre r repeticiones. El
error estndar estimado de A ser:
1 1 1 1
(si Fr + + 4" + 4") = si Fr cuando n = r (8.12)

Una matriz generalortogonal, (incluyendo lamedia)puede ser representadacomo:

[JI] +1 +1 +1 +1 (l) l
[A] -1 +1 -1 +1

[B]
= -1 -1 +1
(a)
+1 (b)
J
[AB] +1 -1 -1 +] (ab)

donde [JI] es la media de tratamientos.

Al = efecto factorial total de A
B = efecto factorial total de B
AB] = efecto factorial total de AB

Caso de tres factores a dos niveles.

En el estudio de tres factores, digamos A, B Y cada uno a dos niveles; e
(a o; al); (b o; b ) , (e o; c, ) respectivamente, el factorial sera un 23 y un total de
ocho combinaciones posibles de tratamientos. Las combinaciones resultantes se
pueden denotar por las dos formas siguientes:

Tratamiento 1 II
1 (aoboco) (1)
2 (a, boco) a
3 (aoboco) b
4 (a, b.c ,') ab
5 (aoboc,) e
6 (a,boc,) ac
7 (a.b.c.) bc
8 (a, b.c.) abc
177
Dr. Franklin Chacin

Se utilizarn ambas notaciones de acuerdo a la conveniencia. Los efectos

simples de A se determinan para cada una de las cuatro combinaciones de los
otros factores.

Efecto simple de A a niveles b 00e fij os = (a, b 00000

e - a b e )
Efecto simple de A a niveles b.c, fijos = (a, b.c, - aob,co) (8.13)
Efecto simple deA a niveles boc, fijos = (a,boc,-aoboc,)
Efecto simple deA a niveles bici fijos = (a,b,c,-aob,c,)

El efecto principal de A ser el promedio de estos 4 efectos simples:

A = t;. [(a,boco-aoboco) + (a,b,co-aob,co) + (a,boc,-aoboc,)
,.. (a,b,c,-aOb,c)] (8.14)

esto es, el efecto principal de A es el efecto de A promediado sobre los niveles de

los otros factores. A se puede escribir tambin como:

(8.15)

La interaccin AB se puede medir separadamente para cada nivel de e, as:

Interaccin AB al nivel e,
= }i[ (a, b,c,- a.b.c.) - (a, boc,- aoboc,)] (8.17)

El promedio de estos dos efectos se toma como una estimacin de AB, as:

AB=l.4{[ (al b ICo- ao b.c ,') - (a Iboco - ao bocJ 1+[ (al b.c, - ao b.c,) - (a Iboco - aobocJ])
(8.18)
o tambin;

(8.19)

178
 Diseo'y Anlisis de Experimentos 8

Las dos interacciones pueden ser diferentes, lo que indicara un cambio

debido a los niveles de C; la diferencia entre estos dos efectos medira la interaccin
ABC,as:

(8.20)
o tambin:

(8.21)

Si se usa la notacin TI,los efectos calculados se indican como sigue:

A = [ (al-I)(bl + I)(el + 1) ] = [Cabe) - (be) + (ab) - (b) + (ae) - (e) + (a) - (1

(8.22)
AB = [ (a 1 - 1)(b 1 - 1)(el + 1) ] = [ (abe) - (be) + (ab) - (b) - (ae) + (e) - (a) + ( 1

(8.23)
ABC=[ (al-I)(b)-l)(c)-l) ]=[(abc)-(bc)-(ab)+(b)-(ac)+(c)+(a)-(l
(8.24)
para los efectos que no aparecen en la explicacin las expresiones seran:

B= [ (al + 1)(bl-1)(cl + 1) ] (8.25)

C = [ (al + l)(bl + l)(cl- 1) ] (8.26)

AC = [ (al-1)(bl + 1)(cl-1) ] (8.27)

1 (8.28)
BC=[ (al+l)(bl-I)(el-I)]

estos siete efectos son comparaciones mutuamente ortogonales. Una matriz de

transformacin ortogonal , incluyendo la media, sera:

179
Dr. Franklin Chacin

[p] +1 +1 +1 +1 +1 +1 + 1 + 1 (1)
[A] -1 +1 -1 -1 +1 +1 -1 +1 (a)
[B] -1 -1 +1 -1 +1 -1 +1 + 1 (b)
[e] -1 -1 -1 +1 -1 +1 +1 + 1 (e)
[AB] +1 -1 -1 +1 +1 -1 -1 +1 (ab)
[Ae] +1 -1 +1 -1 -1 +1 -1 + 1 (ae)

[Be] +1 +1 -1 -1 -1 -1 +1 + 1 (be)

[ABe] -1 +1 +1 +1 -1 -1 -1 +1 (abe)

f,ul = indica el efecto de la media general.

A = indica el efecto factorial total de A y as sucesivamente.

Siel experimento se repite!"veces,entonces el divisor para un efecto medio ser:

2k-1 r = 4r para k = 3 (8.29)

La contribucin de cada efecto a la suma de cuadrados de tratamiento

vendr dado por:
(8.30)

donde los Ti vienen dados por los smbolos (1), (a), (b), ...

Caso General de varios factores a dos niveles.

Con k factores, tales como A, B, C, D, E, ... los efectos principales se pueden

representar en forma general por
1
X = 2k-1 (a 1)(b l)(c 1)(d 1)(e 1)... (8.31)

donde X representa un efecto o interaccin particular, el signo en cada parntesis

ser positivo si la letra no aparece en X y negativo si la letra aparece en X. La
notacin de la combinacin de tratamientos ser como la forma II vista
antenormente.

180
 Diseo .Y Anlisis de Experimentos 8

1
A = 2k-1 (a-1)(b+ l)(c+ l)(d+ l)(e+ 1)... (8.32)
1
B = 2k-1 (a-1)(b-l)(c+ l)(d+ l)(e+ 1)... (8.33)

1
AB = 2 k-I (a-1)(b- l)(c+ l)(d+ 1)(e+ 1)... (8.34)
1
ABCD = 2k-1 (a-l)(b-l)(c-l)(d-l)(e+ 1)... (8.35)

Para escribir usando todas las combinaciones posibles usando la forma de

notacin II se procede de la siguiente forma:

(1) d e de f
a ad ae ade af
b bd be bde bf
ab abd abe abde
e cd ce cde
ac acd ace acde
bc bcd bce bcde
abc abcd abce abcde

Para calcular el nmero de efectos principales e interacciones, se procede de

la forma siguiente:

Nmero

Efectos Principales k

Interaccin de dos factores (~) = k(k; 1)

Interaccin de tres factores (~) = k(k-1;(k- 2)

Interaccin de cuatro factores
(~) = k(k-l)(k~ 2)(k- 3) .

Interaccin de k factores (~) = 1

Total

181
 Dr. Franklin Chacin

La contribucin de cualquier efecto a la suma de cuadrados de tratamiento

vendr dado por:
[xf 12k-1 r (8.36)

f
donde [X representa el efecto total. La varianza de cualquier efecto medio
ser igual a:

(8.37)

donde X es el efecto medio.

Ventajas de los Factoriales

Las ventajas de la experimentacin factoria1 depender de la finalidad del

experimento. Un propsito de investigacin sera el determinar si cada factor
ejerce alguna accin sobre la variable respuesta; es decir, el objeto es tener un
cuadro amplio de los efectos de los factores en lugar de determinar por ejemplo
la combinacin de niveles de los factores que dan la respuesta mxima. Como se
vio al comienzo, se podra emplear para este propsito el procedimiento de
factor nico o el procedimiento factorial.

Si se usa el procedimiento experimental del factoria1 se puede obtener

informacin del efecto de los factores. Si son independientes o existe interaccin
entre ellos, cosa que no se obtendra mediante el procedimiento de factor nico.
Adems si los factores son independientes en sus efectos, el procedimiento factorial
significar un ahorro considerable de tiempo y material dedicado a los
experimentos. El ahorro se deriva de dos hechos:
-. cuando los factores son independientes todos los efectos simples de un
factor son iguales a su efecto principal de manera que los efectos principales son
las nicas cantidades necesarias para interpretar completamente los efectos de los
factores.
-. en un experimento factorial, cada efecto principal se estima con la misma
precisin como si todo el experimento se hubiese dedicado a ese solo factor; la
varianza de un efecto viene dada por:

182
 Diseo y Anlisis de Experimentos 8

Por ejemplo, en un factorial 22 con dos repeticiones, la varianza para el

efecto de A es igual a 0-2 /2 Y el nmero de unidades experimentales en el
experimento sera igual a 8. Si se fuese a medir el efecto de A en un experimento
de factor nico se hubiese necesitado de las mismas 8 unidades experimentales en
el experimento (4 repeticiones y 2 tratamientos), para alcanzar el mismo grado de
precisin de 0-2 / 2 , mas an, de acuerdo al nmero de factores que se investigue,
los experimentos de factor nico requerirn el doble, el triple, cudruple, ..., k
veces el material esperimental que requiere un experimento factorial para alcanzar
la misma precisin.

Fisher resume las ventajas de los experimentos factoriales as: l)mayor

eficiencia 2) mayor alcance en dos sentidos; 3) permite estimar por separado los
efectos de cada factor y sus interacciones, 4) las conclusiones obtenidas de los
experimentos factoriales tienen una mayor base inductiva.

Existen tambin ciertas desventajas en el uso de los factoriales, ellas son:

El factorial se hace imprctico a medida que el nmero de factores o de

niveles se incrementa debido a limitaciones de material experimental o de recursos.

Cuando aumenta el nmero de combinaciones de tratamiento la magnitud

del error experimental tambin se incrementa, debindose recurrir a diseos menos
simples para compensar en parte este aumento.

Tambin un aumento en el nmero de factores introduce dificultades en la

interpretacin de interacciones de alto orden.

Sin embargo, la utilidad del procedimiento factoral esde innegable importancia

y puede ser aplicado a muy variadas situaciones. En general se pueden citar:
-. En trabajos de exploracin, en los que el objeto es determinar rpidamente
los efectos de cada uno de cierto nmero de factores dentro de un intervalo
especfico.
-, En la comprobacin de interacciones.
-. Cuando se quiere encontrar la combinacin de los niveles que maximiza
la respuesta o en la estimacin de la superficie de respuesta general

183
Dr. Frankln Chacn

-. En experimentos diseados para poder llegar a recomendaciones que

deben aplicarse a una gran variedad decondiciones. En estos experimentos
se introducen factores adicionales o auxiliares para examinar los factores
principales bajo una variedad de condiciones similares a las encontradas
en la poblacin a la cual se va a aplicar dichas recomendaciones.

Factores a tres niveles

En las nociones bsicas en relacin con factores con dos (2) niveles, se vio
el anlisisfactorial en trminos de efectos principales e interacciones. La simplicidad
de este anlisis surge por el hecho mismo de que cada factor ocurre a dos (2)
niveles, yel efecto de cualquiera de los factores no sera mas que la diferencia
entre el rendimiento promedio del factor a su ms alto nivel y el rendimiento
promedio del factor a su ms bajo nivel. Cada factor a ms de dos niveles da
lugar a diferentes enfoques de anlisisde acuerdo con el objetivo de la investigacin.
Si en un experimento factorial entran uno o ms factores cuantitativos, un anlisis
interesante y conveniente es el de estudiar la forma de la curva de respuesta; es
decir, si el factor representa cantidades crecientes X de alguna sustancia, es de
inters, por ejemplo, examinar si la respuesta Y a los crecientes niveles X del
factor, es de naturaleza lineal, cuadrtica, etc.

Considere, a manera de ejemplo, un factor a tres (3)niveles. Sea A el factor

y los tres (3)niveles indicados mediante a o' al' a 2 con intervalos iguales; es decir,
que a I va a tener una unidad adicional a la establecida para a o Y a 2 tendr dos
unidades adicionales a la establecida para ao Para el uso del anlisis que sigue es
importante que los niveles sean equiespaciados.

Llevemos sobre un grfico los rendimientos observados, indicados por

a o' a p a 2 contra los niveles del factor.

184
 Diseo y Anlisis de Experimentos 8

a.

012
Niveles del factor

Figura 8.2. Rendimientos observados contra los niveles del factor

Seobserva de la figura que hay dos respuestasa una cantidad unitaria del factor:

Incremento de Oal = a,- ao

Incremento de 1 a 2 = a2 - a,
Suma de Incrementos = (a2-a,) + (a,-ao) = a2-ao
Diferencia de incrementos = (a2-a,)-(a,-aJ = a2-2a,+ao
Si el incremento producido por la primera unidad fuese igual al incremento
producido por la unidad adicional entonces la suma de los incrementos mide el
efecto lineal del factor. Si el incremento producido por una unidad adicional del
factor esdiferente alproducido por la primera unidad del factor, entonces la diferencia
de incrementos a 2 - 2 a, + a o mide ladesviacinrespecto a la linealidad. De manera
que las dos cantidades anteriores indican lascaractersticas de la curva de respuesta.

Definiendo:
-. Efecto Lineal del factor A:
Al = a2 -a o (8.38)
-. Efecto Cuadrtico del factor A
N=a-2a+a
2 , o (8.39)

Como se ve, el efecto principal del factor A est asociado a dos grados de
libertad, lo que indica que es posible realizar dos comparaciones mutuamente
185
Dr. Franklin Chacin

ortogonales; los dos componentes efecto lineal y efecto cuadrtico son

precisamente dos contrastes mutuamente ortogonales del efecto de A. Estos
efectos que miden la forma de la curva de respuesta,' se conocen como
comparaciones ortogonales en regresi6n. Dependiendo del nmero de niveles
se puede examinar el efecto lineal, cuadrtico, cbico, cuartico de algn factor.
Los coeficientes para una comparaci6n ortogonal se derivan del mtodo de
polinomios ortogonales.

Dos factores a tres niveles

Sean dos factores Ay B cada uno a tres niveles: (a, .a a.) Y(bo' b b2),
respectivamente.

Habr nueve combinaciones de tratamientos asociados a ocho (8) grados

de libertad en el anlisis de varianza. Un primer esquema del anlisis factorial
estara dado por los efectos principales y la interacci6n AB.

EFECTO G. DE L.
A 2
B 2
AB 4

Es decir, las diferencias entre los rendimientos de las nueve (9)combinaciones

pueden ser expresadas en tres componentes principales de efectos independientes:
Efecto principal de A con dos (2) grados de libertad
Efecto principal de B con dos (2) grados de libertad
La Interacci6n AB con cuatro (4) grados de libertad.

El efecto principal de A y el efecto principal de B comprenden cada uno

dos (2)comparaciones independientes y la interaccin AB comprende cuatro (4)
comparaciones independientes. Esas ocho comparaciones se pueden realizar
con bastante ventaja como comparaciones ortogonales de acuerdo al siguiente
esquema:

186
 Diseo y Anlisis de Experimentos 8

Efecto G. de Libertad
A 2
Efecto lineal N 1
Efecto cuadrtico N 1
B 2
Efecto lineal Bl 1
Efecto cuadrtico B2 1
AB 4
Efecto linealxlineal NBl 1
Efecto linealxcuadrtico NB2 1
Efecto cuadrticoxlineal NBl 1
Efecto cuadrticoxcuadrtico NB2 1
Total 8

Expresionessimblicaspara cadauna delascomparacionesortogonalesen regresin:

Al = (a2-aJ(bo+ bl+ b2)

A 2 = (a 2- 2 a 1 + a o)(b 0+ b l + b 2)
BI =(b2-bo)(ao+al+a2)
B 2 = (b 2- 2 b 1+ b o)( a o+ al + a 2)
AIBI = (a2-ao)(b2- bo)
AIB2 = (a2 - ao)(b2 - 2al + ba)
A2BI = (a2-2al+aO)(b2- ba)
A2B2 = (a2-2al+aO)(b2-2al+ b ,)

Interpretacin de los efectos e interacciones de dos factores a tres (3)

niveles en funcin de la naturaleza de la curva de respuesta

Supongase una tabla 3x3 en la que aparece los nueve (9) totales de
rendimiento de las comb-inaciones de tratamientos de los factores A y B a tres (3)
niveles cada uno.

187
Dr. Franklin Chacin

Factor B
ba bJ b2 Total
ao (ao b) (ao b) (ao b) [ao]
Factor A a (a b) (a b.) (a b.) [al]
a2 (a, b) (a, b.) (a, b.) [a2]
Total [b o ] [b] [b2]

J,
cada smbolo (ao b (ao b.), ... dentro de la tabla equivale al total de rendimiento
para la combinacin indicada por los subndices. Los totales marginales para los
niveles de A se indican como a o ,a I , a 2 ; e igualmente para los totales marginales
de B. El componente A (efecto lineal de A) puede estimarse separadamente a
cada nivel de B. Cada uno de estos componentes los llamaremos efectos lineales
simples de A; as:

N(O) = (a2-ao)bo efectolinealdeAalnivelodeB

N(l) = (a2-ao)b efectolinealdeAalnivelldeB

N(2) = (a2 - aJb2 efecto lineal de A al nivel 2 de B

El efecto lineal total A es la suma de los lineales simples.

(8.40)

De la misma manera el componente Al (efecto cuadrtico de A) puede

estimarse separadamente para cada nivel de B. Se puede medir tres componentes
cuadrticos simples, a saber:
 Diseo y Anlisis de Experimentos 8

El efecto cuadrtico total A 2 ser la suma de los tres efectos simples:

Al = [( a2 - al)- (al - ao )](bo+ b, + b) = [aJ -[al] - ([a] - [aoD=[a2] -2[aJ + [ao]

(8.41)
Alternativamente para B sus efectos lineales simples seran:

Bl(O) = (b2- bo)ao

B'(I) = (b2- bO)a1
Bl(2) = (b2 - bJa2

Efecto lineal total

(8.42)

Los efectos cuadrticos de B seran:

El efecto cuadrtico total:

B2 =[(b2- bl)- (bl- bJ](ao+ a+ a2) = ([b2]-[b]-([bJ-[boD =[b2]-2[bJ + [bo]

(8.43)

Como se ve la interaccin AB con 4 grados de libertad puede ser subdividida

en los siguientes componentes ortogonales:

A B = (a 2 - a o)( b 2 - b o) = (a 2 - a o) b 2 - (a 2 - a o) b o = A (2) - A (O)

o tambin
A 'B' = (b2 - bO)(a2 - ao) = (b2 - bO)a2 - (b , - bo)ao = B' (2) - B' (O) (8.44)

189
 Dr. Frank/in Chacin

en forma similar,
2
A'B =(a2 -aO)[(b2 -b,)-(b,-bo)]
2
A 'B = (a, - aO)b2 - 2(a2 - ao)b, + (a2 - ao)bo (8.45)
A' B2 = A' (2) - 2A' (1) + A' (O)
o tambin
2
A'B =[(b2 -b,)-(b,-bo)]a2 -[(b2 -b,)-(b,-bo)]ao
2 2
A'B =B (2)-B2(0)
(8.46)
de igual forma;

2
A B' = [[(a2 -a,)-(a, -aO)]b2 -[(a2 -a,)-(al -ao)]bo]
=A2(2)-A2(0)
o tambin
2 I
AB = (b , - bO)a2 - 2(b2 - bo)a, + (b2 - bo)ao
= B' (2) - 2B' (1) + BI(O) (8.47)

A2 B2 = [[(a2 - a)-(a-aO)]b2-[(a2-a)-(a-ao)]b] (8.48)

-[[e a2-a)-( a-ao)]b -[ea2-a)-( a-ao) ]bo]

= A2(2)-A2(1 )_[A2(1)-A2(0)]
= A2(2)-2A2(1)+A2(0)

Si se supone que la forma de la curva de A es lineal y si los niveles de B no

afectan su pendiente, entonces los efectos lineales simples tendrn igual pendiente
(ver Figura 8.3), bajo estas condiciones una recta de pendiente promedio sobre
los niveles de B sera de mejor estimacin y se basara en los totales marginales
expresados en la ecuacin (8.40).

Si se supone ahora que la forma de la curva de A sigue siendo lineal pero

que la pendiente est afectada por los niveles de B, la medida de este efecto estar
dada por dos componentes de interaccin independientes: el componente Al B 1
yel componente Al B2(vase Figura 8.3.2.a y 8.3.2.b) En 8.3.2.a la interpretacin

..'.190
 Diseo y Anlisis de Experimentos 8

es la misma de la interaccin AB de un factorial Z'; es decir, se mide la diferencia

del efecto de A a los niveles bo y b, de B. Note que de acuerdo a (8.44), sera una
comparacin entre A (2) versus A (O). Esto indica que es una comparacin entre
las pendientes de las rectas de regresin de Y sobre A estimadas para los niveles
b o y b, de B. En 8.3.2.b interviene adems la recta de regresin estimada al nivel
b, de B. La comparacin N B2 equivale a la ecuacin (8.45), esto es,

N(2) - 2N(1) + N(O)

lo que indica que es la comparacin del promedio de las pendientes de las rectas
de regresin de A a los niveles 2 y O de B contra la pendiente de la recta de A al
nivel b, de B.

Si la forma de la curva de A es cuadrtica y si los niveles de B no afectan su

pendiente en ningn punto de su recorrido, entonces los efectos simples cuadrticos
seran iguales y las curvas tendran igual pendiente en cualquier punto de su
recorrido (vea Figura 8.3.3), bajo estas condiciones el componente cuadrtico
promedio sera el de mejor estimacin y se basara en los totales marginales
expresados en la ecuacin (8.41).

En el caso de que exista interaccin con los niveles de B entonces existen

dos componentes independientes de la interaccin A 2B: A 2B Y A 2B2. 01er Figuras
8.3.4.a y 8.3.4.b) En Figura 8.3.4.a se observa que la forma cuadrtica de la curva
est afectada por los niveles de B. Este componente solo mide los cambios de
forma de la curva a los niveles b, y bo de B. Es de notar que la ecuacin (8.47)
lo expresa como la comparacin entre el componente cuadrtico A2(2) al nivel b,
de B con el componente cuadrtico N(O) al nivel bo de B. En la figura 8.3.4.b se
observa que en la comparacin 2
A2B entra la curva determinada al nivel b, de B.

que indica la comparacin entre el promedio de los componentes cuadrticos a

los niveles 2 y O de B contra el componente cuadrtico N(l) determinado al nivel
1de B.

191
Dr. Franklin Chacin
Figura 8.3.1 Figura 8.3.2
Efecto lineal de A
la interaccin AIS
a cada nivel de B

a. al " a. a, a,
No hay interaccion
8.32a Componente Al a' 8.32b Componente A' 8'

Figura 8.3.3
Figura 8.3.4
Efectos cuadrticos
la interaccin A'8
cada nivel de B

b,

" a,

8.3.4a. Componente A' a' 8.3.4bComponente A' a'

Figura 8.3 Grficos de interaccin

Contribucin a la Suma de Cuadrados

Cada uno de los componentes antes descritos son mutuamente ortogonales

asociados cada uno con un grado de libertad. Hay ocho componentes ortogonales
y cada uno contribuye independientemente a la suma de cuadrados de tratamiento.
Por ejemplo, la contribucin de X a la suma de cuadrados de tratamiento es:

SC(X) = [xf (8.49)

nCt
donde
[X] = el efecto total
n = nmero de observaciones de los totales que entran en la comparacin
C = suma de cuadrados de los coeficientes que entran en esa comparacin.
Por ejemplo, los coeficientes para el efecto lineal y cuadrtico de un factor a
tres (3) niveles son:
192
 Diseo y Anlisis de Experimentos 8
Niveles Coeficientes lineales Coeficientes cuadrticos
O -1 1
1 O -2
2 1 1

Considrense ahora algunos mtodos para calcular [X] :

Mtodo 1
Se calcula directamente utilizando las expresiones algebraicas para los efectos, as:

Al a2 - ao
=
2
A = a2-2a+ao
donde a o' a ,a 2 son totales marginales en la tabla 3x3.

donde (a 2 b 2)' (a , b o), ... , son totales de la combinacin de tratamientos y que

entran en el cuerpo de la tabla.

Mtodo 2
Se forma una tabla 3x3 con los totales de tratamientos en el cuerpo de la
tabla y los totales marginales de A y de B.
Factor B
bo b, b, Total Lineal N Cuadrtico N

ao (ao b) (ao b) (ao b.) [ao) -1 -[ao) 1 [ao)

Factor A al (al b) (al b.) (al b2) [al] O 0- -2 -2[a,]
a2 (a2 b) (a, b.) (a2 b.) [a2] 1 [a2] [a2]
Total [boJ b,] [b2]
Lineal -1 O 1
B' -[b o] O [b2]
Cuadrtico 1 -2 1
B2 [boJ -2[b,] [b2]

Los componentes lineal y cuadrtico de los efectos principales A y B se

calculan de los respectivos totales marginales. Para calcular los cuatro componentes
de la interaccin AB, se procede a formar las matrices 3x3 cuyos elementos son
193
Dr. Franklin Chacin

los coeficientes que multiplicaran a los totales de tratamientos que ocupan la

misma posicin en la tabla 3x3. Para hallar las respectivas matrices se procede
comOSlgue:
Componente Producto de Matrices Matriz de Coeficientes

[-~}[-I 1]
NBl O
O =[ ~
-1 O
O
-~1

[-~}[I-2 1] = [-1~
2
NB2 O
-2 ~1
= [-1
O

[-:+-1 O 1] 2 O -11
-2
NBl -1 O 1

1 -2
NB2
[-+1 -2 1] = [ -2
1 -2
4
-~1
Si se quiere calcular, por ejemplo, NBl; la matriz NBl dice que todos los
productos sern nulos menos los de los extremos, as:

que coincide con el obtenido anteriormente. Adems:

[AIBl]2
S C(A 1B 1) = -'-----''- (8.50)
nC
donde n = r ya que cada total es la suma de r repeticiones.

194
 Diseo .Y Anlisis de Experimentos 8

(8.51)

donde n = sxr ya que cada total [a j] es la suma de s niveles de B y de r repeticiones.

Mtodo 3
El otro mtodo es formar una matriz completa, escribiendo en una columna
las combinaciones de tratamientos y luego en las columnas siguientes los coeficientes
de las respectivas comparaciones.
.,
Totalde Componentes en regreswn
Tratamientos Al Al Bl Bl AIBI AIBl A1Bl A1Bl

T = a.b, -1 1 -1 1 1 -1 -1 1
00
T = aob -1 1 O -2 O 2 O -2
01
T = aob2 -1 1 1 1 -1 -1 1 1
02

T = albo O -2 -1 1 O O 2 -2
10
T =ab O -2 O -2 O O O 4
11
T =ab2 O -2 1 1 O O -2 -2
12
T20 =a 2 b o 1 1 -1 1 -1 1 -1 1
T =a?b 1 1 O -2 O -2 O -2
21 -

T = a.b, 1 1 1 1 1 1 1 1
22

195
Dr. Franklin Chacin
Otra forma de escribir la matriz es la siguiente:

[A 1] aobo
-1 -1 -1 O O O 1 1 1
[A 2]
1 1 1 -2 -2 -2 1 1 1
aobl
[BI] -1 O 1 -1 O 1 -1 O 1
aOb2
albo
[B2
] 1 -2 1 1 -2 1 1 -2 1
[A1B1] 1 O -1 O O O -1 O 1
albl
a.b,
[A1B 2
]
-1 2 -1 O O O 1 -2 1
a2bo
[A B1]
2
-1 O 1 2 O -2 -1 O 1
a2bl
1 -2 1 -2 4 -2 1 -2 1
[A B
2 2
] a2b2

Si los factores que intervienen en el factorial a tres o mas niveles son

cuantitativos, el procedimiento descrito parece ser el que conduce a una
interpretacin concreta del experimento. Si interviene por ejemplo, un factor
cuantitativo (A) y un factor cualitativo (B),un esquema de anlisis sera:

G. de L.
Efecto lineal de A: A l 1
Efecto cuadrtico de A: A 2 1
Efecto total de B: B 2
Interaccin AB 4

Si hay interaccin el esquema sera:

G. de L.
Efecto total de B 2
Efecto lineal de A a b o de B 1
Efecto lineal de A a b I de B 1
Efecto lineal de A a b, de B 1
Efecto cuadrtico de A a b o de B 1
Efecto cuadrtico de A a b I de B 1
Efecto cuadrtico de A a b, de B 1

196
 Oieeo y Anlisis de Experimentos 8

EXPERIMENTOS FACTORIALES 2k

En el siguiente cuadro se presentan los resultados de un ensayo realizado en

Fertilizacin N, P, K en maz con un arreglo de tratamiento Iactorial Z' en un
diseo de experimento completamente aleatorizado.

TRATAMIENTOS

(1) a b ab e ae be abe

10 16 27 23 16 16 25 28

18 19 17 18 25 16 23 24

8 16 16 28 22 19 30 20

36 51 60 69 63 51 78 72

197
Dr. Franklin Chacin

Modelo LinealAditiw

Yjkl = p+ a, + fl; + Yk + (ajJ)ij + (aY)ik + (jJy) jk + (ajJY)ijk + cijkl (8.43)

Yijkl = observacin l-esima del i-simo nivel del factor A, j-simo nivel
del factor B y k-simo nivel del factor C.
Jl = media general
ai = efecto del i-simo nivel del factor A
/J = efecto del j-simo nivel del factor B
(ajJ) ij = efecto de la interaccin de primer orden del i-simo nivel del
factor A con el j-simo nivel del factor B
(ar) ik = efecto de la interaccin de primer orden del i-simo nivel del
factor A con el k-simo nivel del factor e
(jJr) jk = efecto de la interaccin de primer orden del j-simo nivel del
factor B con el k-simo nivel del factor e
(aPr) ijk = efecto de la interaccin de segundo orden del i-simo nivel
del factor A j-simo nivel del factor B con el k-simo nivel del factor e
C;jkl = error experimental

Supuestos delModelo:

Modelo 1 (fijo)

198
 Diseo y Anlisis de Experimentos 8

a b

II(ajl)ij
;=1 j=1
=
a e

I I
;=1 k =I
(ar)k =0

b e

I I
j=1 k=1
(flr) jk =

a b e

III
;=1 j=1 k=1
(aflr)ijk =
C;jk- NID (O, CT;)

Modelo 11(Aleatorio)

a - NID(O,CT~)

/l - NID(O,CT~)

rk - NID(O, CT:)

(ajl)ij - NID(O,(J~fJ)

(ar)k - NID(O,(J~/)

(flr) jk - NID(O, CT~r)

(aflr) ijk - NID (O, CT~fJr)

199
 Dr. Frankln Chacn

Hiptesis:

Modelo 1

Ho: a = O I
Ho: (afJ)ij= O Ho: (ajJY)ijk =O
Ha: ai-:f::-O Ha: (afJ)ij-:f::- O Ha: (ajJY)ijk -:f::-O

Ho:~ =0 Ho: (aY)ik = O

Ha:~ -:f::-O Ha: (aY)ik -:f::-
O

Ho: Yk =O Ho: (jJy) jk = O

Ha: r, -:f::- O Ha: (jJy) jk -:f::-
O

Modelo II

Ho'.
2
0- a =O Ho: O-~fJ = O Ho: O-~fJr =O
Ha: o-~ -:f::- O Ha: O-~fJ -:f::- O Ha: O-~fJr -:f::- O

Ho: o-~ = O Ho: O-~r =O

Ha: o-~ -:f::- O Ha: O-~fJ -:f::- O

Ho: O-~r =O
Ha: O-~r -:f::- O

El esquema de Anavar est dado en la Tabla 8.2 dada a continuacin:

,.'.200
 Tabla 8.2. Esquema de Analisis de Varianza Para el Experimento Factorial 23

LO, d~ V. G. J~ L. Su,"u dr Cuadrados Esperanzas d.: 10.t Cuadrados M,'Jim Esperanzas d,. tos Cuodrudos MC'dlu.J
(Modelo 1) (M"dd" 11)
a .1.2 2 :!
A .1 L(ai/rbc-F.C. a;+bcrLa2/(a-l) ac+rarrJly+rcaa
,-1 ,-1 + rb a,~ + rbc a~
h h., ., ,
Il b1 L(b/lrac-F.C. a;+acrL{J]I(b-l) a;+ra~/lr+rca~(1
j-I j-I + ra a~ + rac a~

e c-! I(c.)l/rab-F.C. a;+abrIY;/(C-l) a;+ra,~Iy+rba!

'=1 bl + raa' + raha'
Pr r
a ~ a b ~:! 2 \J
AB (A(Xcl) LL (aby/rc-F.C.-SCA-SCB a;+crLL (at3)I(a-I)(b-l) al +=: +rcao/J \Si.
,"1 jol _I j_1 C\)
;a e a e .,., "'1 ~
AC (bIXcl) LL (ah)2/rb-F.C.-SCA-SCC a;+brLL (ay)~/(a-I)(c-l) a;+ra;.p.,+rba;.,
-I k_ -l l-I '-
b e b e 2 2 -P

Be (bIXcl) LL (bc~)2Ira-F.C.-SCB-SCC a; +arL L (f:lY)~kl(b-I)(c-l) a, +raafly +raa/lr ~,

j-I k-I J-I l-I :::::-:
b
,\SI
c h c
(a{Jy>- 1 1 -.
xnc (aIXblj(cl) LL L (ab)c,)2/r-F.C.-SCA a;+rLL L ( j,) al +ra ofly \SI
,clj_1 '-1 _lj_1 '01 (a-l)(b-I)(c-I) ~
-SCB-SCC-SCAB-SCAC-SCBC ~
a2 a' ><
EE (aheIX,I) Diferencia e e C\)

a b e ~.

To"l abcr-! LLL Y~kJ - F.C. ~

-I j e ~.I .::::s:

~
Dr. Franklin Chacin

DesarrollodelEjemplo

Sumas de Cuadrados

Sumade Cuadrados de Tratamientos:

362 +512+ ... +782 +722 (480) 2
SCT~t=----------------
3 24

SCTrat = 10.032-9.600= 432

Suma de Cuadrados de losEfectos Principales. Cuadros de doble entrada

bo bl Total
ao 99 138 237
al 102 141 243
Total 201 279 480

eo el Total
ao 96 141 237
al 120 123 243
Total 216 264 480

eo el Total
bo 87 114 201
bl 129 150 279
Total 216 264 480

Suma de Cuadrados deA

2372 + 2432 4802
SCA= - -- = 9601.5 - 9600 = 1.5
3x2x2 24

202
 Diseo y Anlisis de Experimentos 8

Suma de Cuadrados de B
2012 + 2792 4802
SCB = - -- = 9853.5 - 9600 = 253.5
3x2x2 24
Suma de Cuadrados de C
2162 + 264 2 4802
SCC = - -- = 9696 - 9600 = 96
3x2x2 24

Suma de Cuadrados de lasInteracciones

SumadeCuadradosAB

992 + 1382 + 1022 + 1232 4802

SCAB = - -24 - 15 - 253.5 = 9855 - 9600 - 1.5- 253.5 = O
3x2

Suma de CuadradosA C

962 + 1412 + 1202 + 1232 480 2

SCA C = 3x2 - 24 - 1.5- 96 = 9771- 9600 - 15 - 96 = 73.5

Suma de CuadradosBC

872 + 1142 + 1292 + 1502 480 2

SCBC = 3x2 -24- 2535-96 = 9951- 9600-2535-96 = 15

Suma de CuadradosABC
362 +512+ ... +782 + 722 4802
SCABC = 3 - -1.5- 24 253.5 - 96 - 0-735-1.5 = 6.0

Suma de Cuadrados Total

SCTotal= 102 + 182 + 82 + ...+242 + 20LP.C=724.0

Suma de Cuadrados del Error Experimental

SCEE = SCTotal SCTrat = 724 - 432 = 292

203
Dr. Frankln Chacn

Cuadrados Medios o Varianzas

Cuadrados Medios de Tratamiento

SCTrat 432
CMTrat = =- = 61.71
t -1 7
Cuadrados Medios para EfectosPrincipales

Cuadrado Medio paraA

SCA 1.5
CMA = -- =- = 1.5
a-1 1
Cuadrado Medio para B
SCB 253.5
CMB = - = -- = 253.5
b -1 1
Cuadrado Medio para C
SCC 96.0
CMC=-=-=96
e -1 1
CuadradosMediosparalnteracciorzes

Cuadrado Medio paraAB

SCAB
CMAB= =0
(a-1)(b- 1)
Cuadrado Medio paraA C
SCAC 73.5
CMAC= =-=73.5
(a- 1)(c- 1) 1
Cuadrado Medio para BC
SCBe
CMBC = (b-l)(c- 1) :::::
1.5

204
 Diseo y Anlisis de Experimentos 8

Cuadrado Medio paraABC

SCABC
CMABC= = 6.0
(a-1)(b-1)(c-1)
Cuadrado Medio para elError Experimental
SCEE 292
CMEE = =- = 18.25
(abc-1)(r-1) 16

Anlisis de Varianza

ANA VAR (MODElO FIJO)

F.de v. G.deL. SC CM F F(5%) F(1%)

Trat 7 432.0 61.71 3.38** 2.66 4.03

A 1 1.5 1.5 0.08 N.S. 4.49 8.53
B 1 253.5 253.5 13.89~*
C 1 96.0 96.0 5.26*
AB 1 0.0 0.0 O.ON.S.
AC 1 73.5 73.5 4.02N.5.
BC 1 1.5 1.5 0.08N.S.
ABC 1 6.0 6.0 0.33N.5.
EE 16 292.0 18.25
Total 23 724.0

205
Dr. Frank/in Chacin

ANA VAR(MODELO ALEATORIO)

F.de V. G. de L. CM F
Trar 7 61.71
A 1 1.50
B 1 253.50
C 1 96.00
AB 1 0.00 0.00
AC 1 73.50 12.25':":'
BC 1 1.50 0.25
ABC 1 6.00 0.32
EE 16 18.25
Total 23

Anlisis de Varianza calculado a travs de matrices ortogonales

Contrastesortogonalesytotalesdetratamiento

36 51 60 69 63 51 78 72
(1) a b e ab ac be abc
J1 +1 +1 +1 +1 +1 +1 +1 +1
A -1 +1 -1 -1 +1 +1 -1 +1 a
B -1 -1 +1 -1 +1 -1 +1 +1 b
C -1 -1 -1 +1 -1 +1 +1 +1 e
AB +1 -1 -1 +1 +1 -1 -1 +1 ab
AC +1 -1 +1 -1 -1 +1 -1 +1 ac
BC +1 +1 -1 -1 -1 -1 +1 +1 be
A&:: -1 +1 +1 +1 -1 -1 -1 +1 abc

Sumas de Cuadrados: La contribucin de cada efecto a la suma de cuadrados

de tratamiento viene dada por:

206
 Diseo y Anlisis de Experimentos 8

Suma de Cuadrados deefeaosprincipales

(-36 + 51- 60 - 69 + 63 + 51-78 + 72)2 62

SCA = = - = 1.5
8x3 24

(-36-51+60-69+63-51+78+72)2 722
SCB= =-=253.5
8x3 24

(-36-51- 60+ 69 - 63 + 51 + 78 + 72)2 482

SCC = =- = 96.0
8x3 24
Suma de Cuadrados delrueraaiones

(+36 - 51- 60 + 69 + 63 - 51-78 + 72)2

SCAB = = 0.0
8x3

(+36-51 + 60- 69 - 63 + 51-78 + 72)2 422

SCAC = =- = 73.5
8x3 24

(+36 + 51- 60 - 69 - 63 - 51 + 78 + 72)2 (_6)2

SCBC= =--= 1.5
8x3 24

(-36 + 51 + 60 + 69 - 63 - 51-78 + 72)2 122

SCABC= =-=6.0
8x3 24
Suma de Cuadrados de Tratamiento

SCTrat = 1.5 + 253.5 + 96.0 + 0.0 + 73.5 + 1.5 + 6.0 = 432

El resto del procedimiento es igualal que apareceen laspginas anteriores,

incluyendoelAnlisisdeVarianza.

207
Dr. Franklin Chacin

Interpretacin

Modelo Fijo

Este es el modelo que se utiliza en la mayora de los experimentos agrcolas

cuando no se est repitiendo el experimento ni en el tiempo ni en el espacio.

De acuerdo a los resultados del Anlisis de Varianza en los que resultaron

significativos los efectos de los factores By C; es decir, Fsforo y Potasio, se
puede concluir que el cultivo de maz bajo estas condiciones de suelo y clima
responde positivamente a la fertilizacin con Fsforo y Potasio. Como se trata
de la aplicacin o no del nutriente (ensayo exploratorio) con slo observar cual
de las dos medias es mayor, es suficiente para determinar el mejor tratamiento.

Modelo Aleatorio

Al observar los cuadrados medios esperados se nota que no existen

denominadores apropiados para la prueba de significacin de F para los factores
independientes (N, P, K) por consiguiente se tendran que realizar pruebas de F
aproximadas.

Para el caso de las interacciones de primer orden el denominador apropiado

para la prueba de F es la interaccin de segundo orden ABC y para esta interaccin
el denominador es el Error Experimental, al realizar las pruebas de F solamente
la interaccin AC es significativa; es decir, para este modelo existe significacin
para el efecto interactuante de Nitrgeno y Potasio.

Puede apreciarse que la interpretacin fue completamente diferente a la del

Modelo Fijo. Sin embargo es de notar que se utiliz el modelo aleatorio
solamente con fines didcticos, ya que para este tipo de experimentos no
tiene ninguna justificacin considerar aleatorio s los factores bajo estudio.
 Diseo y Anlisis de Experimentos 8

EJERCICIOS

Con un conjunto de datos afn a su rea de investigacin, responda las

siguientes preguntas:

- Establezca el modelo lineal aditivo describiendo cada uno de los

trminos del modelo y los sub ndices presentes.

- D los supuestos del modelo.

- Establezca las hiptesis a probar.

- Escriba el cuadro de ANA VAR de acuerdo al modelo. Considere

cuadrados medios esperados y los estadsticos de prueba.

-Realiceel ANA VAR.

- Pruebe las hiptesis.

- Interprete los resultados.

209
Dr. Frank/in Chacin

EXPERIMENTOS FACTORIALES 3K

En el siguiente cuadro se presentan los resultados de un ensayo realizado en

Fertilizacin N, P, K en maz con un arreglo de tratamiento factorial J2 en un
diseo experimental bloques al azar.

1M TAMlENTOS

a2 al ao
Bloques b, bl bo b2 bl bo b2 b bo Total
1 52 28 56 66 36 20 56 42 22 378
II 48 44 48 54 24 38 34 16 36 342
III 60 48 40 56 62 32 52 36 28 414
IV 40 48 16 48 46 22 34 26 26 306
Total 200 168 160 224 168 112 176 120 112 1440

Modelo LinealAditiw

Yijkl = j.1+ a + ~ + ; (ajJ)ij + r, + cijkl (8.44)

Zkl = observacin k-esima del i-sirno nivel del factor A y j-simo nivel del factor B
j.1= media general
a = efecto del i-sirno nivel del factor A

~ = efecto del j-simo nivel del factor B

r = efecto del k-simo bloque
k

Cijkl = error experimental

4-10
 Diseo y Anlisis de Experimentos 8

Supuestos deLModeLo:

ModeLo 1 (fijo)

a b

(a,8)ij =
i=1 i=1

2
Yk - NlD(O, (J"r)

Cijk - NID(O, (J"~)

Modelo 11{Aleatorio)

a - NID(O, (J"~)

fJ; - N1D(O, (J"~)

(a,8) ij - NID(O, (J"~p)

Yk - NID(O, (J":)

ckIj - NID(O , (J"2)

e

211
Dr. Franklin Chacin

Hiptesis:

Modelo!

Ha: a,1
=O Ha: (ajJ)ij= O

Ha: (ajJ) ij 7:- O

Ha:~ =0 Ha: a-: = O

Ha: ~ 7:- O Ha: a-: O
7:-

ModeloIl

Ha: a-~ = O Ha: a-~fl =O

Ha: a-~ 7:- O Ha: a-~fl 7:- O

Ha: a-~ = O Ha: a-: = O

Ha: a-~ 7:- O Ha: a-: O 7:-

El esquema del Anlisis de Varianza y las Esperanzas de los Cuadrados

Medios se muestran en las Tablas 8.3 y 8.4 respectivamente.

212
 Diseo y Anlisis de Experimentos 8

Tabla 8.3. Esquema de anlisis de varianza para el Experimento Factorial P

F.deV. G. de L. Suma de Cuadrados CM

r y2
Bloques r-l I
hl
ab
ook
- F.C. SCBloq/(r-1)

y?
_IJo -F.C.
Tratamientos t-I SCTrat/(t-1)
r

y2
A a-l
I_ioo
a
-F.C. SCAI(a-1)
i=1 br

b y2
B b-1
I_oJ- -F.C.
SCB/(b-1)
j=1 ar

a b y2
AB (a-I) (b-1) _IJo
;=1 r
-FoC.-SCA-SCB
je l
SCAB/(a-1)(b1)

EE (ab-I) (r-I) SCT otal-SCT rat-SCBloq SCEE/(ab-l)(r-1)

a b e

III
i=1 je l k =I
Yi~k - FoC.
Total abr-l
F.C.= (GranTotal)2 / abr

213
f\)
\:J
::: Tabla 8.4. Esperanzas de los Cuadrados Medios para el Faetorial 32 para el caso de los Modelos Tipo l. 11. III :>
E(CM) Modelo I Denomi E(CM) Modelo 11 Dcnomi 11
nador nador ~
zs
'
E
a 2 + ab o.'r a(2 +aba; ~
Bloque CMEE CMEE ~.
2
a2+ 2 , ,
A e rb~
L.J a-'- CMEE CMAB
;:1 a-l o; + ra;(J + rba; ~
\)
, b {32 ~.
B a; +raL -L CMEE 2 2 2 CMAI3
a( + raafl + raafl
i=) b-l
, h

AS
a;+r (a{3)~ CMEE CMEE
a,2+ ra~fl
;=1 j=1 (a- 1 )(b -1)
2
a2(
aE
Error

E(CM) Modelo III Denorni E(CM) Modelo III Denomi

A fijo 13 aleatorio nador A aleatorio B fijo nador
a2 + abo' o: + ab o.'
Bloque 'r CMEE (r CMEE

a
, , ~ a2
A a; + ra~fl + rb L.J --'- CMAB CMEE
a-l 1:;:1
a; + rba~
Error(a)

B a; + raa~ CMEE b f3? CMAB

a2+ra~+raL (h~l)
t i;;l

, , 2 '
AS a; + ra~/j CMEE a, +ra';/l CMEE

Errortb) 0'2
r ae2
 Diseo y Anlisis de Experimentos 8

Desarrollo del Ejemplo

Suma de Cuadrados

Suma de Cuadrados de Tratamientos:

2002 +1682+ ... +1122 14402
SCTrat = 4 36
242.688
SCTrat = - 57.600 = 3072
4
Suma de Cuadrados de IosEfectosPrincipaJes.
Cuadrodedodeerurada

b2 b bo Total
200 168 160 528
224 168 112 504
176 120 112 408
600 456 384 1440

Suma de Cuadrados deA

5282+5042+4082 14402 .
SCA = --- = 672
4x3 36
Suma de Cuadrados de B
6002 +4562 + 3842 14402
SCB = --- = 2016
4x3 36
Suma de Cuadrados de la Interaccin

Suma de Cuadrados deAxB

2002 +1682+ ... +1202 +1122

SCAB = 4 - F. C.-SCA - SCB = 384

215
Dr. Franklin Chacin

Suma de Cuadrados deBloque

3782 + 3422 + 4142 + 3062 14402
SCBloq = - -- = 720
3x3 36
Suma de Cuadrados Total
14402
SCTotal = 522 2
+ 28 + ...+26
2
- 36" = 6512
Suma de Cuadrados del Error Experimental

SCEE = SCTotal- Sctrat -SCBloq

SCEE = 6512 -3072 - 720 = 2720

Clculo de las sumas de cuadrados a travs de los coeficientes

ortogonales

b2 b bo B B2
a2 1 O -1 1 -2 1
a 1 O -1 1 -2 1
ao 1 O -1 1 -2 1

~ AB AB2
1 1 1 1 O -1 1 -2 1
O O O O O O O O O
-1 -1 -1 -1 O 1 -1 2 -1

~ ~B ~B2
1 1 1 1 O -1 1 -2 1
-2 -2 -2 -2 O 2 -2 4 -2 '~
1 1 1 1 O -1 1 -2 1

216
 Diseo .Y Anlisis de Experimentos 8

Suma-de Cuadrados deA lineal

(528-408)2 1202
SCA = =-=600
) [2+12+2+(-1)2+(_1)2+(_1)2]x4 6x4

Suma de Cuadrados deA cuadrtico

(528 + 408 - 2x504)2 (936 - 1008)2
SeA - = = 72
2 - [12 +12 +12 +12 +12 +12 +(_2)2 +(_2)2] x4 72

Suma de Cuadrados de B lineal

(600- 384)2 2162
SCB -= -:--------'---- = -- = 1944
) [12 + 12 + 12 + (-1) 2 + (-1) 2 + 12]x4 24 -

Suma de Cuadrados de B cuadrtico

[600+384-2x456r (984-912)2
SeB - - -72
2-[12+12+12+(_2)2+(_2)2+(_2)2+(_2)2+12+12]x4- 72 -

Suma de Cuadrados de la InteraccinA lineal x B lineal

SCA B =
[(200 + 112) - (176 + 160) r= (-24)2
= 36
)) [12+12+(-1)2+(-1)2]x4 16

Suma de Cuadrados de la InteraccinA linealx B cuadrtico

[(200 + 160+ 240) - (176 + 112 + 336)f (600 - 624)2
SCA B = = = 12
) 2 [12+12+(_1)2+(_1)2+22+(_2)2]x4 48

Suma de Cuadrados de laInteraccinA cuadrtico x B lineal

[(200 + 276 + 224) - (160 + 112 + 448) f
SCA2B) = = 300
[12 +2 +(_1)2 +(_1)2 +22 +(_1)2] x4

217
 Dr. Frank/n Chacn

Suma de Cuadrados de la InteraccinA cuadrtico xB cuadrtico

[(200+ 176+ 160+ 112 + 672) - (448 + 336+ 224 + 240)f 5184
SCA2B2 = =--=36
[12 +12 +12 +(_2)2 +(_2)2 +(_2)2 +(_2)2 +42]x4 144

ANA VAR (Modelo Fijo)

F.de V. G. de L. se CM F Ftab(5%) Ftab(l%)

Trat 8 3072 384 3,388 2,36 3,36

A 2 672 336 2,965 3,40 5,61
Al 1 600 600 5,29::-::- 4,26 7,82
A2 1 72 72 0,635n.s.
B 2 2016 1008 8,89::-::-
Bl 1 1944 1944 17,15::-::-
B2 1 72 72 0,635n.s.
AB 4 384 96 0,847n.s.
AIBI 1 36 36 0,318n.s.
AlB2 1 12 12 0,106n.s.
A2Bl 1 300 300 2,649n.s.
A2B2 1 36 36 0,318n.s.
Bloque 3 720 240 2,111 3,01 4,72
EE 24 2720 113,33
Total 35 6512

Interpretacin

De acuerdo a los resultados del Anlisis de Varianza se puede interpretar lo

siguiente:

-. La significacin de los tratamientos es indicativo de que existen

diferencias estadisticamente significativas al nivel 0,01 entre las medias de
los nueve tratamientos.

-;;. 218
 Diseo y Anlisis de Experimentos 8

-, Existen diferencias estadsticamente significativas al 10% entre los

rendimientos obtenidos con las distintas dosis de Nitrgeno utilizados.

-, El efecto de dichas dosis es lineal; es decir, se incrementa linealmente con

el aumento de los niveles de Nitrgeno.

-. Existen diferencias estadsticamente significativas al l% entre los niveles

de Fsforo utilizados en el experimento.

-. El efecto de los niveles de Fsforo es lineal, se aumentan linealmente los

rendimientos con los sucesivos incrementos de los niveles de Fsforo.

-. No e.iiste interaccin enr .:-los dos factores, cada uno actua independien-
temente del otro factor.

-. No existen diferencias estadsticamente significativas al 5% entre los rendi-

mientos obtenidos en los bloques. Lo que indicara que los rendimientos
del maz obtenidos entre los mismos tratamientos en los distintos bloques
no fueron tan diferentes como para hacer claramente eficiente el control
local. Sin embargo, el valor de F fue de 2,11 significativo al 12% lo que
indicara cierto control local con el bloqueo.

En conclusin; como la respuesta tanto del Nitrgeno como del Fsforo es

lineal, los mejores rendimientos se obtienen con la mxima dosis utilizada de los
dos factores objeto de estudio.

EJERCICIOS

Con un conjunto de datos afn a su rea de investigacin, responda las

siguientes preguntas:

- Establezca el modelo lineal aditivo describiendo cada uno de los

trminos del modelo y los subndices presentes.

- D los supuestos del modelo.

219
Dr. Frankln Chacn

- Establezca las hiptesis a probar.

-Escriba el cuadro de ANA VAR de acuerdo al modelo. Considere cuadrados

medios esperados y los estadsticos de prueba.

-Realiceel ANA VAR.

- Pruebe las hiptesis.

- Interprete los resultados.

220
 Captulo 9

REGLAS PARA LA ESPERANZA DE LOS CUADRADOS MEDIOS

Los Cuadrados Medios juegan un papel sumamente importante en el anlisis

de varianza para probar la hiptesis nula. El conocimiento de la esperanza de los
cuadrados medios (E.C.M.) en el anlisis de varianza es lo que conduce al
investigador a realizar la prueba de la hiptesis nula con el estadstico apropiado.
Las reglas para su realizacin se enumeraran a continuacin:

Regla 1. Cada efecto tiene su componente de varianza (efecto aleatorio) o

un factor fijo (efecto fijo) asociado a el. Si una interaccin contiene por lo menos
un efecto aleatorio, la interaccin esdeclarada aleatoria, Un componente de varianza
tiene letras griegas que identifican un efecto aleatorio particular. Por ejemplo, un
modelo mixto con factor A fijo y factor B aleatorio el componente de varianza
para B es (T/ y el componente de varianza para AB es af tP El efecto fijo ser
siempre representado por la sumatoria ( ) de los componentes del modelo
asociado con ese factor, dividido por sus grados de libertad. En el ejemplo, el
efecto de A es

_"i
a '1" 2

(9.1)
i=1 a-l

Regla 2. Cuadrados medios esperados. Para obtener los resultados medios

esperados, preparar la siguiente tabla:

a) Una fila por cada componente del modelo (Cuadrado Medio) y una
columna por cada subndice, sobre cada subndice escribir el nmero de niveles
del factor asociado con el sub ndice y si el factor es fijo escribir una F o si es
aleatorio escribir una R. Las repeticiones o replicaciones son siempre consideradas
como aleatorias.

221
Dr. Frank/n Chacn

b) En la ltima fila, ,escriba "1" si uno de los subndices (muertos) en el

componente de la fila corresponde al subndice de la columna. Por ejemplo;

F F R
Factor a b r
k
t: I

~j

("[~)ij

E ij (k)
1 1 1

e) En cada fila, si cualquiera de los sub ndices en el componente de la fila

corresponde al sub ndice de la columna, se escribe cero en la columna si es
encabezada por un factor fijo y 1 si la columna es encabezada por un factor
aleatorio.

F F R
Factor a b r
k
TI O
~j
O
("[~)ij O O
E ij(k) 1 1 1

d) En cada una de las posiciones vacas de la fila escriba el nmero de

niveles indicados en el encabezamiento de la columna.
 Diseo'y Anlisis de Experimentos 9

F F R
Factor a b r
J k
'; O b r
~j
a O r
('tp) ;j O O r
E i j Ik}
1 1 1

e) Para obtener el cuadrado medio esperado (ECM) para cualquier

componeme del modelo, primero cul.ra todas las columnas encabezadas por
sub ndices presentes (vivos) en ese componeme, en cada fila que contiene por 10
menos el mismo sub ndice como los del componente a ser considerado, tornar el
producto de los nmeros visibles y multiplicar por el factor apropiado fijo o
aleatorio (Regla 1). La suma de estas cantidades es la ECM del componeme del
modelo a ser considerado; a fin de encontrar, por ejemplo, la ECM(A) torne la
columna i del cuadro.

El producto de los nmeros visiblesen las filasque contienen el subndice 1son:

br en la fila 1 Oen la fila 3 1 en la fila 4

Entonces la ECM(A) ser

ECM(A) = d+br
i=1
't;2/(a-l) (9.2)

223
Dr. Franklin Chacin

EJEMPLOS

a) En el caso de dos factores en modelo fijo:

F F R
Factor a b r ECM
J k
a

o b a' + br Ii;1
1:, '/ (a-I)

P j
a o a' + ar I
i='
p// (b-I)

a b

erA)
1-' 'J. o o 0-2+ r I I
i;1 j;1
(T~)'J '1 (a-I) (b-I)

a'

b) En el caso de dos factores en modelo aleatorio:

R R R
Factor a b r ECM
k

T; 1 b r (J' + r a' + br a'

tP

P j
a 1 r a' + r a'
tP
+ ar a'
P

(1:p) ;j 1 1 r a' + r a'

tP
,

Cij(k) 1 1 1 cr

224
 Diseo y Anlisis de Experimentos 9

c) En el caso de dos factores en modelo mixto:

F R R
Factor a b r ECM
k
a

T; O b r d + ro'
,~
+ br 1;'/ (a-I)
;=1

13j
a 1 r a' + ar 0"'
~

(''C13) ;j O 1 r 0"' + r 0"'

t~

E;j(k
1 1 1 d

A manera de ejercicio, considere un experimento factorial de tres factores

con a niveles del factor A, b niveles del factor B y e niveles del factor C y r
repeticiones.

- asuma modelo fijo

- asuma modelo aleatorio
- asuma modelo mixto con Ay B -fijosy C aleatorio.

El modelo lineal es:

Observe que es la interaccin de tratamientos simples (todas las

E;j"

combinaciones posibles) por repeticiones. Utilice las reglas dadas para las ECM
y discuta la prueba de la hiptesis nula.

225
Dr. Franklin Chacin

Note que en los modelos mixtos las interacciones que contienen factores
fijos y aleatorios tendrn adems los coeficientes dados por las reglas estudiadas
para las varianzas, el coeficiente del factor fijo. Por ejemplo, en el caso planteado,
la interaccin AC, BC y ABC tendrn como ECM:
a
2
ECM ~C) = 0-2 + br -- O" (9.4)
en
a- 1

b
2
ECM(BC) = 0"2 + ar -- O" (9.5)
b -1

a b
2
ECM(ABC) = 0"2 + r -- --- O" (9.6)
a- 1 b _1 a ~t

226
 Captulo 10

EXPERIMENTOS FACTORIALES CONFUNDIDOS

Introduccin

El investigador agrcola puede estar interesado en estudiar varios factores

simultneamente, esto se hace a travs de los experimentos factoriales estudiados
en el captulo anterior. Sin embargo a medida que se incrementa el nmero de
factores y niveles de cada factor, aumenta simultneamente el nmero de
combinaciones de tratamiento; a experimentar. Ba;~esta situacin el hecho de
colocar los tratamientos en bloques completos al azar, puede disminuir la eficiencia
de las estimaciones, al tener en el experimento una mayor heterogeneidad en el
material experimental. Se puede recurrir al uso de bloques incompletos, en otras
palabras, utilizar bloques que tengan solamente una parte del conjunto total de
tratarmentos.

Esta solucin presenta dos consecuencias:

~-Los bloques incompletos controlan la heterogeneidad intrabloques.

::-El uso de bloques incompletos trae consigo una confusin de efectos que
se debe estudiar con detenimiento.

SISTEMAS CONFUNDIDOS

Para disear un experimento en el cual el nmero de tratamientos que va a

ser colocado en un bloque es menor que el nmero total de combinaciones de
tratamientos, el experimentador debe decidir primero cuales son los efectos que
va a confundir. Si hay slo una interaccin en el experimento y decide confundir
esta interaccin con bloques, el problema es simplemente decidir cuales
combinaciones de tratamientos ubicar en cada bloque. Una forma de hacer esto,
en el2k, es colocar en unbloque aquellas combinaciones de tratamientos con un
signo ( +) en el efecto a ser confundido y aquellas con signo (-) en el otro bloque.
Cuando el nmero de tratamientos y de bloques aumenta, es necesario aplicar un
227
Dr. Frankln Chacin

mtodo ms general. Primero, se define un contraste de definicin. Esta es

simplemente una expresin que establece cuales efectos van a ser confundidos
con bloques.

Un ejemplo sencillo constituye el 22 para confundir AB, se escribe entonces

AB como el Contraste de Definicin. Una vez definido el contraste, existen
varios mtodos para determinar cuales combinaciones de tratamientos se ubican
en cada bloque. Un mtodo consiste en ubicar en un bloque las combinaciones
de tratamientos que tienen signo positivo en AB y en el otro aquellas que tienen
. .
signo negativo.

Otro mtodo es considerar cada combinacin de tratamientos. Aquellas

que tienen un nmero par de letras en comn con las letras del efecto en el
contraste de definicin van en un bloque. Las que tienen un nmero impar de
letras en comn con el contraste de definicin van en el otro bloque. Aqu (1)no
tiene ninguna letra en comn con el contraste de definicin; es decir tiene cero
letras en comn, lo cual se considera como un nmero par; a tiene una letra en
comn con AB, es decir un nmero impar; b tambin tiene una letra en comn
con AB y ab tiene dos letras en comn con AB. Por lo tanto quedaran dos
bloques, en uno se incluyen los tratamientos (1) y ab y en el otro bloque los
tratamientos a y b.

Una desventaja de estos dos mtodos es que ellos slo sirven para factoriales
2k. Un mtodo ms general se atribuye a Kemptorne y se explicar ms adelante
en detalle.

228
 Diseo y Anlisis de Experimentos 10

EXPERIMENTOS FACTORIALES 23

Supongamos que se desean ensayar tres factores, digamos A, B y C, cada

uno a dos niveles, y se aplica un factorial Z', confundido en r rplicas.

Rplica I Rplica r
Bloque 1 Bloque 2 Bloque 1 Bloque 2
ac a (1) c
(1) c ac b
ab abc be abc
bc b ab a

El Anavar correspondiente para un factorial completamenr- --Jnfundido 23 sena:

ANAVAR

F.deV. G.deL.

Bloques 2r-l
A 1
B 1
AB 1
C 1
AC 1
BC 1
Error 6(r-l)
Total 8r-l

Con bloques de cuatro unidades experimentales, la varianza de estimacin

de los efectos factoriales estimables es:

cr2 /2 r (10.1)

229
Dr. Franklin Chacin

Si el experimento se hubiese realizado en bloques completos al azar, todos

los efectos factoriales habran sido estimables y la varianza de estimacin de
cualquiera de ellos habra sido:

(10.2)

Supuestamente (0"2) > ()2 . Entonces la eficiencia relativa de estimacin

I

en bloques incompletos con respecto al diseo en bloques completos es:

COMPOSICION DE LOS BLOQUES BAJO DETERMINADO

ESQUEMA DE CONFUSION

Existen varias maneras de determinar la composicin de los bloques 2k, sin

embargo, el mtodo general es el de Kempthorne explicado ms adelante y
ejemplificado para factoriales 3k

Esquemas tpicos de confusin 2k

23 en bloques de 4 unidades: cualquier efecto o interaccin

en bloques de 2 unidades: i) A, B, AB
ii) A,B, ABC
iii) AB,BC,AC

24 en bloques de 8 unidades: cualquier efecto o interaccin

en bloques de 4 unidades: i) A, B, AB
ii) A, BC, ABC
iii) A, BCD, ABCD
iv) AB, BC, AC
v) AB, CD, ABCD
vi) ABC, ACD, AD
en bloques de 2 unidades: i) A, B, AB, C, AC, BC, ABC
) A, B, AB, C, ACD, BCD, ABCD
iii) A, BC, ABC, BD, ABD, CD, ACD
iv) AB, AC, BC, AD, BD, CD, ABCD
230
 Diseo y Anlisis de Experimentos 10

La eleccin del esquema de confusin depender de las necesidades u

objetivos del investigador. Sin embargo, puede verse que, por ejemplo, para un
diseo 24 podra seleccionarse el esquema v) o el vi). Si se utilizaron el i), el ii) o el
iii) se estaran confundiendo efectos principales; si, por otra parte, se eligiera el iv)
se estaran confundiendo todas las interacciones de dos factores, mientras que en
el v) y vi) slo se confunden dos y una de ellas, respectivamente.

Fisher enunci un teorema que establece las caractersticas que debe llenar
un experimento factorial de la familia 2k, para que ninguna de las interacciones
confundidas comprenda menos de tres factores.

Teorema de Fisher

Sea un experimento factorial 2ken bloques de 2m unidades experimentales (

k> m), si 2m > k, se pueden encontrar arreglos en los que ninguna interaccin
confundida con bloques contenga menos de tres factores.

Ejemplo:

En un factorial Z"en bloques de 23 unidades experimentales, k = 7 Ym = 3, de

manera que 2k = 23 = 8 > n = 7. De acuerdo con el teorema de Fisher es posible
construir un esquema de confusin tal que los efectos confundidos con bloques
sean slo interacciones de tres o ms factores.

Los efectos o interacciones independientes que existen en un determinado

esquema de confusin son llamados comnmente generadores. En un
experimento 2ken bloques de 2m unidades experimentales se tendrn 2k-m =2q
bloques, requirindose q generadores para definir el esquema de confusin.

Suponiendo que secumple elteorema de Fisher, puede procederse como sigue:

,:-Si se requiere q generadores, deben escribirse las primeras k-q letras
maysculas.
':-Se construyen q interacciones cualesquiera con las letras anteriores.,
Con las q interacciones y los q efectos no considerados (las q letras no
consideradas) combinados en pares se obtiene un conjunto de q generadores.

231
Dr. Frankln Chacn

Ejemplo:

Consideremos un factorial 27 en bloques de 23 unidades experimentales

(cumple con el teorema de Fisher).

Pueden construirse 27-3 = 24 bloques; de acuerdo con la notacin utilizada q

= 4 Y k - q = 3, o sea que con A, B Y C se construyeron 4 interacciones AB, AC,
BC Y ABC, y como han quedado sin considerar los factores D, E, F Y G, al
combinarlos en pares podemos obtener diversos conjuntos de generadores. Por
ejemplo: ABD, BCF y ABCG; o ABG, ACF, BCE y ABCD; o ABF, ACG, BCD
y ABCE; o cualquier otra combinacin.

Ejemplo:

Se ensayan las combinaciones de un factorial Z' , para estudiar el efecto de

Nitrgeno (n), Fsforo (P) y Potasio (k), sobre el rendimiento de un cultivo de
maz. La interaccin NPK se ha confundido con bloques en las tres repeticiones.
Se desea obtener el anlisis de varianza del experimento, para el rendimiento del
cultivo.
RepI
Bloque 1

pk (1)
22,45 21,23
np nk
28,49 25,85 98.02

Bloque 2

n k
28,12 20,64
npk p
22,14 20,05 90,95

232
 Diseo y Anlisis de Experimentos 10

RepII
Bloque 3

n k
27,12 25,17
npk p
26,54 25,40 104,23

Bloque 4

np nk
23,59
f----
22,59
(1) pk
23,36 22,14 91,68

RepIII
Bloque 5

p n
28,49 31,52
npk k
25,31 24,95 110,27

Bloque 6

nk pk
25,95 24,13
np (1)
26,76 25,40 102,24

233
Dr. Franklin Chacin

El esquema de confusin usado es el anteriormente descrito:

Bloque A (1,4, 6) : (1) np nk pk

Bloque B (2,3, 5): n k p npk

Clculo de los efectos totales

Totales de Tratamiento

(1) 69,99
n 86,76
p 73,94
np 78,84
k 70,76
nk 74,39
pk 68,72
npk 73,99
G 597,39

Clculo del factor de correccin

G2 (597,39)2
C =- 3
= = 14.869 7838
2 r 24 '
Clculo de la suma de cuadrados total

SCTotal = y2_ C = (22,45)2+ ...+(25.40)2 -14.869,78 = 180,1867

Clculo de la suma de cuadrados debido a bloques

SCB = LB~ _ C = (98,02)2 +...+(102,24)2 -14.869,78 == 70,5734

4 4'
 Diseo'y Anlisis de Experimentos 10

Esta suma de cuadrados debido a bloques puede dividirse en:

i) la suma de cuadrados debido a repeticiones

IR2
SCR = -8-- C=
(188,97)2 +(195,91)2 +(212,51)2
8 -14.869,78 = 36,5773

) la suma de cuadrados debido a bloques dentro de repeticiones

SC(BDR)
B R
= ----
2 2

= 339961
48'

El clculo de las sumas de cuadrados debido a los efectos facrr'":"lalesse

realiza usando las ecuaciones 8.22 a 8.28.

(3057)2
SC(N) = '
3x23
= 38 , 9385
(-641)2
SC(P) = '
3x23
= 1, 7120
(-1023)2
SC(NP) = '
3x23
= 4 , 3605
(-2167)2
SC(K) = '
3x23
= 195662
,

(-12 77)2
SC(NK) = '
3x23
= 6 , 7947
(1 53) 2
SC(PK) = ' = 00975
3x23 ,

235
 Dr. Franklin Chacin

ANAVAR

F.deV. G. deL. SC CM Fc

Bloques 5 70,5734
Rep. 2 36,5773
BDR 3 33,9385
N 1 38,9385 38,9385 12,25':-~-
P 1 1,7120 1,7120 <1
NP 1 4,3605 4,3605 1,37
K 1 19,5662 19,5662 6,16~-
NK 1 6,7949 6,7949 2,14
PK 1 0,0975 0,0975 <1
Error
Intrabloque 12 38,1439 3,1787
Total 23 180,1867

De acuerdo con este anlisis, el efecto del Nitrgeno es altamente significativo

yel del Potasio significativo, sobre el rendimiento del maz.

CONFUSION PARCIAL

Cuando se disea un experimento factorial en bloques incompletos y se

emplean dos o ms repeticiones de los experimentos, no es necesario sacrificar
totalmente la informacin de los efectos o interacciones que se confunden con
bloques. Es posible que cada repeticin se disee con un esquema diferente de
confusin, pudindose as obtener informacin parcial sobre algunos efectos o
interacciones de poco inters e informacin completa sobre el resto de los efectos
factoriales, en los cuales est interesado el investigador.

Para entenderlo mejor, se ilustrar la explicacin con un ejemplo. Si se analiza

el esquema de la figura siguiente, la cual corresponde a un experimento factorial
23, en el cual se confunde AB en las repeticiones de tipo 1,AC en las repeticiones
del tipo II, BC en las repeticiones de tipo m, y ABC en las repeticiones de tipo

236
' .
 Diseo .YAnlisis de Experimentos 10

IV. Aunque las repeticiones de tipo I no permiten estimar AB a partir de

comparaciones dentro de bloques, las repeticiones TI,III YIV, si dan informacin
sobre esta interaccin. Se dice entonces que se tiene 314 de informacin sobre AB,
dado que de cuatro (4) unidades experimentales, tres (3) se utilizan para estimar
AB. Lo mismo ocurre con las interacciones Ae, Be y ABe, sobre las cuales
tambin se obtiene las 314 partes de la informacin.

ESQUEMA DE CONFUSION PARCIAL PARA UN FACTORIAL 23

Refirase al capitulo 8, en la matriz de transformacin ortogonal y agrupe

los tratamientos con signos coincidientes, en la interaccin respectiva.

Bloque 1 (1) ab c abc Bloque 3 (1) b ac abc

Bloque 2 a b ac bc Bloque 4 a ab c bc
Repeticin tipo 1 Repeticin tipo Ir
AB confundida con bloques Ae confundida con bloques

Bloque 5 (1) a bc abc Bloque 7 (1) ab ac bc

Bloque 6 b ab c ac Bloque 8 a b c abc
Repeticin tipo ID Repeticin tipo IV
Be confundida con bloques ABe confundida con bloques

En cambio, sobre los efectos principales A, B Y e, se obtiene la

informacin completa, ya que ninguno de ellos se confunde con bloques. Este
esquema es de confusin parcial y da lugar a la particin del ANA VAR,
representado en la tabla siguiente, suponiendo que se hacen r rplicas del esquema
bsico de la figura anterior:
r>.
A.f3 AC
U) I -\-. 1
ti -+
b +
q...t>

e
Clc..
be.- 237
~1o(,
Dr. Frankln Chacn

F.de V. G. de L.

Bloques 8r - 1
A 1
B 1
C 1
AB a partir de repeticiones Tipos n, III YIV r
AC a partir de repeticiones Tipos 1, III Y IV r
BC a partir de repeticiones Tipos 1, Il Y IV r
ABC a partir de repeticiones Tipos 1, Il YIII r
Error 24r - 7
Total
-- 32r - 1

Si denotamos con los signos (cr2), y cr2, respectivamente, las varianzas

intrabloques de los esquemas de bloques completos y en bloques de cuatro (4)
unidades experimentales, podemos calcular la eficiencia de estimacin del diseo
en bloques incompletos, al diseo en bloques completos para los efectos principales
,como (cr2), / cr2 , dado que en ambos diseos se obtiene informacin
completa. Como en general (cr2), / cr2 se tendr mayor eficiencia de estimacin
con el diseo de bloques incompletos. Para las interacciones AB, AC, BC y ABC
las varianzas de estimacin son (cr2), / 8r y cr2 / 6r para el diseo en bloques
incompletos y en bloques completos, respectivamente. Por consiguiente la eficiencia
de estimacin del diseo en bloques incompletos, con respecto al diseo en bloques
completos est dada por:
( cr2 )' / 8r 3( cr2 ) ,
(lOA)
cr2 /6r - 4cr2
Entonces, si cr2 ~ 3( cr2)' /4, el diseo en bloques incompletos ser ms
eficiente para estimar las interacciones y substancialmente ms eficiente para estimar
los efectos principales .

.238
' ..
 Diseo y Anlisis de Experimentos 10

Ejemplo ilustrativo de un factorial con confusin parcial

Experimento simulado de dos factores A y B cada uno a dos niveles, que

consta de dos rplicas de tres re eticiones completas. El esquema de confusin
utilizado es el siguiente:

REPETICION 1 A confundido
Bloque 1 (1,7) (1) b
I Bloque II (2,8) ab a

REPETICION II B confundido
, Bloque 1 (3,10) ab b
Bloque II (4,9) (1) a

c\ REPETICION
Bloque 1 (5,11)
Bloque II (6,12)
III AB confundido
(1) ab
a b

A confundido

Bloque

b (1)
1 50 58

2 ab a
58 41 B2 =99

Repetici 1 R = 207

239
Dr. Franklin Chacin

B confundido

Bloque

3 ab b
82 76 B)= 158

4 (1) a
60 8 B4 =68

Repeticin II R = 226

AB confundido

Bloque

5 (1) ab
31 7 Bs =38

6 b a
32 99 B6= 131

Repeticin III R = 169

A confundido

Bloque

7 (1) b
26 86 B7= 112

8 ab a
55 38 B8=93

Repeticin 1 R = 205

240
 Diseo y Anlisis de Experimentos 10

B confundido

Bloque

9 (1) a
69 51 B9=120

10 b ab
41 56 BlQ=97

Repeticin II R = 217

AB confundido

Bloque

11 (1) ab
83 37 B1\= 120

12 a b
61 69 B12=130

Repeticin III R = 250

G = 1274

Clculo del Factor de Correccin

G2 12742
C = 22 x6 = 24 = 67628,17

Clculo de la Suma de Cuadrados Total

241
'r: Frank/in Chacin

Clculo de la Suma de Cuadrados debido a Bloques Incompletos

B2 1082+ ... +1302
SCB = --- C= - C= 535183
22'
Esta suma de cuadrados puede dividirse en:

~R2
~ 207 2 +...+250 2
1.- SCRep = - C= - C = 896,83
4 4

2.- SC(BDR) = __
B 2

i -
R
--
2

= 72980 - 68525 = 4425

2 4

Clculo de los totales de tratamientos sobre:

i.- Repeticiones II y III

ii.- Repeticiones I y ID
iii.- Repeticiones I y TI

Para calcular los efectos medios y las contribuciones a las sumas de cuadrados
.,ByAB

ratamientos Rep TIY III Rep I Y III Rep I Y II

(1) 243 198 213

a 219 239 138
b 218 237 253
al> 182 157 251
Suma 862 831 855
 Diseo y Anlisis de Experimentos 10

Clculo de las sumas totales de tratamientos

REp3:inesTIy m

Al = suma de los totales de trat. ayab = 219+182 = 401

Ao = suma de los totales de trat. (1) y b =243 + 218 =461
Al + Ao = Total parcial sobre repeticiones II y III = 862

Repeticiones 1YIII

BI = suma de los totales de trat. b y ab = 237 + 157 = 394

Bo = suma de los totales de trat. (1) ya = 198 + 239 = 437
B I + Bo = Total parcial sobre repeticiones 1y III = 831

Repeticiones 1YII

AB = sumadelostotalesdetrat.(1) yab =138 +253 = 391

ABo = suma de los totales de trato a y b = 213 + 251 = 464
AB + ABo = Total parcial sobre repeticiones 1y II = 855

Por lo tanto;

SC(A) = A2+A2
o I _
(A +A y= 225
o
8 16

SC(B) =
B2+B2
o _\
fB +B
o I
)2= 115 57
8 16 '

AB2+AB2 (AB +AB V

S C(AB) = o I _ o 1)= 333 07
8 16 '

2'1-3
Dr. Franklin Chacin

ANALISIS DE LA VARIANZA (ANAVAR)

F.de V. G. de L. SC CM Fc

Rep. 5 896,83
BDR 6 4455,00
A (2/3 1 225,00 225,00 <1
B de 1 115,57 115,57 <1
AB inf.) 1 333,07 333,07 <1
Error
Intrabloque 9 6714,36 746,07
Total 23 12739,83

Ejemplo ilustrativo de un experimento factorial confundido 23

En el siguiente cuadro se presentan los resultados de un ensayo realizado en

Fertilizacin N.P.K. en maz con un arreglo de tratamiento factorial Z' en un
diseo experimental bloques al azar, con la interaccin ABC completamente
confundida.

Rep abc a b c Total Rep ab ac bc (1) Total

I 30 16 24 19 89 I 28 16 27 8 79
II 23 16 28 16 83 II 18 25 16 10 69
III 25 19 20 16 80 III 23 22 17 18 80
Total
Trat. 78 51 72 51 252 69 63 60 36 228

Modelo Lineal Aditivo

Yyk/ = p+ a, + /3 + Yk + (ajJ)ij + (aY)ik + (jJy) jk + p/ + cijk/ (10.5)

 Diseo y Anlisis de Experimentos 10

Yykl = observacin l-sima del i-simo nivel del factor A, j-simo nivel
del factor B y k-simo nivel del factor C.
j.1 = media general
a = efecto del i-sirno nivel del factor A
I

/3 = efecto del j-simo nivel del factor B

(ajJ) ij = efecto de la interaccin de primer orden del i-simo nivel del
factor A con el j-simo nivel del factor B
(ay) ik = efecto de la interaccin de primer orden del i-simo nivel del
factor A con el k-sirno nivel del factor e
(jJy) jk = efecto de la interaccin de primer orden del j-simo nivel del
factor B con el k-simo nivel del factor e
PI = efecto de bloques
E:ijkl = error experimental

Supuestos del Modelo:

Modelo 1 (fijo)

i=1
b

/3=0
j=1

k= l
a b

(ajJ)ij =O
i=1 i=!
a e

i=1 k=1
(aY)ik =0
b e

i=!
ke I
(jJY)jk =O

PI - NID (O, o-~)

2
E:
lJ k - NID (O, 0- s)

245
Dr. Franklin Chacin

Modelo II (Aleatorio)

Hiptesis:

Modelo 1

Ho: a =0 Ho: (ajJ)ij= O Ho: (J"; = O

Ha: a *0 Ha: (ajJ)ij* O Ha: (J"p *O
Ho: /3 =O Ho: (arL =0
Ha: /3 *O Ha: (ar)k O *
Ho: r. = O Ho: (jJr) jk =O
Ha: rk *O Ha: (jJr) jk *O
Modelo II

Ho: (J"2
a
=O HO:(J"~f =O Ho: (J"; = O
Ha: (J"~ *O Ha: (J"afJ *O Ha: (J"p *O
Ho: (J"1 = O Ho: (J";r =O
Ha: (J"fJ *O Ha: (J";fJ *O
Ho: (J"; = O
Ha: (J"r *O
 Diseo .Y Anlisis de Experimentos 10

Esquema del Anlisis de Varianza

ANAVAR

SIN CONFUSION CONFUSION DE ABC

F. de V G. de L. F. de V. G. de L. Componentes

2 repeticiones
Repeticiones r-1 Bloques r-1 = 5 1 interaccin ABC
2 EE de ABC

Tratamiento abc - 1 Tratamiento abc - 2 = 6 3 trat.bloque A

3 trat. bloque B

Error (r - 1)(abc - 1) Error (abc - 2)(r - 1) = 12

Total rabc - 1 Total rabc - 1

Desarrollo del Modelo

A continuacin se presentar, a manera de comparacin, el Anlisis de

Varianza sin confusin y posteriormente sepresentar confundiendo la interaccin
ABC.

247
Dr. Franklin Chacin

ANA VARSIN CONFUSION

F.de V. G. de L. SC CM F F(5%) F(l%)

Repeticiones 2 16.0 8.0 0.41n.s. 6.51 3.74

Trat 7 432.0 61.71 3.13~- 4.28 2.76
A 1 73.5 73.5
B 1 253.5 253.5
C 1 24.0 24.0
AB 1 6.0 6.0
AC 1 13.5 13.5
BC 1 37.5 37.5
ABC 1 24.0 24.0
EE 14 276.0 19.71
Total 23 724.0

Los clculos para la Suma de Cuadrados cuando se est confundiendo la

interaccin ABC seran:

Suma de Cuadrados de tratamiento

SCT rat sin confusin - SC efecto confundido (ABC)

SCTrat = 432-24.0
SCTrat = 408

Suma de Cuadrados de Bloque

892 + 832 +...+692 + 802 4802
SCBloque = - -- = 53
4 24

Suma de Cuadrados Total

 Diseo y Anlisis de Experimentos 10

Suma de Cuadrados del Error Experimental

SCEE = SCTotal- SCTrat- SCBloque = 724 - 408 - 53 = 263

Los clculos para los efectos principales e interacciones se realizan igual que
los experimentos factoriales no confundidos. Los Cuadrados Medios o varianzas
tambin se calculan en su forma convencional.

ANAVARCONFUNDlliNDOABC

F.de V. G. de L. SC CM F F(5%) F(l%)

Bloques 5 53.0 10.6 0.48n.s. 2.11 5.06

Trat 6 408.0 68.0 3.10* 3.00 4.82
A 1 73.5 3.35n.s.
B 1 253.5 253.5 11.57**
C 1 24.0 24.0 1.09n.s.
AB 1 6.0 6.0 0.27n.s.
AC 1 13.5 13.5 0.61n.s.
BC 1 37.5 37.5 1.71n.s.
EE 12 263.0 21.9
Total 23 724.0

En este experimento se aceptan las hiptesis nulas: Ha: a = O ,

Ha: rk = O, Ha: (ajJ)ij= O .Ho: (ar)k = O yHo: (jJr) jk = O .por lo tanto
no existen diferencias significativas entre los efectos de N, K, NP, NK YPK.

Se rechaza la hiptesis nula Ha: /3 = O con una probabilidad del 1%, por
lo tanto existe efecto independiente de P.

El efecto ABC se ha confundido porque en cada rplica el mismo contraste

ABC se ha confundido con los bloques. La informacin sobre ABC se ha
sacrificado en beneficio de bloques ms pequeos, con lo cual se logra mayor
homogeneidad y el Error Experimental ser menor. En resumen, a expensas de
ABC se gana un Error Experimental menor de forma que las otras comparaciones
pueden hacerse en forma mas precisa.

249
Dr. Franklin Chacin

EJERCICIOS

Con un ejercicio que se apropie;

- confunda totalmente la interaccin ABC

- confunda en la repeticin 1- ABC, en la repeticin TI- BC y en la
repeticin III - AB

Responda las siguientes preguntas:

- Establezca el modelo lineal aditivo, describiendo cada uno de los
trminos del modelo y los sub ndices presentes.
- D los supuestos del modelo.
- Escriba las hiptesis a probar.
- Describa el ANA VAR de acuerdo al modelo. Considere cuadrados
medios esperados y el estadstico de prueba.
-Realice el ANA VAR.
- Pruebe las hiptesis.
- Interprete los resultados.

250
 Diseo'y Anlisis de Experimentos 10

CONFUSION PARA EL DISEO FACTORIAL 3k

Introduccin

Aunque las razones bsicas y los resultados de confundir factores a 3 niveles

son los mismos que los vistos para factores de dos niveles, la tcnica involucrada
es mucho mas sofisticada. El diseo 3k puede confundirse en 3p bloques
incompletos donde p < k, as estos diseos pueden confundirse en 3 bloques, 9
bloques, etc.

El problema que ahora surge es el de la ubicacin: Cules tratamientos van

a ir en el mismo bloque? La ubicacin de los tratamientos en los bloques depende
de cuales tratamientos van a ser sacrificados. Generalmente se desea conservar
los efectos principales (A, B Ye) en primer lugar y despus las interacciones de
primer orden (AB, AC, Be) por lo tanto se confunde en general la interaccin
ABC.

Supongamos que se desea confundir el diseo 3ken 3 bloques incompletos.

Estos bloques tienen dos grados de libertad y por lo tanto el nmero de grados
de libertad confundidos con los bloques deben ser dos. Es de recordar que en la
serie factorial J" cada efecto principal tiene dos grados de libertad.

251
Dr. Franklin Chacin

ANAVAR

F.deV. G. de L.

A 2
1
1
B 2
1
1

AB 4
ALBL 1
ALBC 1
A~L 1
A~c 1
ABC 8
ALBLCL 1
ALBLCC 1
ALBcCL 1
ALBCCC 1
A~LCL 1
A~LCC 1
A~CCL 1
A~cCc 1

En el caso particular de un factorial P se tiene:

252
 Diseo y Anlisis de Experimentos 10

ESTRUCTURA DEL ANA VAR FACTORIAL 33

F.de V. G. deL.

Bloques r- 1
Tratamientos 3 3 - 1 2e:-
A -2
B 2
AB, ~
AB2 2
e 2
AC -------- 2
AC 2
BC 2
BC2 2
ABC_ - - 2
ABO 2
AB20 2
Error 8(r - 1)[~ _
Total 33 r - 1

PROCEDIMIENTO GENERAL (Mtodo de Kempthorne)

Construir el contraste de 'definicin.

(10.6)

donde:
a = exponente del i-simo factor de una combinacin de tratamientos que ser
confundida.
X = nivel i-simo en una combinacin particular de tratamientos.

253
 Dr. Franklin Chacin

Para la serie 3k:

a = 0,1,2
X = 0,1,2

Las combinaciones de tratamientos del diseo 3k se asignan a los bloques

con base en el valor de L (mod 3). En esta forma, se pueden definir tres (3)
bloques en forma nica, porque L (mod 3) puede tomar los valores 0, 1Y2. Las

combinaciones de tratamientos que satisfacen L = (mod 3) constituyen el bloque
principal. Ejemplo~a~e..que..se..desea construir un diseo factorial J2~n."
tres bloques. Arbitrariamente, se~gir AB2para con~ir wn-blOftti

Contraste de definicin

(10.7)

(0,0)
: L = 1(0) + 2(0) = mod 3
(0,1) : L = 1(0) + 2(1) = 2 mod 3
(0,2) : L = 1(0) + 2(2) = 1 mod 3
(1,0) : L = 1(1) + 2(0) = 1 mod 3
(1,1)
: L = 1(1) + 2(1) = mod 3
(1,2) : L = 1(1) + 2(2) = 2 mod 3
(2,0) : L = 1(2) + 2(0) = 2 mod 3
(2,1) : L = 1(2) + 2(1) = 1 mod 3
(2,2)
: L = 1(2) + 2(2) = mod 3

Bloque 1 Bloque 2 Bloque 3

1
1
1 2
O
1 1
2
2 2 2 1
2

"254
 Diseo y Anlisis de Experimentos 10

En algunos casos experimentales es necesario confundir el diseo 3k en

nueve (9) bloques, por lo tanto se confundirn ocho (8) grados de libertad en los
bloques. Para construir estos diseos, deben elegirse dos componentes de
interaccin y como resultado, dos ms sern automticarnente confundidos,
produciendo as los ocho (8) grados de libertad requeridos. Estos ltimos
corresponden a las interacciones generalizadas de los dos efectos elegidos
originalmente.

En el sistema 3k las interacciones generalizadas de dos efectos (por ejemplo

A y B, producen las interacciones generalizadas AB y AB2). Sus contrastes de
definicin son:

(10.8)

(10.9)

donde a y A son los elementos de la primera y segunda interaccin generalizadas.

Las combinaciones de tratamientos que tienen el mismo par de valores (L) ,L2)
se asignan al mismo bloque. El bloque principal consta de las combinaciones de
tratamientos que satisfacen (L) = L2 = O) mod 3.

Ejemplo: Diseo factorialJ4 confundido en 9 bloques con 9 ensayos cada

uno. Se elige confundir ABC y AB2D2. Sus interacciones generalizadas son:

tambin estn confundidas con los bloques.

255
Dr. Franklin Chacin

Contrastes de definicin

LI = XI + X2 + X) donde XI ,X2 ,X) pueden tomar valores (O, 1, 2) (10.10)

L2 = XI +2X2 +2X4 donde XpX2,X4 pueden tomar valores (O, 1,2) (10.11)

Bloque 1 Bloque 2 Bloque 3 Bloque 9

(L , L ) = (0,0) (0,1) (2,2) (0,2)

1 2

0000 0002 2000 0001

0122 0120 2122 0121

0211 0212 2211 0210

1021 1022 0021 1020

1110 1111 0111 1112

1201 1200 0202 1201

2012 2010 1012 2011

2101 2012 1101 2100

2220 2221 1220 2222

Diseo factorial 3k confundido en 3P bloques

El diseo factorial Ppuede confundirse en 3P bloques con 3k-p observaciones

cada uno y p < k. El procedimiento consiste en seleccionar p efectos independientes
que sern confundidos con los bloques. Como resultado, automticamente se
confunden otros (3P- 2p - 1)/2 efectos. Estos corresponden a las interacciones
generalizadas de los efectos elegidos originalmente.

256
 Diseo .Y Anlisis de Experimentos 10

Ejemplo: Diseo Y confundido en 33 = 27 bloques. Como p = 3, deben

seleccionarse 3 componentes de interaccin independientes, y automticamente
3
confundir con otros [3 - (2x3)-l]/2= 10 efectos. Supngase que se eligen
ABODG, BCPPG y BDEFG. Usando estos efectos pueden construirse
contrastes de definicin y generarse los 27 bloques usando los mtodos antes
descritos. Los otros diz (10) efectos que se confunden con bloques son:

2 2 2
(ABODG)(BCPPG) = AWODPPO = AB DE F d(mod3)
(ABODG)(BCPPG)2 = AB3C4DE4PG3 = ACDEF (mod 3)

Ejemplo Ilustrativo: Factorial 32 con bloques de tres unidades

experimentales y un esquema de confusin parcial. Se ensayan dos factores A yB
con dos rplicas de un esquema bsico de dos (2) repeticiones completas.
Repeticin 1: se construyeron los bloques confundiendo AB.
Repeticin TI: se confundi el componente AB2de la interaccin.

Bloque Bloque

1 (0,2) (2,0) (1,1) 4 (2,2) (0,0) (1,1)

19 . 47 28 34 72 41
2 (1,0) (0,1) (2,2) 5 (2,0) (0,1) (1,2)
84 3 35 33 91 77
3 6 (2,1) (0,2) (1,0)
23 82 8 46 13 19

Repeticin la: Repeticin TIa:

AB confundido AB2 confundido

257
Dr. Franklin Checin

Bloque Bloque

7 (1,1) (0,2) (2,1) 10 (0,1) (2,0) (1,2)

65 99 20 97 75 28
8 (2,2) (0,1) (1,0) 11 (1,0) (2,1) (0,2)
30 72 4 32 9 12
9 (0,0) (2,1) (1,2) 12 (1,1) (0,0) (2,2)
17 3 62 46 67 96

Repeticin lb: Repeticin IIb:

AB confundido ABZconfundido

Puesto que AB est confundido con bloques en las repeticiones tipo I, su

efecto se estimar a partir de las repeticiones tipo Il. Por el contrario, el efecto de
AB2se estimar a partir de las repeticiones tipo 1.

258
 Diseo .Y Anlisis de Experimentos 10

TOTALES DE TRATAMIENTOS(FACTORIAL 32)

Repeticiones Totales

Tratamientos la IIa lb IIb Tij Tij(I) Tij(II)

(O,O)T(X) 8 72 17 67 164 25 139

(1,0) 84 59 4 32 179 88 91

(2,0) 47 33 20 75 175 67 108

(O,l)Tol 3 91 72 97 263 75 188

(1,1) 28 41 65 46 180 93 87

(2,1) 23 46 3 9 81 26 55

(0,2)T02 19 13 99 12 146 118 25

(1,2) 82 77 62 28 249 144 105

(2,2) 35 34 30 96 195 65 130

Suma 329 466 372 462 1629 701 928

Tij = Totales de trato sobre todas las repeticiones

Tij(I) = Totales de trato sobre repeticiones de tipo I
Tij(II) = Totales de trat. sobre repeticiones de tipo II

259
 ,-

Dr. Franklin Chacin

TOTALES DE BLOQUES. FACTORIAL y .

Bloque Bk Bloque Bk Bloque Bk Bloque Bk

1 94 4 147 7 184 10 200

2 122 5 201 8 106 11 53
3 113 6 . 118 9 82 12 209

PASOS PARA REALIZAR EL ANALISIS ESTADISTICO

1.- Clculo del factor de correccin

G2 16922
C=-= 2 =73712
3 r 9 x4

2.- Clculo de la Suma de Cuadrados Total

3.- Clculo de la Suma de Cuadrados debido a bloques

SCB10ques =
B~
- C=
942+ ...+2092
- C = 9864
3 3

4.- Clculo de la SC(A)

Esta suma requiere de la obtencin de los totales (A)o' (A) l' (A)2

(A)o = To, = Toa + TOI + T02 = 164 + 263 + 143 = 570

(A\ = TI. = TIO + TII + TI2 =179 + 180 + 249 = 608
(A)2 = T2, = T20 + T21 + T22 = 175 + 81 + 195 = 451

260
 Diseo .YAnlisis de Experimentos 10

(A)~ +(A)~ +(A)~ 5702 +6082 +4512

SC(A) = - C= - C = 1118
3r 3x4

5.- Clculo de la SC(B)

Esta suma requiere de la obtencin de los totales (B)o' (B), (B)2

(B)O= T.o = Too + TIO + T20 =164 + 179 + 175 = 518

(B) = T.I = TOI + TII ;- T21 =263 + 180 + 81 = 608
(B)2= T'2 = T02 + TI2 + T22 = 143 + 249 + 195 = 587

(B)~ + (B)~ + (B)~ 518' + 5242 + 5872

SC(B) = - C= - C = 244
3r 3x4

6.- Clculo de la SC(AB)

Esta suma requiere de la obtencin de los totales (AB)o' (AB), (AB)2

(AB)O= Too(IJ)+ Tl2(IJ) + T21(IJ)= 139 + 105 + 55 = 299

(AB)I = TOI(ll)+ To(I[)+ T22(I[( = 188 + 91 + 130 = 409
(AB)2 = T02(I!)+ T20(I!)+ TII(I!)=25 + 108 + 87 = 220

SC(AB) =
(AB)~ + (AB)~ + (AB)~ [(AB)o + (AB) [ + (AB)2
3x 2 - -"-------'--9-x-2'----~c-
r
2992 + 4092 + 2202 (299 + 409 + 220)2
SC(AB) = 6 - 18 = 3003

261
Dr. Franklin Chacin

7.- Clculo de la SC(AB2)

Esta suma requiere de la obtencin de los totales (AB2)O' (AB2), (AB2)2

(AB2)O= Too(I)+ Tl1(I)+ T22(I)= 25 + 93 + 65 = 183

(AB2) = T02(I)+ To(I)+ T2(I)= 118 + 88 + 26 = 232
(AB2)2 = TO(II+ T2(I)+ T20(I)= 75 + 144 + 6 = 286

(AB2fo +(AB2f +(AB2)22 [(AB2)O +(AB2) +(AB2)2]2

SC(AB 2) = _ ""-------'---------''-
3x2 9x2
2 183 +232 +2862
2 2 (183+232+286)2
SC(AB ) = 6 - 18 = 885

8.- Construccin del ANA VAR

ANAVAR DE UN FACTOR 32CON CONFUSION PARCIAL

F.de V. G. de L. se CM Fc

Bloques 11 9864 897 <1

A 2 1118 559 <1
B 2 244 122 <1
AB (Rep.II) 2 3003 1502 1,43
AB2(Rep.~ 2 885 442 <1
Error 16 16777 1049
Total 35 31891

Si no se presentan efectos confundidos sera ms conveniente condensar los

resultados en la forma siguiente:

262
 Diseo y Anlisis de Experimentos 10

INTERACCIN DE AxB IGNORANDO CONFUSION

a
O 1 2 SUMA
O 164 179 175 518
b 1 263 180 81 524
2 143 249 195 587
SUMA 570 608 451 1629

SC(A) se obtiene a partir de los totales por columnas.

SC(B)se obtiene a partir de los totales por filas.

T 2

S C(AxB) = __ 'J - SC(A) - SC(B) - C

r
1642 +...+ 1952
SC(AxB)= 4 -1118-224-73712=446812

La suma de cuadrados atribuible a bloques, se refiere a repeticiones completas

y no a bloques incompletos, produciendo:
3292 +4662 +3722 +4622
SCBloques = 9 - C = 1535

ANA VAR DE UN FACTOR Y EN BLOQUES COMPLETOS

F.deV. G. de L. se CM Fc

Bloques 3 1535 512 <1

A 2 1118 559 <1
B 2 244 122 <1
AxB 4 4468 1177 1,09
Error 24 24526 1022
Total 35 31891

263
 Dr. Franklin Chacin

FACTORIAL so, s-r-, DONDE P ES UN NUMERO PRIMO

Sean Xl' X2, Xn las combinaciones de tratamientos, en las que cada Xi

tan aunvabro.Lz, ... s-:L)Y /-lo' /-11' f-i2, ... , /-1(5-1) son las marcas del campo
de Galois, el efecto principal del primer factor resulta al comparar las s medias
de efectos de tratamientos, para las cuales, las relaciones:

Xl = 0, 1,2, ..., (s-I]

/-Ix 1= /-lo' /-11, f-i2 ' .,. , /-1(5-1)
se satisfacen satisfactoriamente.

El efecto principal del segundo factor, es el resultado de comparar las medias

de los efectos de tratamientos que satisfacen:

X2 = 0, 1,2, ..., (s-I)

/-1X2 = /-lo' /-11' f-i2 ' ... , /-I(s-I)
Y as sucesivamente.

La interaccin de los primeros dos (2) factores tiene (s - 1)2 grados de

libertad, que se pueden dividir en componentes ortogonales de (s -1) grados de
libertad definidos por:

/-Ix 1 + /-1X2 = /-lo' /-11' f-i2 ' ... , /-1(.>-1) (10.12)

donde la suma toma algunos de los valores /-lo' /-11' f-i2 ' ... , /-1(5-1) .

La interaccin entre los tres (3) primeros factores tiene (s - 1)3 grados de
libertad, que se pueden dividir en (s _1)2 componentes ortogonales dados por:

/-Ix 1 + /-1X2 + /-1X3 = /-lo' /-11' f-i2 ' ... , /-1(5-1) (10.13)

Si (Xl' X2) son las combinaciones de tratamientos para el facrorial f', se tiene:

:;.264
 Diseo'y Anlisis de Experimentos 10

JLXI = JLo, JLI' efecto principal de A

f12 ' JiJ

JL X2 = JLo, JLI' f12 ' JiJ efecto principal de B

JLXI + JLI JLX2 = JLo' JLI' f12, componente de la interaccin AB

JLXI + f12 JL X2 = JLo' JLI' f12 ' JiJ componente de la interaccin AB2
JLXI + JiJ JLX2 = JLo, JLI' f12, f-IJ componente de la interaccin ABJ

Para un experimento factorial 42 se tiene la siguiente combinacin de

tratarruentos:

(0,0) (0,1) (0,2) (0,3)

(1,0) (1,1) (1,2) (1,3)
(2,0) (2,1) (2,2) (2,3)
(3,0) (3,1) (3,2) (3,3)

Pero si se considera que bloques de dieciseis (16) unidades experimentales

son demasiado grandes para controlar la heterogeneidad, un esquema de tamao
4 que da informacin completa sobre los efectos principales y 2/3 de informacin
sobre la interaccin.

Se tiene entonces:

Bloq Repeticin 1 Bloq Repeticin Ir Bloq Repeticin III

1 (, )( )( )( )
) ) ) 5 ( ) )( )( ) )( ) ) 9 ( )( )( , )( , )
) )

2 (, )(, )( , )( , ) 6 ( , )( , )( , )( , ) 10 ( , )( , )( , )( , )
3 (,)(,)(,)(,) 7 ( , )(, )( ,)(, ) 11 ( , )(, )( , )(, )
4 (, )(, )( , )(, ) 8 (, )( , )( , )(, ) 12 (, )( , )( , )(, )
AB confundido AB2 confundido ABJ confundido

Para la asignacin de los tratamientos se utiliza el Campo de Galois.

Sean las operaciones F = (F: #,~-)que cumplen las siguientes propiedades:

265
Dr. Franklin Chacin

1.- (a#b)#c = a#(b#c) Propiedad asociativa

2.- (a~byc = a':(b':c) Propiedad asociativa
3.- Existe 1tal que 1#a = a#I = a, 1 E F
4.-Existe1talquel*a=a*I=a,I E F
5.- Existe a'#a = a#a' = 1
6.- Existe a'*a = a*a' = 1
7.- a#(b*c) = a#b * a#c Propiedad distributiva

Entonces se dice que estas operaciones constituyen un Campo de Galois.

Para la aplicacion de los tratamientos, se definen las siguientes operaciones dentro
de un Campo de Galois:

+ ,Lio /-L, /-L2 113 /-Lo /-L, /-L2 /-L3

/-Lo /-Lo /-L, /-L2 /-L3 /-Lo /-Lo /-Lo /-Lo /-Lo

/-L, /-Lo /-L3 /-L2 /-L, /-L, /-L2 /-L3

/-L2 /-Lo /-L, /-L2 /-L3 /-L,

/-L3 /-Lo /-L) /-L2

En la repeticin 1se tendr AB confundido. Para AB confundido, se tiene

''x, + /-L, /-LX2 = /-Lo,/-L, ' /-L2, /-L) Se tiene para los tratamientos, utilizando las operaciones
+ y. definidas anteriormente:

(0,0) = /-Lo + /-L, /-Lo = /-Lo + /-Lo= /-Lo

(O,1) = /-Lo + /-L, /-L, = /-Lo+ /-L, = /-L,
(0,2) = /-Lo + /-L,/-L2= /-Lo +/-L2 = /-L2
(0,3) = /-Lo + ~l,/-L3 = /-Lo + /-L) = /-L3
( 1,O) = /-L, + /-L, /-Lo = /-L, + /-Lo= /-L,
(I, 1) = /-L, + /-L, /-L, = /-L, + /-L, = /-Lo
(1,2) = /-L, + /-L, /-L2 = /-L, + /-L2 = /-L3
(1,3)= /-L, + /-L,/-L3 = l, +/-L3= 1-12

266
 Diseo y Anlisis de Experimentos 10

(2,0) = 112 + Il, Ilo = 112 + Ilo= 112

(2,1) = 112 + Il, Il, = 112 + Il, = Il)
(2,2) = 112 + 1l11l2 = Ilz + 112= Ilo
(2,3)= Ilz + Il,ll) = Ilz +Il)= Il,
(3,0) = Il) + Il,llo = Il) + Ilo= Il)
(3,1)= Il) + Il,ll, = Il) +Il,= Ilz
(3,2)=1l) + Il,llz= 1l)+llz=ll,
(3,3)=1l) + Il,ll) = 1l)+Il)=llo

De manera que queda:

Bloque Repeticion 1

1 (0,0) (1,1) (2,2) (3,3)

2 (0,1) (1,0) (2,3) (3,2)

3 (0,2) (1,3) (2,0) (3,1)

4 (0,3) (1,2) (2,1) (3,0)

De manera similar se procede con AB2 confundido, con el contraste

JlXI + 1l21l~ = Ilo ,Il, ' 1l2, Il).

Bloque Repeticion TI

1 (0,0) (1,3) (2,1) (3,2)

2 (0,3) (1,0) (2,2) (3,1)

3 (0,1) (1,2) (2,0) (3,3)

,
4 (0,2) (1,1) (2,3) (3,0)

267
Dr. Franklin Chacin

De manera similar se procede con AB3confundido, con el contraste

Jlxl + ~J~X2 = ~o '~I ' ~2. ~J

Bloque Repeticion ID

1 (0,0) (1,2) (2,3) (3,1)

2 (0,2) (1,0) (2,1) (3,3)

3 (0,3) (1,1) (2,0) (3,2)

4 (0,1) (1,3) (2,2) (3,0)

ANAVAR
F.de V. G. deL.

Repeticiones 3r -1
Bloques dentro
de repeticiones 9r
A Informacin Completa 3
B Informacin Completa 3
AB 2/3 de informacin 3
AB2 2/3 de informacin 3
AB3 2/3 de informacin 3
Error 36r - 15
Total 48r - 1

Una vez ubicados los tratamientos dentro de los bloques, es necesario

producir una aleatorizacin entre bloques de una repeticin y entre tratamientos
de un mismo bloque.

268
 Diseo .YAnlisis de Experimentos 10

Considrese el siguiente ejemplo una vez realizada la aleatorizacin:

Bloque Repeticin 1

AB confundido R = 656

1 (3,2) (1,0) (0,1) (2,3)

16 29 8 60 B = 113

2 (0,3) (3,0) (1,2) (2,1)

19 24 64 37 B2 = 154

3 (1,1) (0,0) (2,2) (3,3)

82 30 16 69 BJ = 197

4 (2,0) (3,1) (1,3) (0,2)

27 51 45 61 B4 = 184

Bloque Repeticin II

AB2 confundido ~= 1014

5 (1,2) (2,0) (0,1) (3,3)

70 98 6 76 Bs= 250

6 (2,2) (0,3) (3,1) (1,0)

52 75 40 84 B6=251

7 (3,2) (1,3) (2,1) (0,0)

14 60 9 98 B7= 181

269
Dr. Franklin Chacin

8 (0,2) (1,1) (3,0) (2,3)

74 76 82 100 B8= 332

Bloque Repeticin III

ABJ confundido ~= 807

9 (2,2) (0,1) (1,3) (3,0)

51 82 15 86 B9= 234

10 (0,3) (2,0) (3,2) (1,1)

52 75 40 84 BO= 153

11 (3,3) (0,2) (2,1) (1,0)

47 61 44 6 Bu = 15
12 (1,2) (2,3) (3,1) (0,0)
100 22 80 60 B2 = 262

G = R + R2 + RJ = 2477

24772
Fe = 2 = 127823,52
4 .3
SCTotal = 162 + 292 + ...+602 - Fe
2 2 2
656 + 1014 + 807
SCRep = - Fe = 4037,79
16 B2 R
1
2

SC(B1oques dentro repeticiones) = -4- - -16- = 6122,94

270
 Diseo .Y Anlisis de Experimentos 10

Con estos resultados, se elabora la tabla siguiente para la estimacin de los

efoctos factoriales.

~I A, B, (AB) (AB2) (AB3)

Todas las repeticiones Rep II, III Rep 1, III Rep 1, II

~o Ao Bo (AB)o (AB2)0 (AB))o

~I Al BI (AB)I (AB2)1 (AB)) 1

~2 A2 B2 (AB)2 (AB2)2 (AB))~

~t) A) B) (AB)) ( AB2)) (AB)))

Ao = suma sobre todas las repeticiones para las cuales ~XI = ~o; es decir para los
tratamientos (0,0), (O,l ),(0,2) Y(0,3) que son: 8 + 29 + 30 + ...+ 61 + 60 = 636
BI = suma sobre todas las repeticiones para las cuales ~X2 = ~l; es decir para los
tratamientos: (0,1), (1,1), (2,1), Y(3,1) que son: 8 + 37 + 82 + 51 +..+ 80 = 524
(AB)= suma sobre las repeticiones II y III para las cuales ~XI + ~1~X2 = ~;es decir, los
tratamientos: (0,2), (1,3), (2,0) Y(3, 1) en la repeticin II y 1II, que son: 74 + 61 + 60 + ...+
80=430

As se llega a:

ESTIMACION DE EFECTOS FACTORIALES

~I
A, B., (AB) (AB2) (AB3)

Todas las rep. Rep TI, III Rep 1, III Rep 1, II

~o 636 644 469 327 513
~l 640 524 394 314 439
~2 518 659 430 399 407
~3 683 650 528 423 311

G 2477 2477 R2 + RJ = 1821 R, + RJ = 1463 R, + R2 = 1670

271
Dr. Franklin Chacin
" A2 6362 + 6402 + 5182 + 4832
SCA= L., i - F = - F = 1252,23
12 e 12 e
6

SCB=---F
B~ =
6442+5242+6892+6502
-F = 101756
12 e 12 e'
65
2
4692 +3942 +4302 +5282 1821
----------- = 123384
8 32'

3272 +3142 +3992 +4232 14632

-----8---- - -3-2- = 1070,35

5132 +4392 +4072 +3112 16702

--=262937
8 32 '
 Diseo y Anlisis de Experimentos 10

Tabla 10.1. ANA VAR de un experimento Factorial-f con confusin Parcial

F.de V. G. de L. se CM Fe

Repeticiones 2 4037,79 2018,90 1,82

BDR 9 6122,94

A 3 1252,23 417,41 <1

B 3 1017,56 339,19 <1

AB 3 1233,84 . 411,28 <1

AB2 3 1070,35 356,78 <1

AB3 3 2629,37 876,46 <1

Error 21 23299,40 1109,50

Total 47 40663,18

273
 Captulo 11

EXPERIMENTOS FACTORIALES CON

EFECTOS PRINCIPALES CONFUNDIDOS
PARCELAS DIVIDIDAS

Introduccin

Una vez estudiados los experimentos factoriales y el principio del confundido,

se quiere presentar un diseo experimental muy utilizado tanto en el campo como
en el laboratorio donde se unen las aplicaciones de experimentos factoriales y el
principio de confundido.

Si la naturaleza de los niveles de un factor a: (ao' al' ... , ap-I) excluyen la

utilizacin de unidades experimentales pequeas o bien es conocido por el
experimentador que dichos niveles difieren en rendimiento, los niveles de a pueden
ser asignados a unidades relativamente grandes denominadas parcelas principales
en un diseo de bloques aleatorios, cuadrado latino o cualquier otro diseo. Siendo
tales parcelas grandes por la necesidad o por el diseo, a la vez es deseable comparar
niveles de otro factor b: (b, b., ... , bq.,), que son ubicados aleatoriamente en
parcelas divididas dentro de cada parcela principal y que se denominan sub-
parcelas. Lo explicado corresponde a un arreglo factorial de los factores a y b
cuyos niveles son p y q respectivamente, donde el efecto principal A tendr p-l
grados de libertad, confundido completamente con bloques incompletos o parcelas
principales. En tal forma el diseo en parcelas divididas es un diseo de bloques
incompletos.

Los tratamientos de la parcela principal pueden ellas mismas representar un

arreglo factorial k n x s'", los tratamientos de la subparcela pueden tambin
representar un arreglo factorial. La terminologa tratamiento principal o secundario
no necesariamente hace referencia a los niveles de un solo factor. En
experimentacin agrcola, la utilizacin de este diseo es amplia, en estudios sobre
riego, fertilizacin, poblaciones, entre otros.

275
Dr. Franklin Chacin

Ventajas del diseo en parcelas divididas

1.-Facilita la utilizacin de unidades experimentales grandes por necesidad

o por diseo para comparar tratamientos secundarios.

2.- Incrementa la precisin sobre los bloques aleatorios, de los pq

tratamientos contenidos en las sub-parcelas.

3.- La precisin puede ser incrementada utilizando un diseo cuadrado

latino o cuadrado latino incompleto.

Desventajas del diseo en parcelas divididas

1.-Los tratamientos de las parcelas principales son medidos con menor

precisin que si ellos estuviesen en un diseo de bloques aleatorios de pq
tratamientos.

2.- La ocurrencia de datos perdidos conduce a una mayor complejidad

del anlisis.

Aplicacin de la aleatorizacin en este diseo

1.- Depende del diseo utilizado: bloques aleatorios, cuadrado latino,

entre otros.

2.- Los tratamientos asignados a las parcelas tambin dependern del

diseo particularmente asignado.

276
 Diseo y Anlisis de Experimentos 11

Anlisis

Parcelas divididas en bloques aleatorios

Niveles del factor para el efecto A: ae, al ' a2 ' a) p=4

Niveles del factor para el efecto B: be ' b, ' b, q=3

Tratamientos: p xq = 4x 3 = 12
Repeticin: r = 3

Rep'r Rep II Rep III

a) al ~ ae di ae a2 a) al ~ ~ a2

b2 b2 bl bl bl be be bl b2 b2 be bl

be be b2 b2 b2 b2 bl b bl be b2 be
2

bl bl be be be bl b2 be be bl b, b2

Anlisis de Varianza

F.deV G. de L.
Repeticiones r-1 = 2
A P-1 = 3
Error (a) (r - 1)(P - 1) = 6
Total Unidad Principal pr - 1 = 11
B q -1 = 2
AxB (p - 1)(q - 1) = 6
Error (b) p(r - 1)(q - 1) = 16
Total Subunidades pr(q - 1) = 24

Total pqr - 1 = 35

277
Dr. Frankln Chacn

Debido a que los niveles del factor a son comparados en tres replicaciones
de un bloque aleatorio, el cuadrado medio de la interaccin de la repeticin por
el efecto A, es el error apropiado para comparar el efecto A y se denota error (a).
En igual forma, el error (b) se compone de las siguientes interacciones: (RxB) y
(RxAxB), la primera es la interaccin de primer orden de la repeticin por el
efecto B y la segunda es la interaccin de segundo orden de la repeticin por el
efecto A y por el efecto B, este es el error apropiado para comparar la interaccin
de primer orden de los efectos (AxB) y en algunas instancias para comparar el
efecto B.

Los efectos de las interacciones RxB y RxAxB estn confundidos y no son

separables. Sin embargo, aritrnticamente es posible separadas, pero ambas
interacciones son estimaciones de la misma cantidad, por lo que figuran juntas en
la suma de cuadrados del error (b). Esta cantidad debe ser llamada Suma de
cuadrados de RxB dentro de las parcelas principales.

No tomando en cuenta la diferencia en grados de libertad, la eficiencia de la

parcela dividida en relacin al bloque aleatorio tomando en cuenta B y AxB es:

[(P-I)+(p-I)(r-I)]Ea+[(p-l )(q-I)+p(r-I)(q-I)]Eb (p-I) Ea+p(q-I)Eb E'e

(11.1)
(pqr- r) (pq-I)Eb E'b

donde:
p = nmero de tratamientos de parcelas principales
q = nmero de tratamientos de parcelas secundarias
r = nmero de repeticiones
E(a) = cuadrado medio del error de (a)
E(b) = cuadrado medio del error de (b)

La eficiencia en los efectos A o las comparaciones de parcelas principales

puede.ser obtenida mediante la frmula:
E'e
(11.2)
Ea

278
 Diseo y Anlisis de Experimentos 11

Particin de los Grados de Libertad para el Diseo

Parcelas Divididas con diferentes arreglos de unidades experimentales

En las Tablas 11.1, 11.2, Y 11.3se muestran los esquemas de ANA VAR para
diferentes arreglos de unidades experimentales.

Tabla 11.1. Esquema de ANAVAR para un Diseo en Parcelas divididas en un

diseo completamente aleatorizado con r repeticiones.

F.deV G. de L.
A p-1
Error (a) p(r - 1)
Total Unidad Principal pr - 1
B q-1
AB (p - l)(q - 1)
Error (b) p(r - l)(q - 1)
Total Subunidades pr(q - 1)
Total pqr - 1

Tabla 11.2. Esquema de ANA VAR para un Diseo en Parcelas divididas en un

diseo en bloques aleatorios con r bloques completos.

F.deV G. de L.
Repeticiones r-1
A P-1
Error (a) (r - 1)(P - 1)
Total Unidad Principal pr - 1
B q-1
AxB (p - l)(q - 1)
Error (b) p(r - l)(q - 1)
Total Subunidades pr(q - 1)
Total pqr - 1

279
Dr. Frank/in Chacin

Tabla 11.3. Esquema de ANA VAR para un Diseo en Parcelas divididas en un diseo
cuadrado latino con p == lado del cuadrado

F.deV G. de L.

Hileras p-1
Columnas P-1
A P-1
Error (a) (P-1) (P-2)
Total Unidad Principal p2 _ 1
B q-1
AB (p - l)(q - 1)
Error (b) p(p - l)(q - 1)
Total Subunidades p2(q _ 1)
Total p2q _ 1

E(a) es generalmente mayor que E(b); esto es debido a que las observaciones
en sub unidades de la misma unidad principal tienden a ser positivamente
correlacionadas y en esta forma reaccionan en forma ms parecida que las
sub unidades principales diferentes. En caso de ocurrir que E(a) sea menor que
E(b) lo propio es considerar aE(a) y E(b) como estimaciones de la misma varianza
d y consecuentemente las sumas de cuadrados deben sumarse y dividirse por los
grados de libertad a fin de obtener una estimacin de d .En caso de que E(a) sea
significativamente mayor que E(b) debera ser considerado seriamente la difcil
posibilidad de una correlacin intraclase negativa.

280
 Diseo'y Anlisis de Experimentos 11

Las desviaciones estndar o errores estndar apropiados para las

comparaciones entre diferentes medias son:

Dos medias de A ,
a., -a. pEca)
rq
Dos medias de B b., -b.,
PE(b)
rp
Dos medias de B al
mismo nivel de A

Dos medias de A
al mismo nivel de B a.bt-a b 2(~-I)E(b) + E(a)
, 1 t
rq

Dos medias de A
a diferentes niveles de B 2(q-l) E(b)+ E(a)

(medias de dos tratamientos) rq

Las comparaciones de dos medias de A al mismo o diferentes niveles de B,

involucra tanto el efecto principal de A como la interaccin AB, lo cual significa
que ambas son comparaciones de subunidades, por lo que es apropiado usar el
promedio ponderado de E(a) y E(b) como se observa en el cuadro anterior.
Para tales comparaciones, la razn de la diferencia entre dos tratamientos a su
error estndar no sigue la distribucin de "t", una aproximacin sera:
(q - 1) E(b) t(b) + E( a) t( a)
t' = ---"---------- 11.3)
(q-l) E(b) + E(a)

t(a) y t(b) son valores tabulados de t, seleccionados a los niveles de significacin

correspondientes a los grados de libertad de E(a) y E(b). t ' corresponder a un
t tabulado y caer entre t(a) y t(b).

Existen muchas variantes del diseo parcelas divididas, estas variantes

comprenden por ejemplo, divisiones de las subunidades debido a la inclusin de

281
Dr. Franklin Chacin

un tercer factor C a u niveles, lo cual conduce a la particin de los grados de

libertad de acuerdo a las subunidades o unidades terciarias; el esquema del aadido
al anlisis de la varianza para dicho factor sera:

F.deV G. de L.
C u- 1
AC (p - l)(u - 1)
BC (q - l)(u - 1)
ABC (p - l)(q - l)(u - 1)
Error (c) pq(u - l)(r - 1)
Unidades Terciarias pqr(u - 1)
Total pqru - 1

Modelo Matemtico y Esperanza de los Cuadrados Medios

Moddo Lineal.Aduiui

(11.4)

donde:

)1 = efecto de la media general.

jJ = efecto de la repeticin i-sima.
aj = efecto del j-simo nivel del factor A
c5y = componente aleatorio del error asociado con el j-simo tratamiento
de la parcela principal en la repeticin i-sima.
4 = efecto del k-sirno nivel del factor B.
(afJ) jk = efecto de la interaccin del nivel i-simo del factor A con el
nivel k-sirno del factor B.
Eijk = componente aleatorio del error asociado con el tratamiento k-
simo en la repeticin i-sima en la ubicacin j-sima.

282
 Diseo y Anlisis de Experimentos 11

El modelo puede ser de efectos fijos, aleatorios o mixtos de acuerdo con lo

visto en la unidad sobre anlisis de la varianza y visto en diseos anteriores.

A continuacin (Tabla 11.4) se dan las esperanzas matemticas de los

cuadrados medios para parcelas divididas en bloques aleatorios, esto es bsico
para entender cual es el error apropiado para realizar validamente la prueba F. E
igualmente lasTablas 11.5 y 11.6 muestran los esquemas de ANA VAR para parcelas
divididas en bloques aleatorios y en cuadrado latino respectivamente.

283
~ \J
{.. Tabla 11.4 Valores promedios de los Cuadros Medios para un modelo de parcelas dividiodas en un diseo en bloques aleatorios :>

s.s~
:.;

~
E(CM) Modelo l Dcnomi [(Ovl) Modelo 11 Dcnorni 9
nador nador ~
\')
J , 1 1 "'! '"'1 ~.
o ; + q o; + pqa~ o; + q 0,i + pq a,~
Rcplicacioncs C\1E(:1) C\IE{:I)
r
(XC
I ., .. ., ....
.A. e;, + q (),~, + rq L
'"' C\1E(:1) C\I[(;I)
p-l o; + q a,; + r a,~:1+ rq a,;
1,1

, , , ,
1: rror: a) o; + q (),~
a; + q 0,i

a,2 + rp fJJ~ , , ,
1\ ("1\11:([1)
t
,~I q- 1
CvlE(b) a,~+ r (J(~( + rp (Jj
1
"'1 1 I(
(T,~ + rI I __(rx!3)~k ,
:\11 CMUb) CivlF(h)
a," + r aL~/!
,-1<,1 <p-l)(q-l)
,
al: a" 1"
Errortb)
 Cont. Tahla 11.4

E(CM) Modelo 111 Dcnomi E(CM) Modelo 111 Dcnomi

A fijo l3 aleatorio nador A aleatorio Bfijo nadar

Bloque a; + qa; + pqa~ CME(a) ()t~ + q a] + pq a,; CMEE

r '
p? + rp LCC _l-
, , ,
A _
ae2' + qa: t> + r--a-I n{1 _ 1 CMAB o; + qai + rq(J ~ CMEE
P ;-1 P
Errorta) a2 + q o: (J,'+q()l ~
f ~
\SI
\\)
~I
\:)
13 a;+rpaJ CMEE ~ If CMAB
(J" + r-q-a~ + rn" .i:s.:
f 1 il[J t' I ~
q- k=1 q- ~
~,
:::::-:
\B CMEE \SI
, p , CMEE , q ,
a- + r --a- \Si'
a; + r--a; I q_ 1 u[J
p-I ~
, , Q1
Error(b)
a; o;
3,
~
~
<:i
\SI
~ -...
\Jl -...
Dr. Franklin Chacin

Tabla 11.5. Esquema de anlisis de varianza de parcelas divididas en bloques alcatorios

F. de V. G. de L. Suma de Cuadrados CM
r y2
_ ...-F.e.
Repeticiones r-I
L
;=1 pq
SCHloq/(r-l)

r q y2
-F.e.
A 1'-1
LL
j e t k"1
_-_J.

rq
SCN(p-l)

Ly2 IJ.
Error(a) (r-I)(Jl- 1) _ij __ F.C. - SC(R)- SCCA) SCE(a)/(r -1)(1' - 1)

q
Unidades
Ly2 IJ.
Principales pr - 1 _iJ_ --F.C.
q
q y2
B 4-1 L-_
.=1rp
- F.C. SCU/(q-I)

r q
y~.
AA (p-I)(q-I)
LL
j=1 k e l
_.- - F.C. - SCA- SCB
r
SCAB/(Jl-I)(q -1)

Error(b) p(r - I)(q - 1) SCTotal -SCUnidadcs Principales - SCU - SCE(b)/p(r -I)(q - 1)

SCAS
r p q

Tolal JXjr - 1 LLL

i=1 j=1 .=1
Yi~k - F.C.

F.e. = (GranTotal)2 /pqr

286
 Diseo'y Anlisis de Experimentos 11

Tabla 11.6. Esquema de anlisis de varianza de parcelas divididas en cuadrado latino

Parcelas Principales en Cuadrado latino

r. de V. G. de l.. Suma de Cuadrados CM

r y2
-F.C.
A P- t
L
;=1
_r..

P
SCA /(p - 1)

r y2
-F.C.
Columnasf C) p- 1
L
;=1
_.J.

P
SC(C) l(p - 1)

r y2
F.C.
Hilcms(H) p- 1
L
;=1
--...d -
P
SC(H) I(p - 1)

Error(a) (p - 1)(p - 2)
L Y,j~- F.C. - SC(A)- SC(C)- SC(H) SCE(a)/(r -1 Xp - 1)
'j.'

Parcelas
LY,j: - F.C.
Principales p'- 1 j.k:

B q-I LY~m SCIl/(q-l)

_m-
p
2--F.C.

All (r-IXq-l) LX~.m

Lm
SCAI3/(P -IXq -1)
- F.C. - SCA- SCB
p
Error(b) p(q- IXp - 1) SCfotal -SCParcclas Principales - SCB - SCAI3 SCE(b)/P(q -I)(p - 1)

Total p'q - l
LY,j~ - F.C.
.j.k

287
Dr. Frank/in Chacin

Ejemplo Ilustrativo

El siguiente ejemplo est basado en las pruebas de germinacin, en los que

a semillas de ocho variedades les fueron aplicadas los siguientes cuatro tratamientos:

Semilla

bo trillada y no tratada con lupodorito de sodio

b, no trillada y no tratada con lupodorito de sodio
b, no trillada y tratada con lupodorito de sodio
b, trillada y tratada con lupodorito de sodio

Se utilizaron tres repeticiones. Los resultados obtenidos por repeticiones y

combinacin fueron los dados en la Tabla 11.8.

Tabla 11.8.Datos en el ejemplo ilustrativo en parcelas divididas en un diseo en

bloques aleatorios.

REPETICION 1

aOb a2b3 a)bO aSb2 a4b2 a.b. a.b, a6b

12 10 52 28 9 26 9 12
aOb2 a2bo a3b3 a.b, a4b) ab2 a.b. a6b
13 51 13 14 12 27 14 26
aobo a.b, a3b2 aSb a4bo albo ~b2 a6b3
66 8 19 8 45 77 30 15
aOb3 a2b2 a.b. asbo a4b a.b, a7bo a6bo
6 20 4 59 20 15 49 56
Total 97 89 88 109 86 145 102 109 825

288
 Diseo'y Anlisis de Experimentos 11

REPETICION Il

aJb2 a6bo a.b, a4b aObJ a.b, aSb a2b

16 38 15 13 12 5 8 16
a.b. a6bl a7bJ a4bJ aobo albo aSb2 a.b,
15 16 41 12 63 47 32 30
a.b, a6b a7b2 a4bo aOb2 a.b. aSbJ a2bo
9 16 28 51 13 11 21 81
aJbO a6bJ a.b, a4bl aOb a.b, asbo albJ
40 8 20 10 10 4 66 14
Total 80 78 104 86 98 67 127 141 781

REPETICION III

a6bJ a.b, asbo a4bl a.b, a.b, aOb a.b.

7 36 49 12 7 29 13 18
a6b2 a.b, aSb2 a4bo aJbO a.b, aObJ albo
24 25 29 52 59 14 7 66
a6b ~bo aSbJ a4b a.b, a.b, aobo a.b,
16 54 16 16 11 10 70 11
a6bo a.b, a.b. a4bJ a.b, albo albo a.b,
45 12 8 11 7 63 11 15
Total 92 127 102 91 84 116 101 110 823

289
Dr. Franklin Chacin

TOTALES PARA VARIEDADES Y TRATAMIENTOS

Trata-
rruentos VARIEDADES Total
ao a a2 a) a4 as a6 ~

bo 199 190 195 151 148 174 139 144 1340

b 35 55 38 30 49 24 44 59 334

b2 37 43 79 42 31 89 66 94 481

b) 25 34 34 29 35 51 30 36 274

Total 296 322 346 252 263 338 279 333 2429

Factor de Correccin: F.C.=

Y = (8)(3)(4)
---;q;- 24292
.
= 61458,76 (un grado de libertad)

Suma de Cuadrados

Suma de Cuadrados Totales

SCT = 122 + 102+ ....+152 - F.C.= 36736,24 (95 grados de libertad)

Suma de Cuadrados de Repeticiones

8252 +7812 +8232
SCR = F.C.= 38,58 (2 grados de libertad)
8x4
Suma de Cuadrados de Variedades
2962+3222+ ...+3332 . d)
SCA = - F.C.= 763,16 (7 grados de liberta
4x3
290
 Diseo'y Anlisis de Experimentos 11

Suma de Cuadrados de E(a)

972 + 892+ .. .+1012 + 1102

4 - F.C.-38,58 -763,16 = 1377,25 (14 grados de libertad)

Suma de cuadrados tratamientos de semillas

13402 + 3342 + 4812 + 2742

SCB = - F.C = 30774,28 (3 grados de libertad)
3x8

Suma de Cuadrados A x B

1992 + 1902+ ...+302 +362

SCAB = 3 - F. C.-763, 16 - 30774,28 = 2620,13 (21 g. de l.)

Suma de Cuadrados de Error(b)

SCE(b) = 36736,24 - 38,58 - 763, 16 - 1377,25 - 30774,28 - 2620 = 1162,84

Anlisis de Varianza
Vease Tabla 11.9 a continuacin.

Tabla 11.9. Esquema de analisis de varianza de parcelas divididas en bloques

aleatorios

F.de V. G. de L. Suma de Cuadrados CM

Repeticiones r-1=2 38,58 19,29
A p-1=7 763,16 109,02
Error(a) (r - 1)(P - 1)= 14 1377,25 98,38
Unidades
Principales 23
B q-1=3 30774,28 10258,09
AB (P-1)(q-l) =21 2620,13 124,77
Error(b) p(r - l)(q - 1) =48 1377,25 24,33
Parcelas
secundarias 72 36736,24
Total pqr-1=95 36736,24

291
Dr. Franklin Chacin

DISCUSION

Si se asume que el efecto variedad es un efecto fijo, porque son las nicas
variedades de inters al investigador (modelo 1)el error(a) es el trmino correcto
para hacer la comparacin.

F = 109,02 = 111 ( F(7,14,0.05) = 3,39

98,33 ' n.s.)
98,38 F(7,14,0.01) = 4,78
La seleccin de la varianza del Error Experimental para comparar la varianza
entre las medias de la germinacin para los cuatro tratamientos de las semillas
depende de la hiptesis planteada. Si las ocho variedades constituyen una muestra
aleatoria de una poblacin de variedades y si un tratamiento de semilla va a ser
recomendado para todas las variedades, el cuadrado medio de la interaccin
AxB es el error apropiado (modelo 11)

10258,09
F = = 82 ' 2 ** F(3,21,0.01) = 4,87
124,77

Si las ocho variedades representan solamente las variedades de inters y si el

tratamiento de semilla recomendado es para las ocho variedades, entonces el
CME(b) es el error adecuado para comparar dichas medias (modelo I).

Una terrera situacin puede presentarse si se asume que las ocho variedades
constituyen una muestra aleatoria de variedades, pero los diferentes tratamientos
de semilla seran recomendados por variedad, ya que se plantea la interaccin
variedad por semilla. En este caso el CME(b) es el correcto denominador para
la prueba de F.

Casos ms complejos de parcelas divididas son utilizados por la

experimentacin agrcola, como son las parcelas divididas en el tiempo o en el
espaclO.

292
 Diseo y Anlisis de Experimentos 11

Existe adems como caso de experimentos factoriales con efectos principales

confundidos, el diseo de bloques divididos, subdivididos, otras subdivisiones y
variaciones para lo cual se recomienda consultar las referencias.

DISEO EN FRANJAS O DISEO EN BLOQUES DIVIDIDOS

Introduccin

Es una variante del diseo parcelas divididas, por cuanto la repeticin del
bloque completo, es dividido en forma reticular en parcelas o franjas en sentido
vertical y horizontal, cuya ubicacin en un eje de coordenadas semejaran dos
bloques al azur superpuestos y en la interseccin de ambas franjas quedan la
subunidad con el tratamiento respectivo.

Combinacin de los niveles de los factores

Ejemplo:

Tratamientos:

aOb aObl
ab . a b,
al b, al b,
a) b, a) b,

293
Dr. Franklin Chacin

Aleatorizacin:

En cada repeticin o bloque completo, se aleatoriza cada nivel de A en

franjas o parcelas en el sentido del eje de las Y. Cada nivel de B es aleatorizado en
franjas o parcelas en el sentido del eje de las X. En un diseo en franja con tres
repeticiones se tendra por ejemplo el siguiente esquema.

REPETICION 1

al ao al a2
bl
bo aobo
b2

REPETICION II

a2 al al ao
b2
bl
bo aobo

'REPETICION III

al aJ ao a2
bo aobo
b2
bl

294
 Diseo y Anlisis de Experimentos 11

Modelo Matemtico y Esperanzas de los Cuadrados Medios

Modelo Lineal Aditivo

(11.7)

donde:
i= 1, ... , a
j = 1, oo., b
k= I,oo.,r

Vea la abla 11.1Opara establecer las Experanzas de los Cuadrados medios

y la Tabla 11.11 para el ANA V AR correspondiente a este diseo.

295
 I;::J
~ :>
<3l
~
Tahla 1l. ID Valores promedios de los Cuadrados Medios para UII modelo de parcelas en franja. ~
:::;
~
~.
E(CM) Modelo 1 [(CM) Modelo"
2 9
~
a" + ba~ + ab o '
[ ) (> ae + ba2 + ab o p' \)
Rcpl icaciones ~.
a al
.., ., 1 ')
A a: + ba~ + rb L _i
i=1 a= I
a; + b a i + r a a/i + rb a,;

Error( a)
a[2 + ba,~ a; +bo-;
h ./

_J
{r ., .., .., 1
13 a~ + ra I a; + r a,;{j + a a; + a r a (3
j=1
b-}

Error(b) 1 "
o? + a o.' cr+aO"-
r r

"h (af3)~
AB "
a; + rLL (a-l)(b- 1) a;" + ra~/
i ~I ]=1
2
,
al:
a-l:
Error(c)
 Continuacin de la Tabla 11.10
E(CM) Modelo 111 E(CM) Modelo 111
A ti jo 13 aleatorio A aleatorio B fijo

Bloque

02 e + bcr3v + aba;
(j "
a:e + ba~ + ab o '
.,
, , a, ~ n-'
A a; + ba,i + r--a~{J + rb L.., -'- 02, + baj + rba~
a-l ,_1 a-l

Errorra) o; + ba; o:r + b o.\:

29.
h l. n' ~
n 02 2: :2. f'
~I
(
,+ a o: + ra a/~ I el
a. + aa. + r--a ti + la --
, r b- 1" r1 b- I
>
~
, , <;x,
Lrrortb) a} + a a: a; +a a; ~
(5\'

AB 1 a 1 1 b , ~
a; + r --a;{3 o; + r b- I a,;/3 Q1
a- I
~
Erren e)
, , ~.
a; o; ::l
~
~
~ ~
'-l -...
-...
Dr. Franklin Chacin

Tublu 11.11.- ES{!UI:.I/A DE A.\'.;I.ISIS 1Jt: VARIA.VL DI,'/'ARCFUS /JII'/VIIJAS EN 8LOQUFS AILA lORIUS

r. de V. G.do 1.. Sumado Cuadrados CM

r
Repeticiones r-I y2k _ F.C. SCOloq;(r-l)

k=1 ab
a y2
A a-I _i .. -F.C. SCN(a-l)
;:1 rb
Yi\
Errorta) (a - I )(r - 1) _..k_'__ F. C. - SC(R) - SC(A Serla);(a-I}(r - 1)
b

Unidades Y;\
Principatc, ra- I _,.k___ F.C. SCE(,,~'(a-l}(r- 1)
b
h y!
U b-I ~-F.C.
SCIl;(h-l)
j_1 ra
Errortb) (r-IXb-l) Y!k SCE(b'(h-l}(r - 1)
~ - F.C. - SC(R) - SCB
j.k a <,
a b y2
AU (a-I }(b-I)
-')
r
-F.C.-SCA-SCf Se"lIl(a-1 )(b-I)

i=l j=1

(r -1)(a-I )(b-I) Por diferencia scr(c'(r -1 }(a-I )(b-I)

1'01.1 rab - 1

F.C. = (GranTotal)2 /pqr

298
 Diseo'y Anlisis de Experimentos 11
Ejemplo Ilustrativo

Probndose el efecto de cuatro variedades de soya (A) y tres pocas de

siembra (B) y utilizndose como plan experimental parcelas en franjas los
rendimientos en Kilogramos por parcela fueron los siguientes:

al a2 al a4 y}: al a2 al a4 YI<
bl 2.4 2.1 2.2 2.0 8.7 2.0 1.9 2.2 2.1 8.2
B b, 2.7 2.6 2.7 2.8 10.8 2.6 2.5 2.5 2.4 10.0
bl 1.6 1.5 lA 1.7 6.2 1.2 13 1.2 1.1 4.8
Y.k 6.7 6.2 6.3 6.5 25.7 5.8 5.7 5.9 5.6 23.0
Repeticin 1 Repeticin II

al a2 al a4 y
~
404 4.0 404 4.1 16.9 bl
5.3 5.1 5.2 5.2 20.8 b2 B
2.8 2.8 2.6 2.8 11.0 b3
12.5 11.9 12.2 12.1 Y, ..

Ambas Repeticiones Y ..=48.7

Clculos

" I Y.2 48,72

Factor de Correccin: F.C.= ~ = (2)(4)(3) = 98,82

Suma de Cuadrados

Suma de Cuadrados Totales

SCT = 2,42 + 2,12+ .... +1,12 - F.C.= 105,51- 98,82 = 6,69

Suma de Cuadrados de Repeticiones

2572 +2302
SCR =' , - F.C.= 99,12 - 98,82 = 0,30
4x3

299
Dr. Franklin Chacin
Suma de Cuadrados de Variedades

12,52 + 11,92 + 12,22 + 12,12

SCA = 2 - F.C.= 98,85 - 98,82 = 0,03
x3

Suma de Cuadrados de E(a)

6,72 + 6,22+ ...+5,92 + 5,62

3 - 98,82 - 0,03 - 0,30 = 99,19 - 98,82 - 0,03 - 0,30 = 0,04

Suma de cuadrados de pocas de siembra

169,2 +2082 +1102

SCB=' , , -F.C=104,91-98,82=6,09
2x4

Suma de Cuadrados de Error (b)

8,72 + ... +4,82

SCE(b) = 4 - F. C.- SCR - SCB = 105,26 - 98,82 - 0,30 - 6,09 = 0,35

Suma de Cuadrados A x B

4,42 + ...+2,82
SCAB =
2 -F
. C .-SCA - SCB = 105 "'"
00 - 98 82 - O03 - 6 09 = O06

Suma de Cuadrados de Error( c)

SCE( e) = 6,69 - (99,19 - 98,82) - (105,26 - 98,82 - 0,30) - 0,06 = 6,69 - 0,37 - 6,14 - 0,06 = 0,12

Anlisis de Yarianza

Vease tabla 11.12 a continuacin.

300
 Diseo y Anlisis de Experimentos 11
Tabla 11.12. Esquema de analisis de varianza de parcelas en franjas con
dos repeticiones

FuentedeV. G.deL. se CM F

Variedades (A) 3 0,03 0,01 1 ns

Repeticiones (R) 1 0,30 0,30
E(a) 3 0,04 0,01
Epoca(B) 2 6,(j) 3,045 17,4**
E(b) 2 0,35 0,175
AxB 6 0,06 0,01 <1 ns
E(c) 6 0,12 0,02
Total 23 6,69

Se concluye que no se detectaron diferencia significativa en el trmino

correspondiente a la Interaccin Variedad - Epoca. Luego se verifica que tampoco
existe efcto de variedad, pero si existen diferencias altamente significativas entre
pocas.

301
 Captulo 12

ANLISIS DE REGRESIN

DEFINICION DE REGRESIN

Es la relacin funcional entre una variable dependiente y una o ms variables

regresaras. Puede ser lineal o no lineal e igualmente se puede categorizar en
Regresin Simple, Regresin Parcial y Regresin Mltiple. Si existe una sola variable
regresara la regresin es Simple, por el contrario si son varias variables regresaras,
la regresin es Mltiple.

La Regresin Lineal Parcial es la relacin funcional entre una variable

dependiente y una o ms variables regresaras, manteniendo fija una o ms variables.

En otros casos existe Regresin Multivariada, la cual ocurre cuando hay

varias variables dependientes (varios Y).

MOELO DE REGRESIN LINEAL SIMPLE

Sea (YI, XI )'(Y2 'X2 ),(Y), Xl)'''' ,(Yn' X n) una muestra aleatoria bivariada de tamao n
Se plantea describir la relacin fundamental entre X y Y a travs del modelo
poblacional:

(12.1)

donde Y denota la variable dependiente, X denota la variable independiente.

Y y c son variables aleatorias

~o y ~l son parametros del modelo
~o representa el intercepto
~ 1 representa la pendiente de la recta ,
X es fija o constante
y8 - N(O,cr2)
303
Dr. Frankln Chacn

DISTRIBUCIN PROBABILISTICA DE y. 1

Una vez seleccionada la expresin (12.1) como modelo poblacional el

problema que se plantea es de estimacin de los parmetros de ese modelo. Bajo
el supuesto de normalidad de los errores descrito anteriormente resulta de gran
importancia parl tales fines determinar la distribucin probabilstica de Y
~o,y~,. 1,

Esperanza Matemtica de Y

E(Y) = E(~o + ~,X + E)

= E(~o) + E(~,X) + E(E) como ~o Y p.x, son constantes
= ~o +~,X +0
= ~o +~,Xi

Varianza de Y. 1

V(Y) = VWo + ~,Xi + E)

= V(~o) + VW,X) + V(E) como ~o Y ~,X son constantes
2
= 0+0+cr

En resumen:
E _ (0,cr2)
2 (12.2)
Y - (~o + ~,Xi ,cr )

MTODO DE LOS MNIMOS CUADRADOS

El mtodo de los mnimos cuadrados es usado para obtener estimadores

de ~ o Y ~, a partir de los datos. El mtodo consiste en seleccionar valores de
~o y B, tal que la suma de cuadrados de las desviaciones de las observaciones
de la lnea de regresin ,esto es, la funcin de regresin sea mnima.

304
 Diseo y Anlisis de Experimentos 12
A A

Entonces se escogen ~o Y ~l para minimizar:

n n

I = IE (Yi - ~ o - ~ 1 X ) 2
i=l i=l

Esta expresin se puede minimizar por varios mtodos, uno de los cuales
consiste en diferenciar con respecto a ~ o Y ~ 1 ' igualar a cero y resolver por
~ o Y ~ 1 Se genera entonces el siguiente sistema de ecuaciones, las cuales son
llamadas ECU ACIONES NORMALES.
n n

I
i=l
Yi = n~o
+~II x, i=l
(12.3)
n n n

I
i=l
XYi = ~oI x, +~II
i=l i=l
X~

cuya solucin es:

, (Xi - X)(Y- y)
p = (Xi - X)2
(12.4)
o en forma equivalente
b _' _ nXY - XY
=SPXY
- p - nX~ - (X)2
SCX

E inclusive, por mtodos matriciales se podra realizar de la siguiente manera:

305
Dr. Frankln Chacn

YI = ~ o + ~IXI + El
Y2 = + ~IX2
~O + E2

y en forma general
y = X~+~
esto es
YI XI
Y2 X2
= (::) +
Yn Xn
donde
E = y -X~
E'E = (Y -X~)'(Y -X~) = Y'Y -2WX'Y +WX'X~
aE'E
- = -2X' Y + 2X' X~ =O
a~
luego
A

X'X~ = X'Y
P = (X' X) -1 (X' Y) (12.5)

306
 Diseo y Anlisis de Experimentos 12

X;
i~l i~l

X;
i~1 i~1

n
'TI X)-l = __ i-_-l -rr-r _
( /\. n :;
n I X; -( I XJ2

(X' Y) = (~, X,

n n n

i~1
X; -Xi
i~1
Yi
i=1
n n

-Xi n XY I I

~" = r~o
" = boJ = i=l
----n-----n-----

~I = b, n X; -( XJ2 (12.6)
i=t i=l

Resolviendo la operacin planteada en forma matricial se obtendr las mismas

estimaciones de.b; y b, anteriores.

307
Dr. Franklin Chacin

DISTRIBUCIN PROBABILISTICA DE ~,
Esperanza de (~,); b,

b = (X - X)('i - Y)
, (Xi - X)2

E b = E{(X - X)(Y -
( ,) (Xi - X)2
y)} = E{(X - X)Y}
(Xi - X)2

(X - X)
Supongamos e = '" 2
(Xi - X)
E(b,) = E(eY) = E(e,Y, +e2y2++enYJ

Etb.) =
E( e,Y, +e2y2++enyn)
Erb,) = e,E(Y,) + e2E(Y2)++enE(Yn)
E(b,) = e, (~o + ~,X,) + e2(~o + ~,X2)+' +en (~o + ~,Xn)

E(b,)
~
= ~Oei ~
+~,eix
"'e. =
e: (X; -X)2 =o
i;' ;;, I (Xi - X)
n

E(b,) = ~,eiXi
;;,

E(b,) =~, => ~,ES UN ESTIMADOR INSESGADO

308
 Diseo y Anlisis de Experimentos 12

Varianza de P l

V(b,) = V(cy)
i=!

V(b,) = V( C1Y1+C2Y2++CnYn)
V(b,) = C~V(YI)+C~V(Y2)+,+C~V(Yn)
V(b l ) = C2lcr2 + C22cr2 +: +C2cr2 n

V(b,) = C~(J2
;I

o2 e2 Varianza J..: las Y

V(b ) = =- = I

l (Xi _ X)2 cr~ Varianza de las X

DISTRIBUCIN PROBABIL!STICA DE Po (b)

Esperanza de Po
bo=Y-b,X
E(bo) = E(Y - b.X) = E(Y) - E(b,X)
y
E(bo) = E (--' ) - XE(b 1)
n
y +Y ++Y) -
E(bo) = E(' 2 n -X~,
n
E(Y,)+E(Y2)++E(Yn) -
E(bo) = - X~,
n
(~o + ~,X,) + (~o + ~,X2)+"+(~0 + ~,Xn> -
E(bo) = - X~,
n
nf +A "X
E(b ) = 1-'0 1-', L.. i , X~,
o
n
E(bo) = ~o + X~, - X~,

=> ~o ES UN ESTIMADOR INSESGADO

309
Dr. Franklin Chacin

Varianza de ~ o

V(bo) = V(Y - b.X) = V(Y) + X2V(b,)

V(Y,)+ V(Y2)+V(Yn) -2 (J2
V(bO)= 2 +X -2
n (J x

2 2
V(b )=n(J +X2~
022
n (Jx

1 5(2
V(bO) = (J2(_+ ~ - 2)
n (Xi -X)

DISTRIBUCIN PROBABILISTICA DE y
Esperanza de y
Y=bo+b,X
E(Y) = E(bo) + XE(b,)
E(Y) = ~o + ~,X
Ec\') = E(Y)

Varianza de y
A 2
V(Y) = V(bo) + X V(b,)
-2 2
A 21 X 2(J
V(y)=(J (-+-2 )+X-2
n (Jx (Jx

A 1 X2 + X2
V (Y) = (J 2 ( - + 2 ')
n (Jx

A 1 (X - X)2
V (Y) = (J 2 ( _ + 1 )

n (Xi - X)2

310
 Diseo'y Anlisis de Experimentos 12

En resumen:

PRUEBAS DE HIPTESIS

Las estimaciones anteriormente realizadas permiten obtener a partir de

los datos, un modelo de estimacin de la forma:
Y=bo+b,X

conviene indagar sobre lo adecuado de ese modelo estimado para describir la

relacin entre Y y X. Adems, conocida la distribucin probalistica de los errores,
~ o Y ~, es posible plantear Pruebas de Hiptesis para verificar la adecuacin del
modelo.

Pruebas de Hiptesis para ~,

En este caso se plantean las siguientes hiptesis nula y alternativa,

respectivamente;
\

Ho:~, = O -
Ha.B, =F O

311
Dr. Franklin Chacin

El estadstico de prueba correspondiente es el siguiente:

Si te > t tab (el, n - 2) Se rechaza Ho.

En este caso el rechazo de la hiptesis nula indicara la existencia de una

relacin lineal entre las variables.

Pruebas de Hiptesis para ~o

Las hiptesis planteadas seran:

Ho.B =O
Ha.B, :f:. O
el estadstico de prueba:

Si te > ttab (a, n - 2) Se rechaza Ho.

el rechazo de la hiptesis nula indicara que el intercepto tiene un valor diferente

acero.

312
 Diseo y Anlisis de Experimentos 12

Intervalos de Confianza

Otra forma equivalente para establecer inferencias estadsticas para el modelo

lineal simple es a travs de intrvalos de confianza. Se construye un intervalo de
confianza del 1OO( 1-0.)% para ~I" Si este intervalo no incluye el valor cero, entonces
es razonable concluir que ~, es diferente de cero, y que Y y X estn en algun grado
relacionados en forma lineal. Similarmente se concluye con respecto a ~o' en
relacin a que si el intrvalo de confianza incluye el cero es indicativo de que el
intercepto es el origen de coordenadas y esta conclusin se sostiene con 1OO( 1-0.)%
de confianza.

Intervalo de Confianza para ~

P[b-t~n_2Sbl :S~ s b +t~n_2Sbl]=I-a

2' 2'

Intervalo de Confianza para ~ o

P[bo-t~n_2Sbo :S~o :Sbo+t~n_2Sbol=1-a

2' 2'

Intervalo de Confianza para y

313
Dr. Franklin Chacin

ANLISIS DE LA VARlANZA

Otra forma de probar hiptesis con referencia a ~I es el Anlisis de la Varianza,

comunmente identificado por las siglas ANA V AR, el cual parte de la divisin de
las sumas de cuadrados de la manera que se explicar a continuacin.

Divisin de la Varianza

(Y- Y) = (Y- YJ + (Y- Y)

~)Y - y)2 = I(Y - YJ2 + IcY _ y)2
SCTOTAL = SCRESIDUAL + SCREGRESION

ANAVAR

F.deV. G.deL. S.e. C.M. F

Regresin I(Y - y)2 SCREG/l Fc=CMREG/CMRES

Residual n-2 Scr-SCREG SCRES/(n-2)

Total n-I I(Y - y)2

Las hiptesis aqu planteadas son:

Ho: p, = O
Ha: p, *- O

Si Fe > Ft (1, n-2, a) se rechaza Ha. Esta es la misma hiptesis que se prob
anteriormente usando el estadstico t de Student.

314
 Diseo .Y Anlisis de Experimentos 12

EN FORMA MATRICIAL

Y=X~+~
A A

Y=X~

~=(X'Xrl(X'Y) donde Y_(X~,cr2I) E_(O,cr2!)

E(~) = E[ (X' X)-I (X' Y) ] = (X' xr: X' E(Y)

E(~) = (X' Xr1 X' (X~)

E(~) = (X' xr:' (X' X)~ = l~

E(~) = I~

Se usa un procedimiento similar para el caso de la varianza,

V(~) = v[x: xi' (X' Y) 1 = (X' xi' x' V(Y)

V(~) = (X' xr' x- cr r2
donde (X' xr ' X' es una forma cuadratica

V(~) cr2[COO Co,]

= donde [CCoo Cco,] es la Matriz Varianza - Covarianza
CIO C" 'O"
donde COOcr2= V(bo)
C"cr2 = V(b,)
CIO = COI = O para que b, y bo sean independientes

Se conoce que:

~. X~
[ - X
-n t Xi]
(X' X)-' = ~n' n

n X~ -( xy
i=! i=1

Ortogonalizando, se obtiene una matriz de la forrna:

375
Dr. Franklin Chacin

Obteniendose de esta forma las mismas estimaciones de V(bJ y V(b1)

antenores.

En resumen:
~
E(~)=~
V@) = (X' X) -1 el
~ ~
E(Y) = E(Xf3) = Xf3
V(\) = V(x3) = X* V@) = X' (X'X) -1 xel X* es una forrm cuadratica de X
Por erde,
VcYJ = X' u (X/X) -1 X, el esto es, en cada u fila hay una estirracion

En forma similar se puede construir una tabla que resuma el Anlisis de la

Varianza en una Regresin Lineal Simple, en forma matricial.

F.deV G. de L. S.e.
Regresin 1 px/Y ~ny2
Residual n-2 y/y -~X/y
Total n- 1 Y/Y_ny2

Donde Fe =
CMREG PX/ Y - ny2
= -'------;:---
CMRES y/ Y - ~X/ Y
Si Fe > Ftab( 1, n - 2) Se rechaza Ha ~ Si Hay Regresion Lineal Simple.

316
 Diseo'y Anlisis de Experimentos 12

BONDAD DE AJUSTE

Se puede calcular por varios estadsticos:

1.- Coeficiente de Correlacin

2.- Coeficiente de determinacin

R2 = SCREG = ~X/y - ny2

SCTOTAL y/y - ny2
Ademas
R2 = SCTOTAL-SCE = 1- SCE
SCTOTAL SCTOTAL

Los valores que toma estn siempre en un intervalo ; Rl:; 1 ya que Os-SCEs-
SCTotal.Demaneraidealsedeseatenerun R2 = 1, en cuyo caso SCE = Oy toda
la variacin presente en las observaciones puede explicarse por la presencia lineal
de X en la ecuacin de regresin. De manera que, entre ms cercano se encuentre
R2 a uno, mayor es el grado de asociacin lineal que existe entre X e Y.

Si se designa la suma de Productos cruzados como SP xv Y las varianzas

de X e Y respectivamente como S2x y.S2y entonces se tiene:

2 SPXy2 b,SPxy SCREG

R = s\ S2y = S2y = SCTOTAL x100

R2 mide el porcentaje de variabilidad total de Y que es explicada por la

regresin.

317
Dr. Franklin Chacin

DETERMINACION DEL MODELO

El modelo: Yi = ~ o + ~ I X, + E i' cuando hay repeticiones en cada

punto, puede escribirse de la siguiente manera:

Yi = ~o + ~IXi + Ei + Falta de Ajuste

Haciendo una divisin de los errores, se obtiene:

(Yij - Y ..) = (Yij - Yi.) + (Yi.- Y ..)

n r n r n r

L,
"'''' L, (Yij - -Y .. ) 2 = L, L,
"'''' (Y, - -Y, .) 2 + L,
"'''' L, (Y,
- .- -Y .. ) 2
i=1 H i=1 j=1 i=1 i=!
ERRORTOTAL=ERROR + ERROR
EXPERIMENTAL DEL TRATAMIENTO

Pero si se est interesado en (Yij - Y i) se puede realizar la siguiente

subdivisin:

n r n r n r

L,
"'''' L, (Yij - Y~ i) 2 = "''''L, L, (Yij - - Yi) 2 + L,
"'''' L, (Y
- i- Y;)
~ 2
i=1 i=! i=1 je l i=1 j=1

RESIDUAL = FALTA DE AJUSTE + ERROR PURO

O ERROR
EXPERIME TAL
r

como I constante = r. constante

j=1

318
 Diseo'y Anlisis de Experimentos 12

Si existe diferente nmero de repeticiones en cada punto se tiene PARA

CADA PUNTO:

L, L,
~~

(Yij - Y, .)
A 2
= L, L, (Yij
~~
-
-
Y.)
2 ~~
+ L, -
L, (Y .- Y;)
A 2

i=i je l ;=1 i=! i=1 j=1

Por ejemplo; sean los siguientes puntos:

Y ..
1)
X 1

Yu J\
Y12 J\
Y\3 J\
Y21 x,
Y22 x,
Y2J
x,

~ - 2
SCEP, = L, (Yij - Y1 .) con ri - 1 grados de libertad
j=1

con r2 - 1 grados de libertad

con rj - 1 grados de libertad

319
Dr. Frank/in Chacin

Se genera entonces el siguiente anlisis de la varianza:

ANAVAR

F.de V. G. de L. S.c. C.M. F

Regresin 1 (Y.-Y..)
~ - 2 CMREG F=CMREG/CMEP

Residual:
Falta de Ajuste Diferencia (Y.-Y)
- ~2 CM:FA F=CMFAlCMEP

ErrorPuro I(r(l) (Yj - y.)2 CMEP

Total n-I (Yj- Y.)

~ 2

Si F 1 es significativo, indica que existe Falta de Ajuste o Sesgo;lo cual conduce

a afiemar que el modelo es INCORRECTO.

Si Fino es significativo, se realiza un POOL de los errores, y ese sera el

denominador apropiado para realizar la prueba de hiptesis para Regresin, en
cuyo caso F2 = CMREG/CMRES.

320
 Diseo'y Anlisis de Experimentos 12

EL MODELO DE REGRESIN LINEAL MLTIPLE

En los trabajos de investigacin es necesario emplear tcnicas estadsticas

que permitan interpretar los resultados y de esta forma poder llegar a conclusiones
valederas que permitan al investigador aceptar o rechazar las hiptesis planteadas
inicialmente e inclusive formular nuevas hiptesis, una de esastcnicas estadsticas
de gran utilidad enlos investigadores es el anlisis de regresin, el cual es necesario
cuando se quiere encontrar relaciones entre las variables o establecer ecuaciones
de prediccin.

Mallows (1973), menciona los siguientes usos de la ecuacin de regresin:

a.- Descripcin
b.- Prediccin y estimacin
c.- Extrapolacin
d.- Estimacin de parmetros
e.- Control
f.- Construccin del modelo.

El Anlisis de Regresin requiere el cumplimiento de una serie de supuestos

necesarios para su aplicacin siendo estos de gran importancia para evitar
conclusiones erradas. Dichos supuestos han sido ampliamente discutidos por
muchos autores (Linares y Chacn, 1986).

Estos supuestos seran resumidamente:

a.- Homogeneidad de la varianza de errores

b.- Normalidad de los errores
c.- Independencia
d.- Aditividad de los efectos.

Para el estudio del cumplimiento de los supuestos y alternativas de soluciones

se tendr que realizar algunos anlisis como seran:

321
Dr. Franklin Chacin

a.- Examen de residuales

b.- Estudios y anlisis de autocorrelacin
c.- Estudio y anlisis de la multicolinealidad.

Estos procedimientos han sido ampliamente discutidos por muchos autores,

entre ellos Linares y Chacn (1986),Chacn y Meneses (1984),y Chacin (1998).

En la investigacin agrcola cuando el investigador mide el efecto que pueda

producir determinado tratamiento sobre algunas caractersticas particulares que
son de su inters (rendimiento, nmero de frutos, grosor del tallo, dimetros de la
copa, etc.), no descarta la posibilidad de que pueda existir alguna relacin o
asociacin entre una variable dependiente y algunas variables independientes o
regresoras que en algunos casos son controladas y en otras aleatorias o ambos
casos.

Por ejemplo, en un ensayo con ctricas en el que se evala la dosificacin de

Nitrgeno (N), Fsforo(P) y Potasio (K), se podra establecer un modelo que
relacione al rendimiento con las variables regresoras (N, P, K), en este caso, estas
variables regreso ras son controladas pero tambin se podra establecer relaciones
entre el rendimiento con nmero de frutos, grosor del tallo y dimetro de la
copa, que son variables aleatorias e inclusive establecer la relacin del rendimiento
con ambos tipos de variables. El anlisis de regresin permitir estudiar esas
relaciones con el fin de llegar a conclusiones de inters para los-investigadores.

Graybill (1961), expresa que uno de los propsitos de la ciencia es describir

y predecir los eventos en el mundo en que vivimos y una forma es mediante
modelos que relacionen cualidades del mundo real. Chacn y Meneses (1984) y
Cobo (1976), sealan algunas ideas expresadas por Bunge, Kempthorne, Federer,
Gill, Fisher, Neter y Graybill. Una relacin funcional entre grupos de eventos en
el mundo real es un modelo y aunque la relacin no sea exacta sino aproximada
es invalorable la prediccin, por consiguiente cuando se dice que una relacin
funcional existe entre un grupo de variables es en forma muy aproximada.

La funcin del modelo es simular el comportamiento de un sistema bajo

ciertas condiciones. La simulacin puede encontrarse mediante un modelo
matemtico que puede ser una ecuacin o un sistema de ecuaciones que representan
322
 Diseo'y Anlisis de Experimentos 12

cuantitativamente la hiptesis formulada en relacin al sistema bajo consideracin

y que envuelve variables aleatorias y parmetros. Si la ecuacin es lineal en los
parmetros el modelo se convierte en un modelo lineal, dentro de estos modelos,
el modelo de regresin lineal es uno de los mas importantes.

DESCRIPCION DE LOS DATOS Y DEL MODELO

Los datos consisten de n observaciones sobre una variable dependiente Y y

de p variables independientes Xl' X2, , Xp' Las observaciones son usualmente
presentadas de la siguiente manera:

Observaciones Y x, x, x, ..., Xp
1 Y XlI ~ x, '.') Xpl
2 Y2 Xu x, ~2
..., Xp1
3 Y3 X13 ~ ~3
..., Xp3

n y ..., X pn
n ~n

Las relaciones entre la variable Y con las variables XI' X2, X3, , Xp se
formula por el modelo lineal general de regresin de la siguiente forma:

y = X~ + E (12.7)
y vector
= (nx1) de respuesta.
X = matriz (nxp) de variables independientes
~ = vector (px1) de constantes desconocidas
E = vector (nxl) aleatorio de errores supuestos.

donde: E(E) = O Y

Expandiendo la expresin matricial del modelo se tiene:

(12.8)

323
Dr. Franklin Chacin

Los valores de Xi son fijos para i = 1,2,3, ... , n

Las constantes ~ o , ~ I , ... '~p son los coeficientes de regresin, los cuales
en su expresin clsica son interpretados como el incremento en la variable Y que
se corresponde a una unidad de incremento en X. cuando las otras variables se
mantienen constantes.

Los coeficientes ~ i son estimados haciendo mnimo la suma de cuadrados

de residuales, lo cual es conocido como el mtodo de los mnimos cuadrados.
Formalmente, el mtodo consiste en minimizar la expresin:
n n

:; = (Yi -~o -~IXli -~2X2i--~pXpJ2 (12.9)

i=1 i=1

donde las ecuaciones normales para los estimadores mnimos cuadrados seran:

(X'X)~ = X'Y (12.10)

Este sistema tiene solucin nica si y solo si la matriz X 'X tiene inversa.

rxxr ' (X'X)~ = rx'xi'x'v (12.11)

con lo cual se tiene:

~= (xx):' x-v (12.12)

~o XII X21 Xpl

A
YI
~I XI2 X22 Xp2 Y2
A A

~= ~2 X= XI3 X23 Xp3 Y= Y2

x.,
A

X2n Xpn Yn
~p

324
 Diseo y Anlisis de Experimentos 12

Si se obtiene la matriz (X X)0l , y la llamamos e, entonces se puede denotar

I

al elemento e. donde j = 1,2, 000 , p, en la suma de productos y cuadrados

JJ
corregidos.

CII Cl2
C21 C22
(X' xr' = C= i, j = 1, 2, ... , P

e
IJ

la varianza del estimador mnimo cuadrado ser:

(12.13)

Supuestos del Modelo Poblacional

Sea el modelo lineal general;

a.- Homogeneidad de varianza de errores:

E -N (O, cr2 1) , con E(E} = O

b.- Independencia de errores:

c.- Homogeneidad de Varianza de las observaciones:

debido a que E( e.) = O

- 325
Dr. Franklin Chacin

c.2.- V(Y} = V(E;) = a2 debido a que:

d.- Independencia de los Y :

Los supuestos de Y son consecuencia de los supuestos de [; i ' ya que este

trmino es el que transforma a Y en la variable aleatoria y toda funcin de
variable aleatoria es tambin aleatoria.

e.- Aditividad de los efectos:

Esta aditividad de los efectos aparece intrnseca en la expresin del modelo

MTODO DE LOS MNIMOS CUADRADOS

Este procedimiento es bsico para el desarrollo de los estimadores del

Modelo de Regresin y por supuesto para la Metodologa de la Superficie de
Respuesta (MSR), ya que a travs de la MSR se generan modelos de regresin.
Fundamentalmente en la MSR se est interesado en obtener una respuesta 11 ,la
cual es una funcin de k variables independientes que sera de la forma siguiente:

(12.14)

La forma 11 es usualmente desconocida o muy compleja; es necesario

aproximarla mediante un polinomio de bajo orden. Por ejemplo si se tiene tres
variables (Xl' X2, X3) el modelo resumido sera:

222
Y=[3 +[3 X +[3 X +[3 X +[3 X +[3 X +[3 X +[3 X X +[3 X X +[3 X X +E
o 1 1 2 2 3 3 11 1 22 2 33 3 12 1 2 13 1 3 23 2 3
(12.15)

326
 Diseo'y Anlisis de Experimentos 12

donde ~ o ,~ I , ~ 23 ' son coeficientes de regresin, Y es ia variable respuesta y

E es el error experimental. Las variables XI' X2, , X, son cuantitativas y
medidas en escala continua.

Suponiendo que la funcin f en la ecuacin (12.14) es aproximadamente

un modelo lineal en los X. Se asume que esta aproximacin es adecuada, aunque
la discusin general siguiente, puede ser alterada fcilmente para ser consistente
con una aproximacin de alto orden. Suponiendo que varios tratamientos son
considerados como varias combinaciones de los X, los datos son escritos en la
forma siguiente:

donde n > k. La combinacin actual de niveles experimentales en los X es

llamado el diseo experimental. El modelo que fue asumido por el
experimentador puede ser escrito como:

i = 1,2,3, ... ,n

donde E i es una variable aleatoria. Se asume que el Ei es independiente, con

media cero y varianza O' 2 , esto es en trminos del siguiente vector de errores:

El
E2
E=

Ep

donde: E(E) = O Y E(E E') = 0-2In V(E) = 0'2 . El modelo de

la ecuacin (12.15) puede ser escrito muy convenientemente en la forma:

y = X~ + E (12.16)

327
Dr. Frankln Chacin

donde:

Y, Po 1 XII X2, ... Xk,

Y2 p, 1 X'2 X22 ... Xk2
Y= P= X=
./

Yn Pk x; X
2n x.,
El modelo de la ecuacin (12.16) se refiere al modelo lineal general. El
lector puede realmente observar que el modelo lineal general es fcilmente aplicable
a modelos polinorniales, mayores a los de primer orden. Por ejemplo, supngase
que el modelo asumido es un modelo cuadrtico en dos variables, esto es, la
respuesta en el i-simo tratamiento envuelve los niveles (X'i , X2i) es dada por
la siguiente expresin:

(12.17)

donde i = 1,2, ... , n > 6. La matriz X y el vector P pueden ser escritos as:
Po
1 XII X2, X~, X;, (XII" X2,) p,
1 X'2 X22 X~2 X;2 (X'2 .X22) P2
X= P=
PII
(X'n .X2n) P22
P'2

La atencin se centra en la estimacin de los parmetros del vector p. El

mtodo de los mnimos cuadrados es un procedimiento de estimacin til
particularmente para modelos de la forma de la ecuacin (12.16).

328
 Diseo'y Anlisis de Experimentos 12

Dada la matriz X, una funcin de los niveles preseleccionados, y el vector Y

de respuesta; el mtodo de los mnimos cuadrados utiliza como estimador de 0
al vector que resulta en un valor mnimo de L, calculado de la siguiente manera:
n

L"\'2,
=~ Ei =E E
i=!

La suma de los cuadrados de los errores o desviaciones a partir de la respuesta

observada para el valor estimado L puede ser escrito as:

L = (Y - XP)'(Y - XP) (12.18)

entonces:
L = Y'Y - (XP)'Y - Y' X~ + (X]i)' Xp
= Y' Y - pt X' Y - Y' Xp + pt X' Xp (12.19)
=Y'Y -2ptX'Y +ptX'Xp
A

Para encontrar p:
aL
- = -2X' Y + 2(X' X)P
ap
igualando a cero:
A

(X' X)P = X'Y (12.20)

Asumiendo que X IX es una matriz no singular, se tendr que:

(12.21)

Las ecuaciones dadas por (12.20) son llamadas ecuaciones normales para
la estimacin de 0. Para el modelo de regresin de primer orden de la ecuacin
(12.16) estas ecuaciones son:

329
Dr. Franklin Chacin

~O Yi
n Xli X2i Xki A (12022)
~I XliYi
X~i XliX2iOOOXliXki A

~2 = X2Yi
X;i X2iXki 'i-

X~i A

~k XkiYi

Sesgo y Varianza de los Estimadores Mnimos Cuadrados

Considerando el modelo de regresin Y = X~ + E , el estimador de

~ ser:

~ = (X'Xrl X'Y
E(~) =A Et (X' X)- [ X' (X~ + E) }]
1
E(~) = ~ + E[ (X' Xr X' E ]

Si la E( E ) = O para i = 1, 2, 000, n
E[ (X' xr ' X' E ] =O
EW) = ~

Esto implica que cada uno de los elementos de ~ son estimadores insesgados
de ~o

En el desarrollo del Diseo de Experimentos aplicado a la Metodologa de

Superficie de Respuesta es conveniente investigar las caractersticas de la matriz
varianza-covarianza de ~ , estas seran:
A A A

Cov(~) = E(~ - ~)W - ~)'

= Cov[ (X'X)"I X'Y ]

330
 Diseo'y Anlisis de Experimentos 12

Si se considera que (xx):' X' contiene solo valores fijos y

CovY = ()2J n ,se obtiene:
I
I
Cov(~)=[(XIXrIX'] ()2In [ (XIX)X- ]

realizando la simplificacin correspondiente

(12.23)

Esta ecuacin (12.23) es muy importante, ya que implica que la varianza de

los estimadores en ~ est dada por los elementos de la diagonal de la matriz
(X'X) -1 multiplicando cada trmino por (J2 y los elementos que se encuentran
fuera de la diagonal principal multiplicados por o 2 son las covarianzas.

Po -1
A n Xli X2i Xki
PI
A X~i XliX2i .. XliXki
COY P2 a2
X;i X2iXki
A
X~i
Pk

PRUEBA DE HIPTESIS
EN EL MODELO DE REGRESIN

Para la realizacin de las pruebas de hiptesis es necesario establecer los

siguientes supuestos:

b.- Los Yi son funciones lineales de los E.' de modo que tambin se distribuyen
normalmente. I

331
Dr. Franklin Chacin

c.-f3 - N(~,(J2(X/X)-I)

Para este caso, la matriz X tiene rango p, donde p = k + 1Yk es el nmero

de variables independientes del modelo, el esquema de anlisis de la varianza est
dado en la Tabla 12.1.

Tabla 12.1 Anlisis de la varianza para el modelo de regresin

F.deV. G. deL. S. deC. CJv1.

Regresin p ~'X'y ~ 'X'y Ip

Residual n-p y'y-~X'y (Y/Y - ~X'Y) I (n-p)

Total n y'y

En el caso de un modelo de regresin polinomial, el investigador estara

ms interesado en realizar una particin adicional del modelo de regresin.
Suponga por ejemplo, un modelo de una funcin de regresin polinomial
cuadrtica, en este caso es necesario dividir la suma de cuadrados de la regresin
en los efectos lineales, cuadrticos e interacciones de primer orden de los
estimadores de los parrnetros, con el objeto de explorar la significacin de cada
uno de los efectos.

Para ilustrar los clculos necesarios en la construccin de la Tabla 12.1

considere el siguiente modelo:

y la siguiente transformacin:

332
 Diseo y Anlisis de Experimentos 12

donde los X j son los valores promedios de los X j en la muestra, donde

j = 1,2, ... , k.

Si se realiza la estimacin;

- 1
Po n O O O I Y
PI (12.24)
Sil S 12 S Ik SIY
COy P 2 Sn Sn

Pk S kk S kY

donde Sil es la suma de cuadrados corregidos de la columna de los XI;

La suma de productos entre x, y Xj , por ejemplo seran para XI y X2

n

S2 = (X'i - X)(X2i - X2)

i='

Los trminos seran SiYseran productos entre los X, y los Y, por ejemplo;
paraXyY
n

S,y = (X; - X)(Yi - Y)

i='

yel estimador ~ o sera: n

Y i
~ = ....:..i=....:.'__ =y
o n
~ ~
para los estimadores ~ ,P2' ... , P~
-1 Sy
Sk
S2Y
S2k

Skk
SkY
333
Dr. Franklin Chacin

El anlisis de la Varianza con la particin de los grados de libertad para la

regresin sera la siguiente:

Tabla 12.2. Anlisis de Varianza del Modelo de Regresin de primer orden

Fuentes de Variacin G. de L. S.deC

-2
Regresin debido a ~o 1 nY

Regresin de Xl, X2 ' , Xn k ~lSlY +~2S2Y+"'+~kSkY

Residual n-k-l diferencia

n
y2
Total n Ii=1
I

Un cuadro similar puede construirse para el caso de la regresin cuadrtica.

334
 Diseo y Anlisis de Experimentos 12

ESTIMADOR DE cr2

Inherente al problema de regresin, es importante encontrar el estimador

de la varianza del error o residual. Se describir este estimador en base al modelo
lineal general ya descrito y de la siguiente manera;

~
SC Re sidual = y' Y - W X' y
,
=Y'Y-[(X'X)-'X'Y] X'Y
= Y'Y - Y'X(X'Xr'X'Y
=Y'[In -X(X'Xr'X']Y

Se nota que SCResidual es una forma cuadrtica de los Y I S cuya matriz sera:

Si se considera el valor esperado de la SCResidual y se sustituye;

Y=X~+e
E(Y' PY) = E(e' Pe)
E(e' PE) = cr Traza
2
P

la traza de Ip es p, por lo tanto;

TrX (X' X) -i X' = Tr X' X(X' X)-'

= Tr Ip = P

335
Dr. Franklin Chacin

y resulta

Traza P = Traza (In - X(X' X) -1 X')

= n- p
Traza P
E(SCResidual) = a (n- 2
p)

Si se calcula el cuadrado medio del Residual

SCResidual
CMRes = -----
n-p

este es un estimador insesgado de a2

El valor del estadstico F para la prueba de hiptesis sera entonces:

CM Re esion
Fealc = .
CM Residual

p = k +1
k = N de Variables Independientes
Ftab = Fk,n_p

336
 Diseo'y Anlisis de Experimentos 12

USOS DE LA ECUACIN DE REGRESIN

U na ecuacin de regresin puede tener muchos usos, los cuales se podran

resumir en los siguientes:

Descripcin y construccin de modelos

Una ecuacin de regresin puede ser usada para describir procesos que
forman parte de un sistema complejo e interactuante. El propsito de la ecuacin
puede ser puramente descriptivo, a objeto de explicar la naturaleza de esta
interaccin compleja. En este sentido se presentan dos necesidades antagnicas a
saber: una es explicar la mayor cantidad de variacin como sea posible, esto
sugiere la inclusin de un nmero elevado de variables en el modelo, la otra
posicin es adherirse al principio del menor nmero de variables, el cual sugiere
que se deben tratar de entender en forma fcil la descripcin de los procesos con
tan pocas variables como sea posible.

En situaciones en los que la descripcin es el principal objetivo, se debe

tratar de seleccionar la menor cantidad de variables independientes que expliquen
la mayor cantidad de variacin de la variable dependiente.
Estimacin y prediccin

Las ecuaciones de regresin pueden ser usadas para prediccin, por ejemplo,
se podra estar interesado en predecir el valor de una futura observacin o estimar
la respuesta media que se corresponde con una determinada observacin.

Tanto la prediccin como la estimacin se hacen dentro del rango o rangos

de las variables independientes presentes en el modelo. Cuando una ecuacin de
regresin es usada con estos fines, las variables se seleccionan bajo el criterio de
minimizar el cuadrado medio del error de la prediccin.

Control

El propsito de construir la ecuacin de regresin podra ser determinar la

magnitud a la cual las variables independientes se debe alterar, para obtener un
valor especfico de la variable respuesta. En este punto la ecuacin de regresin
es vista como una funcin de respuesta. Para propsito de control, es deseable
337
Dr. Franklin Chacin

que los coeficientes de regreslOn de las variables sean medidas en

forma bastante precisa, esto es, que los errores estndar de los
coeficientes sean pequeos.

Es de hacer notar que el propsito para el cual el modelo de regresin fue

construido determina el criterio que debe ser optimizado en su formulacin; esto
supone que un subconjunto de variables puede ser el mejor para un propsito,
pero no necesariamente ser el mejor para otro. El concepto del mejor sub-
conjunto de variables a ser incluidos en una ecuacin de regresin siempre requiere
de un anlisis adicional.

CRITERIOS PARA SELECCIONAR ECUACIO ES

DE REGRESIN

Existen dos posiciones por parte de los investigadores en relacin al conjunto

de variables independientes que eben formar parte de la ecuacin de regresin,
estas son:

"e Incluir el mayor nmero posible de lasvariables predictoras, que contienen

la mayor informacin sobre las variables que puedan influenciar la respuesta, a
objeto de que los valores ajustados sean los ms confiables y seguros con fines de
prediccin.

,~ Incluir en el modelo solamente las variables de mayor relevancia en el

fenmeno bajo estudio, ya que en la mayora de los casos es irnprctico u oneroso
recabar informacin no necesaria y procesarla y adems porque la varianza de
las predicciones aumenta al aumentar el nmero de variables regreso ras.

La posicin conciliadora entre las dos, parece ser la que ha dado mejores
resultados y es la que muchos autores han llamado "la mejor ecuacin de regresin"
o "la ecuacin mas adecuada". A este respecto Hocking (1976), seala que cuando
se trata de determinar la ecuacin ms apropiada, basada en un subconjunto de
variables, se deben tener en cuenta tres aspectos:

a.- El criterio utilizado para analizar y seleccionar el subconjunto.

b.- La estimacin de los coeficientes de la ecuacin final.
 Diseo y Anlisis de Experimentos 12

c.- La tcnica computacional usada en el anlisis de los datos.

En la literatura se han propuesto varios criterios para seleccionar

la mejor ecuacin de regresin. Hocking (1976), seala una lista
bastante extensa de criterios a saber:

1.- El cuadrado del coeficiente de correlacin mltiple o coeficiente de

determinacin.

'-
SCRp
R2=--
p SCT

SCR = Suma de Cuadrados debida a regresin

SCT = Suma de Cuadrados Total.

2.- El coeficiente de determinacin ajustado.

2 _ [(n-1)(1-R~)l
Ra d~ -l- n_ p

3.- El cuadrado medio de residuales.

SCEp
CME =--
p n- p
4.- El cuadrado del error total o estadstico e p
de Mallows.
SCEp
C =--+(2p-n)
p 2 cr

5.- Promedio de la varianza de prediccin.

J = (n+p)CME
p n p

339
Dr. Franklin Chacin

6.- Promedio del cuadrado medio del error de prediccin.

CMEp
S =---'--
p (n-p-l)

7.- Suma de cuadrados de residuales estandarizada.

8.- Suma de cuadrados de prediccin.

Pr essp = G, p
D-p2 G
p

9.- Correlaciones parciales.

10.-Estadsticos de =r: y Pregiben.

11.- Suma de mnimos rores absolutos-ponderados.

12.- Criterios de F parcial y F secuencial.

13.-Uso de parmetros infinitos.

14.- Suma de mnimos errores absolutos.

15.- Suma de mnimos errores relativos.

340
 Diseo'y Anlisis de Experimentos 12

EJEMPLO ILUSTRATIVO DE REGRESIN MLTIPLE

En el siguiente cuadro se presentan los datos correspondientes a capacidad

de intercambio catinico (Y), % de carbono orgnico (X) y % de arcilla (X) en
20 muestras de suelo.

Muestra Y XI X,
1 21,80 2,69 24,00
2 26,07 2,03 35,80
3 19,77 2,72 20,83
4 28,09 2,80 31,00
5 38,84 3,73 29,00
6 29,60 2,99 57,(fJ
7 32,42 0,66 8,73
8 31,01 0,98 13,68
9 24,64 i,42 29,30
10 28,45 3,62 29,43
Jl 29,03 3,29 40,20
12 24,29 2,36 35,80
13 8,13 1,26 i7,OO
14 i2,1 i 1,55 15,20
15 16,96 2,55 20,40
16 18,20 2,11 27,40
17 11,30 1,20 15,03
18 17,32 1,97 27,70
19 33,88 2,14 52,80
20 33,50 2,05 35,10

Totales 485,41 44,13 566,20

Promedios 24,2705 2,2065 28,3100

Suma de Cuadrados corregidas

y XI X,
1329,709 14,1063 2957,058
Suma de productos
vx, vx, XIX,
48,7158 _ 924,262 109,5244

341
Dr. Franklin Chacin

1.- Modelo Poblacional planteado.

2.- Supuestos del modelo

Los Xi son fijos.

3.- Hiptesis

3.1 Anavar

~ 2 =O _
Ho: ~J

Ha: ~i *- O

3.2 Pruebas de t

Ho: ~J =0 Ho: ~2 =0 Ho: ~o =0

Ha: ~J *-0 Ha: ~2 *-0 Ha: ~o *-0

b. -~
t = --'---'--'-
Sb,

342
 Diseo'y Anlisis de Experimentos 12

3.3 Matriz Varianza-Covarianza del modelo de estimacin

Covfb ,, bl)
V(bl)
Covtb., b2)

4.- Pruebas de significacin

4.1 Anlisis de Varianza

F.deV. G. de L. S. deC. C.M.

Regresin k LbSPyx , SCReglk

Residual n-k - I Diferencia SCResidual/( n-k - 1)

Total n- 1 L(Y - y)2

4.2 Clculo de los coeficientes de regresin

4.2.1 Mtodo aritmtico simple

4.2.1.a Clculo de los coeficientes de correlacin simple

SPYX SPYX SPxx

[ _ -,====1 == [= 1 I' = 1 1
Y.I -
-v'se y se XI
Y.2 ~sey se x, 1.2 ~se XI
se x,
4.2.1.b Clculo de los coeficientes de regresin parcial

fY.1 - fY.2 [1.2

2
1- [1 2

343
Dr. Franklin Chacin

4.2.1.c Establecimiento del modelo

4.2.2 Mtodos de los determinantes con las ecuaciones normales

4.2.2.a Ecuaciones normales

SPyx=SCx
I I
~I+SPXX I 2
~2

SPyx2 = SPx I X2 ~I + SCx 2 ~2

4.2.2.b Determinantes

SP~
SP~

B' C'
b '=- b '=-
1 A' 2 A'

4.2.2.c Establecimiento del modelo de estimacin

344
 Diseo'y Anlisis de Experimentos 12

5.- Desarrollo del ejemplo

5.1 Clculo de los coeficientes de regresin

5.1.1 Mtodo aritmtico simple

5.1.1.a Clculo de los coeficientes de correlacin simple

48,7158
rYI = 1329,709 X 14,1063 = 0,3557

r - 924,262 = 04661
Y.2 - 1329,709 X 2957,058 '

109,5244
r1.2 = 14,1063 X 2957,058 = 0,5363

5.5.1.b Clculo de los coeficientes de regresin parcial

0,3557 - 0,4661 X 0,5363

b = 1-05363
= O 1489
Yu , 2 ,

0,4661- 0,3557 X 0,5363

b = = O3885
Y21 , 2
1-05363 ,

5.5.1.cEstablecimiento del modelo

A .J1329,7095 .J1329,7095
y = 24,2705 + 0,15 1063 (X, - 2,21) + 0,39 J (X2 - 28,31)
. 14, ,,2957,058

Y = 13,6535 + 1,4545X + 0,2615X2

345
Dr. Frankln Chacn

5.1.2 Mtodo de los mnimos cuadrados

B' (48,7158 X 2957,058) - (924,262 X 109,5244)

b =- = = 14545
A' (14,1063 X 2957,058) - (109,5244)2 '

-------
C' (14,1063 X 924,262) -(109,5244 X 48,7158)
b =-= =02615
2 A' (14,1063 X 2957,058) - (109,5244)2 ,

y = 24,2705 + 1,4545(X - 2,2065) + 0,2615(X2 - 28,31)

y = 13,6535 + 1,4545X + 0,2615X2

5.2 Pruebas de significacin para el modelo

5.2.1 Suma de cuadrados total = SCT

SCT = y2 _ (yf = 1329,709

n

5.2.2 Suma de cuadrados de regresin = SCREG

SCREG= 1,4545x48,7158 +0,2615 x 924,262=309,6892

5.2.3 Suma de cuadrados de residual = SCRES

SCRES=SCT -SCREG = 1329,709-309,689= 1020,020

346
 Diseo'y Anlisis de Experimentos 12

5.2.4 AVAR

F.deV. G. deL. S.c. C.M. F

Regresin 2 309,689 154,845 2,58 n.s.

Residual 17 1020,020 60,00

Total 19 1329,709

2 309,689
R = = O 2328
1329,709 '

5.3 Prueba de significacin para los coeficientes de regresin

1:>1
t =-
I sb,
sb I = .J'"C-M-RE-S-x-C-
II
SceX2) SceX2)
CII = = 2
D SceXI).SceX2)-(SPXIX2)
2957,058
CII = 14,1063 X 2957,058-109,52442 = 0,0995
sb, = .J60,00 x 0,0995 = 2,4433
1,4545
ti = 24433
, = 0,59 n.s.

347
Dr. Franklin Chacin

5.3.2 Para b,

b2
t =-
2 sb 2

sb, = ~CMRES X C22

SC(X,) 14,1063
C22 = D 29717553
, = 0,0005
sb, = ~60,00 X 0,0005 = 0,1687
0,2615
t2 = 0,1687 = 1,54 n.s.

6. Interpretacin

De acuerdo a los resultados del ejemplo, no existe una relacin lineal mltiple
entre la capacidad de intercambio catinico y lasvariables independientes contenido
de carbn y % de arcilla. Los especialistas en suelo indican que estas variables
estn asociadas, sin embargo, en este ejemplo, no se evidenci esa asociacin
debido quizs a los siguientes motivos: 1) el tamao de la muestra es bajo n = 20,
2) La relacin funcional no es lineal sino de cualquier otro tipo, polinomial,
cuadrtico, exponencial, logartmico, entre otros. 3) No se tomaron en cuenta
otras variables independientes que pueden influir para aumentar la determinacin
del modelo.

EJEMPLO ILUSTRATIVO DE REGRESION CON MATRICES

Los datos que se presentan a continuacin son correspondientes a un

experimento realizado con el cultivo de maz donde XI (Distancia entre hileras),
X2 (Nmero de mazorcas por rn/), X) (Nmero de granos por mazorca) y Y
(Rendimiento granos en Ton/ha.).

348
 Diseo y Anlisis de Experimentos 12

XI Y x, x,
Distanciamiento Rendimiento Nmero de Nmero Granos
2
(cm) Granos(Tonlha) Mazorcas/m por mazorca

20 11,56 20,3 206

20 12,00 21,0 215

20 10,40 19,0 180

25 10,66 13,4 361

25 9,80 12,8 354

25 11,50 13,6 371

30 9,82 11,0 394

30 9,60 10,8 380

30 9,50 10,0 350

40 9,28 6,3 605

40 9,00 6,0 600

40 6,30 5,9 580

50 7,55 4,0 671

50 7,00 3,5 642

60 6,00 3,0 670

60 6,20 3,2 680

60 5,80 2,8 643

100 2,29 1,2 621

100 2,50 1,3 650

100 3,00 1,8 670

349
Dr. Franklin Chacin

1.- Modelo poblacional planteado

Y, = variable dependiente
Xli ,X2i ,X3i = variables independientes
~o = int ercepto
~ I,~ 2 ,~ 3 = coeficientes de regresion de las respectivas
variables independientes
Ei = efecto aleatorio.

2.- Supuestos del modelo

X ji son fijos
E(Ei) = O
V(Ei) = 0'2
Y esta distribuido (~o + ~IXli + ~2X2i + ~3X3i ,0'2)

Ei esta distribuido ( O , 0'2)

3.- Hiptesis a probar

3.1ANAVAR

Ha: ~I = ~2 = ~3 = O
Ha: ~i ;r O

350
 Diseo y Anlisis de Experimentos 12

3.2 Pruebas de t

bo
Ho.B =O t =-
o S
bo

Ha:po "* O
bl
HO:PI =O t =-
I S
b,

Ha:PI "* O
b2
HO:P2 =O t2 =-
Sb2

Ha:P2 "* O
b3
HO:P3 =O t =-
3 S
b)

Ha:P3 "* O
3.3 Matriz Varanza-Covarianza

S2
bo

[
S = (X' Xrl&2 =

l
4.- Modelo de estimacin

4.1.- La estimacin de los coeficientes de regresin del modelo se hace a

travs del mtodo de los mnimos cuadrados utilizando el enfoque matricial. Se
parte del modelo (simplificado matricialmente)

351
Dr. Franklin Chacin
~

y= X~+E

YI 1 XII X21 X31

Y2 1 XI2 X22 X32

Y= Y3 X= 1 XI3 X23 X33

v, 1 x, X2n X3n

~O El l
~I
~= E=
~2 ~2 J
~3 En

4.2 Determinacin de las ecuaciones normales

y= X~+E
E = Y -X~
E' E = (Y - X~)' (Y - X~)

E' E = Y' Y - Y' X~ - (X~)' y - (X~)' (X~)

E' E = Y' Y - 2W X' y + W X' ~

GE' E A

-= -2X'Y +2X'X~ =O
G~
X' X~ = X' Y Ecuacioncs Normales
 Diseo y Anlisis de Experimentos 12

4.3 Si se cumple que la matriz X 'X es no singular se realiza la

premultiplicacin de ambos trminos de la ecuacin por (X X). obtenindose;
I

(X' X)-I X' X~ = (X' X)-I xv

~ = (X'X)-IX'y
(12.25)

siendo la ecuacin (12.25) la que permitir estimar los coeficientes del modelo.

5.- Pruebas de significacin

5.1 Anlisis de Varianza (ANA VAR)

F.deV. G. deL. S.e. e.M. F

Regresin k B'X'Y -n Y2 SCRegresinlk CMRegresinl

CMResidual
Residual n-k-l Y'Y-BXY SCResiduaVn-k -1

Total n- l Y'Y -n 1'"

353
Dr. Franklin Chacin

5.2.- Pruebas de t.

bo b, b2 b3
to =- t, =- t2 =- t
. 3
=-
b
sbo sb, sb2 s 3
S2 = (X' Xr' 6-2 = (X' xi' CM Residual
Si ti ~ tt-I,n-k-I Se rechaza Ho
Si ti < tt-l,n-k-' N o se rechaza Ho

6.- Prueba de Bondad de Ajuste del Modelo

6.1.- Coeficiente de Correlacin Mltiple

SC Re gresion
R=---=---
SCTotal

Este coeficiente indicara el grado de asociacin que existe entre la variable

dependiente (Y) y la funcin de regresin de las variables independientes (Xl' X2>
X).

6.2.- Coeficiente de determinacin

2 SC Re gresion
R = xlOO
SCTotal

Este coeficiente permite conocer cuanto de la variabilidad total es posible

explicar con el modelo de regresin obtenido.

354
 Diseo'y Anlisis de Experimentos 12
------------------------
7.-Desarrollo del ejemplo:

7 l.- E a::in aciSn de bs c:oefi::::i::ntes de n:grEEn

~ = (X' xr ' X'Y

r1
,56
20 20,3 206

Y~
12,00

lIO,4O xJ 20
20
21,0
19,0
215
180

2,~0
3,00 l: 100
100
1,3
1,8
650
670

7,173
A - 0,088
~=
0,253
0,006

7.2.- Pruebas de significacin.

7.2.a.- Anlisis de varianza

F.de v. G. deL. se CM F

Regresin 3 165,2875 55,095 277,81

Residual 17 3,371474 0,198322

Total 20

355
Dr. Franklin Chacin

7.2.b.- Pruebas de t.

7,173
t - - 3 68 *
o - 1,9497 - ,
- 0,08774
ti = 0,00673 = -13,04 * *

0,2526
t - -335*
2 - 007546
, - ,
0,00568
t - - 2 34 *
3 - 000242
, - ,

7.3.- Bondad de ajuste del modelo.

2 SC Re gresion
R = xIOO=98%
SCTotal

8.- Matriz de Correlacin.

Dist (XI) Rend.(Y) Mazorcas (X) Granos (X))

Dist (XI) 1,00

Rend. (Y) -0,9802 1,00

Mazorcas (X2) -0,8094 0,8597 1,00

Granos (X) 0,7490 -0,7856 -0,9705 1,00

Segn los datos anteriores la variable independiente que est mayormente

correlacionada con Y es el distanciamiento (X), con un coeficiente de correlacin
muy alto -0,9802. El signo negativo seala que las tendencias entre las variables
son opuestas; es decir, al aumentar la separacin o distancia entre las plantas
disminuye el rendimiento. Lo mismo ocurre con la relacin entre la Distancia
(Xl)" el nmero de mazorcas por metro cuadrado (X2); sin embargo el hecho de
que la correlacin entre Distancia (Xl) y el nmero de granos por mazorca (X~
sea de signo positivo sugiere que si bien cuando se aumenta la distancia entre las
356
 Diseo'y Anlisis de Experimentos 12

plantas disminuye el nmero de mazorca por metro cuadrado (X2)' el tamao o

peso de mazorcas obtenidas a baja densidad de siembra (distancia de separacin
grande) debe ser mayor, ya que el nmero de granos por mazorca aumenta
cuando la separacin entre las plantas es mayor.

9.-Con un ejercicio asignado por su profesor realice las siguientes actividades .

.- Hacer un diagrama de esparcimiento sobre una grfica

.-Calcular la ecuacin de regresin por el mtodo de los mnimos cuadrados

utilizado de matrices y vectores .

.- Establecer hiptesis y supuesto~respectivos

.- Esquema de Anavar.

.-Prueba de hiptesis .

.- Bondad de Ajuste del modelo.

.- Interpretacin.

357
 Captulo 13

ANLISIS DE COV ARIANZA

Introduccin

As como el anlisis de la varianza se present como una metodologa o

tcnica sencilla que se utiliza para obtener informacin, en este tema se tratar de
describir de manera sencilla otro tipo de anlisis que es de gran utilidad en la
investigacin agrcola, el cual se refiere como Anlisis de Covarianza y representa
otra de las tcnicas que puede ser utilizada con el objeto de reducir la varianza
experimental.

En la respuesta de un ser vivo (planta o animal) sometido en un ensayo a la

aplicacin de unos tratamientos, influyen una serie de factores que pueden ser
medidos o cuantificados por el investigador; muchos de estos factores pueden a
su vez ser controlados por el Diseo Experimental que se est usando, otras en
cambio a pesar de que pueden ser observadas y medidas no son, sin embargo,
controlables como fuentes de variacin del diseo, a este tipo de factores se les
denomina covariables o variables concomitantes.

Si se denomina Y a la respuesta que el sujeto de investigacin (animal o

planta) da a la aplicacin de un tratamiento cualquiera, se puede denominar como
X el efecto de otro factor que pueda estar actuando. Vase el siguiente par de
ejemplos:

':-Si se aplican dosis diferenciales de fertilizantes a un cultivo; el rendimiento

(Y) que produzca el cultivo como respuesta, pudiese estar influenciado por la
accin real del fertilizante en s como tambin por el nmero de plantas presentes
en la unidad experimental o parcela.

,~Si se desea medir el efecto de varias raciones alimenticias (con distintos

valores de protena por ejemplo), se escogen un grupo de animales, se pesan al
inicio del ensayo y posteriormente al concluir el perodo experimental, la diferencia

359
Dr. Frank/in Chacin

entre estas dos pesadas sera la respuesta de los animales a la aplicacin de las
distintas raciones puede deberse a un efecto real de los tratamientos (Y) o
sencillamente el peso final poda estar afectado por el peso inicial (X).

En ambas situaciones al investigador lo que le interesa es comparar la bondad

de los tratamientos, respuesta de plantas o animales a la aplicacin de los
tratamientos (variable Y) libre del efecto de la covariable X (nmero de plantas y
peso inicial, en los ejemplos). Para ello tiene que recurrir al Anlisis de Covarianza,
la cual es una metodologa sencilla que hace uso de conceptos conocidos tales
como Anlisis de Varianza y Anlisis de Regresin, permitiendo comparaciones
de los tratamientos libres del efecto de la covariable.

La covarianza tiene otra aplicacin importante en Investigacin Agrcola

cuando se usa como mtodo para la obtencin (estimacin) de datos faltantes en
un expenmento.

Modelo y Supuestos bsicos del Anlisis de Covarianza

El modelo lineal aditivo para cualquier diseo es el mismo que corresponde

al anlisis de Varianza, pero lleva un trmino adicional correspondiente a la variable
concomitante. A continuacin se presentan los modelos correspondientes a los
tres diseos clsicos:

* Completamente aleatorizado.

* Bloques al azar

':. Cuadrado latino

360
 Diseo y Anlisis de Experimentos 13

Desarrollo del Anlisis de Covarianza

La metodologa en trminos generales consiste en los siguientes pasos:

,:.Hacer anlisis conjunto de Varianza y Covarianza.

~.Con los datos correspondientes al error experimental (EE), realizar
una prueba de significacin para la regresin que indique si hay o no
efecto de la covariable.
':.Realizar una prueba de significacin de tratamientos corregidos.
*Ajustar los rendimientos, usando la ecuacin de regresin transformada.
,. Hacer comparaciones de medias ajustadas.

Con el uso de algunos ejemplos numricos se ciemostrar el uso J..:. sta

metodologa.

Ejemplo de Anlisis de Covarianza en Diseos Completamente

Aleatorizados.

Suponga que se realiza un ensayo comparativo de selecciones de algodn y

se obtiene informacin sobre rendimiento (Y) y porcentaje de infestacin (X) de
una enfermedad causada por un hongo. (Tabla 13.1). Las diferencias entre los
tratamientos pudieran deberse a efectos genticos reales de produccin entre las
selecciones o sencillamente a que algunas son ms atacadas que otras en el hongo.
Para establecer si este ltimo ocurre, se procede de la siguiente manera:

361
Dr. Franklin Chacin

Tabla 13.1 Datos de un diseo completamente aleatorizado en presencia de una

covariable.

SELECCIONES DE ALGODN
Parcela A B C D E
X Y X Y X Y X Y X Y

1 30 80 42 77 30 80 38 90 38 87
2 64 73 56 74 32 66 26 76 16 75
3 54 70 60 75 28 79 34 87 36 72
4 48 79 46 86 32 90 12 96 16 91
5 gg 71 64 77 56 72 32 89 2H 90
6 40 74 32 73 28 76 42 80 32 73

Totales 324 447 300 462 206 463 184 618 166 488

~>=IIOO X =39,30 Y =2378 Y = 79,27

362
 Diseo .Y Anlisis de Experimentos 13

Aplicacin del Procedimiento:

Primer Paso:

Se determinan las sumas de cuadrados para ambas variables X e Y por la

va usual y las sumas de productos de la siguiente manera:

,~Suma de Productos para el total:

(1180x2378)
SPTotal=[(30x80)+(64x73)+ ...+(32x73)]- 30 =-1679

,(Suma de Productos para selecciones de algodn (tratamientos)

SPTrat = ~[(324x447)+ ...+(166x488)] - F.C.= -1014

* Suma de productos para el error

SPEE = SPTotal- SPTrat = -1679 - (-1014) = -683

Con estos datos se construye la tabla siguiente:

F.de V. G. de L. SCX SPXY SCY

Selecciones (T) 4 3391 -1014 519

Error (E) 25 4412 -683 1183
Total 29 7803 -1697 1702

Ahora se puede probar la hiptesis (Ho) para las medias de rendimiento

(Y) y porcentaje de infestacin (X).

363
Dr. Frankln Chacn

519/4 129,75
Fy = 1183/25 = 4732
, = 2,74(n.s.)
3391/4 847,75
F = = = 4 80*
x 4412/25 176,49 '

El anlisis sin ajuste por covariable indica que no hay diferencias entre las
medias de rendimientos de las selecciones (no se rechaza Ho), pero si hay diferencias
entre las medias correspondientes a los porcentajes de infestacin; es decir, el
comportamiento de las selecciones con relacin al ataque del hongo es diferente
(se rechaza Ho).

Segundo paso:

Para poder establecer si el efecto del porcentaje diferencial de ataque de

hongos afecta la produccin se debe hacer una prueba de significacin para
regresin:

F.deV. G. de L. S. deC. C.M. F Fe

Regresin 1 105,73 105,73 2,36 2,49

Desv. de Reg. 24 1077,27 44,83
Residual 25 1183

Se utilizan los datos del Error Experimental del cuadro anterior.

-. Suma de Cuadrados para efecto de regresin

(SPXYEt (-683)2
SCReg = = = 105 73
SCXE 4412 '

364
 Diseo .Y Anlisis de Experimentos 13

-. Suma de cuadrados para desviaciones desde la regresin

SCD = SCYE - SCR = 1183 -105,73 = 1077,27

Este anlisis revela que a pesar de que el comportamiento de las selecciones

frente al ataque del hongo es diferente, este hecho no afecta mayormente la
produccin (2,36 < 2,49); es decir, se puede hacer las comparaciones de medias
con los datos originales sin ajustes por covarianza. No obstante para seguir
demostrando el mtodo se supone que si hubo significacin para la regresin de
y sobre X; es decir efecto del porcentaje de infestacin sobre el rendimiento.

Tercer Paso:

El siguiente paso consiste en hacer una prueba de significacin para

tratamientos ajustados.

F.de V. G. de L. S. de C. C.M. F

T ratamientos(T ') 4 255,73 64 1,43(n.s.)

Error(E ') 24 1077,27 44,9
(T + E)' 28 1333,00

En este anlisis se pierde un grado de libertad, el que se us para la regresin.

-. Suma de Cuadrados de (T + E) corregido.

(SPXYtotal)2 (-1697)2
SC(T + E)' = SCYtotal- SCXtotl = 1702 - 7803 = 1333

-. Suma de Cuadrados del Error Corregido

2
(SPXYres) (-683)
SCE'=SCYres- =1183- =1077,27
SCXres 4412

365
Dr. Frank/in Chacin

-. Suma de Cuadrados de tratamiento Corregido

SCT' = SC(T + E)'-SCE' = 1033,00 -1077,27 = 255,73

En este caso no hay diferencias vlidas entre tratamientos, igual que cuando
se hizo el anlisis sin ajuste por covarianza; suponiendo que si hubo diferencias; se
necesita hacer los correspondientes ajustes de medias de tratamientos.

Cuarto paso. Ajuste de medias:

Partiendo del modelo:

Y- j3 (X- X .. ) = jl+ r + c

tomando el lado izquierdo de la igualdad como rendimiento libre del efecto de

X y generalizando, entonces,

.... - --
Y = Y- b(X- X .. )

que dar el rendimiento ajustado Y

de un tratamiento cualquiera, en funcin de
su promedio original Y; b es el coeficiente de regresin y X es el promedio de
porcentaje de infestacin de dicho tratamiento y X .. es la media general de los
porcentajes de infestacin.
Ajustes de medias

Selecciones ti b(~-N:.) Yi - b(KiI -N ..)

A 74,5 -0,1548(54,0 -39,3) 76,0
B 77,0 -0,1548(50.0 -39,3) 78,7
e 77;2 -0,1548(34,3 -39,3) 76,4
D 86,3 -0,1548(30,7 - 39,3) 85,0
E 81,3 -0,1548(27,7 -39,3) 79,5

SPXYE -'683
b = SCX = 4412 = -0,1548
E

366
 Diseo .YAnlisis de Experimentos 13

Q,tinto xw:

Comparacin de medias para la aplicacin de la prueba de medias mds, en

este caso se usa como una expresin del error tpico de la diferencia de dos
medias la siguiente ex resin:

Sd = I[
.-~~~--------------~
1 1 (XI-X2)2]
CME -+ -+-'------"--
ni n2 SCXE
Donde CME = varianza del Error Experimental en la prueba de significacin
I

para tratamientos corregidos.

XI = promedio de % de infestacin de una seleccin (tratamiento)
X2 = promedio de % de infestacin de la otra seleccin (tratamiento)
ni y n2 = nmero de observaciones para los tratamientos respeccivos,
SCXE = Suma de Cuadrados para X del primer anlisis.

En este caso como no hay diferencias significativas entre tratamientos

(selecciones) no es necesario hacer comparaciones de medias.

Ejemplo de Anlisis de Covarianza en Diseos en Bloques Aleatorios

Sea un ensayo comparativo de seis variedades de papas del cual se obtiene

rendimientos (Y) y nmero de plantas por parcela (X).

367
Dr. Frank/in Chacin

Tabla 13.2 Datos de un diseo en bloques aleatorizados en presencia de una covariable.

Variedades
II III IV Totales
X y X Y X Y X Y X Y

A n 202 22 165 27 191 19 134 % 692

B 23 145 26 201 28 203 24 180 101 729

e 27 186 24 185 l7 185 28 220 106 778

D 24 201 28 231 30 238 30 261 112 93!

E 30 202 26 178 26 198 29 226 111 904

F 30 228 25 221 l7 207 24 204 106 860

Totales 162 1166 151 1181 165 1222 154 1225 632 4794

X: .. = 632/ 24 = 26,33

Primer Paso:

Se obtienen las sumas de productos y Sumas de Cuadrados de rutina.

':-Suma de Productos para el total:

(632x4794)
SPTotal = [(28x202)+ ...+(24x204)]- 24 = 1405

* Suma de Productos para repeticiones

1
SPRep = -[(162x 1166)+ ...+(154 x 1225)] - F.C.= 8,50
6

368
 Diseo y Anlisis de Experimentos 13

~-Suma de Productos para tratamientos

SPTrat = ~[(96x692)+ ...+(106x860)]- F.C.= 559,25

::-Suma de productos para el error

SPEE = SPTota!-SPRep-SPTrat = 1485-8,50-559,25 = 917,25

Con estos datos se construye la tabla siguiente:

F.de V. G. de L. SCX SPXY SCY

Total 23 181,33 1485 18678,50

Repeticiones 3 21,67 8,50 436,17
Selecciones (T) 5 45,83 559,25 9440,00
Error (E) 15 113,83 917,25 8752,33
T+E 20 159,66 1476,50 18242,33

Ahora se puede probar la hiptesis (Ho) para rendimiento (Y) y nmero

de plantas (X).

9440/5 1888
F = = = 324*
y 8752,33/15 583,49 '
45,83/5 9,17
F = = -- = l.20n.s.
x 113,83/15 7,59
El anlisis sin ajuste por covariable indica que hay diferencias entre las medias
de rendimientos de las selecciones (se rechaza Ho), pero no hay diferencias entre
las medias correspondientes a nmero de plantas (no se rechaza Ho).

369
Dr. Franklin Chacin

Segundo paso:

Prueba de significacin para regresin:

F.de V. G. de L. S. de C. C.M. F

Regresin 1 7391,26 7391,26 77,57

Desv. de Reg. 14 1334,07 95,29
Residual 15 8725,33

Se utilizan los datos del Error Experimental del cuadro anterior.

-. Suma de Cuadrados para efecto de regresin

(SPXyEr (917,252)
SCReg = = = 739125
SCXE 113,83 '
-. Suma de cuadrados para desviaciones desde la regresin

En este caso si hay influencia notable del nmero de plantas (X) sobre el
rendimiento (Y), es decir hay regresin de Y sobre X, por lo tanto se requiere
. .
ajustar tratarruentos.

Tercerl'aso:

Prueba de significacin para tratamientos ajustados.

F.deV. G. de L. S. de C. C.M. F

, 5,83':':
Tratamientos 5 3253,92 650,70
,
Error 14 1334,07 95,29
(T + E)' 19 4587,99

370
 Diseo y Anlisis de Experimentos 13

-. Suma de Cuadrados de (f + E) corregido.

(SPXY )2 (147650)2
SC(T E)' = SCY - T+E = 1824233 - ' = 4587 99
+ T+E SCX ' 15966 '
~E '

-. Suma de Cuadrados del Error Corregido

(SPXY E .) (917 25)2
SCE'=SCYre- =875233-' =133407
S SCX E ' 113,83 '

-. Suma de Cuadrados de tratamiento Corregido

SCT' = SC(T + E) - SCE' = 4587,99 -1334,07 = 3253,92

El ajuste hecho a los tratamientos aumenta la significacin entre los mismos.

Cuarto paso. Ajuste de medias:

Partiendo del modelo:

tomando el lado izquierdo de la igualdad como rendimiento libre del efecto de

X y generalizando, entonces,

~ - -
Y = Y- b(X - X .. )

Ajustes de medias

Variedades Yi b(Xi - X ..) Yi - b(Xi - X ..)

A 173,00 8,05 (24,00 - 26,33) 191,80
B 182,25 8,05 (25,25 - 26,33) 191,00
C 194,50 8,05 (26,50 -26,33) 193,10
D 232,75 8,05 (28,00 - 26,33) 219,30
E 201,10 8,05 (27,75 -26,33) 189,60
F 215,00 8,05 (26,50 - 26,33) 213,60

371
Dr. Frank/in Chacin

x = 26,33

b = _S_PX_Y",-E 917,25
SCXE 113,83 = 8,05

Quintopaso:

Comparacin de medias para la aplicacin de la prueba de medias mds, en

este caso se usa como una expresin del error tpico de la diferencia de dos
medias la siguiente ex resin:
r-~~~---------------=
Sd = CME/[_1 +_1 + (XI-X2)2]
ni n2 SCXE
Donde CME' = varianza del error experimental en la prueba de significacin
para tratamientos corregidos.
XI = promedio de plantas de una variedad (tratamiento)
X2 = promedio de plantas de la otra variedad (tratamiento)
nI y n2 = nmero de observaciones para los tratamientos respectivos.
SCXE = Suma de Cuadrados para la covariable.

En el ejemplo, si se compara la media de D con la de E:

1 1 (28,00-27,75)2]
Sd = 9529 [ - + - + = 5 64
, 6 6 11383
, '
219,30-189,60
1:c= = 5 27 * *
5,64 '
I,ab = 2,62 Y 2,98

Para niveles de significacin de 0,05 y 0,01 respectivamente.

Existen diferencias, altamente significativas entre D y E los cuales son los

rendimientos extremos. Se procede de igual forma para las otras comparaciones
posibles.

372
 Diseo .Y Anlisis de Experimentos 13

Ejemplo de Anlisis de Covarianza en Diseos Cuadrados Latinos

Resultados en lb-parcela (Y) y nmero de plantas en un ensayo de seis lneas

de maz (datos tornadas de Federer).

Tabla 13.3.Datos de un diseo en cuadrados latinos en presencia de una covariable.

Lnea A B e D E F Total

X 15 16 18 14 15 17 96
Y 8,6 7,5 6,7 6,5 8,2 4,7 42,2

Lnea B e o E F A
X 16 15 16 19 21 14 101
Y 7,6 8,2 8,3 4,6 5,2 6,5 40,4

Linea e D E F A B
X 15 16 16 19 15 17 98
Y 5,7 9,6 7,1 4,8 7,5 7,5 42,2

Lnea D E F A B e
x 18 18 20 18 22 17 113
Y 8,3 5,3 10,0 6,8 7,8 6,6 44,8

Linea E F A B e D
x 15 18 19 16 16 15 99
Y 8,3 7,9 5,4 9,3 4,8 8,0 43,7

Lnea F A B e o E
X 18 20 19 17 17 15 106
Y 5,7 8,7 8,1 6,1 7,2 7,4 43,2

X 100 103 108 h03 106 95 615

Y 44,2 47,2 45,6 38,1 40,7 40,7 256,5

TOTALESDE TRATAMIENTOS

Linea A B e D E F
X 102 98 102 100 !O! 112
Y 42,5 49,3 42,5 45,7 45,4 31,1

373
Dr. Franklin Chacin

PrimerPaso:

Sumas de productos y Sumas de Cuadrados

-. Suma de Productos para el total:

(615x256,5)
SPTotal= [(18x8,6+) ...+15x7,4)
( ]- 36 =-10175

-. Suma de Productos para Filas:

1
SPFilas = 6[(98x42,2)+ ...+(106x43,2)] - F.C.= 4708

-. Suma de Productos de Columnas:

1
SPCol = 6[(100x44,2)+ ...+(95x40,7)] - F.C = 3358

-. Suma de Productos para tratamientos

SPTrat = ~[(102x42,5)+ ...+(112 x31,l)] - F.C.= -25208

-. Suma de productos para el error

SPEE = SPTotal- SPRep- SPTrat = -10 175 - 4708 - 3358 - (-25208) = 6967

Con estos datos se construye la tabla siguiente:

F.de V. G. de L. SCX SPXY SCY

Total 35 134750 -10175 73260

Filas 5 29503 4708 1906
Columnas 5 17583 3358 10010
Tratamientos (T) 5 19917 -25208 32413
Error (E) 20 67677 6967 28939
T+E 25 87594 -18241 61352

374
 Diseo .YAnlisis de Experimentos 13

32413/5 6482,60
F - - - 4 48**
y - 28939/20 - 1446,95 - ,
19917/5 3983,40
F, = 67677/20 = 338385
, = 1,18(n.s.)
F;ab = 2,71 Y 4,10.

El anlisis sin ajuste por covariable indica que hay diferencias entre las medias
de los tratamientos (se rechaza Ho), pero no hay diferencias entre las medias
correspondientes a nmero de plantas (no se rechaza Ho).

Segundo paso:

Prueba de significacin para regresin:

F.de v. G. de L. s. deC. C.M. F

Regresin 1 717;22 717;22 <1

Desv. de Reg. 19 28221,78 1185,36
Residual 20

-. Suma de Cuadrados para efecto de regresin

SCReg =
(SPXYE r =
(69672)
= 717 22
SCXE 67677 '
-. Suma de cuadrados para desviaciones desde la regresin

SCD = SCYE - SCR = 28939,00 -717,22 = 28221,78

En este caso no hay influencia notable del nmero de plantas (X) sobre el
rendimiento (Y); es decir, no hay regresin de Y sobre X, por lo tanto no se
requiere ajustar tratamientos. En consecuencia el resto del anlisis se hace con los
rendimientos iniciales (sin ajustar).

375
Dr. Franklin Chacin

Tercer Paso:

Prueba de significacin para tratamientos ajustados.

Se procede de la misma manera que en los casos anteriores, esto se hara si

el anlisis anterior lo hubiese indicado necesario.

Cuarto paso. Ajuste de medias:

Se procede igual que en los casos anteriores usando el modelo:

tomando el lado izquierdo de la igualdad como rendimiento libre del efecto de

X y generalizando, entonces,

" - --
Y = Y- b(X- X ..)

Comparacin de medias ajustadas.

Se procede igual que en los casos anteriores, usando la expresin:

2 (X X)2 ]
Sd = CME' -+ 1- 2
[r SCXE

376
 Diseo y Anlisis de Experimentos 13

TCNICA PARA LA PARCELA FALTANTE

En muchos experimentos debido a situaciones inesperadas pueden perderse

una o varias unidades experimentales. Tales perturbaciones pueden ocurrir debido
a muchas razones tales como, aguachinamiento de la parcela, enfermedades, plagas,
muerte de los animales que constituyen la unidad experimental, etc.

Existen mtodos desarrollados para analizar datos bajo estas situaciones

pero generalmente estos mtodos son complicados. Existe otra serie de mtodos
ms sencillos que permiten estimar el valor de la parcela perdida y realizar los
analisis sin que se pierda el grado de balanceo o simetra de los procedimientos
analticos.

La situacin que ocurre msjreaentemenieesaqudla en laquefalta unaobsertaan:

En este caso se debe emplear un mtodo que permita estimar un valor que
reemplace a la observacin faltante y despus proceder con el anlisis usual. El
procedimiento de estimacin de la observacin faltante, comnmente usado por
los estadsticos consiste en asignar aquel valor de la observacin faltante que reduzca
la suma de cuadrados del error experimental cuando se efecta el anlisis de
varianza. Desde el punto de vista matemtico este resulta ser un problema que se
resuelve mediante el clculo diferencial representando como OFa la observacin
faltante, calculando la expresin algebraica de la suma de cuadrados del error
experimental, derivando esta ecuacin con respecto a OFe igualando a cero
para obtener una solucin.

El procedimiento puede resumirse a la siguiente frmula, la cual proporciona

una estimacin de la observacin faltante de acuerdo con el principio anterior.

rr- bB-S
OF=---- (13.1)
(t-l)(b-l)

377
Dr. Franklin Chacin

t = nmero de tratamientos.
b = nmero de bloques.
T = suma de observaciones con el mismo tratamiento como la
observacin faltante.
B = suma de observaciones con el mismo bloque como la observacin
faltante.
S = suma de todas las observaciones reales.

Este valor de OF se anota posteriormente en el sitio adecuado en la tabla de

datos y los datos se analizan en la forma acostumbrada, tomando en cuenta que
el error experimental pierde un grado de libertad debido a la estimacin de la
observacin perdida, por consiguiente los grados de libertad para el error
experimental en un diseo en bloques al azar sern (t -1)(b -1) - 1Ylos grados de
libertad para el total son (bt - 2).

El segundo cambio es un poco ms complicado de aplicar. Antes de detallar

este cambio es necesario que se discuta que es y porque es necesario. Puede
demostrarse que bajo la hiptesis nula, el valor esperado de SCTrat/(t-1); es
decir, el cuadrado medio de tratamiento, calculado a partir de los datos
aumentados es mayor que S2 , el cuadrado medio del Error Experimental. Si esto
es as, cualquier prueba de hiptesis que sea correcta pero que sea hecha de esta
forma, ser una prueba sesgada ya lo sumo puede ser considerada aproximada.
La correccin de estos sesgos, el segundo cambio mencionado anteriormente,
consiste en disminuir la suma de cuadrados de tratamiento en la cantidad:

[B - (t -l)OFr
Correccion por sesgo = Se = ( ) (13.2)
t t- 1

Por lo tanto la nueva suma de cuadrados de tratamientos ser

/

SCTrat' = SCTrat-Se

y finalmente se obtiene el Anlisis de Varianza siguiente:

378
 Diseo .YAnlisis MExperimentos 13

re.-
g2:'
F.de V. G. d~-'L. SC i)lCM F

, ,
Trar t-1 SCTrar CMtrat ;>:ltCMTtrat' /CMEE
Bloque b-1 SCBloq CMBloq
EE (t-I) (bf'l)-l SCEE :51 CMEE f~
Total SCTotal ) .
bn- 2 ;1 . - .<

)h n'l'
sI
5D j

Ejemplo prctico sobre-tcnicas para parcelas faltantes

;2 n;

Tabla ~3A.Datos sobre u&1 experimento realizado con seis variedades de

Soya con cuatro repeticiones en un Diseo Experimental en Bloques. Los datos
estn dados en Kg-parcela. Jfj eb:
TO_ Tl2:;
,
OIL )(..

TRA TAMIENfOS J51

REP 1 2 jfi.3 4 );5 6 Totales

1 24 23 28
'1"1'3 d:30 41 146
II 18 17 ;~T 17 19 Ji)J;19 18 108
II 41 41 [25149 39 l5c19 18 207
IV 46 69 ~ .074 58 ~qI~54 59 360
Totales 129 150 tuo168 1163uj 122 136 821

,1
''10, -=-1
Estimacin de la parcela fultcrnte
tT+bB-S 6(116)+4(146)-821
OF = =. = 30 6
(t-l)(b-l) 5x3 '

La correccin por sesgos en la suma de cuadrados de tratamiento sera

entonces:

379
 .. ]2' ['146 -:-5x~O,6~2 .
( B. - tB--lt)OF r

Correccion.pce sesgo=a S, =) ='~ = 1,63:

t(t-il) 6x5t,x,

Puede.seguirse elsnismo pnocedimiento.generai, usando eltclculo para

obteabrestrmaoicneso Sepeden calcular: tambin las estimaciones a travs de
rntods iterativos,.quep-rappocionen resultados equivalentes. Supongase que faltan
dos valores; para!llllO de ellos.se sustituye.la media de todas las observaciones
registradasyauego~tima,d:segundo:v..alorfaltalte usando la ecuacin (13.1).
Coloque esaestimacinemsulugar adecuado.de la tabla, lleve.lamedia general de
su posicirial lugar 4elapri~enmbservacin faltanre y despus.estime un valor
de laprsmeraoobsercacin.fltante usando de nuevo laecuacin :(13.1).
Aproximadamente despus ;deoosciclos se encomrar.muy poc~,o ningn cambio ..
entre dosestimacionessucesivasdel mismo valor fultante. Al Ilegar aeste punto::
se tienen los valores' estimados definitivos, Este procedimiento puede generalizarse
Icilmenraacasos erolos que f:Pteh tres o ms observaciones. '.-

Sin mbargo hay otros cambios que son necesarios, ante todo se deben
reducir los grados de .libertad asociados con el error experimental como con el
total, en el nmero de observaciones estimadas. Tambin debe reducirse la Suma
de CUadrados de Tratamiento en una cantidad especificada a fin de corregir por
los sesgos incorporados por el procedimiento. Si se tienen dos observaciones
faltantes (no eneLmismo bloque) la correccin necesaria para-los sesgos viene
dada por:
. . [B' -(t-l)OF,r+IBL'-(t-ljOF'lj2
Corrocion por sesgo.st.S, =, _ . J
t(t -1-) .

380' ,
 Diseo y Anlisis de Experimentos 13

donde

OF' = Primera observacin faltante.

OF' , = Segunda observacin faltante.
B' = total de las observaciones en el mismo bloque en que se presenta la primera
observacin faltante.
B" = total de las observaciones en el mismo bloque en que se presenta la segunda
observacin faltante.

Aplicacin de la Covarianza en la estimacin de datos faltantes

Para usar el anlisis de covarianza para estimar datos faltantes se supone una
variable X relacionada con otra Y, los valores de X son ceros para todos los
valores presentes y -1 para el faltan te, para la variable Y se coloca O en. el par de
datos faltante y se colocan los valores reales en los dems casos. Las sumas de
productos y las sumas de cuadrados se calculan de la forma convencional y
finalmente trabajando con los datos del Error Experimental se calcula el coeficiente
b, ignorando el signo de la suma de productos; este valor representa el valor
estimado del dato faltante.

Suponga un diseo en bloques al azar con un valor perdido: parcela del

tratamiento A en la repeticin ID. Tabla 13.5.

381
Dr. Franklin Chacin

Tabla 13.5. Datas de ejercicio de aplicacin de covarianza para la estimacin de

datas faltantes

REPETICIONES
Trata- 1 II III IV V
rruentos X Y X Y X Y X Y Totales

A O 6 O 7 -1 O O 9 -1 22
B O 2 O 5 O 4 O 5 O 12
C O 8 O 7 O 9 O 6 O 30
D O 3 O 7 O 5 O 5 O 20

O 19 O 26 -1 18 O 25 -1 84

ANA VAR Y ANCOVA

F.deV. G. de L. SCX SPXY SCY

Total 15 1-(1/16)= 15/16 5,37 27,75

Rep. 3 (1/4)-(1/16) = 3/16 0,87 9,25
Trat. 3 (1/4)-(1116) = 3/16 -0,12 18,75
Error 9 9/16 4,51 59,75
T+E 12 4,39 79,50

El dato faltante es obtenido;

SPXYE 4,51
b = SCX
E
= 9/16 = 8,1
Este sera el valor estimado de Y correspondiente a la parcela del tratamiento
A en la repeticin III.

A continuacin se mostrar otro ejemplo correspondiente a los datas de

contenido de cido ascrbico en mili gramos por 100 grs. de peso seco en tres
variedades de vainita.

382
 Diseo y Anlisis de Experimentos 13

-Tabla 13.6. Datos de otro ejercicio de aplicacin de covarianza para la estimacin

de datos faltantes.

REPETICIONES
Trata- 1 II III IV V
mientos X Y X Y X Y X Y X Y

A -1 O O 887 O 897 O 850 O 975

B O 857 O 1189 O 918 O 968 O 909
C O 917 O 1072 O 975 O 930 O 954

-1 1774 O 3148 O 2790 O 2748 O 2838

ANA VAR YANCOVA

F.deV. G. de L. SCX SPXY SCY

Total 14 1-(1115)= 14/15 -886,53 945,296

Rep. 4 (113)-(1115) = 4/15 -295,20 359,823
Trat. 2 (1/5)-(1115) =2/15 -164,73 206,533
Error 8 8/15 -426,60 381,940
T+E 10 -591,33 1893,592

La estimacin del dato faltante es obtenido y su valor se calcula de la siguiente

manera:
SPXY E 426,60
b = SCX
E
= 8/15 = 800

383
 REFERENCIAS BIBLIOGRAFICAS

Atkinson, A. c.; W. G. Hunter, 1968.The Design ofExperiments for Parameter

Estimations. Technometrics 10:271-289.

Barlett, M.S. 1974. "Toe Use of Transformations". Biometrics, Vol.3, pp 39-52.

Box G., E. P.; K. B. Wilson. 1951.On the Experimental Attainment of Optimum

Conditions.J. R. Statis. Soe. Serie B 13 : 1-45

Canavos, G. 1988. Probabilidad y Estadstica. Aplicaciones y Mtodos. Mxico.

Mc. Graw Hill. 651 p.

Chacn L., F. 1977.Importancia de los Estudios de Correlacin y Regresin en el

Campo Agrcola. Rev. Fac. Agron. (Maracay). 9(3): 75-96.

Chacn L., F. 1988. Una Contribucin para el Anlisis Estadstico de Cultivos

Perennes y Semiperennes. Trabajo de Tesis para optar al ttulo de Doctor en
Ciencias Agrcolas. Facultad de Agronoma. Universidad Central de
Venezuela. 160p.

Chacin L.; M. Cobo; o. Garrido; A. T. Leal; 1985. Diseo de Experimentos.

Facultad de Agronoma. Universidad Central de Venezuela. (Mmeografiado)

Cochran, W.; G. Cox. 1980.Diseos Experimentales,Mxico.Me. Graw Hill, 650p.

Cochran, W.; G. Cox. 1957.Experimental Design. 2a ed. Wiley. Nueva York.

Davies, O. L. 1956. Design ano Analysis of Industrial Experiments, 2 a Ed. New

York. Hafner Publishing Company Ine.

Draper, N. R.; H. Srnith. 1981. Applied Regression Analysis. 2a Ed. Nueva

York. John Wiley and Sons. 709p.

385
Dr. Frank/in Chacin

Draper, N. R.; H. Smith. 1966. Applied Regression Analysis. London Sidney.

John Wiley and Sons. 80 p.

Duncan, D. B. 1951. A Significance Test for Differences between Ranked

Treatments in an Analysis ofVariance, Va. J. Sci. 2: 171-189.

Duncan,D.B.1955. "MultipleRangeandMultipleFtest".Biometrics, Vol.l1,pp 1-42.

Dunnett, C. W. 1964. "New Tables for Multiple Comparisons with a Control".

Biometrics, Vol. 20, p 482-491.

Federer, W. T. 1955. Experimental Design. Me. Milan Co. New York.

Gabriel, K.R. 1964. "A Procedure for Testing the Homogeneity of all Sets of
Means in Analysis ofVariance". Biometrics, Vol. 3, pp 459.

Hernndez, A.; Soto E. 1986. Una metodologa para el anlisis de mediciones

repetidas en el tiempo sobre la misma unidad experimental. Tesis de Maestra,
UCV. Maracay. Venezuela.

Martinez, D. A.1988 Diseo de Experimentos. Mtodos y Elementos de Teora.

Mxico, Ed. Trillas. 300p.

Martinez, D. A. 1971. Aspectos Econmicos del Diseo y Anlisis de Experi-

mentos. Mxico. Colegio de Post-graduados Chapingo. 200 p.

Montgomery, D.C. 1976.Design and Analysis of Experiments. New York, John

Wiley and Sons. 2oop.

Pearson, E.s.; H. O. Hartley. 1966. "Biometrika Tables for Statisticians". Val 1.3a
Ed., Cambridge University Press, Cambridge.

Pimentel, G. !978. Curso de Estadstica Experirental. 8va. Ed. ESA "Luis de

Quiroz", Picacicaba, SP.

386
 Referencia Bibliogrfica

Scheffe, H. 1959. The Analysis ofVariance. Wiley, New York.

SteelandTome. 1990.Bioestadstica,Principiosy Procedimientos. 2a . Ed.,Mxico. 622p.

Tukey,J. W.1953. TheProblemofMultipleComparisons.Princeton University,

Princeton, NJ (Dtto)

T ukey, J. W. 1949. "Cornparing Individual Means in the Analysis of Variance".

Biometrics, Vol. 5 p 99-114.

387
Anexos
Tabla A: Valores del estadstico de Wilk y shapiro

n 0.01 0.02 0.05 0.10 0.50 0.90 0.95 0.98 0.99

3 0.753 0.756 0.767 0.789 0.959 0.998 0.999 I.OO()" 1.000
4 .687 .707 .748 .792 .935 .987 .992 .996 .997
5 .686 .715 .762 .806 .927 .979 .986 .991 .993
6 .713 0.743 0.788 0.826 0.927 0.974 0.981 0.986 0.989
7 .730 .76;) .803 .838 .928 .972 .979 .985 .988
8 .749 .778 .818 .851 .932 .972 .978 .984 .987
9 .764 .791 .829 .859 .935 .972 .978 .984 .986
10 .781 .806 .842 .869 .938 .972 .978 .983 .986
11 0.792 0.817 0.850 0.876 0.940 0.973 0.979 0.984 0.986
12 .805 .828 .859 .833 .943 .973 .979 .984 .986
13 .814 .937 .866 .889 .945 .974 .979 .984 .986
14 .825 .846 .874 .895 .947 .975 .980 .984 .986
15 .835 .855 .881 .901 .950 .975 .980 .984 .987
16 0.844 0.863 0.887 0.906 0.952 0.976 0.981 0.985 0.987
17 .851 .869 .892 .910 .954 ."J77 .981 .985 .987
18 .858 .874 .897 .914 .956 .978 .982 .986 .988
19 .863 .879 .901 .917 .957 .978 .982 .986 .988
20 .868 .884 .905 .920 .959 .979 .983 .986 .988
21 0.873 0.888 0.908 0.923 .960 0.980 0.983 0.987 0.989
22 .878 .892 .911 .926 .961 .980 .984 .987 .989
23 .881 .895 .914 .928 .962 .981 .984 .987 .989
24 .884 .898 .916 .930 .963 .981 .984 .987 .989
25 .888 901 .918 .931 .964 .981 .985 .988 .989
26 0.891 0.904 0.920 0.933 0.965 0.982 0.985 0.988 0.989
27 .894 .906 .923 .935 .965 .982 .985 .988 .990
28 .896 .908 .924 .936 .966 .982 .985 .988 .990
29 .898 .910 .926 .937 .966 .982 .985 .988 .990
30 .')00 .912 .927 .939 .967 .983 .985 .988 .900
31 0.902 0.914 0.929 0.940 0.967 0.983 0.986 0.988 0.990
32 .904 .915 .930 .941 .968 .983 .986 .988 .990
33 .906 .917 .931 .942 .968 .983 .986 .989 .990
34 .908 .919 .933 .943 .969 .983 .986 .989 .990
35 .910 .920 .934 .944 .969 .984 .986 .989 .990
36 0.912 0.922 0.935 0.945 0.970 0.984 0.986 0.989 0.990
37 .914 .924 .936 .946 .970 .984 .987 .989 .990
38 .916 .925 .938 .947 .971 .984 .987 .989 .990
39 .917 .927 .939 .948 .971 .984 .987 .989 .991
40 .919 .928 .940 .949 .972 .985 .987 .989 .991
41 0.920 0.929 0941 0.950 9.972 0.985 0.987 0.989 0.991
42 .922 .930 .942 .951 .972 .985 .987 .989 .991
43 .923 .932 .943 .951 .973 .985 .987 .990 .991
44 .924 .933 .944 .952 .973 .985 .987 .990 .991
45 .926 .934 .945 .953 .973 .985 .988 .990 .991
46 0.927 0.935 0.945 0.953 0.974 0.985 0.988 0.990 0.991
47 .928 .936 .946 .954 .974 .985 .988 .990 .991
48 .929 .937 .947 .954 .974 .985 .988 .990 .991
49 .929 .937 .947 .955 .974 .985 .988 .990 .991
50 .930 .938 .947 .955 .974 .985 .988 .990 .991
Tabla 8: Valores del estadstico para la Prueba de Cochran a un nivel de significacin del 5%

k\n 2 3 4 5 6 7 8 9 10 11 17 37 145 X

2 O.99KI 0.9710 0.9392 0.9057 0.8772 085H 0.8332 0.811Y 0.8010 0.7880 0.7341 0.6602 O.IKI3 O.lOOQ
3 O.966Y 0.87OY 0.7977 O.74S7 0.7071 0.6771 0.6130 0.6])3 0.6167 0.6021 0.5466 0.4748 0.4031 O.33D
0.9065 0.7679 0.6841 0.6287 0.1891 05598 0.5365 05175 0.1017 0.4884 0.4366 0.3720 0.3OY3 0.2\00

I 0.8412 0.6838 0.5981 0.54'1 0.1065 0.'783 0.'56< 0.4387 0.4241 0.4118 0.3641 0.3066 0.2113 0.20'J()
6 0.7808 0.6161 O.l32 1 0.'803 0.4447 0.4184 0.3980 0.3817 0.3682 0.3l68 0.313l 0.2612 0.2119 0.1667
7 0.7271 0.5612 0.4800 0.4307 0.3974 0..3726 0.3l3l 0.338. 0.32l9 0.31l4 0.27l6 0.2278 0.18]) 0.1429

8 0.6798 0.lll7 0.4377 0.3910 0.3l9l 0..3362 0.318l 0.3043 0.2926 0.2829 0.2462 0.2022 0.1616 0.1250
9 0.638l 0.477l 0.4027 0.358' 0.3286 0.3067 0.2901 0.2768 0.26l9 0.2l68 0.2226 0.1820 0.0446 0.1111
10 0.6020 0.44l0 0.37)3 0.])11 0.302Y 0.2823 0.2666 0.2l41 0.2439 0.23l3 0.2032 0.165l 0.1308 0.1000

12 0.l410 0.3924 0.3264 0.2880 0.2624 0.243Y 0.2299 0.2187 0.2098 0.2020 0.1737 0.1403 0.1100 0.0833
15 0.4709 0.3346 0.2758 0.2419 0.2195 0.2034 0.1911 0.181l 0.1736 0.1671 0.1429 0.1144 0.0889 0.0667
20 0.38Y4 0.270l 0.220l O.IYlI 0.1735 0.1602 0.1501 0.1422 0.1Jl7 0.1303 0.1108 0.0879 0.067l O.O\o(

24 0.3434 0.23l' 0.1907 0.1656 0.1493 0.1374 0.1286 0.1216 0.1160 0.1113 0.09'2 0.0743 0.Ol67 0.0417
30 0.2929 0.1980 0.ll93 0.1l77 0.12)7 0.1137 0.1061 0.1002 0.O9l8 0.0921 0.0771 0.0604 0.O4l7 0.03D
40 0.2370 0.ll76 0.12l9 0.1082 0.QY68 0.0887 0.0827 0.780 O.O74l 0.0713 0.Ol9l 0.0462 0.0347 002S0

..
60 0.1737 0.1131 0.089l 0.0765 0.0682 0.0623 0.0583 0.0552 0.Ol20 0.0497 0.041 I 0.0316 0.023. O.Ulb7
120 0.0998 0.0632 0.0495 0.0419 0.0371 0.0337 0.OJ12 0.0292 0.0279 0.0266 0.0218 0.016l 0.0120 0.0083
O O O O O O O O O O O O O

Tabla C: Valores del estadstico para la Prueba de Cochran a un nivel de significacin JcI 1%

k\ n 2 3 4 5 6 7 8 9 10 11 17 37 145 xl

2 0.999 0.9950 0.979' 0.9586 0.9)73 O.YI72 0.8988 0.8823 0.8674 0.8l39 0.7949 0.7067 0.6062 o.scoo
3 0.9933 0.9'23 0.8831 0.833l 0.79)) 0.7606 0.7)3l 0.7117 0.6912 0.67'3 0.6Ol9 0.lll3 0.4230 0.3333
4 0.9676 0.8643 0.781' 0.7212 0.6761 0.6410 0.6129 0.l897 0.l702 0.ll36 0.488' 0.40l7 O.32ll o.zsoo

5 0.9279 0.788l 0.6957 0.6329' 0.1875 0.1531 0.1259 O.lO)7 0.'85' 0.4697 0.4OY4 o.nn 0.2644 0.2M
6 0.8828 0.7218 0.6258 0.5635 O.ll9l 0.4866 0.4608 0.4401 0.'229 0.408' 0.3529 0.28l8 0.2229 0.1667
7 0.8376 0.664' 0.568l O.lO80 0.46l9 0.4347 0.4105 0.3YII 0.3751 0.3616 0.3105 0.2.94 0.1929 0.1429

8 0.7945 0.6142 0.5209 0.,627 0.4226 0 ..3932 0.3704 0.3l22 0.337) 0.32'8 0.2779 0.2214 0.1700 0.12l0
9 0.7544 0.5727 0.4810 0.4251 0.3870 0.3592 0.3378 0.3207 0.3067 0.29l0 0.251' 0.1992 0.1521 01111
10 0.7175 0.5358 0.4469 0.393' 0.3872 0.3308 0.3106 0.2Y45 0.2813 0.2704 0.2297 0.1811 0.1376 0.1000

12 0.6528 0.4751 0.3919 0.3428 0.J09Y 0.2861 0.2680 0.2l25 0.2'19 0.2320 0.IY61 0.153l 0.lIl7 0.08])
Il 0.1747 0.4069 0.3317 0.2882 0.2593 0.2386 0.2228 0.2104 0.2002 0.1918 0.1612 0.1251 0.0934 0.0667
20 0.4799 0.3297 0.2654 0.2288 0.2048 0.1877 0.1748 0.16<6 0.1567 o.iso: 0.12'8 O.OY60 0.0709 0.0100

24 0.4247 0.2871 0.2295 0.1970 0.17l9 0.1608 0.149l 0.1406 0.1))8 0.1283 0.1060 0.0810 0.Ol95 0.0417
30 0.3632 0.2412 0.1913 0.1635 0.l4l4 0.1327 0.JlJ2 0.1117 0.1100 0.IOl4 0.0867 0.O6l8 0.0480 0.0)))
40 0.2940 0.1915 0.1508 0.1281 o.uss 0.1033 0.O9l7 0.0898 O.08lJ 0.0816 0.0868 0.OlO3 0.0363 0.0250

..
60 0.2151 0.1371 0.1069 0.0902 0.0796 0.0722 0.0668 0.0625 O.Ol94 0.0567 0.0461 0.0344 0.0245 0.0167
120 0.1225 0.0759 0.0585 0.048Y 0.0429 0.0387 0.0357 0.0334 0.0316 0.0302 0.0242 0.0178 0.0125 O.ooID
O O O O O O O O O O O O O
 Tabla D: Valores del estadstico de Pearson y Hanley a un nivel de significacin del 5%

~ 2 3 4 5 6 7 8 9 10 II 12

2 39.0 87.5 142 202 266 333 403 475 550 626 704
3 15.4 27.8 39.2 50.7 62.0 72.9 83.5 93.9 104 114 124
4 9.60 15.5 20.6 25.2 29.5 33.6 37.5 41.1 44.6 14.0 51.4
5 7.15 10.8 13.7 16.3 18.5 20.8 22.9 24.7 26.5 28.2 29.9

6 5.82 8.38 10.4 12.1 13.7 15.0 16.3 17.5 18.6 19.7 20.7
7 4.99 6.94 8.44 9.17 10.8 11.8 12.7 13.5 14.3 15.1 15.8
8 4.43 6.00 7.18 8.12 9.03 9.78 10.5 11.1 11.7 12.2 12.7
9 4.03 5.34 6.31 7.11 7.80 8.41 8.95 9.45 9.91 10.3 10.7
10 3.72 4.85 5.67 6.34 6.92 7.42 7.87 8.28 8.66 9.01 9.34

12 3.28 4.16 4.79 5.30 5.72 6.09 6.42 S.72 7.00 7.25 7.48
15 2.86 3.54 4.01 4.37 4.68 4.95 5.19 5.40 5.59 5.77 5.93
20 2.46 2.95 3.29 3.54 3.76 3.94 4.10 4.24 4.37 4.49 4.59
30 2.07 2.40 2.61 2.78 2.91 3.02 3.12 3.21 3.29 3.36 3.39
60 1.67 1.85 1.96 2.04 2.11 2.17 2.22 2.26 2.30 2.33 2.36
00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00 1.00

Tabla E: Valores del estadstico de Pearson y HartIey a un nivel de significacin del 1%

~ 2 3 4 5 6 7 8 9 10 11 12

2 199 448 729 1036 1362 1705 2063 2432 2813 3204 3605
3 47.5 85 120 151 184 21(6) 24(9) 28(1) 31(0) 33(7) 36(1)
4 23.2 37 49 59 69 79 89 97 106 113 120
5 14.9 23 28 33 38 42 46 50 54 57 60

6 11.4 15.5 19.1 22 25 27 30 32 34 36 37

7 8.89 12.1 . 14.5 16.5 18.4 20 22 23 24 26 27
8 7.50 9.9 11.7 13.2 14.5 15.8 16.9 17.9 18.9 19.8 21
9 6.54 8.5 9.9 11.1 12.1 13.1 13.9 14.7 15.3 16.0 16.6
tO 5.85 7.4 8.6 9.6 10.4 It.t 11.8 12.4 12.9 13.4 t3.9

12 4.91 6.1 6.9 7.6 8.2 8.7 9.1 9.5 9.9 10.2 10.6
15 4.07 4.9 5.5 6.0 6.4 6.7 7.1 7.3 7.5 7.8 8.0
20 3.32 3.8 4.3 4.6 4.9 5.1 5.3 5.5 5.6 5.8 5.9
30 2.63 3.0 3.3 3.4 3.6 3.7 3.8 3.9 4.0 4.1 4.2
60 1.96 2.2 2.3 2.4 2.4 2.5 2.5 2.6 2.6 2.7 2.7
00 1.00 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0
Tabla F: Puntos porcentuales superiores de la amplitud studenuzada qa = (Y _ - f..
)/S )
p; nmero de medias de tratamiento

s/del error ,O

.OS 3.64 4.60 5.22 S.61 6.03 6.33 6.58 6.80 6.99
"
7.17
.01 S.70 6.91 1.80 8.42 8.91 9.32 9.61 9.91 10.24 10.48

.05 ).46 4.34 4.90 5.3' 5.63 5.89 6.'2 6.32 6.49 6.65
.0' 5.24 6.33 7.03 1.56 1.91 8.32 8.6' 8.81 9.10 9.30

.05 ).34 4.16 4.68 5.06 5.36 5.6' 5.82 6.00 6.16 6.30
.01 4.95 S.92 6.54 1.0' 1.)7 1.68 7.94 8.17 8.31 8.55

.05 3.26 4.04 4.53 4.89 5.11 5.40 5.60 5.11 5.92 6.05
.01 4.74 5.63 6.20 6.63 6.96 7.24 7.47 1.68 1.81 g.03

.05 3.20 3.95 4.442 4.76 5.02 5.24 S.43 5.60 5.74 8.87
.0' 4.60 5.43 5.96 6.35 6.66 6.9' 7.13 1.32 7.49 7.65
10 .05 3.'5 3.88 4.33 4.6!i 4.91 5.'2 5.30 5.46 5.60 5.12
.01 4.48 S.21 5.77 6.14 6.43 6.61 6.81 7.05 7.21 7.36

3.11 3.82 4.57 5.49 5.61

" .05
.01 4.39 S."
4.26
5.62 5.91
4.82
6.25
5.03
6.48
5.20
6.67
5.35
6 .. 6.99 7.13

12 .05 3.08 ),77 4.20 4.51 4.n 4.95 5.12 5.21 S.4O S.SI
.01 4.32 5.04 S.50 5.84 6.10 6.32 6.5' 6.67 6.8' 6.94

u .05 3.06 3.73 4.15 4.45 4.69 4.8K 5.05 5.19 S.32 5.43
.0' 4.26 4.96 5.40 1.13 5.98 6.'9 6.31 6.53 6.61 6.19

'4 .05 3.03 ).10 4.11 4.41 4.64 4.83 4.99 S.1l 5.25 5.36
.0' 4.21 4.89 5.32 5.63 5.88 6.08 6.26 6.41 6.54 6.66

15 .05 3.01 ).67 4.08 .c.31 4.60 4.78 4.94 5.08 5.20 5.31
.0' 4.17 4.83 S.25 S.56 5.80 5.99 6.16 6.31 6.44 6.55

'6 .05 3.00 ].65 4.05 4.33 4.56 4.74 4.90 5.03 s.is 5.26
.Q 4.13 4.78 5.19 5.49 5.72 5.92 6.08 6.22 6.35 6.46

11 .05 2.98 3.63 4.02 4.30 4.52 4.71 4.86 4.99 5.11 5.21
.01 4.10 4.74 5.14 5.43 5.66 5.85 6.0' 6.15 6.21 6.38

18 .05 2.97 3.61 4.00 4.28 4.49 4.67 4.82 4.96 l.01 .5.17
.0' 4.01 4.10 5.09 5.38 5.60 .5.19 .5.94 6.08 6.20 6.3'

19 .05 2.96 3.59 3.98 4.25 4.47 4.65 4.19 4.92 5.04 S.14
.01 4.0S 4.67 5.05 5.33 5.55 5.13 5.89 6.02 6.14 6.25

20 .05 2.95 3.58 3.96 4.23 4.4S 4.62 4.77 4.90 5.0' 5.1'
.0' 4.02 4.64 5.02 S.29 5.5' 5.69 l.84 5.Y1 6.09 6.'9

24 .05 2.92 3.53 3.90 4.11 4.31 4.S4 4.68 4.81 4.92 .5.01
.0' 3.96 4.54 4.91 S.11 5.37 5.54 5.69 S.81 5.92 6.02

30 .05 2.89 3.49 3.84 4.10 4.30 4.46 4.60 4.72 4.83 4.92
.0' 3.89 4.4S 4.80 5.05 S.24 5.40 5.54 5.65 5.16 S.8S

40 .05 2.86 3.44 3.19 4.04 4.23 4.39 4.54 4.63 4.74 'U2
.0' 3.82 4.37 4.70 4.93 S.Jl S.21 5.39 5.50 5.60 5.69

60 .05 2.83 3.40 3.14 3.98 4.16 4.31 4.44 4.SS 4.6S 4.13
.01 3.16 4.28 4.60 4.82 4.99 5.'3 5.25 5.36 5.45 5.53

'20 .os 2.80 3.l6 3.69 3.92 4.10 4.24 4.36 4.48 4.56 4.64
.01 3.10 4.20 4.50 4.71 4.81 5.01 5.12 5.21 5.30 5.38

.05 2.11 3.31 3.63 3.86 4.U3 4.11 4.29 4.39 4.41 4.S5
.0' 3.64 4.12 4.40 4.60 4.76 4.88 4.99 5.08 5.16 5.23
Tabla H: Tabla de t para comparaciones de dos colas entre p tratamientos y un control
para un coeficiente de confianza conjunto de p = 0.95 YP = 0.01

P = nmero de medias de tratamiento, sin incluir el control

gldel p 2 3 4 5 6 7 8 9
error
5 .95 2.57 3.03 3.39 3.66 3.88 4.06 4.22 4.36 4.49
.99 4.03 4.63 5.09 5.44 5.73 5.97 6.18 6.36 6.53
6 .95 2.45 2.86 3.18 3.41 3.60 3.75 3.88 4.00 4.11
.99 3.71 4.22 4.60 4.88 5.11 5.30 5.47 5.61 5.74
7 .95 2.36 2.75 3.04 3.24 3.41 3.54 3.66 3.76 3.86
.99 3.50 3.95 4.28 4.52 4.71 4.87 5.01 5.13 5.24
8 .95 2.31 2.67 2.94 3.13 3.28 3.40 3.51 3.60 3.68
.99 3.36 3.77 4.06 4.27 4.44 4.58 4.70 4.81 4.90
9 .95 2.26 2.61 ~.86 3.04 3.18 3.29 3.39 3.48 3.55
.99 3.25 3.63 3.90 4.09 4.24 '1.37 4.48 4.57 4.65
10 .95 2.23 2.57 2.81 2.97 3.11 3.21 3.31 3.39 3.46
.99 3.17 3.53 3.78 3.95 4.10 4.21 4.31 4.40 4.47
ti .95 2.20 2.53 2.76 2.92 3.05 3.15 3.24 3.31 3.38
.99 3.11 3.45 3.68 3.85 3.98 4.09 4.18 4.26 4.33
12 .95 2.18 2.50 2.72 2.88 3.00 3.10 3.18 3.25 3.32
.99 3.05 3.39 3.61 3.76 3.89 3.99 4.08 4.15 4.22
13 .95 2.16 2.48 2.69 2.84 2.96 3.06 3.14 3.21 3.27
.99 3.01 3.33 3.54 3.69 3.81 3.91 3.99 4.06 4.13
14 .95 2.14 2.46 2.67 2.81 2.93 3.02 3.10 3.17 3.23
.99 2.98 3.29 3.49 3.64 3.75 3.84 3.92 3.99 4.05
15 .95 2.13 2.44 2.64 2.79 2.90 2.99 3.07 3.13 3.19
.99 2.95 3.25 3.45 3.59 3.70 3.79 3.86 3.93 3.99
16 .95 2.12 2.42 2.63 2.77 2.88 2.96 3.04 3.10 3.16
.99 2.92 3.22 3.41 3.55 3.65 3.74 3.82 3.88 3.93
17 .95 2.11 2.41 2.61 2.75 2.85 2.94 3.01 3.08 3.13
.99 2.90 3.19 3.38 3.51 3.62 3.70 3.77 3.83 3.89
18 .95 2.10 2.40 2.59 2.73 2.84 2.92 2.99 3.05 3.11
.99 2.88 3.17 3.35 3.48 3.58 3.67 3.74 3.80 3.85
19 .95 2.09 2.39 2.58 2.72 2.82 2.90 2.97 3.04 3.09
.99 2.86 3.15 3.33 3.46 3.55 3.64 3.70 3.76 3.81
20 .95 2.09 2.38 2.57 2.70 2.81 2.89 2.96 3.02 3.07
.99 2.85 3.13 3.31 3.43 3.53 3.61 3.67 3.73 3.78
24 .95 2.06 2.35 2.53 2.66 2.76 2.84 2.91 2.96 3.01
.99 2.80 3.07 3.24 3.36 3.45 3.52 3.58 3.64 3.69
30 .95 2.04 2.32 2.50 2.62 2.72 2.79 2.86 2.91 2.96
.99 2.75 3.01 3.17 3.28 3.37 3.44 3.50 3.55 3.59
40 .95 2.02 2.29 2.47 2.58 2.67 2.75 2.81 2.86 2.90
.99 2.70 2.95 3.10 3.21 3.29 3.36 3.41 3.46 3.50
60 .95 2.00 2.27 2.43 2.55 2.63 2.70 2.76 2.81 2.85
.99 2.66 2.90 3.04 3.14 3.22 3.28 3.33 3.38 3.42
120 .95 1.98 2.24 2.40 2.51 2.59 2.66 2.71 2.76 2.80
.99 2.62 2.84 2.98 3.08 3.15 3.21 3.25 3.30 3.33
.95 1.96 2.21 2.37 2.47 2.55 2.62 2.67 2.71 2.75
.99 2.58 2.79 2.92 3.01 3.08 3.14 3.18 3.22 3.25
Tabla F: Puntos porcentuales superiores de la amplitud studentizada q. = (Y _ - y)/ S)
p = nmero de medias de tratamiento

sldd error 10 ]]

.0' 3.64 '.60 5.22 5.67 6.03 6.)) 6.511 6.80 6.99 7.17
.01 S.70 6.97 7.80 8.42 8.9' 9.32 9.67 9.97 10.24 10.48

.0' ).'6 -4.34 '.90 5.31 '.63 '.89 6.'2 6.)2 6.49 6.6'
.0' 5.24 6.)) 7.03 1.56 7.97 8.32 8.61 8.87 9.10 9.)0
.0' 3.34 4.16 4.68 '.06 '.36 '.6' ,.82 6.00 6.16 6.30
.01 4.9,5 '.92 6.54 7.01 7.37 7.68 1.94 8.17 8.37 8.SS

.0' ).26 '.04 4.53 4.89 '.17 '.40 '.60 5.77 '.92 6.0'
.01 4.74 '.6) 6.20 6.63 6.96 7.'4 1.47 7.68 7.87 11.03

.0' 3,20 ).9' 4.442 4.76 '.02 5.24 5.43 '.60 5.74 8.87
.01 4.60 ,.4) '.96 6.35 6.66 6.9' 7.13 7.32 7.49 7.65

10 .0' ::uS ).88 4.33 4.65 4.91 '.12 '.30 5.46 '.60 s.n
.01 4.48 '.27 s:n 6.14 6.43 6.67 6.87 7.05 7.21 7.36
]] .0' 3.11 3.82 4.26 4.57 4.82 '.03 '.20 '.35 5.49 5.61
.01 4,39 5.14 '.62 '.97 6.2' 6.48 6.67 6.1S4 6.99 7.13

12 .0' 3.08 3,17 4.20 4.51 4.75 4.95 '.12 5.27 '.40 5.51
.0' 4.32 '.04 '.'0 '.84 6.10 6.32 6.51 6.67 6.81 6.94
Il .0' 3.06 3,73 4.15 4.45 4.69 4.!lIS '.0' '.19 '.32 5.4)
.01 4.26 4.96 '.40 7.73 '.98 6.19 6.37 6.53 6.67 6.79
14 .0' 3.03 3.70 4.11 4.41 '.64 4.83 '.99 5.13 '.2' '.36
.01 4.21 4.89 '.32 '.63 '.88 6.08 6.26 6.41 6.54 6.66
.0' 3.01 4.08 4,)7 4.60 4.18 4.94 '.08 '.20 '.31
" .01 4.17
3.67
4.83 5.2' '.56 '.80 '.99 6.16 6.)1 6.44 6.SS

'6 .0' ).00 3.6' 4.05 4,33 4.56 4.14 4.90 '.03 5.15 '.26
.0' 4.13 4.n 5.19 5.49 5.72 '.92 6.08 6.22 6,35 6.46
17 .0' 2.98 3.63 4.02 4.30 ".S2 4.71 4.86 4.99 5.11 5.21
.0' 4.10 4.1<1 5.14 5.4] '.66 '.8' 6.01 6.15 6.27 6.38
'S .0' 2.97 ].61 4.00 4.28 4.49 4.67 4.82 4.96 '.07 j.l7
.01 4.07 4.70 '.09 5.38 '.60 S.79 S.94 6.08 6.20 6.31

'9 .0' 2.96 3.59 ).98 '.25 4.47 '.6' . 79 4.92 '.04 S.14
.0' 4.0' 4.61 '.0' '.)3 '.SS '.73 '.89 6.02 6.14 6.25
20 .0' 2.9' 3.58 l.96 4.23 4.4,5 4.62 4.11 4.90 S.OI ,5.11
.01 4.02 4.64 '.02 '.29 S.SI '.69 '.84 5.Y7 6.09 6.19
24 .0' 2.92 3.'3 3.'10 4.17 4.37 4.,54 '.68 4.81 4.92 S.OI
.01 ).96 4.54 4.91 '.17 '.)7 '.54 '.69 S.81 '.92 6.02
30 .0' 2.89 3.49 3.84 4.10 '.30 4.46 4.60 4.72 4.83 4.92
.0' 3.89 4.4,5 4.80 ,:O, S.24 S.40 '.54 '.6' '.76 5.85

40 .0' 2.86 3.44 3.79 4.04 4.23 4.39 4.54 4.63 4.74 4.ij2
.01 3.82 4.37 4.70 4.93 s.u 5.27 5.39 '.'0 5.60 S.69

60 .0' 2.83 3.40 3.74 3.98 4.16 4.31 4.44 4.S5 4.65 4.73
.01 3.76 4.28 4.60 4.82 '.99 '.13 '.25 '.36 5.45 '.53
120 .0' 2.80 3.J6 3.69 3.92 4.10 4.24 4.36 4,48 4.56 '.64
.01 3.70 '.20 4.SO 4.71 4.87 '.01 5.12 5.21 '.30 '.3S
.0' 2.77 l.3' 3.63 3.86 4.U3 4.17 4.29 4.39 4.47 4.55
.01 3.64 4.12 '.40 4.60 4.76 4.8ij 4.99 '.OS '.16 5.23
Tabla H: Tabla de t para comparaciones de dos colas entre p tratamientos y un control
para un coeficiente de confianza conjunto de p = 0.95 YP = 0.01
P = nmero de medias de tratamiento, sin incluir el control
gldel p 2 3 4 5 6 7 8 9
error
5 .95 2.57 3.03 3.39 3.66 3.88 4.06 4.22 4.36 4.49
.99 4.03 4.63 5.09 5.44 5.73 5.97 6.18 6.36 6.53
6 .95 2.45 2.86 3.18 3.41 3.60 3.75 3.88 4.00 4.11
.99 3.71 4.22 4.60 4.88 5.11 5.30 5.47 5.61 5.74
7 .95 2.36 2.75 3.04 3.24 3.41 3.54 3.66 3.76 3.86
.99 3.50 3.95 4.28 4.52 4.71 4.87 5.01 5.13 5.24
8 .95 2.31 2.67 2.94 3.13 3.28 3.40 3.51 3.60 3.68
.99 3.36 3.77 4.06 4.27 4.44 4.58 4.70 4.81 4.90
9 .95 2.26 2.61 ~.86 3.04 3.18 3.29 3.39 3.48 3.55
.99 3.25 3.63 3.90 4.09 4.24 '1.37 4.48 4.57 4.65
10 .95 2.23 2.57 2.81 2.97 3.11 3.21 3.31 3.39 3.46
.99 3.17 3.53 3.78 3.95 4.10 4.21 4.31 4.40 4.47
I1 .95 2.20 2.53 2.76 2.92 3.05 3.15 3.24 3.31 3.38
.99 3.11 3.45 3.68 3.85 3.98 4.09 4.18 4.26 4.33
12 .95 2.18 2.50 2.72 2.88 3.00 3.10 3.18 3.25 3.32
.99 3.05 3.39 3.61 3.76 3.89 3.99 4.08 4.15 4.22
13 .95 2.16 2.48 2.69 2.84 2.96 3.06 3.14 3.21 3.27
.99 3.01 3.33 3.54 3.69 3.81 3.91 3.99 4.06 4.13
14 .95 2.14 2.46 2.67 2.81 2.93 3.02 3.10 3.17 3.23
.99 2.98 3.29 3.49 3.64 3.75 3.84 3.92 3.99 4.05
15 .95 2.13 2.44 2.64 2.79 2.90 2.99 3.07 3.13 3.19
.99 2.95 3.25 3.45 3.59 3.70 3.79 3.86 3.93 3.99
16 .95 2.12 2.42 2.63 2.77 2.88 2.96 3.04 3.10 3.16
.99 2.92 3.22 3.41 3.55 3.65 3.74 3.82 3.88 3.93
17 .95 2.11 2.41 2.61 2.75 2.85 2.94 3.01 3.08 3.13
.99 2.90 3.19 3.38 3.51 3.62 3.70 3.77 3.83 3.89
18 .95 2.10 2.40 2.59 2.73 2.84 2.92 2.99 3.05 3.11
.99 2.88 3.17 3.35 3.48 3.58 3.67 3.74 3.80 3.85
19 .95 2.09 2.39 2.58 2.72 2.82 2.90 2.97 3.04 3.09
.99 2.86 3.15 3.33 3.46 3.55 3.64 3.70 3.76 3.81
20 .95 2.09 2.38 2.57 2.70 2.81 2.89 2.96 3.02 3.07
.99 2.85 3.13 3.31 3.43 3.53 3.61 3.67 3.73 3.78
24 .95 2.06 2.35 2.53 2.66 2.76 2.84 2.91 2.96 3.01
.99 2.80 3.07 3.24 3.36 3.45 3.52 3.58 3.64 3.69
30 .95 2.04 2.32 2.50 2.62 2.72 2.79 2.86 2.91 2.96
.99 2.75 3.01 3.17 3.28 3.37 3.44 3.50 3.55 3.59
40 .95 2.02 2.29 2.47 2.58 2.67 2.75 2.81 2.86 2.90
.99 2.70 2.95 3.10 3.21 3.29 3.36 3.41 3.46 3.50
60 .95 2.00 2.27 2.43 2.55 2.63 2.70 2.76 2.81 2.85
.99 2.66 2.90 3.04 3.14 3.22 3.28 3.33 3.38 3.42
120 .95 1.98 2.24 2.40 2.51 2.59 2.66 2.71 2.76 2.80
.99 2.62 2.84 2.98 3.08 3.15 3.21 3.25 3.30 3.33
.95 1.96 2.21 2.37 2.47 2.55 2.62 2.67 2.71 2.75
.99 2.58 2.79 2.92 3.01 3.08 3.14 3.18 3.22 3.25
Tabla 1: Tabla de t para comparaciones de una cola entre p medias de lral<lmiento y un control para un
coeficiente de confi= de p = 0.95, p = 0.99

,/ del error p

.YS 1.02 1.44 2.68 2.8S 2.98 3.!le 3.16 3.lA 3.30
.99 3.17 3.90 4.2t 4.0 4.60 4.7l 4.lS 7.94 5.03
.9S 1.94 1.34 2.56 1.71 2.83 2.92 3.00 3.07 3.12
.99 3.14 l.61 l.88 4.07 4.21 433 4.43 4..11 4..l9

.9S 1.89 1.27 2.48 1.62 2.73 2.81 2.89 1.9S 3.01
.99 3.00 3.41 3.66 3.83 3.96 4.07 4.1S 423 4.30
.9S 1.16 1.22 2.41 1.S5 2.66 2.74 2.81 U7 2.92
.99 1.90 3.29 l..ll 3.67 l.79 3.18 3.96 4.ol 4.09
.95 1.13 1.18 2.37 l..lO 1.60 1.68 2.75 2.8t 2.16
.99 1.82 3.19 3.40 3..1S 3.66 3.7S 3.81 3.89 3.94
10 .9S 1.81 2.IS 2.34 2.47 2..l6 2.64 2.70 2.76 2.81
.99 2.76 l.1I 3.31 lAS 3..l6 3.64 ].71 l.78 3.8l
11 .9S 1.80 2.13 2.31 1.44 2..1l 1.60 2.67 2.72 2.TI
.99 2.12 l.06 3.15 3.38 l.48 3..l6 3.63 3.69 3."
11 .9S 1.78 2.11 2.29 1.41 2.50 1..18 1.64 1.69 2.74
.99 1.68 l.OI 3.19 3.32 l.41 3..lO 3..l6 3.61 3.67
13 .9S I.TI 2.09 2.27 2.39 2.48 2.5S 2.61 1.66 2.71
.99 2.6S 2.97 3.tS 3.17 3.37 3.44 3..11 l..l6 3.61
l' .9S 1.76 2.08 2.1S 2.l7 2.46 2..13 2.59 1.64 1.69
.99 1.61 1.98 3.11 3.23 l.31 3.40 3.46 l..ll 3.56
IS .9S 1.7S 2.07 2.24 2.36 1.44 2..11 2.S7 1.62 1.67
.9'1 1.60 1.91 l.08 3.20 l.29 l36 3.41 l.47 3.S2
16 .9S 1.7S 2.06 2.1l 2.34 1.43 2.50 1..l6 1.61 1.6S
.99 1.S8 2.88 3.0S 3.17 l.26 333 3.39 3.44 3.4K
17 .9S 1.7. 2.0S 2.22 2.33 1.42 2.49 2.54 2.59 2.64
.99 2.H 1.36 l.O3 3.1. 3.23 3.lO ].36 3.4t 3.'S
18 .9S 1.73 2.04 2.21 2.32 2.'1 2.48 2.53 2.58 1.62
.99 1.SS 2.84 ).01 3.12 3.11 3,27 3.3l 3.38 3.42
19 .95 1.13 2.0) 2.20 2.ll 2.40 1..7 2.S2 2..17 1.61
.99 2.S4 2.8) 2.99 3.10 ).lX 32S 331 336 3.40
20 .95 1.72 1.0) 2.19 2.30 239 2.46 2.51 2..l6 1.60
.99 1.S) 2.81 1.97 ).08 3.17 3.2) 3.19 3.l4 3.38
14 .9S 1.71 1.01 2.t7 2.18 1.36 l.') 2.48 1.S3 1.57
.99 2.49 1.TI 1.91 3.03 3.11 3.17 3.22 ).27 3.31
30 .9S 1.20 1.99 2.15 2.1S 2.33 2.40 2.45 1.50 1.54
.99 2.46 2.12 1.87 2.97 3.05 3.11 3.t6 3.11 3.2'
40 .95 1.68 1.97 2.13 2.23 1.31 1.37 2.41 1.47 2..11
.99 2.42 1.68 l.1Il 2.92 2.99 3.OS 3.10 3.14 3.18
60 .9S 1.67 1.95 2.10 2.11 1.18 1.lS 2.39 2.44 1.48
.9'1 139 1.64 2.78 1.87 1.94 3.00 ).04 3.08 3.11
120 .9S 1.66 1.93 2.08 1.18 1.16 231 2.37 1.41 2.4S
.99 2.36 1.60 1.13 2.81 1.89 2.94 1.99 3.03 3.06

.9S 1.64 1.92 1.06 1.16 2.23 1.29 1.34 238 1.41
.99 2.)) 2.S6 2.68 1.77 1.84 2.89 1.9) 2.97 ).00
Tabla F: Puntos porcentuales superiores de 1, amplitud studentizada q. = (Y_ - Y)/ S,) (continuaci6n)

a ,/ del <m><
12 13 14 Il 16 11 IS 19 20

1.32 7.47 1.60 1.TI 1.83 1.93 8.03 8.12 S.ll .Ol
10.10 10.89 11.08 11.24 11.'0 Il..ll 11.68 11.81 11.93 .01

6.19 6.91 1.03 7.14 1.2' 1.3-4 1. 3 1.ll 1.l9 .Ol

9. 9 9.61 9.SI 9.9l 10.08 10.21 10.32 10.'3 10.\4 .01
6.43 6..ll 6.66 6.16 6.8l 6.94 1.02 1.(11 1.11 .05
S.11 U6 9.00 9.11 9.1' 9.Jl 9.46 s.ss 9.6\ .01
6.18 6.29 6.39 6.43 6.l1 6.6l 6.13 6.80 6.81 .Ol
8.18 8.31 8.44 l.l5 8.66 1.16 1.85 8.94 9.03 .01
l.98 6.09 6.19 6.13 6.36 6.44 6.l1 6.l8 6.64 .05
1.18 1.91 1.03 S.l3 8.23 S.J2 a.u 8.49 8..11 .01
l.83 l.93 6.03 6.11 6.10 6.21 6.34 6.40 6." .05 10
1.'8 1.60 1.11 1.SI 1.91 1.99 8.01 8.15 8.22 01
l.11 5.81 l.9O l.99 006 6.1. 6.20 6.33 .Ol 11
1.15 1.36 4.46 7.56 1.6l 1.7) 1.81 1.88 1.9l .01
5.62 l.11 l.80 l.88 l.95 6.03 6.09 6.ll 6.11 .Ol 12
1.06 1.11 1.26 1.36 1.44 1..12 1.l9 1.66 1.13 .01
l.)3 l.63 5.11 5.19 5.86 l.93 6.00 6.0l 6.11 .Ol 13
6.90 1.01 1.10 1.19 1.21 1.3-4 1.41 1.48 1.ll .01

l.46 l.ll l.64 l.11 l.19 s.ss 5.91 l.91 6.03 .05 l.
6.11 6.81 6.96 7.0l 1.17 1.20 1.21 1.)) 1.39 .01
l.40 l.'9 l..l8 s.ss l.11 5.19 5.85 l.90 5.96 .05 15
6.66 6.16 6.84 6.93 1.00 7.07 7.14 1.20 1.26 .01
5.35 5.44 l.ll 5.l9 5.66 l.11 l.79 l.8. 5.90 .05 16
5.56 6.66 6.14 6.82 6.90 6.91 7.03 7.09 1.ll .QI

l.31 5.J9 H1 l.l5 5.61 l.68 5.74 5.19 l.1I4 .os 17

6.48 6..11 6.66 6.73 MO 6.11 6.94 1.00 1.0l .01
l.21 l.J5 l.4J l.lO l.l1 l.63 l.69 l.14 l.79 .05 18
6.'1 6.50 6.l8 6.6l 6.12 6.19 6.8l 6.91 6.96 .QI

l.13 l.32 l.39 l . 6 l.l3 l.l9 l.65 l.10 l.1l .Ol 19

6.3' 6.43 6.ll 6.l8 6.6l 6.11 6.18 6.8' 6.89 .01

l.20 l.28 l.36 s.o l.49 l.ll l.61 l.66 l.11 .os 20
6.29 6.31 6.'5 6.l2 6.l9 6.6l 6.71 6.76 6.82 .01

5.10 l.18 l.25 l.32 l.33 5.44 l.50 5.54 5.59 .os 2'
6.11 6.19 6.26 6.)3 6.39 6.'l 6.l1 6.l6 6.61 .01

l.OO l.08 s.rs l.21 l.27 s.n l.38 5.43 l.48 .os JO
l.93 6.01 6.08 6.1-4 6.20 6.26 6.31 6.36 6.41 .01
4.91 4.911 5.0l l.1I l.16 l.l2 l.27 l.31 l.36 .05 '0
l.77 l.84 5.90 5.96 6.02 6.07 6.12 6.17 6.21 .01
4.81 4.88 4.94 5.00 l.O6 l.11 l.16 l.20 l.24 .Ol 60
l.60 l.67 l.13 l.79 l.8. l.89 5.93 l.98 6.02 .01
4.72 4.78 4.84 '.90 4.95 l.OO S.O~ lW 5.13 .05 120
5.44 l.ll l..l6 5.61 l.66 5.11 l.7l l.19 l.83 .01
 Tabla G Amplitudes studentizadas significativas para 5y l por ciento de la nueva prueba de
amplitud mltiple

g/del Nivet p = numero de medias para la amplitud a probarse

error significativo
2 3 4 5 6 7 8 9 10 t2 14 16 18 20
.05 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0 18.0
.01 90.0 90.0 90.0 90.0 90.0 90.0 '90.0 90.0 90.0 90.0 90.0 90.0 90.0 90.0

2 .05 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09 6.09
.01 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0 14.0

.05 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50 4.50
.01 8.26 8.3 8.6 8.7 8.8 8.9 8.9 9.0 9.0 9.0 9.1 9.2 9.3 9.3

4 .05 3.93 4.01 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02 4.02
.01 6.51 6.8 6.9 7.0 7.1 7.1 7.2 7.2 7.3 7.3 7.4 7.4 7.5 7.5

5 .05 3.64 3.74 3.79 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83 3.83
.01 5.70 5.96 6.11 6.18 6.26 6.33 6.40 6.44 6.5 6.6 6.6 6.7 6.7 6.8

6 .05 3.46 3.58 3.64 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68 3.68
.01 5.24 5.51 5.65 5.73 5.81 5.88 5.95 -6.00 6.0 6.1 6.2 6.2 6.3 6.3

7 .05 3.35 3.47 3.54 3.58 3.60 3.61 3.61 3.61 3.61 3.61 3.61 3.61 3.61 3.61
.01 4.95 5.22 5.37 5.45 5.53 5.61 5.69 5.73 5.8 5.8 5.9 5.9 6.0 6.0

.05 3.26 3.39 3.47 3.52 3.55 3.56 3.56 3.56 3.56 3.56 3.56 3.56 3.56 3.56
.01 4.74 5.00 5.14 5.23 5.32 3.40 5.47 5.51 5.5 5.6 5.7 5.7 5.8 5.8

.05 3.20 3.34 3.41 3.47 3.50 3.52 3.52 3.52 3.52 3.52 3.52 3.52 3.52 3.52
.01 4.60 4.86 4.99 5.08 5.17 5.25 5.32 5.36 5.4 5.5 5.5 5.6 5.7 5.7

10 .05 3.15 3.30 337 3.43 3.46 3.47 3.47 3.47 3.47 3.47 3.47 3.47 3.47 3.48
.01 4.48 4.73 4.88 4.96 5.06 5.19 5.20 5.24 5.28 5.36 5.42 5.48 5.54 5.55

11 .05 3.11 3.27 3.35 3.39 3.43 3.44 3.45 3.46 4.46 3.46 3.46 3.46 3.47 3.48
.01 4.39 4.63 n 4.86 4.94 5.01 5.06 5.12 5.15 5.24 5.28 5.34 5.38 5.39

12 .05 3.08 3.23 3.33 3.36 3.40 3.42 3.44 3.44 3.46 3.46 3.46 3.46 3.47 3.48
.01 4.32 4.55 4.68 4.76 4.81 4.92 4.96 5.02 5.07 5.13 5.17 5.22 5.24 5.26

13 .05 3.06 2.21 3.30 3.35 3.38 3.41 3.42 3.44 3.45 3.45 3.46 3.46 3.47 3.47
.01 4.26 4.48 4.62 4.69 4.74 4.84 4.88 4.94 4.98 5.04 5.08 5.13 5.14 5.15

14 .05 3.03 3.18 3.27 3.33 3.37 3.39 3.41 3.42 3.44 3.45 3.46 3.46 3.47 3.47
.01 4.21 4.42 455 4.63 4.70 4.78 4.83 4.87 4.91 4.96 5.00 5.04 5.06 5.07

15 .05 3.01 3.16 3.25 3.31 3.36 3.38 3.40 3.42 3.43 3.44 3.45 3.46 3.47 3.47
.01 4.17 4.37 4.50 4.58 4.64 4.72 4.77 4.81 4.84 4.90 4.94 4.97 4.99 5.00