3FAC

“Año del Buen Servicio al Ciudadano”
“UNIVERSIDAD SAN LUIS GONZAGA DE ICA”
FACULTAD DE CIENCIAS:
ESCUELA ACADÉMICA PROFESIONAL ESTADÍSTICA
ASIGNATURA: DISEÑO EXPERIMENTAL AVANZADO
TEMA: ANALISIS DE VARIANZA DE TRES FACTORES
INTEGRANTES:
-CAYAMPI FAJARDO MICHAEL NICOLAS
-NAPA YATACO SULLY VON CESAR ELY
PROFESOR:
-WALTER RAMOS MAYURI
24 noviembre de 2017
01
E.AP. ESTADISTICA
ANALISIS DE VARIANZA DE TRES FACTORES
INTRODUCCION
A continuación vamos a comenzar a estudiar un Tema de marcada importancia en las

técnicas estadísticas que se estudian en esta asignatura.
Dentro del Tema de Prueba de hipótesis que acabamos de ver, se estudió la prueba
de hipótesis de comparación de 2 medias, a partir de las muestras de dos poblaciones
para conocer si existían diferencias reales entre ellas o se debía al azar.
Pues bien, hoy vamos a considerar problemas en que debemos decidir si las
diferencias observadas entre más de dos medias se pueden atribuir al azar o si existen
diferencias reales entre las medias de las poblaciones de las que se obtuvieron las
muestras.
Y esto se estudia cuando por ejemplo lo que queremos conocer sobre la base de los
datos muéstrales, si en realidad existe alguna diferencia. Por ejemplo:
 En la efectividad de 3 métodos de enseñanza de una lengua extranjera

 Si queremos comparar la producción promedio por empresas de distintas
variedades de arroz.
 Un investigador agrícola pudiera estar interesado en saber ¿qué tipo de
fertilizante da mejores rendimientos?
 En algún laboratorio médico se desea evaluar el efecto de diferentes
medicamentos en la presión sanguínea.
El método que utilizamos para este propósito es un instrumento estadístico poderoso
conocido como ANALISIS DE VARIANZA O DISEÑO DE EXPERIMENTOS.
Es así que cuando queremos hacer comparaciones entre dos, tres o más medias
muéstrales para determinar si provienen de poblaciones iguales utilizamos la técnica
de análisis de varianza. Esta técnica se realiza utilizando la distribución de
probabilidad F (Fischer) vista ya anteriormente.
UNIVERSIDAD SAN LUIS GONZAGA DE ICA-PERÚ 2

E.AP. ESTADISTICA
Para el uso de esta técnica es necesario seguir los siguientes supuestos:
1) Normalidad: los datos obtenidos en cada nivel de los factores se ajustan

razonablemente a una distribución Normal
2) Homocedasticidad: la variabilidad de los datos en cada nivel de los factores
es similar (contraste de igualdad de varianzas)
3) Independencia: las observaciones se realizan de forma independiente unas
de otras (diseño de la obtención de datos)
La técnica del análisis de varianza descompone la variación total en dos componentes
de variación llamados variación debida a los tratamientos y variación aleatoria.
Cuando estamos frente a un problema de análisis de varianza lo primero que debemos

hacer es identificar en términos del problema lo siguiente:
Variable dependiente o variable respuesta (Variable de estudio): Es la variable

que nos interesa medir o respuesta que se va a estudiar para determinar el efecto que
tiene sobre ella la variable independiente.
Variable independiente o factor: Es la variable o factor que puede influenciar en la

variabilidad de la respuesta o variable dependiente.
Nivel o tratamiento del factor: Es un valor o condición del factor bajo el cual se
observa la respuesta medible.
Unidad experimental: Es el objeto (persona, animal o cosa) donde se aplica un

determinado tratamiento, para obtener una medición de la variable respuesta.
Error experimental: Es la variación que no se puede atribuir a un cambio de

tratamiento; es decir, la que se produce por los factores extraños que pueden influir en
la respuesta y que deben ser eliminados o controlados por el investigador.
Aleatorización: Consiste en asignar en forma aleatoria los tratamientos a las

unidades experimentales con el propósito de remover los posibles sesgos sistemáticos
y neutralizar los efectos de todos aquellos factores externos que no se encuentran
bajo el control del investigador, pero pueden estar presentes en el experimento.

E.AP. ESTADISTICA
Dedicado a la Investigación de
Estadistas.

E.AP. ESTADISTICA
ANALISIS DE TRES FACTORES

Supongamos que hay “a” niveles para el factor A, “b” niveles del factor B y “c” niveles
para el factor C y que cada réplica del experimento contiene todas las posibles
combinaciones de tratamientos, es decir contiene los abc tratamientos posibles, en un
diseño experimental completamente aleatorizado. Se procederá a esbozar las pruebas
de significancia para los tres efectos principales y las interacciones involucradas. Se
espera entonces que el lector pueda utilizar la descripción dada aquí para generalizar
el análisis a k>3 factores.
Donde 𝛼𝑖 , 𝛽𝑗 , 𝛾𝑘 son los efectos principales; (𝛼𝛽)𝑖𝑗 , (𝛼𝛾)𝑖𝑘 , (𝛽𝛾)𝑗𝑘 son los efectos de
interacción de dos factores que tienen la misma interpretación que en el experimento
de dos factores. El término (𝛼𝛽𝛾)𝑖𝑗𝑘 recibe el nombre de efecto de interacción de tres
factores, un término que representa la no aditividad de las (𝛼𝛽)𝑖𝑗 sobre los diferentes
niveles del factor C. Igual que antes, la suma de todos los efectos principales es cero y
la suma de cualquier subíndice de los efectos de interacción de dos y tres factores es
cero. En muchas situaciones experimentales estas interacciones de orden más alto
son significantes y sus cuadrados medios reflejan únicamente variación aleatoria, pero
el análisis se hará en forma general.
De nuevo, con objeto de que se puedan realizar pruebas validas de significancia, se

debe asumir que los errores son valores de variables aleatorias independientes y con
distribución normal, cada una con medida cero y variancia común 𝜎 2 .
La filosofía general del análisis es la misma que la utiliza para los experimento de uno
y dos factores. La suma de cuadrados se particiona en ocho términos, cada uno
representa una fuente de variación de las cuales se obtienen estimaciones
independientes de 𝜎 2 cuando todos los efectos principales y los efectos de interacción
son cero. Si los efectos de cualquier factor o interacción dados no son todos cero,
entonces el cuadrado medio estimará la variancia del error más una componente
debida al efecto sistemático en cuestión.
Factor A
𝐴1 𝐴2 𝐴3 𝐴4 𝐴5 𝐴6
𝐵1
𝐵2
Factor B 𝐵3
𝐵4
𝐵5
Factor C

E.AP. ESTADISTICA
1.1 El modelo sin replicación

El modelo estadístico para este diseño es:
𝑦𝑖𝑗𝑘 = 𝜇 + 𝜏𝑖 + 𝛽𝑗 + 𝛾𝑘 + (𝜏𝛽)𝑖𝑗 + (𝜏𝛾)𝑖𝑘 + (𝛽𝛾)𝑗𝑘 + (𝜏𝛽𝛾)𝑖𝑗𝑘 + 𝑢𝑖𝑗𝑘
Con i = 1, 2, · · · , a ; j = 1, 2, · · · , b ; k = 1, 2, · · · , c donde
 𝑦𝑖𝑗𝑘 representa la respuesta de la variable en el i-ésimo nivel del factor

1 (𝜏) , en el j-ésimo nivel del factor 2 (𝛽) y en el k-ésimo nivel del factor
3 (𝛾)
 𝜏𝑖 𝛽𝑗 𝛾𝑘 : Son los efectos producidos por el nivel i-ésimo del factor A, (∑𝑖 𝜏𝑖 =
0), por el nivel j-ésimo del factor B, (∑𝑗 𝛽𝑗 = 0) y por el nivel k-ésimo del factor
C, (∑𝑘 𝛾𝑘 = 0)
 (𝜏𝛽)𝑖𝑗 , (𝜏𝛾)𝑖𝑘 , (𝛽𝛾)𝑗𝑘 , (𝜏𝛽𝛾)𝑖𝑗𝑘 , : Son los efectos producidos por las
interacciones entre A × B, A × C, B × C y A × B × C, respectivamente
 𝑢𝑖𝑗𝑘 ~𝑁(0, 𝜎 2 )𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠
∑(𝜏𝛽)𝑖𝑗 = ∑(𝜏𝛽)𝑖𝑗 = ∑(𝜏𝛾)𝑖𝑘 = ∑(𝜏𝛾)𝑖𝑘 = ∑(𝛽𝛾)𝑗𝑘 = ∑(𝛽𝛾)𝑗𝑘 = ∑(𝜏𝛽𝛾)𝑖𝑗𝑘

𝑖 𝑗 𝑖 𝑘 𝑗 𝑘 𝑖
= ∑(𝜏𝛽𝛾)𝑖𝑗𝑘 = ∑(𝜏𝛽𝛾)𝑖𝑗𝑘 = 0
𝑗 𝑘
Supondremos que se toma una observación por cada combinación de

factores, por tanto, hay un total de n = abc observaciones.
Parámetros a estimar:
PARAMETRO NUMERO A pesar de las restricciones

𝜇 1 impuestas al modelo, el número de
𝜏𝑖 a-1 parámetros (abc + 1) supera al
𝛽𝑗 b-1 número de observaciones (abc).
Por lo tanto, algún parámetro no
𝛾𝑘 c-1
será estimable.
(𝜏𝛽)𝑖𝑗 (a-1)(b-1)
(𝜏𝛾)𝑖𝑘 (a-1)(c-1)
(𝛽𝛾)𝑗𝑘 (b-1)(c-1)
(𝜏𝛽𝛾)𝑖𝑗𝑘 (a-1)(b-1)(c-1)
TOTAL Abc-1

E.AP. ESTADISTICA
1.1.1 Estimación de los parámetros del modelo

Los estimadores máximo verosímiles de los parámetros del modelo son:
 El E.M.V de 𝜇 𝑒𝑠 𝜇̂ = 𝑦̅…
 Los E.M.V de los efectos principales
̂
𝜏̂ 𝑖 = 𝑦̅𝑖.. − 𝑦̅… , 𝛽𝑗 = 𝑦̅.𝑗. − 𝑦̅… , 𝛾̂𝑘 = 𝑦̅..𝑘 − 𝑦̅…
 El E.M.V de las interacciones de segundo orden son:
(𝜏𝛾̂)𝑖𝑘 = 𝑦̅𝑖.𝑘 − 𝑦̅𝑖… − 𝑦̅..𝑘 + 𝑦̅… , (𝜏𝛽 ̂ ) = 𝑦̅𝑖𝑗. − 𝑦̅𝑖.. − 𝑦̅.𝑗. + 𝑦̅…
𝑖𝑗
̂ ) = 𝑦̅.𝑗𝑘 − 𝑦̅.𝑗. − 𝑦̅..𝑘 + 𝑦̅…
(𝛽𝛾 𝑗𝑘
 El E.M.V de la interacciones de tercer orden es :
̂ ) = 𝑦𝑖𝑗𝑘 − 𝜇̂ − 𝜏̂ 𝑖 − 𝛽̂𝑗 − 𝛾̂𝑘 − (𝜏𝛽
(𝜏𝛽𝛾 ̂ ) − (𝜏𝛾 ̂)𝑖𝑘 − (𝛽𝛾 ̂)
𝑖𝑗𝑘 𝑖𝑗 𝑗𝑘
̂ ) = 𝑦𝑖𝑗𝑘 − 𝑦̅𝑖𝑗. − 𝑦̅𝑖.𝑘 − 𝑦̅.𝑗𝑘 − 𝑦̅𝑖.. − 𝑦̅.𝑗. − 𝑦̅..𝑘 − 𝑦̅…
(𝜏𝛽𝛾 𝑖𝑗𝑘
1.1.2 Descomposición de la variabilidad

En este modelo la variabilidad total se descompone en:
 𝑦… = suma de todas las abcn observaciones.
 𝑦𝑖.. = suma de las observaciones para el nivel i-ésimo del factor A
 𝑦.𝑗. =suma de las observaciones para el nivel j-ésimo del factor B
 𝑦..𝑘 = suma de las observaciones para el nivel k-ésimo para el factor
C
 𝑦𝑖𝑗. = suma de las observaciones para el nivel i-ésimo de A y el nivel
j-ésimo de B
 𝑦𝑖.𝑘 =suma de las observaciones para el nivel i-ésimo de A y el nivel
k-ésimo de C
 𝑦.𝑗𝑘 =suma de las observaciones para el nivel j-ésimo de B y el nivel
k-ésimo de C
 𝑦𝑖𝑗𝑘 =suma de las observaciones para el nivel ijk-ésimo combinación
de tratamiento ijk.
En la práctica, es ventajoso elaborar las siguientes tablas en dos direcciones de

totales y subtotales:
B
A Total
1 2 … b
k=1, 2,…, c
1 𝑦11𝑘 𝑦12𝑘 … 𝑦1𝑏𝑘 𝑦1.𝑘
2 𝑦21𝑘 𝑦22𝑘 … 𝑦2𝑏𝑘 𝑦2.𝑘

. . . . .
. . . . .
. . . . .
a 𝑦𝑎1𝑘 𝑦𝑎2𝑘 … 𝑦𝑎𝑏𝑘 𝑦𝑎.𝑘
Total 𝑦.1𝑘 𝑦.2𝑘 … 𝑦.𝑏. 𝑦..𝑘

E.AP. ESTADISTICA
B
A Total
1 2 … b
1 𝑦11. 𝑦12. … 𝑦1𝑏. 𝑦1..
2 𝑦21. 𝑦22. … 𝑦2𝑏. 𝑦2..

. . . . .
. . . . .
. . . . .
a 𝑦𝑎1. 𝑦𝑎2. … 𝑦𝑎𝑏. 𝑦𝑎..
Total 𝑦.1. 𝑦.2. … 𝑦.𝑏. 𝑦...
C
A Total
1 2 … c
1 𝑦1.1 𝑦1.2. … 𝑦1.𝑐. 𝑦1...
2 𝑦2.1 𝑦2.2. … 𝑦2.𝑐. 𝑦2...

. . . . .
. . . . .
. . . . .
a 𝑦𝑎.1 𝑦𝑎.2. … 𝑦𝑎.𝑐. 𝑦𝑎...
Total 𝑦..1. 𝑦..2. … 𝑦..𝑐. 𝑦...
C
B Total
1 2 … c
1 𝑦.11. 𝑦.12 … 𝑦.1𝑐 𝑦.1.
2 𝑦.21. 𝑦.22 … 𝑦.2𝑐 𝑦.2.

. . . . .
. . . . .
. . . . .
a 𝑦.𝑏1. 𝑦.𝑏2 … 𝑦.𝑏𝑐 𝑦.𝑏.
Total 𝑦..1 𝑦..2 … 𝑦..𝑐 𝑦...

E.AP. ESTADISTICA
SCT = SCA + SCB + SCC + SC(AB) + SC(AC) + SC(BC) + SC(ABC) + SCR

Estas sumas de cuadrados se pueden expresar como:
2 … 𝑦2
 𝑆𝐶𝑇 = ∑𝑖,𝑗,𝑘 𝑦𝑖𝑗𝑘 − 𝑎𝑏𝑐
2
∑𝑖 𝑦𝑖.. … 𝑦2
 𝑆𝐶𝐴 = − 𝑎𝑏𝑐
𝑏𝑐
2
∑𝑗 𝑦.𝑗. … 𝑦2
 𝑆𝐶𝐵 = − 𝑎𝑏𝑐
𝑎𝑐
2
∑𝑘 𝑦..𝑘 … 𝑦2
 𝑆𝐶𝐶 = − 𝑎𝑏𝑐
𝑎𝑏
2
∑𝑖,𝑗 𝑦𝑖𝑗. 𝑦2
…
 𝑆𝐶(𝐴𝐵) = − 𝑎𝑏𝑐 − 𝑆𝐶𝐴 − 𝑆𝐶𝐵
𝑐
2
∑𝑖,𝑘 𝑦𝑖,𝑘 𝑦2
…
 𝑆𝐶(𝐴𝐶) = − 𝑎𝑏𝑐 − 𝑆𝐶𝐴 − 𝑆𝐶𝐶
𝑏
2
∑𝑗,𝑘 𝑦.𝑖𝑘 𝑦2
…
 𝑆𝐶(𝐵𝐶) = − 𝑎𝑏𝑐 − 𝑆𝐶𝐵 − 𝑆𝐶𝐶
𝑎
2 … 𝑦2
 𝑆𝐶(𝐴𝐵𝐶) = ∑𝑖,𝑗,𝑘 𝑦𝑖𝑗𝑘 − 𝑎𝑏𝑐 − 𝑆𝐶𝐴 − 𝑆𝐶𝐵 − 𝑆𝐶𝐶 − 𝑆𝐶(𝐴𝐵) −
𝑆𝐶(𝐴𝐶) − 𝑆𝐶(𝐵𝐶)
Los grados de libertad se calculan sustituyendo los totales apropiados en las
siguientes fórmulas de cálculos:
 𝐺. 𝐿𝐴 = 𝑎 − 1
 𝐺. 𝐿𝐵 = 𝑏 − 1
 𝐺. 𝐿𝐶 = 𝑐 − 1
 𝐺. 𝐿𝐴𝐵 = (𝑎 − 1)(𝑏 − 1)
 𝐺. 𝐿𝐴𝐶 = (𝑎 − 1)(𝑐 − 1)
 𝐺. 𝐿𝐵𝐶 = (𝑏 − 1)(𝑐 − 1)
 𝐺. 𝐿𝐴𝐵𝐶 = (𝑎 − 1)(𝑏 − 1)(𝑐 − 1)
 𝐺. 𝐿 𝑇𝑂𝑇𝐴𝐿 = 𝑎𝑏𝑐 − 1
Los cuadrados medios se calculan sustituyendo los totales apropiados en las

𝑆𝐶𝐴
 𝐶𝑀𝐴 =
𝐺.𝐿𝐴
𝑆𝐶𝐵
 𝐶𝑀𝐵 = 𝐺.𝐿
𝐵
𝑆𝐶𝐶
 𝐶𝑀𝐶 =
𝐺.𝐿𝐶
𝑆𝐶(𝐴𝐵)
 𝐶𝑀𝐴𝐵 = 𝐺.𝐿𝐴𝐵
𝑆𝐶(𝐴𝐶)
 𝐶𝑀𝐴𝐶 = 𝐺.𝐿𝐴𝐶
𝑆𝐶(𝐵𝐶)
 𝐶𝑀𝐵𝐶 = 𝐺.𝐿𝐵𝐶
𝑆𝐶(𝐴𝐵𝐶)
 𝐶𝑀𝐴𝐵𝐶 = 𝐺.𝐿𝐴𝐵𝐶

E.AP. ESTADISTICA
Al tratarse de un modelo sin replicación, los contrastes sólo se pueden realizar si
se supone que la interacción de tercer orden es cero. En esta hipótesis,
CM(ABC) = CMR y los contrastes de cada uno de los factores e interacciones
comparan su cuadrado medio correspondiente con la varianza residual para
construir el estadístico de contraste.
El objetivo del análisis es realizar los contrastes de hipótesis nula que se

muestran a continuación junto con el estadístico de contraste correspondiente:
𝐶𝑀𝐴
 𝐻0𝐴 ≅ 𝜏1 = ⋯ = 𝜏𝑎 = 0 ∶ 𝐹𝐴 = 𝐶𝑀𝑅 ~𝐻0𝐴 𝐹(𝑎−1);(𝑎−1)(𝑏−1)(𝑐−1)
𝐶𝑀𝐵
 𝐻0𝐵 ≅ 𝛽1 = ⋯ = 𝛽𝑏 = 0 ∶ 𝐹𝐵 = 𝐶𝑀𝑅 ~𝐻0𝐵 𝐹(𝑏−1);(𝑎−1)(𝑏−1)(𝑐−1)
𝐶𝑀𝐶
 𝐻0𝐶 ≅ 𝛾1 = ⋯ = 𝛾𝑐 = 0 ∶ 𝐹𝐶 = 𝐶𝑀𝑅 ~𝐻0𝐶 𝐹(𝑐−1);(𝑎−1)(𝑏−1)(𝑐−1)
𝐶𝑀(𝐴𝐵)
 𝐻0(𝐴𝐵) ≅ (𝜏𝛽)𝑖𝑗 = 0 ; ∀𝑖,𝑗 ∶ 𝐹(𝐴𝐵) = ~𝐻0(𝐴𝐵) 𝐹(𝑎−1)(𝑏−1);(𝑎−1)(𝑏−1)(𝑐−1)
𝐶𝑀𝑅
𝐶𝑀(𝐴𝐶)
 𝐻0(𝐴𝐶) ≅ (𝜏𝛾)𝑖𝑘 = 0 ; ∀𝑖,𝑘 ∶ 𝐹(𝐴𝐶) = ~𝐻0(𝐴𝐶) 𝐹(𝑎−1)(𝑐−1);(𝑎−1)(𝑏−1)(𝑐−1)
𝐶𝑀𝑅
𝐶𝑀(𝐵𝐶)
 𝐻0(𝐵𝐶) ≅ (𝛽𝛾)𝑗𝑘 = 0 ; ∀𝑗,𝑘 ∶ 𝐹(𝐵𝐶) = ~𝐻0(𝐵𝐶) 𝐹(𝑏−1)(𝑐−1);(𝑎−1)(𝑏−1)(𝑐−1)
𝐶𝑀𝑅
Fijado un nivel de significación α, se rechaza la H0 correspondiente, si 𝐹𝐶 > 𝐹𝑇
Análisis de variancia para el experimento de tres factores sin replicación
Fuente de Suma de Cuadrados

variación cuadrados Grados de Libertad medios ƒ calculada
Efecto principal
𝑆12
A SSA a-1 𝑆12 ƒ1 = 2
𝑆
𝑆22
B SSB b-1 𝑆22 ƒ2 = 2
𝑆
C SSC c-1 𝑆32 𝑆32
ƒ3 = 2
interacción de dos 𝑆
factores
𝑆42
ƒ4 =
AB SS(AB) (a-1)(b-1) 𝑆42 𝑆2
𝑆52
AC SS(AC) (a-1)(c-1) ƒ5 = 2
𝑆52 𝑆
𝑆62
BC SS(BC) (b-1)(c-1) 𝑆62 ƒ6 = 2
𝑆
interacción de tres
factores
ABC o SS(ABC) (a-1)(b-1)(c-1)

𝑆2
Error
Total SST abc-1

E.AP. ESTADISTICA
Para el experimento de tres factores con una sola réplica se puede utilizar el análisis
de la tabla haciendo n=1 y utilizando la suma de cuadrados de la interacción ABC para
SSE. En este caso se está asumiendo que los efectos de interacción (𝛼𝛽𝛾)𝑖𝑗𝑘 son
todos iguales a cero de tal forma que
𝑆𝑆(𝐴𝐵𝐶) 2
𝑛 ∑𝑎𝑖=1 ∑𝑏𝑗=1 ∑𝑐𝑘=1(𝛼𝛽𝛾)2𝑖𝑗𝑘
𝐸[ ]=𝜎 + = 𝜎2.
(𝑎 − 1)(𝑏 − 1)(𝑐 − 1) (𝑎 − 1)(𝑏 − 1)(𝑐 − 1)
Esto es, SS(ABC) representa la variación debida únicamente al error experimental. Su

cuadrado medio por lo tanto proporciona una estimación insesgada de la variancia del
error. Con n=1 y SSE=SS(ABC), la suma de cuadrados del error se encuentra
restando las sumas de cuadrados de los efectos principales y las interacciones de dos
factores de la suma total de cuadrados.

E.AP. ESTADISTICA
1.2 El modelo con replicación
En esta sección se considera un experimento con tres factores A,B,y C en niveles

a,byc respectivamente, en un diseño experimental completamente aleatorizado.
Supóngase de nuevo que se tiene “n” observaciones para cada una de las abc
combinaciones de tratamiento. Se procederá a esbozar las pruebas de significancia
para los tres efectos principales y las interacciones involucradas. Se espera entonces
que el lector pueda utilizar la descripción dada aquí para generalizar el análisis a k>3
factores.
El modelo estadístico para este diseño es:
𝑦𝑖𝑗𝑘𝑙 = 𝜇 + 𝛼𝑖 + 𝛽𝑗 + 𝛾𝑘 + (𝛼𝛽)𝑖𝑗 + (𝛼𝛾)𝑖𝑘 + (𝛽𝛾)𝑗𝑘 + (𝛼𝛽𝛾)𝑖𝑗𝑘 + 𝜀𝑖𝑗𝑘𝑙
i=1,2,…, a; j=1,2,…, b; k= 1,2,…, c y l= 1,2,…, n,
 𝑢𝑖𝑗𝑘𝑙 ~𝑁(0, 𝜎 2 )𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠

 𝑦𝑖𝑗𝑘 representa la respuesta de la variable en el i-ésimo nivel del factor 1
(𝜏) , en el j-ésimo nivel del factor 2 (𝛽) y en el k-ésimo nivel del factor 3
(𝛾)
 𝜏𝑖 𝛽𝑗 𝛾𝑘 : Son los efectos producidos por el nivel i-ésimo del factor A, (∑𝑖 𝜏𝑖 = 0),
por el nivel j-ésimo del factor B, (∑𝑗 𝛽𝑗 = 0) y por el nivel k-ésimo del factor
C, (∑𝑘 𝛾𝑘 = 0)
 (𝜏𝛽)𝑖𝑗 , (𝜏𝛾)𝑖𝑘 , (𝛽𝛾)𝑗𝑘 , (𝜏𝛽𝛾)𝑖𝑗𝑘 , : Son los efectos producidos por las
interacciones entre A × B, A × C, B × C y A × B × C, respectivamente
PARAMETRO NUMERO A pesar de las restricciones

𝜇 1 impuestas al modelo, el número de
𝜏𝑖 a-1 parámetros (abc + 1) supera al
𝛽𝑗 b-1 número de observaciones (abc).
Por lo tanto, algún parámetro no
𝛾𝑘 c-1
será estimable.
(𝜏𝛽)𝑖𝑗 (a-1)(b-1)
(𝜏𝛾)𝑖𝑘 (a-1)(c-1)
(𝛽𝛾)𝑗𝑘 (b-1)(c-1)
(𝜏𝛽𝛾)𝑖𝑗𝑘 (a-1)(b-1)(c-1)
error Abc(n-1)
TOTAL Abcn-1

E.AP. ESTADISTICA
Ahora se procede directamente a la parte de cálculo de obtener las sumas de
cuadrados en el análisis de variancia de tres factores. Se requiere la siguiente
notación:
1.2.1 Descomposición de la variabilidad
𝑦… = suma de todas las abcn observaciones.
𝑦𝑖 … = suma de las observaciones para el nivel i-ésimo del factor A
𝑦.𝑗… =suma de las observaciones para el nivel j-ésimo del factor B
𝑦..𝑘. = suma de las observaciones para el nivel k-ésimo para el factor C
𝑦𝑖𝑗.. = suma de las observaciones para el nivel i-ésimo de A y el nivel j-ésimo de B
𝑦𝑖.𝑘. =suma de las observaciones para el nivel i-ésimo de A y el nivel k-ésimo de C
𝑦.𝑗𝑘. =suma de las observaciones para el nivel j-ésimo de B y el nivel k-ésimo de C
𝑦𝑖𝑗𝑘. =suma de las observaciones para el nivel ijk-ésimo combinación de tratamiento

ijk.
En la práctica, es ventajoso elaborar las siguientes tablas en dos direcciones de

totales y subtotales:
B
A Total
1 2 … b
1 𝑦11𝑘. 𝑦12𝑘. … 𝑦1𝑏𝑘. 𝑦1.𝑘.

k=1, 2,…, c
2 𝑦21𝑘. 𝑦22𝑘. … 𝑦2𝑏𝑘. 𝑦2.𝑘.
. . . . .
. . . . .
. . . . .
a 𝑦𝑎1𝑘. 𝑦𝑎2𝑘. … 𝑦𝑎𝑏𝑘. 𝑦𝑎.𝑘.
Total 𝑦.1𝑘. 𝑦.2𝑘. … 𝑦.𝑏. 𝑦..𝑘.

E.AP. ESTADISTICA
B
A Total
1 2 … b
1 𝑦11.. 𝑦12.. … 𝑦1𝑏.. 𝑦1...
2 𝑦21.. 𝑦22.. … 𝑦2𝑏.. 𝑦2...

. . . . .
. . . . .
. . . . .
a 𝑦𝑎1.. 𝑦𝑎2.. … 𝑦𝑎𝑏.. 𝑦𝑎...
Total 𝑦.1.. 𝑦.2.. … 𝑦.𝑏. 𝑦...
C
A Total
1 2 … c
1 𝑦1.1. 𝑦1.2. … 𝑦1.𝑐. 𝑦1...
2 𝑦2.1. 𝑦2.2. … 𝑦2.𝑐. 𝑦2...

. . . . .
. . . . .
. . . . .
a 𝑦𝑎.1. 𝑦𝑎.2. … 𝑦𝑎.𝑐. 𝑦𝑎...
Total 𝑦..1. 𝑦..2. … 𝑦..𝑐. 𝑦...
C
B Total
1 2 … c
1 𝑦.11. 𝑦.12. … 𝑦.1𝑐. 𝑦.1..
2 𝑦.21. 𝑦.22. … 𝑦.2𝑐. 𝑦.2..

. . . . .
. . . . .
. . . . .
a 𝑦.𝑏1. 𝑦.𝑏2. … 𝑦.𝑏𝑐. 𝑦.𝑏..
Total 𝑦..1. 𝑦..2. … 𝑦..𝑐. 𝑦...

E.AP. ESTADISTICA
Las sumas de los cuadrados se calculan sustituyendo los totales apropiados en las
2 𝑦2
 𝑆𝑆𝑇 = ∑𝑖,𝑗,𝑘,𝑙 𝑦𝑖𝑗𝑘𝑙 ….
− 𝑎𝑏𝑐𝑛
2
∑𝑖 𝑦𝑖… 𝑦2
 𝑆𝐶𝐴 = 𝑏𝑐𝑛
….
2 2
∑𝑗 𝑦.𝑗.. 𝑦….
 𝑆𝐶𝐵 = −
𝑎𝑐𝑛 𝑎𝑏𝑐𝑛
2 2
∑𝑘 𝑦..𝑘. 𝑦….
 𝑆𝑆𝐶 = 𝑎𝑏𝑛
2 2 2
∑𝑖,𝑗 𝑦𝑖𝑗.. ∑𝑖 𝑦𝑖… ∑𝑗 𝑦.𝑗.. 𝑦2
 𝑆𝐶(𝐴𝐵) = 𝑐𝑛
−
𝑏𝑐𝑛
− 𝑎𝑐𝑛
….
+ 𝑎𝑏𝑐𝑛
2 2 2
∑𝑖,𝑘 𝑦𝑖.𝑘. ∑𝑖 𝑦𝑖… ∑𝑘 𝑦..𝑘. 𝑦2
 𝑆𝐶(𝐴𝐶) = 𝑏𝑛
− 𝑏𝑐𝑛
− 𝑎𝑏𝑛
….
+ 𝑎𝑏𝑐𝑛
2 2 2
∑𝑗,𝑘 𝑦.𝑗𝑘. ∑𝑗 𝑦.𝑗.. ∑𝑘 𝑦..𝑘. 𝑦2
 𝑆𝐶(𝐵𝐶) = 𝑎𝑛
− 𝑎𝑐𝑛
− 𝑎𝑏𝑛
….
+ 𝑎𝑏𝑐𝑛
2 2 2 2 2 2 2 2
∑𝑖,𝑗,𝑘 𝑦𝑖𝑗𝑘. ∑𝑖,𝑗 𝑦𝑖𝑗.. ∑𝑖,𝑘 𝑦𝑖.𝑘. ∑𝑗,𝑘 𝑦.𝑗𝑘. ∑𝑖 𝑦𝑖… ∑𝑗 𝑦.𝑗.. ∑𝑘 𝑦..𝑘. 𝑦….
 𝑆𝐶(𝐴𝐵𝐶) = − − − + + + −
𝑛 𝑐𝑛 𝑏𝑛 𝑎𝑛 𝑏𝑐𝑛 𝑎𝑐𝑛 𝑎𝑏𝑛 𝑎𝑏𝑐𝑛
 𝑆𝐶𝐸 = 𝑆𝐶𝑇 − 𝑆𝐶𝐴 − 𝑆𝐶𝐵 − 𝑆𝐶𝐶 − 𝑆𝐶(𝐴𝐵) − 𝑆𝐶(𝐴𝐶) − 𝑆𝐶(𝐵𝐶) − 𝑆𝐶(𝐴𝐵𝐶)
Los grados de libertad se calculan sustituyendo los totales apropiados en las

 𝐺. 𝐿𝐴 = 𝑎 − 1
 𝐺. 𝐿𝐵 = 𝑏 − 1
 𝐺. 𝐿𝐶 = 𝑐 − 1
 𝐺. 𝐿𝐴𝐵 = (𝑎 − 1)(𝑏 − 1)
 𝐺. 𝐿𝐴𝐶 = (𝑎 − 1)(𝑐 − 1)
 𝐺. 𝐿𝐵𝐶 = (𝑏 − 1)(𝑐 − 1)
 𝐺. 𝐿𝐴𝐵𝐶 = (𝑎 − 1)(𝑏 − 1)(𝑐 − 1)
 𝐺. 𝐿𝐸𝑅𝑅𝑂𝑅 = 𝑎𝑏𝑐(𝑛 − 1)
 𝐺. 𝐿 𝑇𝑂𝑇𝐴𝐿 = 𝑎𝑏𝑐𝑛 − 1
Los cuadrados medios se calculan sustituyendo los totales apropiados en las

𝑆𝐶𝐴
 𝐶𝑀𝐴 = 𝐺.𝐿
𝐴
𝑆𝐶𝐵
 𝐶𝑀𝐵 = 𝐺.𝐿𝐵
𝑆𝐶𝐶
 𝐶𝑀𝐶 =
𝐺.𝐿𝐶
𝑆𝐶(𝐴𝐵)
 𝐶𝑀𝐴𝐵 = 𝐺.𝐿𝐴𝐵
𝑆𝐶(𝐴𝐶)
 𝐶𝑀𝐴𝐶 = 𝐺.𝐿𝐴𝐶
𝑆𝐶(𝐵𝐶)
 𝐶𝑀𝐵𝐶 = 𝐺.𝐿𝐵𝐶
𝑆𝐶(𝐴𝐵𝐶)
 𝐶𝑀𝐴𝐵𝐶 = 𝐺.𝐿𝐴𝐵𝐶
𝑆𝐶𝐸
 𝐶𝑀𝐸𝑅𝑅𝑂𝑆 = 𝐺.𝐿
𝐸𝑅𝑂𝑅

E.AP. ESTADISTICA
El objetivo del análisis es realizar los contrastes de hipótesis nula que se
muestran a continuación junto con el estadístico de contraste correspondiente:
𝐶𝑀𝐴
 𝐻0𝐴 ≅ 𝜏1 = ⋯ = 𝜏𝑎 = 0 ∶ 𝐹𝐴 = 𝐶𝑀𝑅 ~𝐻0𝐴 𝐹(𝑎−1);𝑎𝑏𝑐(𝑛−1)
𝐶𝑀𝐵
 𝐻0𝐵 ≅ 𝛽1 = ⋯ = 𝛽𝑏 = 0 ∶ 𝐹𝐵 = 𝐶𝑀𝑅 ~𝐻0𝐵 𝐹(𝑏−1);𝑎𝑏𝑐(𝑛−1)
𝐶𝑀𝐶
 𝐻0𝐶 ≅ 𝛾1 = ⋯ = 𝛾𝑐 = 0 ∶ 𝐹𝐶 = 𝐶𝑀𝑅 ~𝐻0𝐶 𝐹(𝑐−1);𝑎𝑏𝑐(𝑛−1)
𝐶𝑀(𝐴𝐵)
 𝐻0(𝐴𝐵) ≅ (𝜏𝛽)𝑖𝑗 = 0 ; ∀𝑖,𝑗 ∶ 𝐹(𝐴𝐵) = 𝐶𝑀𝑅
~𝐻0(𝐴𝐵) 𝐹(𝑎−1)(𝑏−1);𝑎𝑏𝑐(𝑛−1)
𝐶𝑀(𝐴𝐶)
 𝐻0(𝐴𝐶) ≅ (𝜏𝛾)𝑖𝑘 = 0 ; ∀𝑖,𝑘 ∶ 𝐹(𝐴𝐶) = 𝐶𝑀𝑅
~𝐻0(𝐴𝐶) 𝐹(𝑎−1)(𝑐−1);𝑎𝑏𝑐(𝑛−1)
𝐶𝑀(𝐵𝐶)
 𝐻0(𝐵𝐶) ≅ (𝛽𝛾)𝑗𝑘 = 0 ; ∀𝑗,𝑘 ∶ 𝐹(𝐵𝐶) = 𝐶𝑀𝑅
~𝐻0(𝐵𝐶) 𝐹(𝑏−1)(𝑐−1);𝑎𝑏𝑐(𝑛−1)
𝐶𝑀(𝐴𝐵𝐶)
 𝐻0(𝐴𝐵𝐶) ≅ (𝜏𝛽𝛾)𝑖𝑗𝑘 = 0 ; ∀𝑖,𝑗,𝑘 ∶ 𝐹(𝐴𝐵𝐶) = 𝐶𝑀𝑅 ~𝐻0(𝐴𝐵𝐶) 𝐹(𝑎−1)(𝑏−1)(𝑐−1);𝑎𝑏𝑐(𝑛−1)
Fijado un nivel de significación α, se rechaza la H0 correspondiente, si 𝐹𝐶 > 𝐹𝑇
Análisis de variancia para el experimento de tres factores de n réplicas
Fuente de Suma de Cuadrados

Grados de Libertad ƒ calculada
variación cuadrados medios
Efecto principal
A SSA a-1 𝑆12

𝑆12
ƒ1 =
B SSB b-1 𝑆22 𝑆2
𝑆22
ƒ1 = 2
C SSC c-1 𝑆32 𝑆
interacción de dos 𝑆32
ƒ1 = 2
factores 𝑆
AB SS(AB) (a-1)(b-1) 𝑆42 𝑆42

ƒ1 =
𝑆2
AC SS(AC) (a-1)(c-1) 𝑆52 𝑆52
ƒ1 = 2
𝑆
BC SS(BC) (b-1)(c-1) 𝑆62 𝑆62
interacción de tres ƒ1 = 2
𝑆
factores
ABC SS(ABC) (a-1)(b-1)(c-1) 𝑆72

𝑆72 ƒ1 =
𝑆2
Error SSE abc(n-1) 𝑆2
Total SST abcn-1
y SSE, Como es usual, se obtiene por sustracción. Los cálculos en un problema de

análisis de variancia, para un experimento de tres factores con “n” réplicas, su
resumen en la tabla.

E.AP. ESTADISTICA
Ejemplo: SE ENGORDARON POLLOS POR 6 SEMANAS CON BALANCEADOS

DE DIFERENTES SABORIZANTES (FACTOR A), PRESENTACIONES (FACTOR B)
Y PROTEÍNAS (FACTOR C). SE PRESENTA EL CONSUMO DE BALANCEO (KG).EL
EXPERIMENTO FUE HOMOGÉNEO.
PRESENTACION
(FACTOR B)
MOLIDO PELET
PROTEINA PROTEINA
SABORIZANTE
(FACTOR C) (FACTOR C)
(FACTOR A)
SOYA PESCADO SOYA PESCADO
6.42 6.6 6.84 7.16
6.35 6.68 6.93 7.21
ZANAHORIA
6.4 6.7 7.02 7.19
6.38 6.65 6.95 7.22
5.94 6.01 6.2 6.4
5.63 6.14 6.24 6.38
MITAZA
5.85 6 6.16 6.41
5.74 6.04 6.29 6.39
1) FORMA ANALITICA
PARAMETRO G.L
𝜏𝑖 a-1 =2-1=1
𝛽𝑗 b-1 =2-1=1
𝛾𝑘 c-1 =2-1=1
(𝜏𝛽)𝑖𝑗 (a-1)(b-1) =(2-1)(2-1)=1
(𝜏𝛾)𝑖𝑘 (a-1)(c-1) =(2-1)(2-1)=1
(𝛽𝛾)𝑗𝑘 (b-1)(c-1) =(2-1)(2-1)=1
(𝜏𝛽𝛾)𝑖𝑗𝑘 (a-1)(b-1)(c-1) =(2-1)(2-1)(2-1)=1
error Abc(n-1) =2x2x2(4-1)=24
TOTAL Abcn-1 =(2x2x2x4)-1=31
 HALLANDO LAS COMBINACIONES:
B
A TOTAL
1 2
1 52.18 56.52 108.7
2 47.35 50.47 97.82 B
C total
TOTAL 99.53 106.99 206.52 1 2
1 48.71 52.63 101.34
2 50.82 54.36 105.18
C total 99.53 106.99 206.52
A TOTAL
1 2
1 53.29 55.41 108.7
2 48.05 49.77 97.82
TOTAL 101.34 105.18 206.52

E.AP. ESTADISTICA
 CONTRASTES DE HIPÓTESIS:
HIPOTESIS “A”
 HO: NO HAY DIFERENCIA SIGNIFICATIVA ENTRE LOS

PORCENTAJES DE ENGORDAMIENTO POR EFECTO DE LA
SABORIZANTES(ZANAHORIAY MELEZA),
 HI: SI HAY DIFERENCIA SIGNIFICATIVA ENTRE LOS PORCENTAJES
DE ENGORDAMIENTO POR EFECTO DE LA
HIPOTESIS “B”

PRESENTACIONES (MOLIDO Y PELET).
DE ENGORDAMIENTO POR EFECTO DE LA PRESENTACIONES
(MOLIDO Y PELET)
HIPOTESIS “C”

PROTEÍNAS (SOYA Y PESACADO).
DE ENGORDAMIENTO POR EFECTO DE LA PROTEÍNAS (SOYA Y
PESACADO).
HIPOTESIS “AB”

INTERACCION (SABORIZANTES* PRESENTACIONES).
DE ENGORDAMIENTO POR EFECTO DE LA INTERACCION
(SABORIZANTES* PRESENTACIONES).
HIPOTESIS “AC”

INTERACCION (SABORIZANTES*PROTEINA).
(SABORIZANTES*PROTEINA).

E.AP. ESTADISTICA
HIPOTESIS “BC”

INTERACCION (PRESENTACIONES*PROTEINA).
(PRESENTACIONES*PROTEINA).
HIPOTESIS “ABC”

INTERACCION (SABORIZANTES*PRESENTACIONES*PROTEINA).
(SABORIZANTES*PRESENTACIONES*PROTEINA).
 RESOLCUION :
𝑦2 206.522
 2
𝑆𝑆𝑇 = ∑𝑖,𝑗,𝑘,𝑙 𝑦𝑖𝑗𝑘𝑙 ….
− 𝑎𝑏𝑐𝑛 = 6.422 + 6.352 + 6.402 + ⋯ + 6.392 − 32
= 6.061
2 2
∑𝑖 𝑦𝑖… 𝑦…. 108.72 +97.822 206.522
 𝑆𝐶𝐴 = − = − = 3.6992
𝑏𝑐𝑛 𝑎𝑏𝑐𝑛 16 32
2 2 2 2 2
∑𝑘 𝑦..𝑘. 𝑦 99.53 +106.99 206.52
 𝑆𝑆𝐵 = − …. = − = 1.7391125
𝑎𝑏𝑛 𝑎𝑏𝑐𝑛 16 32
2
∑𝑗 𝑦.𝑗.. 𝑦2 101.342 +105.182 206.522
 𝑆𝐶𝐶 = − …. = − = 0.4608
𝑎𝑐𝑛 𝑎𝑏𝑐𝑛 16 32
2 2 2 2
∑𝑖,𝑗 𝑦 ∑𝑖 𝑦𝑖… ∑𝑗 𝑦 𝑦…. 52.182 +56.522+47.352 +50.472 108.72 +97.822
 𝑆𝐶(𝐴𝐵) = 𝑐𝑛 𝑖𝑗.. − 𝑏𝑐𝑛 − 𝑎𝑐𝑛.𝑗.. + 𝑎𝑏𝑐𝑛 = 8
− 16
−
99.532 +106.992 206.522
16
+ 32 = 0.0465125
∑ 𝑦2 2
∑𝑖 𝑦𝑖… 2
∑𝑘 𝑦..𝑘. 2
𝑦…. 53.292 +55.412 +48.052 +49.772
 𝑆𝐶(𝐴𝐶) = 𝑖,𝑘𝑏𝑛𝑖.𝑘. − 𝑏𝑐𝑛 − 𝑎𝑏𝑛 + 𝑎𝑏𝑐𝑛 = 8
−
2
108.7 +97.82 2 2
101.34 +105.18 2 206.52 2
16
− 16
+ 32 =0.005
2 2 2 2
∑𝑗,𝑘 𝑦.𝑗𝑘. ∑𝑗 𝑦.𝑗.. ∑𝑘 𝑦..𝑘. 𝑦…. 48.712 +52.632+50.822 +54.362
 𝑆𝐶(𝐵𝐶) = 𝑎𝑛
− 𝑎𝑐𝑛
− 𝑎𝑏𝑛
+ 𝑎𝑏𝑐𝑛
= 8
−
99.532 +106.992 101.342 +105.182 206.522
16
− 16
+ 32 = 0.005
2 2 2 2 2 2 2
∑𝑖,𝑗,𝑘 𝑦𝑖𝑗𝑘. ∑𝑖,𝑗 𝑦𝑖𝑗.. ∑𝑖,𝑘 𝑦𝑖.𝑘. ∑𝑗,𝑘 𝑦.𝑗𝑘. ∑𝑖 𝑦𝑖… ∑𝑗 𝑦.𝑗..
∑𝑘 𝑦..𝑘. 𝑦2
 𝑆𝐶(𝐴𝐵𝐶) = 𝑛
− 𝑐𝑛
− 𝑏𝑛
−𝑎𝑛 𝑏𝑐𝑛
+ 𝑎𝑐𝑛
+
+ 𝑎𝑏𝑛 ….
− 𝑎𝑏𝑐𝑛 =
25.552 +26.632 +⋯..+24.892 +25.582 52.182 +56.522 +47.352 +50.472
8
− 8
−
2 2 2
53.29 +55.41 +48.05 +49.77 2 2 2 2
48.71 +52.63 +50.82 +54.36 2 108.72 +97.822
8
− 8
+ 16
+
99.532 +106.992 101.342 +105.182 206.522
16
+ 16
− 32 = 0.003
 𝑆𝐶𝐸 = 𝑆𝐶𝑇 − 𝑆𝐶𝐴 − 𝑆𝐶𝐵 − 𝑆𝐶𝐶 − 𝑆𝐶(𝐴𝐵) − 𝑆𝐶(𝐴𝐶) − 𝑆𝐶(𝐵𝐶) − 𝑆𝐶(𝐴𝐵𝐶) =
6.061 − 3.699 − 1.739 − 0.4608 − 0.047 − 0.005 − 0.005 − 0.003 = 0.103

E.AP. ESTADISTICA
 TABLA DE ANOVA
Suma de
Media
Origen cuadrados g.l 𝐹𝐶𝐴𝐿 𝐹𝑇𝐴𝐵𝐿𝐴
cuadrática
tipo III
saborizante 3,699 1 3,699 860,279 𝐹(2−1);2∗2∗2(4−1) = 4.26
presentación 1,739 1 1,739 404,445 𝐹(2−1);2∗2∗2(4−1) = 4.26
proteína ,461 1 ,461 107,163 𝐹(2−1);2∗2∗2(4−1) = 4.26
saborizante *
,047 1 ,047 10,817
presentación 𝐹(2−1)(2−1);2∗2∗2(4−1) = 4.26
saborizante * proteína ,005 1 ,005 1,163 𝐹(2−1)(2−1);2∗2∗2(4−1) = 4.26
presentación *
,005 1 ,005 1,049
proteína 𝐹(2−1)(2−1);2∗2∗2(4−1) = 4.26
saborizante *
presentación * ,003 1 ,003 ,654 𝐹(2−1)(2−1)(2−1);2∗2∗2(4−1) = 4.26
proteína
Error ,103 24 ,004
Total corregida 6,061 31
 DISCUSIÓN:
 FACTOR A COMO SU 𝐹𝐶𝐴𝐿(860.279) > 𝐹𝑇𝐴𝐵𝐿𝐴(4.26) ENTONCES DECIMOS
ACEPTAMOS H1
 FACTOR B COMO SU 𝐹𝐶𝐴𝐿(404.445) > 𝐹𝑇𝐴𝐵𝐿𝐴(4.26) ENTONCES DECIMOS
ACEPTAMOS H1
 FACTOR C COMO SU 𝐹𝐶𝐴𝐿(107.163) > 𝐹𝑇𝐴𝐵𝐿𝐴(4.26) ENTONCES DECIMOS
ACEPTAMOS H1
 FACTOR AB COMO SU 𝐹𝐶𝐴𝐿(10.817) > 𝐹𝑇𝐴𝐵𝐿𝐴(4.26) ENTONCES DECIMOS
ACEPTAMOS H1
 FACTOR AC COMO SU 𝐹𝐶𝐴𝐿(1.163) < 𝐹𝑇𝐴𝐵𝐿𝐴(4.26) ENTONCES DECIMOS
ACEPTAMOS H0
 FACTOR BC COMO SU 𝐹𝐶𝐴𝐿(1.049) < 𝐹𝑇𝐴𝐵𝐿𝐴(4.26) ENTONCES DECIMOS
ACEPTAMOS H0
 FACTOR ABC COMO SU 𝐹𝐶𝐴𝐿(0.654) < 𝐹𝑇𝐴𝐵𝐿𝐴(4.26) ENTONCES DECIMOS
ACEPTAMOS H0
 CONCLUSIÓN:
 CON UN NIVEL DE SIGNIFICACION DEL 5% PUEDES AFIRMAR QUE
SOLO EXISTE DIFERENCIA SIGNIFICATIVA ENTRE LOS
PORCENTAJES DE LOS FACTORES A,B y C, Y TAMBIEN EN LA
INTERACCION DEL FACTOR AB

E.AP. ESTADISTICA
2) USANDO PROGRAMA “SPSS”
Factores inter-sujetos
Etiqueta del
N
valor
1 zanahoria 16
saborizante
2 melaza 16
1 molido 16
presentacion
2 pelet 16
1 soya 16
proteina
2 pescado 16
CONCLUSIÓN: EL CUADRO NOS INDICA QUE LOS DATOS ESTAN BIEN

ESTABLECIDOS PARA LAS PRUEBAS CORRESPONDIENTES
a) PRUEBA DE HOMOGENIDAD
HIPOTESIS:
 HO: LAS VARIANZAS DE LOS PORCENTAJES DE ENGORDAMIENTO
DE LOS POLLOSEN LAS 6 SEMANAS CON BALANCEADOS DE
DIFERENTES SABORIZANTES (ZANAHORIAY MELEZA),
PRESENTACIONES (MOLIDO Y PELET) Y PROTEÍNAS (SOYA Y
PESACADO) SON IGUALES
 HI: : LAS VARIANZAS DE LOS PORCENTAJES DE ENGORDAMIENTO
DE LOS POLLOSEN LAS 6 SEMANAS CON BALANCEADOS DE
DIFERENTES SABORIZANTES (ZANAHORIAY MELEZA),
PRESENTACIONES (MOLIDO Y PELET) Y PROTEÍNAS (SOYA Y
PESACADO) SON DIFERENTES
Contraste de Levene sobre la igualdad de las

varianzas errora
Variable dependiente: consumo
F gl1 gl2 Sig.
3,295 7 24 ,013
Contrasta la hipótesis nula de que la varianza

error de la variable dependiente es igual a lo
largo de todos los grupos.
a. Diseño: Intersección + saborizante +
presentacion + proteina + saborizante *
presentacion + saborizante * proteina +
presentacion * proteina + saborizante *
presentacion * proteina
SIG.: (0.013) < 0.05 SE CUMPLE H0 LAS VARIANZAS SON IGUALES

E.AP. ESTADISTICA
DISCUSIÓN:
 LA VARIANZAS DE ENGORDAROMIENTO DE LOS POLLOS POR 6 SEMANAS

CON BALANCEADOS DE DIFERENTES SABORIZANTES, PRESENTACIONES Y
PROTEÍNAS (SI CUMPLE LA NORMALIDAD U HOMOCEDASTICIDAD)
 DEBE APLICARSE PRUEBAS PARAMETRICAS
CONCLUSIÓN:
 SE DEBE APLICAR PRUEBAS PARAMETRICAS YA QUE UNAS DE LAS

CONDICIONES SI CUMPLE POR LO TANTO SE DEBE BUSCAR UNA PRUEBA
PARAMETRICA ,

E.AP. ESTADISTICA
b) PRUEBA PARAMETRICA
 ANALISIS DE VARIANZA DE TRES FACTORES
HIPOTESIS “A”

Pruebas de los efectos inter-sujetos

Suma de Eta al
Media
Origen cuadrados gl F Sig. cuadrado
cuadrática
tipo III parcial
Modelo corregido 5,958a 7 ,851 197,939 ,000 ,983
309960,10
Intersección 1332,828 1 1332,828 ,000 1,000
5
saborizante 3,699 1 3,699 860,279 ,000 ,973
presentación 1,739 1 1,739 404,445 ,000 ,944
proteína ,461 1 ,461 107,163 ,000 ,817
saborizante *
,047 1 ,047 10,817 ,003 ,311
presentación
saborizante * proteína ,005 1 ,005 1,163 ,292 ,046
presentación *
,005 1 ,005 1,049 ,316 ,042
proteína
saborizante *
presentación * ,003 1 ,003 ,654 ,427 ,027
proteína
Error ,103 24 ,004
Total 1338,890 32
a. R cuadrado = ,983 (R cuadrado corregida = ,978)
DISCUSIÓN:
 COMO SU SIG (0,000) < 0,05 POR LO TANTO ACEPTAMOS H1
CONCLUSIÓN:
 CON UN NIVEL DE SIGNIFICACION DEL 5% PODEMOS AFIRMAR QUE

SI EXISTE DIFERENCIA SIGNIFICATIVA ENTRE LOS PORCENTAJES

E.AP. ESTADISTICA
HIPOTESIS “B”

PRESENTACIONES (MOLIDO Y PELET).
(MOLIDO Y PELET)

Suma de Eta al
Media
cuadrática
tipo III parcial
309960,10
Intersección 1332,828 1 1332,828 ,000 1,000
5
saborizante 3,699 1 3,699 860,279 ,000 ,973
presentación 1,739 1 1,739 404,445 ,000 ,944
proteína ,461 1 ,461 107,163 ,000 ,817
saborizante *
,047 1 ,047 10,817 ,003 ,311
presentación
presentación *
,005 1 ,005 1,049 ,316 ,042
proteína
saborizante *
presentación * ,003 1 ,003 ,654 ,427 ,027
proteína
Error ,103 24 ,004
Total 1338,890 32
DISCUSIÓN:
CONCLUSIÓN:

(MOLIDO Y PELET).

E.AP. ESTADISTICA
HIPOTESIS “C”

DE ENGORDAMIENTO POR EFECTO DE LA PROTEÍNAS (SOYA Y
PESACADO).

Suma de Eta al
Media
cuadrática
tipo III parcial
309960,10
Intersección 1332,828 1 1332,828 ,000 1,000
5
saborizante 3,699 1 3,699 860,279 ,000 ,973
presentación 1,739 1 1,739 404,445 ,000 ,944
proteína ,461 1 ,461 107,163 ,000 ,817
saborizante *
,047 1 ,047 10,817 ,003 ,311
presentación
presentación *
,005 1 ,005 1,049 ,316 ,042
proteína
saborizante *
presentación * ,003 1 ,003 ,654 ,427 ,027
proteína
Error ,103 24 ,004
Total 1338,890 32
DISCUSIÓN:
CONCLUSIÓN:
 CON UN NIVEL DE SIGNIFICACION DEL 5% PUODEMOS AFIRMAR

QUE SI EXISTE DIFERENCIA SIGNIFIICATIVA ENTRE LOS

E.AP. ESTADISTICA
HIPOTESIS “AB”

INTERACCION (SABORIZANTES* PRESENTACIONES).
(SABORIZANTES* PRESENTACIONES).

Suma de Eta al
Media
cuadrática
tipo III parcial
309960,10
Intersección 1332,828 1 1332,828 ,000 1,000
5
saborizante 3,699 1 3,699 860,279 ,000 ,973
presentación 1,739 1 1,739 404,445 ,000 ,944
proteína ,461 1 ,461 107,163 ,000 ,817
saborizante *
,047 1 ,047 10,817 ,003 ,311
presentación
presentación *
,005 1 ,005 1,049 ,316 ,042
proteína
saborizante *
presentación * ,003 1 ,003 ,654 ,427 ,027
proteína
Error ,103 24 ,004
Total 1338,890 32
DISCUSIÓN:

CONCLUSIÓN:

(SABORIZANTES* PRESENTACIONES)

E.AP. ESTADISTICA
HIPOTESIS “AC”

INTERACCION (SABORIZANTES*PROTEINA).

Suma de Eta al
Media
cuadrática
tipo III parcial
309960,10
Intersección 1332,828 1 1332,828 ,000 1,000
5
saborizante 3,699 1 3,699 860,279 ,000 ,973
presentación 1,739 1 1,739 404,445 ,000 ,944
proteína ,461 1 ,461 107,163 ,000 ,817
saborizante *
,047 1 ,047 10,817 ,003 ,311
presentación
saborizante *
,005 1 ,005 1,163 ,292 ,046
proteína
presentación *
,005 1 ,005 1,049 ,316 ,042
proteína
saborizante *
presentación * ,003 1 ,003 ,654 ,427 ,027
proteína
Error ,103 24 ,004
Total 1338,890 32
DISCUSIÓN:
 COMO SU SIG (0,292) > 0,05 POR LO TANTO ACEPTAMOS H0
CONCLUSIÓN:

NO EXISTE DIFERENCIA SIGNIFICATIVA ENTRE LOS PORCENTAJES

E.AP. ESTADISTICA
HIPOTESIS “BC”

INTERACCION (PRESENTACIONES*PROTEINA).

Suma de Eta al
Media
cuadrática
tipo III parcial
309960,10
Intersección 1332,828 1 1332,828 ,000 1,000
5
saborizante 3,699 1 3,699 860,279 ,000 ,973
presentación 1,739 1 1,739 404,445 ,000 ,944
proteína ,461 1 ,461 107,163 ,000 ,817
saborizante *
,047 1 ,047 10,817 ,003 ,311
presentación
presentación *
,005 1 ,005 1,049 ,316 ,042
proteína
saborizante *
presentación * ,003 1 ,003 ,654 ,427 ,027
proteína
Error ,103 24 ,004
Total 1338,890 32
DISCUSIÓN:

CONCLUSIÓN:


E.AP. ESTADISTICA
HIPOTESIS “ABC”

INTERACCION (SABORIZANTES*PRESENTACIONES*PROTEINA).

Suma de Eta al
Media
cuadrática
tipo III parcial
309960,10
Intersección 1332,828 1 1332,828 ,000 1,000
5
saborizante 3,699 1 3,699 860,279 ,000 ,973
presentación 1,739 1 1,739 404,445 ,000 ,944
proteína ,461 1 ,461 107,163 ,000 ,817
saborizante *
,047 1 ,047 10,817 ,003 ,311
presentación
presentación *
,005 1 ,005 1,049 ,316 ,042
proteína
saborizante *
presentación * ,003 1 ,003 ,654 ,427 ,027
proteína
Error ,103 24 ,004
Total 1338,890 32
DISCUSIÓN:

CONCLUSIÓN:


E.AP. ESTADISTICA
La estadística no paramétrica es una rama de la estadística que estudia las pruebas y

modelos estadísticos cuya distribución subyacente no se ajusta a los llamados
criterios paramétricos. Su distribución no puede ser definida a priori, pues son los
datos observados los que la determinan. La utilización de estos métodos se hace
recomendable cuando no se puede asumir que los datos se ajusten a una distribución
conocida, cuando el nivel de medida empleado no sea, como mínimo, de intervalo.
En estadística, la prueba de Kruskal-Wallis (de William Kruskal y W. Allen Wallis) es

un método no paramétrico para probar si un grupo de datos proviene de la misma
población. Intuitivamente, es idéntico al ANOVA con los datos reemplazados por
categorías. Es una extensión de la prueba de la U de Mann-Whitney para 3 o más
grupos
Ya que es una prueba no paramétrica, la prueba de Kruskal-Wallis no

asume normalidad en los datos, en oposición al tradicional ANOVA. Sí asume, bajo la
hipótesis nula, que los datos vienen de la misma distribución.
Características:
 Extensión de la prueba de la U de Mann-Whitney
 Cuando se quiere comparar tres o mas poblaciones
 Comparar los rangos promedios observados para las K muestras
 Solo se necesita compararse el supuesto de normalidad
 Permite decidir si se puede aceptarse las hipótesis de que k muestras
independientes proceden de la misma población o de poblaciones idénticas
con la misma mediana
VENTAJAS E INCONVENIENTES
Ventajas inconvenientes
Puede usarse para sustituir el anova si: Menos potencia menor sensibilidad para
 Los datos son ordinales detectar diferencias entre los grupos
 No hay normalidad
 El tamaño de la muestra es No es fácil construir I.C
pequeña

E.AP. ESTADISTICA
Pasos para calcular la prueba de kruskal-wallis
1. planteamiento de hipótesis:
 𝐻0 = 𝑙𝑎𝑠 𝑘 𝑝𝑜𝑏𝑙𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑡𝑖𝑒𝑛𝑒𝑛 𝑡𝑜𝑑𝑎𝑠 𝑙𝑎 𝑚𝑖𝑠𝑚𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖𝑜𝑛
 𝐻0 = 𝑙𝑎𝑠 𝑘 𝑝𝑜𝑏𝑙𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑛𝑜 𝑡𝑖𝑒𝑛𝑒𝑛 𝑡𝑜𝑑𝑎𝑠 𝑙𝑎 𝑚𝑖𝑠𝑚𝑎 𝑑𝑖𝑠𝑡𝑟𝑖𝑏𝑢𝑐𝑖𝑜𝑛
2. Se ordenan las n observaciones me menor a mayor, y se les asignan rangos
desde 1 hasta n
3. Se obtienen las sumas de los rangos correspondientes a los elementos de
cada muestra 𝑅𝑖 y el rango promedio
4. Calcular el estadístico de prueba:
12 𝑟2
ℎ = 𝑛(𝑛+1) ∑𝑘𝑖=1 𝑛𝑖 − 3(𝑛 + 1)
𝑖
 𝑛𝑖 = 𝑛𝑢𝑚𝑒𝑟𝑜 𝑑𝑒 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑒𝑛 𝑒𝑙 𝑔𝑟𝑢𝑝𝑜 𝑖
 𝑟𝑖 = 𝑟𝑎𝑛𝑔𝑜 𝑑𝑒 𝑙𝑎𝑠 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑝𝑜𝑟 𝑔𝑟𝑢𝑝𝑜
 𝑛𝑖 = 𝑛𝑢𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑒𝑛𝑡𝑟𝑒 𝑡𝑜𝑑𝑜𝑠 𝑙𝑜𝑠 𝑔𝑟𝑢𝑝𝑜𝑠
5. regla de decisión.
Si h es superior al valor crítico de ji-cuadrado; la hipótesis nula se rechaza
Ejercicio:
EN UN EXPERIMENTO PARA DETERMINAR CUAL DE LOS TRES DIFERENTES
SISTEMAS DE MISIL ES MAS RECOMENDABLE, SE MIDIÓ EL PROMEDIO DE
CONSUMO DEL PROPULSOR. UTILICE LA PRUEBA DE KRUSKAL-WALLIS Y EL
NIVEL DE SIGNIFICANCIA DE 𝛼 = 0.05 PARA PROBAR LA HIPÓTESIS DE QUE
LOS PROMEDIOS DE CONSUMO DEL PROPULSOR SON LOS MISMOS PARA
LOS TRES SISTEMAS DE MISIL:
Sistema de misil
1 2 3
18.4
23.2 19.1
24.0
19.8 17.3
16.7
18.1 17.3
22.8
17.6 19.7
19.8
20.2 18.9
18.9
17.8 18.8
19.3

E.AP. ESTADISTICA
FORMA ANALITICA
 𝐻0 : 𝜇1 = 𝜇2 = 𝜇3
 𝐻1 : 𝜇1 ≠ 𝜇2 ≠ 𝜇3
 NIVEL DE SIGNIFICACION: 𝛼 = 0.05
2
 REGION CRITICA: h>𝑥0.05 = 5.991 para v=3-1=2 G.L
 RESOLCUION :
De menor a mayor Rango
16.7 1
17.3 2.5
17.3 2.5
17.6 4
17.8 5
18.1 6
18.4 7
18.8 8
18.9 9.5
18.9 9.5
19.1 11
19.3 12
19.7 13
19.8 14.5
19.8 14.5
20.2 16
22.8 17
23.2 18
24.0 19
Sistema de misil
1 2 3
19 18 7
1 14.5 11
17 6 2.5
14.5 4 2.5
9.5 16 13
5 9.5
8
12
𝑟1 = 61.0 𝑟2 = 63.5 𝑟3 = 65.5
12 612 63.52 65.52

ℎ= ( + + ) − (3)(20) = 1.66
(19)(20) 5 6 8
 CONCLUSIÓN:
CON UN NIVEL DE SIGNIFICACIÓN DEL 𝛼 = 0.05 AFIRMAMOS QUE DADO
QUE H=1.66 NO CAE EN LA REGIÓN CRITICA H>5.991. SE TIENE
EVIDENCIA INSUFICIENTE PARA RECHAZAR LA HIPÓTESIS DE QUE LOS
RITMOS DE CONSUMO DE LOS PROPULSORES SON LOS MISMOS PARA
LOS TRES SISTEMAS DE MISIL

E.AP. ESTADISTICA
USANDO PROGRAMA “SPSS”
 𝐻0 : 𝜇1 = 𝜇2 = 𝜇3
 𝐻1 : 𝜇1 ≠ 𝜇2 ≠ 𝜇3
 NIVEL DE SIGNIFICACION: 𝛼 = 0.05
Rangos
sistema de misil N Rango

promedio
sistema a 5 12,20
sistema b 6 10,58
consumo
sistema c 8 8,19
Total 19
Estadísticos de contrastea,b
consumo
Chi-cuadrado 1,663
gl 2
Sig. asintót. ,435
a. Prueba de Kruskal-Wallis
b. Variable de agrupación:
sistema de misil
 DISCUSIÓN:
 SIG.: (0.435) > 0.05 SE CUMPLE H0 LOS RITMOS DE CONSUMO DE LOS
PROPULSORES SON IGUALES
 CONCLUSIÓN:
 CON UN NIVEL DE SIGNIFICACIÓN DEL 𝛼 = 0.05 PODEMOS AFIRMAR
QUE LOS RITMOS DE CONSUMO DE LOS PROPULSORES SON IGUALES

E.AP. ESTADISTICA
COMENTARIO DEL TEMA:

 ESTE TEMA ES UNO DE LOS TANTO INTERESANTES EN
ESTADÍSTICA PUESTO QUE NOS LLEVA A DARNOS CUENTA
COMO VARÍAN LOS DATOS E INCLUSO COMO VARIOS DATOS
DEPENDE DE UNO EN GENERAL TAMBIÉN PODEMOS VER COMO
INTERACCIONAN UNO CON OTRO.
 EN OTRAS PALABRAS ESTE TEMA DE ANÁLISIS DE VARIANZA DE
TRES FACTORES, ES MUY ESENCIAL Y BÁSICO PARA AQUELLOS
ESTUDIANTES QUE INDUCEN A ESTA CARRERA.

E.AP. ESTADISTICA
Bibliografía:
 ANALISIS DE VARIANZA DE TRES FACTORES
WALPOLE MYERS/ PAG. 603 /9na edición/ año 2012
 Lara Porras, A.M. (2000). “Diseño Estadístico de Experimentos,
Análisis de la Varianza y Temas Relacionados: Tratamiento
Informático mediante SPSS.” Proyecto Sur de Ediciones.
 Diseño de Experimentos/curso 2011-2012_estadística.pdf

3FAC

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

3FAC

Transféré par

Droits d'auteur :

Formats disponibles

“Año del Buen Servicio al Ciudadano”

“UNIVERSIDAD SAN LUIS GONZAGA DE ICA”

ASIGNATURA: DISEÑO EXPERIMENTAL AVANZADO

TEMA: ANALISIS DE VARIANZA DE TRES FACTORES

-CAYAMPI FAJARDO MICHAEL NICOLAS

-NAPA YATACO SULLY VON CESAR ELY

-WALTER RAMOS MAYURI

A continuación vamos a comenzar a estudiar un Tema de marcada importancia en las

 En la efectividad de 3 métodos de enseñanza de una lengua extranjera

UNIVERSIDAD SAN LUIS GONZAGA DE ICA-PERÚ 2

1) Normalidad: los datos obtenidos en cada nivel de los factores se ajustan

Cuando estamos frente a un problema de análisis de varianza lo primero que debemos

Variable dependiente o variable respuesta (Variable de estudio): Es la variable

Variable independiente o factor: Es la variable o factor que puede influenciar en la

Unidad experimental: Es el objeto (persona, animal o cosa) donde se aplica un

Error experimental: Es la variación que no se puede atribuir a un cambio de

Aleatorización: Consiste en asignar en forma aleatoria los tratamientos a las

UNIVERSIDAD SAN LUIS GONZAGA DE ICA-PERÚ 3

UNIVERSIDAD SAN LUIS GONZAGA DE ICA-PERÚ 4

ANALISIS DE TRES FACTORES

De nuevo, con objeto de que se puedan realizar pruebas validas de significancia, se

UNIVERSIDAD SAN LUIS GONZAGA DE ICA-PERÚ 5

1.1 El modelo sin replicación

𝑦𝑖𝑗𝑘 = 𝜇 + 𝜏𝑖 + 𝛽𝑗 + 𝛾𝑘 + (𝜏𝛽)𝑖𝑗 + (𝜏𝛾)𝑖𝑘 + (𝛽𝛾)𝑗𝑘 + (𝜏𝛽𝛾)𝑖𝑗𝑘 + 𝑢𝑖𝑗𝑘

 𝑦𝑖𝑗𝑘 representa la respuesta de la variable en el i-ésimo nivel del factor

∑(𝜏𝛽)𝑖𝑗 = ∑(𝜏𝛽)𝑖𝑗 = ∑(𝜏𝛾)𝑖𝑘 = ∑(𝜏𝛾)𝑖𝑘 = ∑(𝛽𝛾)𝑗𝑘 = ∑(𝛽𝛾)𝑗𝑘 = ∑(𝜏𝛽𝛾)𝑖𝑗𝑘

Supondremos que se toma una observación por cada combinación de

PARAMETRO NUMERO A pesar de las restricciones

UNIVERSIDAD SAN LUIS GONZAGA DE ICA-PERÚ 6

1.1.1 Estimación de los parámetros del modelo

1.1.2 Descomposición de la variabilidad

En la práctica, es ventajoso elaborar las siguientes tablas en dos direcciones de

2 𝑦21𝑘 𝑦22𝑘 … 𝑦2𝑏𝑘 𝑦2.𝑘

Total 𝑦.1𝑘 𝑦.2𝑘 … 𝑦.𝑏. 𝑦..𝑘

UNIVERSIDAD SAN LUIS GONZAGA DE ICA-PERÚ 7

1 𝑦11. 𝑦12. … 𝑦1𝑏. 𝑦1..

2 𝑦21. 𝑦22. … 𝑦2𝑏. 𝑦2..

Total 𝑦.1. 𝑦.2. … 𝑦.𝑏. 𝑦...

1 𝑦1.1 𝑦1.2. … 𝑦1.𝑐. 𝑦1...

2 𝑦2.1 𝑦2.2. … 𝑦2.𝑐. 𝑦2...

Total 𝑦..1. 𝑦..2. … 𝑦..𝑐. 𝑦...

1 𝑦.11. 𝑦.12 … 𝑦.1𝑐 𝑦.1.

2 𝑦.21. 𝑦.22 … 𝑦.2𝑐 𝑦.2.

Total 𝑦..1 𝑦..2 … 𝑦..𝑐 𝑦...

UNIVERSIDAD SAN LUIS GONZAGA DE ICA-PERÚ 8

SCT = SCA + SCB + SCC + SC(AB) + SC(AC) + SC(BC) + SC(ABC) + SCR

Los cuadrados medios se calculan sustituyendo los totales apropiados en las

UNIVERSIDAD SAN LUIS GONZAGA DE ICA-PERÚ 9

El objetivo del análisis es realizar los contrastes de hipótesis nula que se

Fijado un nivel de significación α, se rechaza la H0 correspondiente, si 𝐹𝐶 > 𝐹𝑇

Análisis de variancia para el experimento de tres factores sin replicación

Fuente de Suma de Cuadrados

ABC o SS(ABC) (a-1)(b-1)(c-1)

Total SST abc-1

UNIVERSIDAD SAN LUIS GONZAGA DE ICA-PERÚ 10

Esto es, SS(ABC) representa la variación debida únicamente al error experimental. Su

UNIVERSIDAD SAN LUIS GONZAGA DE ICA-PERÚ 11

1.2 El modelo con replicación

En esta sección se considera un experimento con tres factores A,B,y C en niveles

El modelo estadístico para este diseño es:

𝑦𝑖𝑗𝑘𝑙 = 𝜇 + 𝛼𝑖 + 𝛽𝑗 + 𝛾𝑘 + (𝛼𝛽)𝑖𝑗 + (𝛼𝛾)𝑖𝑘 + (𝛽𝛾)𝑗𝑘 + (𝛼𝛽𝛾)𝑖𝑗𝑘 + 𝜀𝑖𝑗𝑘𝑙

i=1,2,…, a; j=1,2,…, b; k= 1,2,…, c y l= 1,2,…, n,

 𝑢𝑖𝑗𝑘𝑙 ~𝑁(0, 𝜎 2 )𝑖𝑛𝑑𝑒𝑝𝑒𝑛𝑑𝑖𝑒𝑛𝑡𝑒𝑠

PARAMETRO NUMERO A pesar de las restricciones