INTRODUCCION AL ANALISIS DE EXPERIMENTOS OCisneros 1 PDF

CAPITULO I
DISEO DE INVESTIGACIONES EXPERIMENTALES

La observacin de los fenmenos naturales, la acumulacin de datos de observacin
y experimentales, la comparacin sistemtica de especimenes, la formulacin de
esquemas de clasificacin, la cuantificacin de la informacin acumulada son
actividades esenciales para el desarrollo de la Ciencia que en conjunto constituyen el
cuerpo bsico de conocimiento para eventualmente lograr una unificacin terica a un
alto nivel de abstraccin, as se expresa el Dr. Lus Romo Saltos1 al desarrollar su
captulo sobre Observacin y Experiencia en su libro Cuestiones Lgico
2
Filosficas de la Ciencia
El conocimiento cientfico deviene del reconocimiento de la uniformidad de
caractersticas, modelos y comportamientos observados en un evento o hecho,
realizado por observadores independientes o mediante evidencia material.
Una
caracterstica de la ciencia es su capacidad para plantear explicaciones de los
fenmenos en estudio de manera corroborable o verificable, y su propsito la
comprensin y la descripcin de la ocurrencia de los fenmenos que forman la
realidad concreta.
En las ciencias empricas, la principal caracterstica es que dependen de manera
directa de la experiencia para demostrar el valor de verdad de sus enunciados y para
ello existen dos formas de realizar tal demostracin: la observacin sistemtica y la
experimentacin.
En la observacin sistemtica, el investigador no interviene en el fenmeno de
estudio, asume el papel de observador diligente para advertir, medir y registrar
sistemticamente las caractersticas significativas del fenmeno en estudio.
En la experimentacin, el investigador modifica de manera deliberada, intencionada y
controlada algunos factores cuyo efecto sobre el objeto de estudio se quiere conocer.
De all que se defina como un experimento al conjunto de observaciones
especficamente definidas, efectuadas bajo condiciones controladas y reproducibles.
1.1 CONCEPTOS BASICOS
El diseo de experimentos utiliza con relativa frecuencia palabras, vocablos o
expresiones que deben ser entendidas en un contexto definido; para este efecto, se
puntualiza la definicin de los trminos ms utilizados.
1.1.1 DISEAR UN EXPERIMENTO
Disear un experimento significa planificar un conjunto de acciones perfectamente
definidas que sern realizadas bajo condiciones totalmente controladas y
reproducibles de modo que se asegure obtener los datos apropiados que permitan un
anlisis objetivo que conduzca a deducciones vlidas con respecto al problema
establecido. Esto implica que la persona que formule el diseo entienda claramente
los objetivos de la investigacin propuesta.
1
Ecuatoriano, Doctor en Ciencias, PhD., especializado en Fisicoqumica, Termodinmica y

Coloideofsica. Dignsimo profesor de la Universidad Central del Ecuador, autor de 9 obras cientficas y
cinco obras filosficas; miembro de varias academias cientficas.
2
Cuestiones Lgico-Filosficas de la Ciencia, primera edicin, 1.994, Editorial Universitaria, Quito.
INTRODUCCIN AL ANLISIS ESTADSTICO DE DISEOS EXPERIMENTALES
ING. OSCAR CISNEROS G.
1.1.2 PROPOSITO DE UN DISEO EXPERIMENTAL

El propsito de cualquier diseo experimental es proporcionar la mxima cantidad de
informacin al mnimo costo (con ahorro de tiempo, dinero, personal y material
experimental). Es importante que el diseo, plan o programa de prueba sea tan
simple como sea posible. El investigador que planee un experimento deber
esforzarse por lograr eficiencia estadstica y econmica.
1.1.3 TRATAMIENTO
Para el estadstico, la palabra tratamiento se refiere al conjunto particular de
condiciones experimentales que se aplican a cada unidad experimental en el diseo
seleccionado. Estas condiciones son controladas por el investigador y a cada unidad
experimental le corresponde un conjunto particular de condiciones; de una unidad
experimental a otra pueden variar las condiciones de aplicacin.
1.1.4 FACTOR
En el lenguaje del diseo experimental, a una variable independiente se le conoce
como Factor y es independiente porque no depende del fenmeno en estudio; es
aquella variable que est siendo controlada y modificada intencionalmente por el
investigador para conocer el efecto que esta modificacin intencional produce en la
variable respuesta observada en la unidad experimental. Por lo general se usan letras
maysculas latinas para representarlas.
1.1.5 NIVELES DE FACTOR
A los diversos valores o clasificaciones del Factor se le conoce como Niveles de
Factor. Estos niveles son los que permiten la modificacin controlada del factor para
medir su efecto en la variable respuesta observada en cada unidad experimental.
1.1.6 UNIDAD EXPERIMENTAL
Es la unidad de observacin y anlisis a la cual se le aplica un solo tratamiento en una
realizacin del experimento bsico. En todas las unidades experimentales en estudio
se observa, mide y registra la misma caracterstica o variable, conocida como variable
respuesta; el valor que sta variable registra expresa el efecto de la aplicacin
controlada de un factor.
1.1.7 VARIABLE RESPUESTA
Conocida tambin como variable dependiente, por variable respuesta entenderemos a
la caracterstica, variable, que ser observada en cada unidad experimental; es la
variable que mide o que manifiesta el efecto que produce cada tratamiento en las
unidades experimentales.
1.1.8 ERROR EXPERIMENTAL
Este trmino describe el fracaso de llegar a resultados idnticos con dos o ms
unidades experimentales sometidas al mismo tratamiento y bajo iguales condiciones
de experimentacin. Si a dos o ms unidades experimentales se les aplica igual
tratamiento y condiciones de experimentacin, si son tratadas idnticamente, es de
esperar que den igual resultado, el fracaso de obtener igual resultado en estas
condiciones se conoce como error experimental.
La palabra Error Experimental tiene para el Estadstico un significado mucho ms
general que en una situacin particular y reflejar:
1.
2.
3.
4.
5.
Errores de experimentacin
Errores de observacin
Errores de medicin
La variacin del material experimental
Los efectos combinados de todos los factores extraos que pudieran influir
en las caractersticas en estudio.
Algunas recomendaciones generales para reducir el error experimental sugieren

adoptar una o ms de las tcnicas siguientes:
1. Usar material experimental ms homogneo o por la estratificacin

cuidadosa del material disponible.
2. Utilizar informacin proporcionada por variables aleatorias relacionadas.

3. Tener ms cuidado en la direccin, ejecucin y control del experimento.
4. Usar un diseo experimental ms eficiente.
1.2 PRINCIPIOS BASICOS DEL DISEO EXPERIMENTAL
Hay tres principios bsicos del diseo experimental: reproduccin, aleatorizacin y
control local.
REPRODUCCION: Por reproduccin se debe entender la repeticin del experimento
bsico. La reproduccin es deseable porque: 1) proporciona una estimacin del
error experimental que acta como unidad bsica de medida; 2) proporciona una
estimacin ms aproximada del error experimental; y, 3) nos capacita para obtener
una estimacin ms precisa del efecto medio de cualquier factor.
ALEATORIZACION:
Es la asignacin al azar del tratamiento a las unidades
experimentales, que asegura independencia de errores. La aleatorizacin hace vlida
la prueba de significacin, hacindola apropiada para analizar datos como si la
suposicin de errores independientes fuera cierta. No se dice que la aleatorizacin
garantiza la independencia, sino slo que nos permite proceder como si la
independencia fuera un hecho.
La completa y verdadera independencia de errores es slo ideal, porque los errores
asociados con unidades experimentales adyacentes en espacio o tiempo tendern a
correlacionarse.
CONTROL LOCAL: La funcin del control local es hacer ms eficiente el diseo
experimental, hace ms sensitiva cualquier prueba de significancia o hace ms
poderosos los procedimientos de prueba; este aumento de eficiencia resulta porque el
uso adecuado del control local reducir la magnitud de la estimacin del error
experimental. En este sentido el control local se refiere a la cantidad de balanceo,
bloqueo y agrupamiento de las unidades experimentales.
Agrupamiento: Por agrupamiento se debe entender la colocacin de un conjunto de
unidades experimentales homogneas en grupos diversos, de modo que los
diferentes grupos puedan sujetarse a distintos tratamientos. Estos grupos pueden

constar de diferente nmero de unidades experimentales.
Bloqueo:
Damos a entender la distribucin de las unidades experimentales en
bloques, de tal manera que la mayor parte de la variacin predecible entre las
unidades quede confundida con el efecto de los bloques.
Balanceo: Damos a entender que la obtencin de las unidades experimentales, el
agrupamiento, el bloqueo y la asignacin de los tratamientos a las unidades
experimentales sea tal modo que resulte una configuracin balanceada.
1.3 COMO PLANEAR UN EXPERIMENTO
Planear un experimento es buscar el valor de verdad de un evento en particular, es un
trabajo dedicado a logro del conocimiento aislando el evento en estudio de su estado
natural. A este efecto, el investigador debe seguir un procedimiento concatenado y
responder con precisin los cuestionamientos de cada fase del planeamiento
experimental.
De forma similar al un proceso de investigacin cientfica, la planificacin de un
experimento se resume en tres fases perfectamente definidas:
1. Fase 1. Diseo, planificacin y organizacin del experimento
2. Fase 2. Ejecucin del experimento
3. Fase 3. Procesamiento y anlisis de resultados del experimento.
Cada fase contiene etapas conforme se expresa a continuacin:
Fase 1. Diseo, planificacin y organizacin del experimento:
1. Definir y delimitar el experimento. Consiste en establecer con claridad y
precisin lo que se desea experimentar; determinar la unidad experimental y
las caractersticas que sern observadas en la unidad experimental (variables
respuesta), los factores que inciden o actan sobre las caractersticas que se
observarn en la unidad experimental y establecer aquellos que sern
controlados y la forma o manera de estandarizar el comportamiento de
aquellos factores que no sern controlados.
2. Justificar la importancia y relevancia del experimento. Comienza con la
recopilacin bibliogrfica de toda referencia bibliogrfica relevante sobre el
tema de experimentacin, los resultados alcanzados por otros investigadores,
los temas que requieren mayor investigacin y aquellos que han sido
investigados. Explicitar las razones que fundamentan y sustentan la ejecucin
del proceso experimental.
3. Establecer los objetivos del estudio. En trminos de los resultados que se
espera alcanzar al trmino de la experimentacin. Debe recordarse que todo
objetivo debe ser especfico, medible, observable y fundamentalmente
alcanzable.
4. Formular las hiptesis de trabajo. Establecer con precisin las hiptesis de
trabajo que guiarn la experimentacin, las mismas que sern docimadas con
los resultados del experimento. Es imprescindible que para el planteamiento
definitivo de las hiptesis, stas consideren una hiptesis para cada factor a
controlar y para sus interacciones. Recordemos que la formulacin de una
hiptesis de trabajo requiere observar una estructura cientfica, gramatical,
lgica y matemtica; y que, toda hiptesis debe ser observable, medible

mensurable y verificable.
5. Disear el programa de experimentacin. Definida la unidad experimental
es imperativo establecer las caractersticas bsicas que cada unidad debe
reunir para su inclusin en el estudio, su ubicacin y proceso de seleccin; las
variables respuesta que sern observadas en la unidades experimentales,
momento, tiempos, forma y procedimientos de observacin y medicin de
cada variable respuesta; los factores que sern controlados, forma y
procedimiento de control y dosificacin de los niveles de factor que sern
utilizados; de igual manera se indicar la forma en que la ocurrencia de los
factores no controlados ser estandariza para todas las unidades
experimentales. Conjuntamente con la forma y procedimientos para la
ejecucin del experimento, as como para la observacin y medicin de la
variable respuesta y para el control del factor, se establecern la
instrumentacin tcnica requerida.
Todos estos elementos sirven para establecer el mejor diseo experimental a
ser utilizado y con ello los procedimientos estadsticos de anlisis; es
conveniente, prever los posibles resultados del experimento, as como las
limitaciones en trminos de tiempo, instrumentacin, recursos y resultados.
El diseo implica no slo precisar lo antes citado, incluye elaborar un programa
sistemtico y completo de ejecucin del experimento que establezca las
tcnicas experimentales que sern utilizadas.
Fase 2. Ejecucin del experimento:
1.
2.
3.
Establecer los procesos de control. Del procedimiento de ejecucin del

experimento, de la observacin y registro de la variable respuesta y de la
dosificacin de los factores.
Disear instrumentos de registro. De control y verificacin de resultados,
as como de observacin y medicin de la variable respuesta y de factores.
Ejecucin del experimento. Aplicar los procedimientos, tcnicas y rutinas
experimentales diseadas.
Fase 3. Procesamiento y anlisis de resultados:

1. Procesamiento de la informacin. Consiste en depurar los datos obtenidos
e ingresar al computador la informacin de manera sistemtica.
2. Anlisis de resultados.
El anlisis implica la aplicacin de tcnicas
estadsticas previstas para el anlisis de datos experimentales, docimar las
hiptesis planteadas, plantear sus conclusiones; establecer las limitaciones a
las conclusiones obtenidas a partir de la ejecucin experimental y a la
evidencia de los datos.
3. Elaborar el informe final. Consiste en elaborar la memoria tcnica del
experimento que recoja toda la informacin relevante desde el diseo hasta el
anlisis y conclusiones de sus resultados.
Con el procedimiento propuesto se desea responder a preguntas tales como:
1. Qu se va a medir, cmo, dnde?
2. Qu caractersticas que se van a analizar?
3. Qu factores afectan las caractersticas que se van a analizar?
4. Cules de esos factores se estudiarn en esta investigacin?
5. Cuntas veces debera ejecutarse el experimento bsico?
6. Cul sera la forma de los anlisis?
7. A partir de qu valor se considera importante un efecto?
1.4
LA VARIANZA
Es un estadgrafo que proporciona una medida del grado de dispersin, de

esparcimiento o el grado de concentracin de los valores de la variable respecto a su
valor promedio. Se la define como el desvo medio cuadrtico de los valores de
variable respecto a su valor central. Como parmetro, se denota por 2 y representa
2
a la varianza poblacional; como estadstica se denota por s y representa a la
varianza muestral. La formulacin de clculo es :
Parmetro:
Estadstica:
(x
=
=
)2
( xi x ) 2
n 1
x
=
2
i
x
=
2
i
( x ) 2 / n
n 1
La varianza muestral, s2, como estimador de la varianza poblacional es consistente,

eficiente y suficiente; si se calcula con los grados de libertad como denominador (n 1) el estimador es adems insesgado
La distribucin en el muestreo de la varianza tiene caractersticas especficas en
funcin de si la muestra proviene de una poblacin normal, o de cualquier poblacin,
conforme se expone seguidamente:
Muestras de una poblacin normal.
La distribucin de las varianzas muestrales tiene la forma de una distribucin 2, el
valor medio de una distribucin 2 es "v" y su varianza es "2v"; de forma que el valor
esperado de la distribucin en el muestreo de la varianza muestral es igual a su
parmetro, esto es:
E (s 2 ) = 2
La varianza de la distribucin en el muestreo de la varianza muestral es:
Var ( s 2 ) =
2 4
n 1
El error estndar es igual a:
es ( s ) = Var ( s 2 ) =
2 4
n 1
Muestras de cualquier poblacin:

Desconociendo si la muestra proviene de una poblacin normal o conociendo que no
proviene de una poblacin normal; tenemos que el valor esperado de la distribucin en
el muestreo de la varianza muestral es igual al valor poblacional, esto es:
E(s 2 ) = 2
La varianza de la distribucin en el muestreo de la varianza muestral es:
Var ( s ) =
1
(n 3) 2
4
2
n
(n 1)
en donde 4 y 2 son momentos del universo de valores individuales
es( s) = Var ( s 2 )
El error estndar es igual a: es
1.5
LA DESVIACION TIPICA
Es la raz cuadrada de la varianza y se expresa en unidades de la variable; es un

estadgrafo que proporciona una medida del grado de dispersin o el grado de
concentracin de los valores de la variable respecto a su valor promedio. Se la define
como el desvo medio de los valores de variable respecto a su valor central. Como
parmetro, se denota por y representa a la varianza poblacional; como estadstica
se denota por s y representa a la varianza muestral. Su formulacin de clculo es
sencilla:
= 2
s = s2
La desviacin tpica muestral, s, como estimador de la desviacin tpica poblacional es

consistente, eficiente y suficiente; si se calcula con el denominador (n - 1) el estimador
es insesgado si la muestra proviene de una poblacin normal.
Las principales caractersticas de la distribucin en el muestreo de la desviacin tpica
muestral son las siguientes:
Muestras de una poblacin normal
El valor esperado de la distribucin en el muestreo de la desviacin tpica para
muestras provenientes de una poblacin normal se calcula mediante:
E ( s) =
y su error estndar:
es( s) =
2 ((n 2) / 2)!
n 1 ((n 3) / 2)!
2n
Muestras de cualquier universo:

No existen frmulas exactas para el valor esperado; cuando las muestras son
relativamente grandes ( n 30) la esperanza matemtica de la distribucin en el
muestreo del desvo tpico muestral es igual a:
E (s)
El error estndar de la desviacin tpica muestral es aproximadamente igual a :
es ( s) =
en el que:
1.6
r2 =
2n
(r2 / 2) + 1
4
22
ANALISIS DE VARIANZA
El procedimiento bsico de anlisis para un diseo experimental es el conocido como

Anlisis de Varianza que consiste en partir la suma de los mnimos cuadrados debido
a la variacin total, de una serie de observaciones, en las sumas de los mnimos
cuadrados correspondientes a las variantes independientes incluidas en el plan
experimental; y, en la suma de los mnimos cuadrados del error experimental.
Los valores registrados corresponden a la variable respuesta observados en cada
unidad experimental; la variacin que registren los diferentes valores de la variable
respuesta es una medida del efecto que produce uno o ms factores en esta variable
y del error experimental. El objetivo del Anlisis de Varianza es particionar la variacin
total observada en aquella debida a efecto del factor o factores incluidos en el diseo
y en aquella debida al error experimental.
Si el experimento utiliza un solo factor o variable independiente, entonces la suma de
cuadrados de la variacin total observada en la variable respuesta se divide en dos
partes: la primera que determina la variacin debido al efecto del factor considerado, o
variacin entre los tratamientos; y la segunda, que representa a la variacin debido al
error experimental, esto es:
Variacin total = Variacin entre tratamientos + Variacin del Error
Si los tratamientos tienen igual efecto en la variable respuesta, los valores de sta son
en promedio iguales entre los tratamientos, por tanto no registran variacin y la
variacin total se explica nicamente por el error experimental.
Si el error
experimental est ausente, entonces la variacin total se explicara nicamente por el
efecto de los tratamientos o del factor en la variable respuesta.
En general, la variacin debe ser conceptualizada como la diferencia entre un valor de
variable y su promedio; cuando se hace referencia a la variacin total, sta se
determina mediante la suma de cuadrados entre la diferencia de cada valor de la
variable respuesta con el promedio general de todas las observaciones y se expresa
mediante: (Xij - )2; la variacin entre tratamientos se determina mediante la suma
de cuadrados de la diferencia entre el promedio de cada tratamiento j con el
promedio general, ponderado por el nmero de observaciones de cada tratamiento;
sta relacin se expresa mediante: nj (j - )2 ; y, la variacin debido al error
experimental se determina mediante la suma de cuadrados entre la diferencia de cada
valor de la variable respuesta con el promedio de cada tratamiento y se expresa
2
mediante (Xij - j) . De forma que la igualdad indicada anteriormente queda
expresada matemticamente de la siguiente manera:
(x
en donde:
ij
) 2 = n j ( j ) 2 + ( xij j ) 2
(Xij - )2
= Suma de cuadrados total
= SCT
2
nj (j - ) = Suma de cuadrados entre Tratamientos = SCE
(Xij - j)2 = Suma de cuadrados Residual = Error
= SCR
de donde:
SCT = SCE + SCR.
Si en el experimento intervienen de manera controlada dos o ms factores, entonces
la variacin total o suma de cuadrados total se particiona en la suma de cuadrados
para cada factor y la suma de cuadrados del error o residual.
En general, las suposiciones bsicas del anlisis de varianza son las mismas
asociadas con el anlisis de regresin:
Aditividad
Linealidad
Normalidad
Independencia
Varianzas homogneas
Existen varios "modelos" en el anlisis de varianza dependiendo del diseo formulado,

los ms utilizados son:
Modelo aleatorizado de una variable, o a un criterio de clasificacin
Modelo aleatorizado de dos variables, o de dos criterios de clasificacin, o de
bloques
Modelo aleatorizado de tres variables, o de tres criterios de clasificacin, en el que
el modelo Cuadrado Latino es de especial inters.
CAPITULO II
DISEO A UN CRITERIO DE CLASIFICACION
En este diseo, el experimento se realiza con la participacin de un solo factor o
variable independiente que est siendo controlado, asumiendo y verificando que los
restantes factores se mantienen en iguales condiciones para todas las unidades de
experimentacin en cada realizacin del experimento.
El factor se presenta dividido en categoras de variable o niveles de valor de la
variable, a las cuales conoceremos con el nombre de tratamientos, de forma que a
una unidad experimental se le aplicar un solo tratamiento; suele ser comn que uno
de los tratamientos implique la no aplicacin del factor, o que el factor tiene en ste
tratamiento su nivel mnimo, cero; en este caso, al tratamiento as asignado se le
denomina "testigo" y servir de elemento base para medir el efecto de los restantes
niveles del factor en la variable respuesta.
Este es un modelo en el cual los tratamientos, sometidos a experimentacin, son
asignados completamente al azar a las unidades experimentales o viceversa.
2.1 MODELO DE ANALISIS CON IGUAL NUMERO DE OBSERVACIONES POR

TRATAMIENTO
Bajo este diseo se encuentran los experimentos cuyos tratamientos tienen igual
nmero de observaciones cada tratamiento, de forma que el nmero de
observaciones y de unidades experimentales es igual al nmero de observaciones por
tratamiento multiplicado por el nmero de tratamientos. La funcin matemtica que
define este modelo es:
X ij = + j + ij
en el que:
Xij = Valor de la variable respuesta correspondiente a la isima
observacin del j-simo tratamiento, el que se considera
normalmente distribuido alrededor del promedio del tratamiento
j .
= Es el promedio general o promedio poblacional
j = Es el efecto del j-simo tratamiento
ij = Es el error o valor residual de la i-sima observacin del j-simo
tratamiento, que se considera es independiente de observacin
a observacin y est normalmente distribuido con valor esperado
2
2
igual a cero y varianza igual a , (0, ).
La representacin simblica de datos de ste diseo es el siguiente:
10
TRATAMIENTO
T2
?
Tj
X12
..
X1j
X22
J
X2j
Xi2
J
Xij
OBSERV.
1
2
i
:
n
T1
X11
X21
Xi1
Xn1
Xn2
...
TOTALES
# OBSER
MEDIAS
X1
n1
1
X2
n2
2
?
J
J
?.
J.
J.
J.
Ta
X1a
X2a
Xia
Xnj
....
Xna
Xj
nj
j
?.
J.
J.
Xa
na
a
X
n
En esta representacin, el tratamiento se generaliza como Tj y el nmero de los jsimos tratamientos incluidos en el experimento va de 1 hasta a, siendo a el nmero
total de tratamientos. Una observacin o medida de la variable respuesta en una
unidad experimental se generaliza por Xij y el nmero de las i-simas observaciones o
repeticiones del experimento en cada tratamiento va de 1 hasta n, generalizndose el
nmero de repeticiones en cada tratamiento por nj.
X j = X ij
para los que
j =
ij
nj
X =Xj
n = nj
La identidad fundamental del Anlisis de Varianza de un modelo construido a un solo

criterio de clasificacin es:
(x
en donde:
ij
) 2 = n j ( j ) 2 + ( x ij j ) 2
( x ) = Variacin Total = SCT

n ( ) = Variacin entre Tratamientos = SCE
( x ) = Variacin del Error = SCR
2
ij
ij
de donde:
Variacin total = Variacin entre tratamientos + Variacin Residual
SCT
=
SCE
+
SCR
En la igualdad, la variacin est expresada como la suma de cuadrados y nos indica
que la variacin total en la variable respuesta (SCT), se descompone en una variacin
explicada por el efecto que producen los tratamientos en la variable respuesta,
variacin entre tratamientos (SCE); y, en la variacin debida al error experimental o
11
residual (SCR), o lo que es lo mismo, la variacin dentro de cada tratamiento debido a

los efectos aleatorios en la variable respuesta.
La diferencia entre cada valor de la variable Xij y el promedio general , expresa el
desvo del valor de variable con respecto al promedio general o Variacin Total, el
cuadrado del desvo y su sumatoria (Xij - )2 representa la Suma de Cuadrados
Total.
El valor de j representa el promedio del j-simo tratamiento, la diferencia entre ste y
el promedio general (j - ) representa el desvo del tratamiento al promedio general y
es una medida del efecto diferencial del tratamiento, o Variacin entre Tratamientos, el
cuadrado del desvo y su sumatoria ponderada por el nmero de observaciones en
cada tratamiento nj (j - )2 representa la Suma de Cuadrados entre los
tratamientos.
Vamos a suponer que todos los tratamientos aplicados a las unidades experimentales
tienen el mismo efecto en la variable respuesta, entonces, los promedios de cada
tratamiento sern iguales entre si: 1 = 2 = j = ... = a = , el efecto diferencial de los
tratamientos (j - ) no existe, por lo tanto (j - )2 = 0; y, consecuentemente, la
variacin total de la variable respuesta estara explicada nicamente por el error
experimental.
Si a dos o ms unidades experimentales se les somete a las mismas condiciones de
experimentacin, al mismo tratamiento, se puede esperar que tengan igual resultado
en la medicin o en la observacin de la variable respuesta. Si no se obtiene igual
resultado, la diferencia entre stos es una manifestacin del error experimental, de all
que se ha definido como error experimental, al fracaso de llegar a resultados idnticos
con dos o ms unidades experimentales tratadas en las mismas condiciones.
Si los valores de la variable respuesta en dos o ms unidades de experimentacin
sometidas al mismo tratamiento tienen la igual medida, esto es X11 = X21 = ... Xi1 = J
= Xn1, entonces el error experimental est ausente, consecuentemente el promedio del
tratamiento j tiene igual valor que cualquiera de las observaciones del tratamiento.
La diferencia entre una observacin cualquiera (Xij) y el promedio de su tratamiento
(Xij - j) representa la Variacin dentro del Tratamiento y es una medida del error
experimental, la sumatoria de ste desvo al cuadrado (Xij - j)2 representa la Suma
de Cuadrados del Error o Residual.
Supongamos que no existe el error experimental, por tanto (Xij - j)2 = 0 entonces, la
variacin en la variable respuesta se explica por el efecto diferencial de los
tratamientos en sta variable.
Ahora, supongamos que los tratamientos aplicados a las unidades experimentales
2
tienen el mismo efecto en la variable respuesta, por lo tanto (j - ) = 0; y que,
2
tampoco existe el error experimental, por lo tanto (Xij - j) = 0, entonces, la variable
respuesta tampoco tendra variacin (Xij - )2 = 0.
Desde luego, las situaciones expuestas son ideales y nos sirven nicamente para
ilustrar el origen o la fuente de variacin entre los valores de la variable respuesta al
interior de cada tratamiento o entre tratamientos.
El clculo de las sumas de cuadrados para cada expresin de la identidad, puede
realizarse directamente de las expresiones propuestas en la identidad fundamental;
una expresin matemtica que puede disminuir el laborioso clculo es la siguiente:
12
( X )
SCT = X
2
ij
ij
( X )
SCE =
SCR =
ij
nj
( X )
ij
( X )
2
ij
ij
Una forma abreviada de calcularlo es:
FC =
( x ij ) 2
n
SCT = x ij2 FC
x 2j
SCE = FC
nj

SCR = SCT SCE
Realizados los clculos, en cualquiera de las formulaciones propuestas, se procede a
resumir los resultados en el cuadro de Anlisis de Varianza cuyo contenido y
representacin es el siguiente:
CUADRO DE ANALISIS DE VARIANZA
FUENTE DE
VARIACION
Tratamientos
Residual (Error)
Total
GRADOS DE
LIBERTAD
SUMA DE
CUADRADOS
CUADRADO MEDIO
ESTADISTICA DE
PRUEBA
a-1
n-a
n-1
SCE
SCR
SCT
CME = SCE / (a - 1)
CMR = SCR / (n -a)
Fc = CME / CMR
En este cuadro, la "Fuente de Variacin" identifica las principales fuentes de variacin

que puede tener una variable respuesta; as, la primera fuente de variacin est en los
Tratamientos y la segunda en el Error Experimental, o Residual, que agregadas
suman igual que la Variacin Total.
Como "Grados de Libertad" se asigna al nmero de tratamientos menos uno, esto es
(a - 1) para los tratamientos; al total de observaciones menos el nmero de
tratamientos (n - a) para el residual; y, por el total de observaciones menos 1 (n - 1)
como grados de libertad de la variacin total; ntese que la suma de los grados de
libertad de tratamientos ms el residual es igual a los grados de libertad del total.
En la columna de "Suma de Cuadrados" se registra el resultado del clculo para cada
fuente de variacin; el "Cuadrado Medio" es el resultado de dividir la suma de
cuadrados para los grados de libertada en cada fuente de variacin; y, en la columna
de "Estadstica de Prueba" se registra el cuociente del cuadrado medio de
tratamientos divido para el cuadrado medio residual.
13
Todo el proceso se encamina a verificar, estadsticamente, si los tratamientos tienen

un efecto diferencial significativo en la variable respuesta o si las variaciones
detectadas son debidas al azar.
2.2 PROCEDIMIENTO DE DOCIMA

Para instrumentalizar el procedimiento de prueba de hiptesis aplicado al diseo
experimental y al anlisis de varianza en particular se procede de igual manera que la
que la descrita en el captulo de inferencia; esto es, mediante la formulacin
matemtica de la hiptesis, la determinacin de la estadstica de prueba, la
especificacin del criterio de decisin, la ejecucin de los clculos y la toma de
decisin que corresponda.
1. Formulacin de la Hiptesis:
Por lo general, el problema plantea la dcima de que los promedios de los diferentes
tratamientos del diseo experimental, "a" nmero de tratamientos, son iguales; si esto
es verdad, entonces el promedio poblacional tambin lo es, de forma que la hiptesis
nula (H0) recoge ste enunciado y lo contrasta con la hiptesis alternativa (HA) tal que
la formulacin matemtica propuesta ser:
H0 : 1 = 2 = j = ..... = a
HA : 1 2 j ..... a
En la que j representa el promedio del j-simo tratamiento del diseo y a representa
el promedio del a-simo tratamiento.
Si todos los promedios son iguales se aceptar las hiptesis nula, basta que uno de
ellos no sea igual para que se rechace la hiptesis nula. Vale hacer notar que en la
hiptesis alternativa descrita (HA) se propone que los promedios de todos los
tratamientos son entre si diferentes; sin embargo, pudiera suceder que dos o ms
promedios sean iguales y que uno o ms de los restantes sean diferentes, pudiera
suceder que todos los promedios menos uno sean iguales, basta que uno de ellos sea
diferente al resto para que en efecto se rechace la hiptesis nula planteada.
Situaciones que no estn representadas por la formulacin propuesta para la
hiptesis alternativa.
Para solucionar esta dificultad de expresin, se puede proponer como formulacin de
la hiptesis la siguiente:
H0 : 1 = 2 = j = ..... = a
HA : Por lo menos una j es diferente
Ahora, si todos los promedios de los tratamientos son iguales, lo es tambin el
promedio poblacional, esto es j = , por lo tanto no existe un efecto diferencial debido
al tratamiento, ste planteamiento es igual a proponer que j - = 0, con esta base la
formulacin de la hiptesis ser:
H0 :
HA :
j - = 0
j - 0
Cualquier diferencia entre el promedio de j-simo tratamiento con el promedio

poblacional (j - ) ser un indicativo del efecto diferencial de ese tratamiento en las
unidades experimentales, el diferencial puede o no ser estadsticamente significativo;
14
al representar al efecto del tratamiento con j , entonces j - = j = 0, con lo

que la formulacin de la hiptesis a docimar se puede plantear como:
H0 : j = 0
HA : j 0
2. Determinacin de la estadstica de prueba
La estadstica de prueba que se utilizar es:
Fc =
CME
CMR
3. Criterio de Decisin
El criterio de decisin para la aceptacin o el rechazo de la hiptesis planteada en el
problema es:
Rechazar la H0 si : Fc F , v1, v 2
en el que v1, corresponde a los grados de libertar del numerador, grados de libertad de
tratamientos (a - 1); y, v2, corresponde a los grados de libertad en el denominador,
grados de libertad del error (n - a). El valor tabular de F se lo obtiene directamente de
tablas pre calculadas, las mismas que se encuentran en las tablas del Anexo de
cualquiera de los textos de bibliografa presentados para el curso.
4. Ejecucin de clculos
Con los datos que el problema proporciona deben calcularse todas las sumas de
cuadrados, los cuadrados medio y el valor de la estadstica de prueba conforme se
present en el cuadro de anlisis de varianza.
5. Decisin
El proceso de prueba no termina si el estadstico no toma una decisin sobre la
aceptacin o rechazo de la hiptesis nula planteada y si no responde al interrogante
que plantea el problema. Con la decisin concluye el proceso de prueba y del anlisis
de varianza.
Conviene observar la mecnica de aplicacin del procedimiento y del clculo del
Cuadro de Anlisis de Varianza, con el desarrollo del siguiente ejercicio.
EJEMPLO:
Una empresa fabricante de vehculos desea probar el rendimiento de un determinado
modelo de automvil con tres tipos diferentes de gasolina; con cada tipo de gasolina
se realizan cuatro pruebas, en cada prueba se carga en el motor 3 galones de
gasolina y un conductor realiza el mismo recorrido hasta que el automvil se pare.
Los datos que se presentan a continuacin corresponden al kilometraje recorrido por
el automvil en cada prueba.
PRUEBA
1
2
3
4
KILOMETRAJE RECORRIDO POR EL AUTOMOVIL

GASOLINA A
GASOLINA B
GASOLINA C
47
46
51
39
42
50
43
45
56
42
45
58
15
Con el 95% de seguridad, puede el fabricante afirmar que esa clase de automvil
tiene un rendimiento exactamente igual con los tres tipos de gasolina?
SOLUCION:
Para iniciar la resolucin del problema planteado, es conveniente identificar las
caractersticas ms importantes del problema, plantear las hiptesis que
correspondan, especificar la estadstica de prueba, formular el criterio de decisin y
aplicar las frmulas al procesamiento de los datos.
Caractersticas del problema:
FACTOR:
TRATAMIENTO:
UNIDAD EXPERIMENTAL:
VARIABLE RESPUESTA:
NIVEL DE SIGNIFICACION:
MODELO:
Combustible
Clase de gasolina: A, B y C.
Automvil
Kilometraje recorrido
0,05
X ij = + j + ij
Como se trata de una prueba controlada del rendimiento de un determinado modelo

de automvil, se supone que el factor combustible est bajo control y que los dems
factores (conductor, ruta, procedimiento de manejo, etc.), que pueden tener efecto en
la variable respuesta, son idnticos para todas las unidades experimentales e iguales
en todas las realizaciones del experimento.
Formulacin de la Hiptesis:
H0 : j = 0
HA : j 0
H0
: El kilometraje recorrido por el automvil es igual con cada tipo de gasolina; o

alternativamente: No existe diferencia significativa en el kilometraje recorrido
por el automvil, debido al tipo de gasolina.
HA : El kilometraje recorrido por el automvil es diferente con cada tipo de gasolina;

o alternativamente: Existe diferencia significativa en el kilometraje recorrido por
el automvil debido al tipo de gasolina.
Fc =
Estadstica de Prueba:
Criterio de Decisin:
CME
CMR
Rechazar la H0 si : Fc F , v1, v 2
Clculos:
16
Xj =
nj =
j =
A
47
39
43
42
171
GASOLINAS
B
46
42
45
45
178
4
42.75
4
44.50
C
51
50
56
58
215
A
0
64
16
25
105
( x
ij
B
1
25
4
4
34
4
53.75
C
16
9
81
121
227
(x
A
18.0625
14.0625
0.0625
0.5625
32.75
Xij = 564
ij
B
C
2.25 7.5625
6.25 14.0625
0.25 5.0625
0.25 18.0625
9
44.75
= 47.00
SCT = 105 + 34 + 227 = 366

SCE = 4 ((42.75 - 47)2 + (44.5 - 47)2 + (53.75 - 47)2 )
SCE = 4 (18.0625 + 6.25 + 45.5625) = 279.5
SCR = 32.75 + 9 + 44.75 = 86.5
SCT = SCE +
SCR
366 = 279.5 + 86.5
366 =
366
Realicemos algunas reflexiones del experimento y de los resultados del clculo.

Podemos observar que cada tratamiento tiene 4 observaciones o repeticiones del
experimento, stas realizaciones son ejecutadas con el mismo tipo de automvil, con
el mismo chofer, en la misma ruta y utiliza la misma cantidad de combustible, por lo
que era de esperar que la medicin de la variable respuesta en las 4 observaciones de
cada tratamiento sean iguales; al no serlo, encontramos que la diferencia entre stas y
su promedio representa el error experimental y que la Suma de Cuadrados del Error o
Suma de Cuadrados Residual, agregado en todos los tratamientos, es de 86.5.
Por otro lado, si los tipos de combustible tuviesen el mismo efecto en el kilometraje de
recorrido del automvil, el promedio para cada tipo de combustible sera el mismo. En
el ejemplo desarrollado, encontramos que los promedios son diferentes y
verificaremos si esta diferencia es estadsticamente significativa; la diferencia entre el
promedio de cada tratamiento y el promedio general es una medida del efecto
diferencial del combustible en el kilometraje de recorrido que se expresa en la Suma
de Cuadrados entre Tratamientos que tiene un valor de 279.5.
Se verifica que la Suma de Cuadrados Total, 366, es igual a la Suma de Cuadrados
entre tratamientos, 279.5, ms la Suma de Cuadrados Residual, 86.5. Estos
resultados sirven para la elaboracin del cuadro de Anlisis de Varianza, tal como se
presenta a continuacin:

FUENTE DE
VARIACION
Gasolinas
Residual (Error)
Total
GRADOS DE
LIBERTAD
3-1 = 2
12 - 3 = 9
12 - 1 = 11
SUMA DE
CUADRADOS
SCE = 279.5
SCR = 86.5
SCT = 366.0
CUADRADO
MEDIO
CME =139.75
CMR = 9.611
ESTADISTICA DE
PRUEBA
Fc = 14.5406
Antes de aplicar el criterio de decisin formulado para la verificacin de la hiptesis

debemos obtener el valor terico o tabular de la estadstica de prueba, F, v1, v2 , el
mismo que se lo obtiene de tablas de valores calculados para niveles de significacin
del 5% y 1% y diferentes valores de grados de libertad; de acuerdo con las
17
condiciones del problema, se tiene un nivel de significacin del 5%, con 2 grados de
libertad en el numerador, en correspondencia con el CME, y 9 grados de libertad en el
denominador, en correspondencia con el CMR, que visto en tablas corresponde a:
F, v1, v2 = F0.05, 2, 9 = 4.256
Decisin:
El criterio de decisin propuesto indica que se rechazar la H0 si se cumple: Fc F,
v1, v2; reemplazando valores tenemos que 14.54 4.256.
Dado que la desigualdad se cumple, rechazo la H0 y concluyo que no es verdadera la
afirmacin del fabricante, el vehculo tiene un rendimiento diferencial significativo
respecto del tipo de gasolina que se utilice.
Slo cuando se tomado una decisin sobre el problema planteado, podemos decir que
el anlisis estadstico ha concluido.
A iguales resultados, decisin y conclusin llegaremos aplicando la formulacin de
clculo alternativa. En el siguiente cuadro se observa el desarrollo del proceso de
clculo mediante la aplicacin de las siguientes formulaciones de clculo:
X2ij - ( Xij )2 / n
( Xij )2/ nj - ( Xij )2/ n
X2ij - ( Xij )2/ nj
SCT =
SCE =
SCR =
TABLA 2.3 CALCULO DE LA SUMA DE CUADRADOS

2
GASOLINAS
Xj =
A
47
39
43
42
171
B
46
42
45
45
178
C
51
50
56
58
215
nj =
Xij =
4
564
SCT =
SCT =
X
-
ij
2
ij
C
2,601
2,500
3,136
3,364
11,601
26,874
( Xij ) / n
2
SCT =
26,874 - (564) /12 =

26,874 - 26,508 = 366
SCE =
(Xij) /nj - (Xij) /n
SCE =
A
2,209
1,521
1,849
1,764
7,343
X ij
B
2,116
1,764
2,025
2,025
7,930
SCE =
(171 /4 + 178 /4 + 215 /4) - ((564) /12) =

26,787.5 - 26,508 = 279.5
SCR =
SCR =
SCR =
X ij - (Xij) / ni
2
2
2
26,874 - (171 /4 + 178 /4 + 215 /4) =
26,874 - 26,787.5 = 86.5
SCT =
366 =
366 =
SCE +
SCR
279.50 + 86.5
366.00
18
Los clculos presentados, sirven para aplicar una forma abreviada de clculo como se
presenta a continuacin:
FC
FC
FC
= ( xij)2/n = (xij)2 /nj = X2/n

2
= (564) /12 =
= 26,508
SCT = x2ij - FC
SCT = 26,874 - 26,508 =
SCT = 366
SCE = (x2j / nj) - FC = x2j/nj - FC
SCE = 26,787.5 - 26,508 =
SCE = 279.50
SCR = SCT - SCE =
SCR = 366 - 279.5 =
SCR = 86.5
Conforme lo refiere el Dr. Luis Romo Saltos en su texto "Mtodos de Experimentacin
Cientfica", el aplicar las frmulas abreviadas de clculo, tiene ventajas dado que es
un procedimiento ms rpido y susceptible a menores errores porque utiliza un menor
nmero de cifras para calcular los cuadrados.
De forma similar, podemos aprovechar el sofware instalado en los utilitarios de mayor
uso como la hoja electrnica EXCEL de Windows. En ste programa se puede
encontrar un mdulo de aplicacin para anlisis estadstico de datos, en el que se
incluye el Anlisis de Varianza; aplicado el sofware a los datos del problema, los
resultados que proporciona el sistema son los siguientes:
Anlisis de varianza de un factor
RESUMEN
Grupos
GASOLINA A
GASOLINA B
GASOLINA C
Cuenta
4
4
4
Suma
171
178
215
Promedio
42.75
44.50
53.75
Suma de
Cuadrados
279.5
86.5
Grados de
Libertad
2
9
Cuadrado
Medio
139.75
9.611
366
11
Varianza
10.92
3.00
14.92
ANLISIS DE VARIANZA
Fuente de
Variacin
Entre grupos
Dentro de grupos
Total
Fc
Probabilidad
Ft
14.54
0.00152
4.256
Como puede observarse, los resultados son exactamente los mismos que los
obtenidos con los procesos de clculo anteriores; as, el valor calculado de la
estadstica de prueba Fc = 14,540, es exactamente igual al obtenido en el clculo
anterior; el valor tabular de la estadstica de prueba Fc = 4,256, es el mismo que en
los clculos anteriores.
19
Sin embargo, es necesario destacar que en la primera parte de la salida de resultados

se presentan: el nmero de elementos o de repeticiones de cada tratamiento; la
sumatoria, el promedio y la varianza de la variable respuesta en cada tratamiento, sta
ltima corresponde al error experimental. En la segunda parte, se presenta el cuadro
de Anlisis de Varianza formulado de manera semejante a lo expuesto en los prrafos
anteriores de este captulo, incluyendo la probabilidad de obtener un valor F mayor o
igual al valor calculado ( P( F 14.54) = 0.00152); y, el valor tabular de F (Ft = 4.256).
La interpretaciones de sus resultados son exactamente iguales a las descritas
anteriormente.
2.3 MODELO DE ANALISIS CON DIFERENTE NUMERO DE OBSERVACIONES

POR TRATAMIENTO.
En ocasiones, debido a la disponibilidad de las unidades experimentales o a la prdida
de stas en el proceso de aplicacin del diseo experimental, o debido a la
concepcin misma del diseo, puede encontrarse que los tratamientos tienen diferente
nmero de observaciones o de repeticiones por tratamiento. En esta situacin el
proceso de clculo es similar al anterior, conforme se expone en el siguiente ejemplo:
EJEMPLO:
El rea urbana de cierta zona del pas tiene la atencin de tres hospitales pblicos.
Los siguientes datos muestran el nmero de intervenciones quirrgicas diarias
practicadas a pacientes no hospitalizados, en cada hospital en la semana pasada. Al
nivel de significacin 0.05, es posible concluir que hay diferencia en el nmero
promedio de operaciones realizadas entre los hospitales?
NUMERO DE OPERACIONES DIARIAS A PACIENTES NO HOSPITALIZADOS

HOSPITAL 1
14
20
16
18
20
HOSPITAL 2
HOSPITAL 3
18
24
22
28
24
14
14
22
24
SOLUCION:
FACTOR:
TRATAMIENTO:
VARIABLE RESPUESTA:
Modelos:
Hospitales pblicos
Hospital 1, 2 y 3.
Da laborable de la semana pasada
Nmero de intervenciones quirrgicas a pacientes
no hospitalizados.
0,05
X ij = + j + ij
H0 : j = 0
HA : j 0
20
H0
: El nmero de intervenciones quirrgicas a pacientes no hospitalizados es igual

en todos los hospitales pblicos; o alternativamente: No existe diferencia
significativa en el nmero de intervenciones quirrgicas a pacientes no
hospitalizados, entre los hospitales pblicos.
HA
: El nmero de intervenciones quirrgicas a pacientes no hospitalizados es

diferente en todos los hospitales pblicos; o alternativamente: Existe diferencia
significativa en el nmero de intervenciones quirrgicas a pacientes no
hospitalizados, entre los hospitales pblicos.
Fc =
CME
CMR
Rechazar la H0 si : Fc F, v1, v2
Clculos:
CALCULO DE LA SUMA DE CUADRADOS
HOSPITALES
SUMA
nj
Xij =
H1
14
20
16
18
20
88
5
278
H2
18
24
22
28
92
4
FC =
(Xij )2 /n
FC =
(278)2 /14 = 5.520,29
H3
24
14
14
22
24
98
5
H1
196
400
256
324
400
1,576
X2ij
H2
324
576
484
784
2,168
2
Xij =
H3
576
196
196
484
576
2,028
5,772
SCT = Xij2 - FC
SCT = 5,772 - 5,520,29 = 251.71
SCT =
251,71
SCE = (Xj2 /nj) - FC
SCE = (882 /5 + 922 /4 + 982 /5) - 5,520,29
SCE =
5,585,60 - 5,520,29 = 65,31
SCR =
SCR =
SCR =
SCT - SCE
251,71 - 65,31 = 186,40
186,40
SCT = SCE +SCR

251,71 = 65,31 + 186,40
251,71 = 251,71
21
Ntese que con respecto al clculo del ejemplo anterior, la nica diferencia est en el
clculo de la Suma de Cuadrados de Tratamientos, SCE; para la situacin presente, el
denominador para la suma de cada tratamiento corresponde al nmero de
observaciones del tratamiento.
Con los resultados obtenidos elaboramos el cuadro de Anlisis de Varianza.
FUENTE DE
VARIACION
Hospitales
GRADOS DE
LIBERTAD
3-1 = 2
SUMA DE
CUADRADOS
65.31
CUADRADO
MEDIO
32.655
Residual (Error)
Total
14 - 3 = 11
14 - 1 = 13
186.4
251.71
16.945
ESTADISTICA
DE PRUEBA
Fc = 1.927
El valor terico o tabular de la estadstica de prueba, F, v1, v2 , para un nivel de

significacin de 0.05, de acuerdo con las condiciones del problema, con 2 grados de
libertad en el numerador y 11 grados de libertad en el denominador, es igual a:
F, v1, v2 = F0.05, 2, 11 = 3.982
Decisin:
El criterio de decisin propuesto indica que se rechazar la H0 si se cumple la
siguiente desigualdad: Fc F, v1, v2; reemplazando valores tenemos que 1.927
3.982.
Al no cumplirse la desigualdad, acepto la H0 planteada y concluyo que el nmero
promedio de intervenciones quirrgicas de pacientes no hospitalizados es igual en los
hospitales pblicos.
Al igual que en el caso anterior, se proces el clculo del Anlisis de Varianza en la
hoja electrnica Excel con resultados aproximadamente iguales a los obtenidos en el
clculo anterior, por efecto de los decimales se produce un pequeo desface en
ciertos valores.
La interpretacin de sus resultados es igual a la descrita
anteriormente, los resultados son:
Anlisis de varianza de un factor
RESUMEN
Grupos
HOSPITAL 1
HOSPITAL 2
HOSPITAL 3
Cuenta
5
4
5
Suma
88
92
98
Promedio
17.60
23.00
19.60
Varianza
6.80
17.33
26.80
ANLISIS DE VARIANZA
Fuente de
Variacin
Entre grupos
Dentro de grupos
Total
Suma de
Grados de
Cuadrado
Cuadrados
Libertad
Medio
65.314
2
32.6571
186.4
11
16.9455
251.714
Fc
1.927
Probabilidad
0.1916
Ft
3.982
13
22
2.4 MODELOS DEL ANLISIS Y CUADRADOS MEDIOS ESPERADOS

En el modelo de anlisis a un solo criterio de clasificacin, el investigador debe decidir
sobre la conformacin de los Tj tratamientos incluidos en el experimento, sta decisin
implica definir si:
a) El investigador est interesado en la poblacin de tratamientos esto es, en

los "a" tratamientos que estn presentes en el experimento, en el que los
efectos de los tratamientos se consideran cantidades fijas desconocidas
pero que van a ser estimadas.. Este modelo se denomina como Modelo I, o
de Efectos fijos o de anlisis de varianza.
b) El investigador est interesado en una muestra de tratamientos de los

cuales a tratamientos estn presentes en el experimento, en el que los
efectos medidos de los tratamientos son variables aleatorias normalmente
distribuidos con promedio cero y varianza A, N(0,A). A este modelo se le
conoce como Modelo II o de efectos aleatorios; o de componente de
varianza.
MODELO I.- EFECTOS FIJOS.En este modelo se supone que los tratamientos incluidos en el experimento son todos
los posibles o constituyen la poblacin de tratamientos. El atributo que lo distingue es
que los efectos de los tratamientos o clases medidos por j, se consideran cantidades
fijas pero desconocidas para ser estimadas.
El modelo que lo representa es el expuesto anteriormente, as:
X ij = + j + ij
i = 1,2 J n
j = 1,2 J a
La hiptesis que se plantea para dcima es:

H0 : j = 0
HA : j 0
Los cuadrados medios esperados, del cuadro de Anlisis de Varianza, para cada
fuente de variacin operndose con igual nmero de repeticiones o diferente nmero
de repeticiones por tratamiento son los siguientes:
CUADRADO MEDIO ESPERADO.- MODELO I, DE EFECTOS FIJOS
FUENTE DE
VARIACION
Tratamientos
CON IGUAL NUMERO DE

OBSERVACIONES
2 + n 2j/ (a-1)
CON DIFERENTE NUMERO

DE OBSERVACIONES
2 + nj 2j/ (a-1)
Residual (Error)
MODELO II.- EFECTOS ALEATORIOS

En este modelo, conocido como componente de varianza, los tratamientos que
intervienen en el experimento son una muestra de la poblacin de tratamientos,
consecuentemente los efectos de los tratamientos se consideran variables aleatorias.
El modelo matemtico del modelo que se plantea es:
23
X ij = + A j + ij
i = 1, 2 J n
j = 1, 2 J.a
en donde:
Aj
ij

= Es el efecto del j-simo tratamiento, que es variable aleatoria
independiente normalmente distribuida con (0, 2A),
= Es el error o valor residual de la i-sima observacin del j-simo
tratamiento, que se considera es independiente de observacin
a observacin y est normalmente distribuido con valor esperado
2
2
igual a cero y varianza igual a , (0, ).

H0 : Aj = 0
HA : Aj 0
Los cuadrados medios esperados, del cuadro de Anlisis de Varianza, para cada
fuente de variacin operndose con igual nmero de repeticiones o diferente nmero
de repeticiones por tratamiento son los siguientes:
CUADRADO MEDIO ESPERADO.- MODELO II, DE EFECTOS ALEATORIOS
FUENTE DE
VARIACION
Tratamientos
CON IGUAL NUMERO DE

OBSERVACIONES
2
2
+ nj A
CON DIFERENTE NUMERO

DE OBSERVACIONES
2
2
+ no A
Residual (Error)
En muestras con diferente nmero de repeticiones por tratamiento, la estimacin

imparcial de la media cuadrada entre tratamientos es:
2 + no2A
En donde no se estima con el promedio de de las nj
El componente de la varianza es:
2
2
2
L = + nj
2
2
2
= ( L - ) / nj que se estima por:
S2 = (S2L - S2) / nj
2.5 COMPARACIONES ENTRE TRATAMIENTOS
En la mayora de experimentos, el investigador est interesado en realizar
comparaciones especficas entre determinados tratamientos que estn involucrados
en el experimento. Tales comparaciones pueden estar dirigidas a establecer
diferencias significativas entre pares de tratamientos o entre varios tratamientos
agrupados en subconjuntos.
Cuando el investigador desea comparar pares de tratamientos, tiene a su disposicin
varias tcnicas o procedimientos de los que puede hacer uso, como por ejemplo: la
Diferencia Mnima Significativa; la prueba de rango mltiple de Duncan; la prueba de
Tukey; la prueba de Scheff, de Bonferroni, y otras. De stos analizaremos
nicamente la prueba de Diferencia Mnima Significativa.
24
Adicionalmente a las pruebas citadas, existe otra de mayor versatilidad porque permite
la comparacin entre pares de tratamientos y/o entre subconjuntos de tratamientos,
sin las limitaciones y restricciones de aplicacin que los mtodos anteriores exigen,
ste mtodo es conocido como Funcin Lineal, el mismo que ser examinado con
algn detenimiento.
2.5.1 DIFERENCIA MINIMA SIGNIFICATIVA.
La Diferencia Mnima Significativa, denotada por DMS, es probablemente la prueba
ms utilizada para la comparacin entre pares de medias de tratamientos por su fcil
clculo. El procedimiento parte del hecho de que en el Anlisis de Varianza se
rechaz la Hiptesis nula y que consecuentemente la prueba F dio un valor
significativo; y que, los tratamientos a compararse tienen igual nmero de
repeticiones, esto es:
Fc
n1 = n2 = r
12 = 22 = 2 =
significativo en el Anlisis de Varianza

igual nmero de repeticiones por tratamiento; y,
CMR Igual varianza por tratamiento.
El valor de la DMS se calcula mediante:
DMS = t / 2,v * x1 x 2
DMS = t / 2 ,v 2 / r
DMS = t / 2,v
2
CMR
r
en el que v = 2r 2

H0 : 1 = 2
HA : 1 2
La estadstica de prueba es:
DMS = t / 2,v
2
CMR
r
El criterio de Decisin:
Se rechaza la hiptesis nula si: x i x j DMS
Si la diferencia observada entre dos promedios, i j, es mayor o igual a la DMS,
entonces rechazamos la hiptesis nula y concluimos que existe una diferencia
significativa entre los dos tratamientos sometidos a prueba.
Habindose calculado la DMS, se puede observar en una matriz de diferencias de
promedios aquellas que son significativas y las que no lo son. De forma que se
rechazar la Hiptesis nula:
Si
Dij DMS
Esto es que se rechazar la Hiptesis nula:
25
Dij
SI
x1
x2
D12
x3
D13
x4
D14
xj
D1j
x1
x2
D23
D24
D2j
x3
D34
D3j
xi
DMS
Dij
Es importante tener precaucin con la utilizacin de esta prueba; probablemente la

principal est en considerar que si el experimento tiene ms de dos tratamientos, la
prueba de las diferencias binarias aumentan la probabilidad de error tipo I con el que
se est trabajando. Recordemos que su utilizacin presupone que la hiptesis nula
del Anlisis de Varianza fue rechazada, el valor de F fue significativo, y que los
tratamientos tienen igual nmero de repeticiones.
2.5.2 FUNCION LINEAL

Este procedimiento de prueba permite la comparacin de dos tratamientos o ms al
mismo tiempo; entre subconjuntos de tratamientos; y, adems permite la subdivisin
de la Suma de Cuadrados para Tratamientos en sus componentes simples.
La funcin lineal puede expresarse en trminos de los totales de los tratamientos o del
promedio de cada tratamiento. Utilizando los promedios de los tratamientos tenemos:
Cualquier combinacin lineal de la forma:
Se denomina comparacin de las medias de tratamientos, en donde:

j = Son coeficientes ortogonales o nmeros fijos, tales que:
j = 0
en el que:
j = Coeficiente ortogonal correspondiente al j-simo tratamiento.

= Promedio del j-simo tratamiento.
La comparacin que se realiza a travs de la funcin lineal puede incluir todas las
medias de los tratamientos o slo una parte de stas. A manera de ejemplo, si el
experimento tiene 3 tratamientos, entonces podramos estar interesados en realizar
pruebas para verificar si ciertas comparaciones entre los tratamientos son
significativas. Las posibles comparaciones que puede realizar el investigador con las
hiptesis nulas y los correspondientes coeficientes ortogonales, son los siguientes:
HIPOTESIS NULA
COEFICIENTE ORTOGONAL
1
(1 - 2) = 0
-1
(1 - 3) = 0
-1
(2 - 3) = 0
-1
A DOCIMAR
26
(1 + 2)/2 - 3 = 0
-2
(1 + 3)/2 - 2 = 0
-2
(2 + 3)/2 - 1 = 0
-2
El clculo del error estndar de la funcin lineal depende de si los tratamientos tienen
o no igual nmero de repeticiones por tratamiento.
Si todos los tratamientos tienen igual nmero de repeticiones r, el error estndar de
la funcin lineal es igual a:
en donde:
L = /r * j2
L = /r * (12 + 22 + j2 + ... + a2)
= CMR
Si el nmero de repeticiones por tratamiento es diferente, esto es que si el j-simo

tratamiento tiene rj repeticiones entonces, el error estndar de la funcin lineal
considera al cuadrado de cada coeficiente ortogonal dividido para el nmero de
repeticiones por tratamiento, esto es:
L = * (j /rj)
L = * (12 /r1 + 22 /r2 + 32 /r3 + ... + a2/ra )
2
en donde:
= CMR
La estadstica de prueba que se utiliza en la comparacin de medias es la estadstica t

calculada en donde:
tc = L / L
El criterio de decisin ser el de rechazar la Hiptesis nula planteada si:
tc t /2, v
En la que los grados de libertad del valor tabular de t est dado por la suma del
nmero de repeticiones de los tratamientos involucrados en la prueba menos el
nmero de tratamientos considerados.
EJEMPLO:
Un agrnomo efectu un ensayo para comparar los efectos relativos de 4 fertilizantes,
respecto al rendimiento de cebada Trebi. El ensayo consider 5 esquemas de
fertilizacin, el que incluy un tratamiento como testigo, consistente en la siembra de
cebada en parcelas sin la utilizacin de fertilizante, T1; y, 4 tratamientos con
fertilizante, dos de los cuales son de naturaleza similar en base de nitrgeno, T2 y T3,
y dos en base de potasio, T4 y T5. Se dispona de 30 parcelas experimentales
homogneas y al azar se asignaron 6 a cada tratamiento. En la cosecha se midi la
produccin de cebada en kilogramos por parcela, obtenindose los siguientes
resultados:
27
PRODUCCION DE CEBADA EN KILOGRAMOS
T1
37
26
39
23
48
50
TRATAMIENTO DE FERTILIZANTE
T2
T3
T4
67
95
102
68
95
96
57
91
102
74
105
103
61
78
99
68
85
117
T5
123
93
112
120
113
124
Para un 95% de confianza, se desea:

1. Probar si los tratamientos son significativamente diferentes.
2. Establecer las comparaciones binarias entre los tratamientos, mediante DMS.
3. Verificar si existe diferencia significativa en los rendimientos de produccin de
las parcelas con fertilizacin y de aquellas sin fertilizacin; y,
4. Probar si la diferencia en los rendimientos de las parcelas tratadas con
fertilizante en base a nitrgeno y aquellas tratadas con fertilizante con base a
potasio, se deben al azar.
SOLUCION:
FACTOR:
TRATAMIENTO:
VARIABLE RESPUESTA:
MODELO:
Fertilizante
Esquemas de fertilizacin, T1 al T5.
Parcela
Produccin de cebada medida en Klg.
0,05.
Modelo I, de efectos fijos.
X ij = + j + ij
H0 : j = 0
HA : j 0
H0
: No existe diferencia significativa en la produccin de cebada entre parcelas

debido a los diferentes esquemas de fertilizacin.
HA : Existe diferencia significativa en la produccin de cebada entre parcelas debido a

los diferentes esquemas de fertilizacin.
Fc = CME / CMR
Rechazar la H0 si : Fc F, v1, v2
Clculos:
28
CALCULO DE LA SUMA DE CUADRADOS
F1
37
26
39
23
48
50
223
FC =
FC =
TRATAMIENTO DE
FERTILIZANTE
F3
F3
F4
67
95
102
68
95
96
57
91
102
74
105 103
61
78
99
68
85
117
395 549 619
Xij
Xij
F5
123
93
112
120
113
124
685
2471
F1
1369
676
1521
529
2304
2500
8899
F3
4489
4624
3249
5476
3721
4624
26183
F3
9025
9025
8281
11025
6084
7225
50665
F4
F5
10404 15129
9216
8649
10404 12544
10609 14400
9801 12769
13689 15376
64123 78867
228737
Xij2
(Xij )2 /n
(2471)2 /30 = 203528.03
SCT = Xij2 - FC
SCT = 228737 203528.03 =
25208.97
SCT = 25208.97
SCE = (Xj 2 /nj) - FC
SCE = (2232/6 + 3952/6 + 5492/6 + 6192/6 + 6852/6) 203528.03
SCE = 226590.17 203528.03 = 23062.13
SCR = SCT - SCE
SCR = 25208.97 23062.13
SCR = 2146.84
Con los resultados obtenidos elaboramos el cuadro de Anlisis de Varianza, conforme

se presenta en la tabla siguiente:

FUENTE DE
VARIACION
GRADOS
SUMA DE
CUADRADO
LIBERTAD CUADRADOS
MEDIO
Fertilizante
23,062.13
5765.53
Residual
(Error)
Total
25
2,146.84
85.87
29
25,208.97
Fc
67.14
CUADRADO
MEDIO
ESPERADO
85.873 + (6/4)
j2
El valor terico o tabular de la estadstica de prueba, F, v1, v2 , para un nivel de

significacin de 0.05, de acuerdo con las condiciones del problema, con 4 grados de
libertad en el numerador y 25 grados de libertad en el denominador, es igual a:
29
F, v1, v2 = F0.05, 4, 25 = 2.759

Decisin:
El criterio de decisin propuesto indica que se rechazar la H0 si se cumple la
siguiente desigualdad: Fc F, v1, v2 ; reemplazando valores tenemos que 67.140
2.759.
Al cumplirse la desigualdad, rechazo la H0 planteada y concluyo que la produccin
promedio de cebada es significativamente diferente entre los tratamientos, lo que nos
revela que el fertilizante tiene un efecto significativo en la produccin promedio de
cebada por parcela.
Con esta decisin hemos resuelto el primer punto del problema.
Para resolver el segundo punto propuesto, verifico que en el Anlisis de Varianza
se rechaz la hiptesis nula y que la prueba F result significativa; luego verifico que
los tratamientos tienen igual nmero de repeticiones, r = 6, y procedo con las
comparaciones binarias:
La formulacin de la hiptesis a docimar es:
H0 : i = j
HA : i j
para i j
DMS = t /2, v (2/r * CMR)
DMS = t 0.025, 10 (2/6 * 85.873)
DMS = 2.228 * 5.35
DMS = 11.92
El criterio de Decisin:
Se rechaza la hiptesis nula si: Xi - Xj 11.92
La matriz de diferencias de promedios nos indicar que diferencias son significativas,
de manera que se rechazar la Hiptesis nula si:
Dij 11.92
DIFERENCIAS DE PROMEDIOS ENTRE TRATAMIENTOS
DIFERE.
T1
T2
T3
T4
T5
T1
T2
28,67
T3
54,33
25,67
T4
66,00
37,33
11,67
T5
77,00
48,33
22,67
11,00
Como era de esperar, existen 10 comparaciones binarias posibles entre los 5

tratamientos del experimento. Se puede verificar que todas las diferencias binarias
son significativas y por lo tanto rechazo la hiptesis nula planteada, excepto las
comparaciones entre los tratamientos T3 vs. T4 y T4 vs. T5 cuyos valores son
inferiores a la DMS, en cuyo caso acepto la hiptesis nula planteada.
Este resultado nos indica que la produccin de cebada es significativamente diferente
entre las parcelas sin fertilizacin (T1) con aquellas que si fueron tratadas con
30
fertilizacin (T2 a T5). De similar manera se establece una diferenciacin significativa

entre el tratamiento T2 con los restantes tratamientos; y que, el tratamiento T3 es
significativo con los tratamiento T1, T2 y T5.
Para resolver el tercer punto propuesto, se requiere realizar la comparacin entre el
tratamiento que no que contiene fertilizante, T1, con los que si lo tienen T2 hasta T5;
sta comparacin slo es posible efectuarla con la utilizacin de la Funcin Lineal y el
procedimiento es el siguiente:
H0 : 1 - (2 + 3 + 4 + 5)/4 = 0
HA : 1 - (2 + 3 + 4 + 5)/4 0
tc = L / L
tc t /2, v
La funcin lineal para el clculo es:
Siendo los i coeficientes ortogonales, se requiere que su sumatoria sea igual a cero;
para tal efecto tomamos de referencia la formulacin de la hiptesis nula planteada de
manera que si 1 = 4 entonces los restantes j sern iguales a 1, se verifica que j
=0, reemplazando en la funcin lineal tenemos:
L = 4(37.17) + (-1)65.83 + (-1)91.5 + (-1)103.17 +(-1)114.17
L = -225.69
El error estndar de la funcin:
L
L
L
L
de donde:
=
=
=
=
/r * j2
/r * (12 + 22 + 32 + ... + a2)
9.267/6 * (42 + (-1)2 + (-1)2 + (-1)2 + (-1)2 )
16.919
tc = L / L
tc = -225.69 / 16.919 = -13.357

tc t /2, v
-13.357 t 0.025, 25
-13.357 2.060
La decisin ser la de rechazar la H0 y concluimos que la utilizacin de fertilizante en
las parcelas produce un efecto diferencial significativo en la produccin promedio de
cebada; la produccin promedio de cebada entre las parcelas sin fertilizante y aquellas
con fertilizante son significativamente diferentes.
Para resolver el cuarto punto propuesto, se requiere realizar la comparacin entre
los tratamientos que tienen como base el nitrgeno, T2 y T3, con aquellos que tienen
como base el potasio, T4 y T5, el procedimiento es el siguiente:
31

H0 : (2 + 3 ) - (4 + 5) = 0
HA : (2 + 3 ) - (4 + 5) 0
tc = L / L
tc t /2, v
La funcin lineal para el clculo es:
En este caso, el primer tratamiento no participa en la relacin planteada bajo la

hiptesis nula, consecuentemente su i ser igual a 0, el valor de 2 = 3 = +1 y el
valor de 4 = 5 = -1; al igual que en el caso anterior se verifica que j =0.
Reemplazando tenemos:
L = 0(37.17) + (1)65.83 + (1)91.5 + (-1)103.17 +(-1)114.17
L = -60.01
El error estndar de la funcin:
L
L
L
L
de donde:
=
=
=
=
/r * j2
/r * (12 + 22 + 32 + ... + a2)
9.267/6 * (02 + (1)2 + (1)2 + (-1)2 + (-1)2 )
7.566
tc = L / L
tc = -60.01 / 7.566 = -7.932

tc t /2, v
-7.932 t 0.025, 20
-7.932 2.086
La decisin ser la de rechazar la H0 y concluimos que la produccin promedio de
cebada es superior en las parcelas sembradas con fertilizante en base a potasio; este
tipo de fertilizante produce un efecto diferencial significativo en la produccin de
cebada por parcela.
32
CAPITULO III
DISEO A DOS CRITERIOS DE CLASIFICACION
Conocido tambin como Modelo de dos vas o como Diseo en Bloque Completo
Azarizado, es aquel en el que el diseo experimental mantiene bajo control a dos
factores, cada uno con sus propios niveles de factor o categoras de variable, uno de
stos factores es denominado como Tratamientos y el segundo Bloques, de
manera que:
1. Las unidades experimentales se distribuyen bloques o estratifican en grupos de
manera que en cada grupo o bloque las unidades experimentales sean iguales o
relativamente homogneas y que el nmero de unidades experimentales sea igual
al nmero de tratamientos por investigar, o un mltiplo de stos; y,
2. Los tratamientos se asignan al azar a las unidades experimentales dentro de cada
bloque, de forma que aleatoriamente se determina un tratamiento a una unidad
experimental en cada bloque.
De acuerdo a lo especificado, una unidad experimental pertenece a un bloque o
agrupacin y es sometida a un solo tratamiento de investigacin.
La agrupacin de las unidades experimentales en bloques homogeniza las unidades

experimentales en cada bloque, juntando en cada bloque aquellas unidades que son
iguales o muy similares en sus caractersticas, con la intencin de que al interior del
bloque las unidades tengan la menor variacin posible; y, refleja el criterio del
investigador para encontrar y explicar el comportamiento diferencial de las unidades
experimentales ante la aplicacin de tratamientos y el de disminuir el error
experimental; mientras que la asignacin aleatoria de un tratamiento cualquiera a una
unidad experimental justifica la suposicin de independencia que incluye el modelo.
Entre las principales ventajas de la utilizacin del diseo de bloques al azar se
mencionan las siguientes:
1. Por medio de la agrupacin se obtienen resultados ms exactos que cuando se
emplean diseos completamente al azar.
2. Puede incluirse cualquier nmero de tratamientos y de repeticiones, de forma que
cada tratamiento tenga el mismo nmero de repeticiones.
3. El anlisis estadstico es sencillo, tiene el mismo fundamento que el anlisis
realizado para el diseo completamente azarizado de una variable de clasificacin.
4.1
MODELO A DOS CRITERIOS DE CLASIFICACION

OBSERVACIN POR UNIDAD EXPERIMENTAL.
CON
UNA
En este primer modelo de estudio, cada combinacin de un bloque con un tratamiento

contiene una unidad experimental que provee una sola observacin. La funcin
matemtica del modelo es:
Xij = + i + j + ij
en el que:
33
Xij = Valor de la variable respuesta correspondiente en al isimo

tratamiento del j-simo bloque.
i = Es el efecto del i-simo tratamiento
j = Es el efecto del j-simo bloque o repeticin.
ij = Es el error o valor residual del i-simo tratamiento y del j-simo
bloque o repeticin, que se considera es independiente de
observacin a observacin y est normalmente distribuido con
2
2
valor esperado igual a cero y varianza igual a , (0, ).
Para
i = 1, 2, ... a, nmero de tratamientos

j = 1, 2, ... b, nmero de bloques.
El efecto del i-simo tratamiento est dado por la diferencia entre su promedio y el
promedio general, esto es: - i , diferencia que est representada por i ; de
similar manera, el efecto del j-simo bloque est dado por la diferencia entre su
promedio y el promedio general, esto es: - j , diferencia que es representada por
j . Lo que se probar es si los efectos de los tratamiento y de los bloques son
estadsticamente significativos
Al igual que en el modelo de una va, ste modelo supone: aditividad, linealidad,
normalidad, independencia y varianzas homogneas.
Se acepta adems que para cada tratamiento j = 0 y que para cada bloque i = 0;
por lo tanto: j = i = 0.
La representacin simblica de datos de ste diseo es la siguiente:
B L O Q U E
TRATAMIENTO
B1
B2
Bj
...
Bb
Xi
T1
X11
X21
Xi1
...
Xa1
X 1
X12
X22
Xi2
...
Xa2
X 2
X1j
X2j
Xij
...
Xaj
Xj
...
...
...
...
...
...
X1b
X2b
Xib
...
Xab
X b
X1
X2
Xi
...
Xa
X
T2
Ti
?
Ta
Xj
En esta representacin, Xi representa al total del i-simo tratamiento y su promedio

se obtiene dividiendo este total para el nmero de bloques b. De manera anloga,
Xj representa el total del j-simo bloque y su pormedio se obtiene dividiendo ste para
el nmero de tratamientos a. Con a nmero de tratamientos y b nmero de
bloques el nmero total de observaciones y unidades experimentales n es igual al
producto de a*b.
La formulacin de clculo para determinar las sumas de cuadrados total, de
tratamientos, de bloques y el residual se presenta a continuacin:
FC
SCT
SCE
SCB
SCR
=
=
=
=
=
( xij) /ab
x2ij - FC
(x2i / b) - FC
2
(x j / a) - FC
SCT SCE SCB
34
Ntese que el total marginal de cada tratamiento es utilizado para calcular la suma de
cuadrados para tratamientos, SCE, luego de ser elevado al cuadrado y dividido su
resultado por el nmero de bloques, b; y que el total marginal de cada bloque, elevado
al cuadrado y dividido para el nmero de tratamientos, a, se utiliza para estimar la
suma cuadrado de bloques, SCB.
Realizados los clculos, se procede a resumir los resultados en el cuadro de Anlisis
de Varianza cuyo contenido y representacin es el siguiente:

FUENTE DE
VARIACION
Tratamientos
Bloques
Residual (Error)
TOTAL
GRADOS DE
SUMA DE
CUADRADO MEDIO
LIBERTAD CUADRADOS
a-1
SCE
CME = SCE / (a - 1)
b-1
SCB
CMB = SCB / (b-1)
(a-1) (b-1)
SCR
CMR = SCR/(a-1)(b-1)
n-1
SCT
ESTADISTICA DE
PRUEBA
Fc = CME / CMR
Fc = CMB / CMR
La estructura del cuadro es similar al del diseo de un criterio de clasificacin,

aadindose a ste una lnea completa para expresar los resultados del factor
bloque como fuente de variacin adicional al de los tratamientos; por tanto contiene
por igual lo grados de libertad, la suma de cuadrados, el cuadrado medio y el
resultado de la estadstica de prueba Fc.
Los Cuadrados Medios esperados para el Modelo I, o de efectos fijos, son los
siguientes:
FUENTE DE
VARIACION
Tratamientos
Bloques
Residual (Error)
TOTAL
CUADRADO MEDIO
ESPERADO
2 + b i / (a-1)
2 + a j / (b-1)
2
El modelo tiene varias caractersticas que anotamos seguidamente:

1. Los efectos de los tratamientos no estn influidos por las j , porque la suma de
stas en cada tratamiento es igual a cero, esto es: j = 0; de manera que Xi es
un estimador imparcial de + i
2. De igual forma, los efectos de los bloques no estn influidos por las i , porque la
suma de stas en cada bloque es igual a cero: i = 0; de manera que Xj es un
estimador imparcial de + j
3. En el anlisis de varianza, la media cuadrada residual o del error, CMR, es un
2
estimador imparcial de .
El procedimiento de anlisis del diseo experimental planteado es similar al diseo
anterior; esto es, se realiza mediante la formulacin matemtica de la hiptesis, la
determinacin de la estadstica de prueba, la especificacin del criterio de decisin, la
ejecucin de los clculos y se concluye con la toma de la decisin, as:
35
Se realizarn dos pruebas, la primera que verifique si los tratamientos son
significativamente diferentes y la segunda comprobando si los bloques son
significativamente diferentes:
H0 : i = 0
HA : i 0
y
H0 : j = 0
HA : j 0

Fc = CME / CMR
Fc = CMB / CMR
para tratamientos
para bloques
El criterio de decisin para la aceptacin o el rechazo de la hiptesis planteada en el
problema es:
Rechazar la H0 si :
Fc F, v1, v2
El criterio de decisin planteado es vlido tanto para tratamientos como para bloques.
Con los datos que el problema proporciona deben calcularse las sumas de cuadrados,
los cuadrados medios y el valor de la estadstica de prueba conforme se present en
el cuadro de anlisis de varianza.
5. Decisin
El proceso de prueba termina cuando el investigador toma una decisin sobre la
aceptacin o rechazo de la hiptesis nula planteada y responde al interrogante que
plantea el problema. Con la decisin concluye el proceso de prueba y del anlisis de
varianza.
EJEMPLO:
En cierto experimento, se consider probar cuatro procedimientos diferentes para la
produccin de cierto producto. Se decidi utilizar seis operadores para comprobar la
bondad de los procedimientos de produccin, para esto cada operador deba trabajar
con cada uno de los procedimientos; la operacionalizacin de los procedimientos de
produccin requiere cierta destreza manual y se anticipa que habr una diferencia en
la velocidad con que los operadores manejen los procedimientos; para evitar cualquier
sesgo los procedimientos son asignados a cada operador al azar y slo por un da de
8 horas de trabajo. Al trmino de cada da, se contabiliz el nmero de unidades
producidas por el operador, los siguientes datos corresponden al nmero de unidades
producidas por da:
36
UNIDADES DE PRODUCCIN DIARIA POR OPERADOR SEGN PROCEDIMIENTO

DE PRODUCCIN
PROCEDIMIENTO
DE PRODUCCION
A
B
C
D
TOTAL
1
43
40
40
41
164
2
39
40
41
42
162
OPERADOR
3
4
40
40
41
42
41
43
44
44
166
169
5
43
43
45
46
177
6
44
43
45
42
174
TOTAL
249
249
255
259
1012
Probar para un nivel de significacin del 5%, que no existe una diferencia significativa
entre los procedimientos de produccin; y que, la diferencia en el promedio de
produccin de los operadores se debe nicamente al azar.
SOLUCION:
FACTORES:
Procedimiento de produccin; y, Operadores
TRATAMIENTOS:
Procedimientos de produccin A, B, C y D.
BLOQUES:
Operador 1 al operador 6
Da de 8 horas de trabajo.
VARIABLE RESPUESTA: Nmero de unidades producidas
NIVEL DE SIGNIFICACION 0.05
MODELO:
Modelo I de Efectos Fijos
Xij = + i + j + ij
H0 :
i = 0
HA :
i 0
H0 :
j = 0
HA :
j 0
No existe diferencia en el nmero de unidades

producidas por da de trabajo, debido a los
procedimientos de produccin.
Existe diferencia en el nmero de unidades producidas
por da de trabajo, debido a los procedimientos de
produccin.
No existe diferencia en el nmero de unidades
producidas por da de trabajo, entre los operadores.
Existe diferencia en el nmero de unidades producidas
por da de trabajo, entre los operadores.

Fc = CME / CMR
Fc = CMB / CMR
Rechazar la H0 si :
para tratamientos
para bloques
Fc F, v1, v2
37
PROCED.
PRODUCC.
A
B
C
D
TOTAL
1
1849
1600
1600
1681
6730
Xij2
3
1600
1681
1681
1936
6898
2
1521
1600
1681
1764
6566
4
1600
1764
1849
1936
7149
5
1849
1849
2025
2116
7839
6TOTAL
1936 10355
1849 10343
2025 10861
1764 11197
7574 42756
Del clculo de la suma de cuadrados tenemos:

FC = 1067089 / 24
FC =
42672,7
SCT = 42756 -4462
SCT = 83,33
SCE = (2492/6 + 2492/6 + 2552/6 + 2592/6) -42672,7
SCE = 12
2
SCB = (164 /4 + 162 /4 + 166 /4 + 169 /4 + 177 /4 + 174 /4) - 42672,7

SCB = 42,83
SCR = 83,33 -12 - 42,83
SCR = 28,50
CUADRO DE ANLISIS DE VARIANZA
FUENTE DE
VARIACION
Procedimientos
Operadores
Residual
TOTAL
GRADOS DE
LIBERTAD
3
5
15
23
SUMA DE
CUADRADOS
12,00
42,83
28,50
83.33
CUADRADO
MEDIO
4,00
8,57
1,90
Fc
2,105
4,509
El procesamiento de los datos utilizando el anlisis de varianza mediante Excel

proporciona los mismos resultados, presentando adicionalmente un resumen de cada
nivel de factor, conforme se presenta a continuacin:
Anlisis de varianza de dos factores con una sola muestra por grupo
RESUMEN
A
B
C
D
OP 1
OP 2
OP 3
OP 4
OP 5
OP 6
Cuenta
6
6
6
6
Suma
Promedio Varianza
249
41.50
4.30
249
41.50
1.90
255
42.50
4.70
259
43.17
3.37
4
4
4
4
4
4
164
162
166
169
177
174
41.00
40.50
41.50
42.25
44.25
43.50
2.00
1.67
3.00
2.92
2.25
1.67
38
ANLISIS DE
VARIANZA
Fuente de Suma de Grados de Cuadrado
Variacin Cuadrados Libertad
Medio
Filas
12.00
3
4.00
Columnas
42.83
5
8.57
Error
28.50
15
1.90
Total
83.33
Fc
Probabilida
d
2.105
0.14247
4.509
0.01042
Ft
3.287
2.901
23
Ntese que en el reporte que se obtiene sobre el cuadro de anlisis de varianza se

indica como fuente de variacin a Filas, que corresponde al factor Procedimientos; y,
se expresa como fuente de variacin a Columnas en representacin del factor
Operadores. Adems, se hace constar la probabilidad de obtener un valor de Fc
mayor o igual al calculado; los dems trminos y componentes de cuadro son los
vistos anteriormente.
5. Decisin
Aplicando el criterio de decisin formulado, para la dcima de los tratamientos, o
procedimientos de produccin, se tiene que:
Para los tratamientos, cuyo factor de anlisis es Procedimiento de Produccin, la
decisin consiste en rechazar la H0 si :
Fc F0.05, 3, 15
2,105 < 3,287
No se cumple la desigualdad, por lo tanto, acepto la hiptesis nula y concluyo que los
procedimientos de produccin no son significativamente diferentes, o lo que es lo
mismo, stos son igualmente efectivos.
Aplicado el criterio de decisin para bloques, que representan a los operarios, se
propone:
rechazar la H0 si :
Fc F0.05, 5, 15
4,509 2,901
se cumple.
por lo tanto, al cumplirse la desigualdad, rechazo la hiptesis nula y concluyo que el

nmero de unidades producidas tiene diferencias significativas entre los obreros, se
pone en evidencia que la destreza en la aplicacin de los procedimientos de
produccin es significativamente diferencial entre los operarios; en consecuencia,
respondiendo a la pregunta del problema, las diferencias existentes no se deben al
azar.
4.2 PARTICIN DE LA SUMA DE CUADRADOS DE TRATAMIENTOS

Cuando el investigador ha planificado la comparacin entre diferentes tratamientos, es
a menudo posible fraccionar la suma de cuadrados de tratamientos en el anlisis de
varianza, lo que permite encontrar mayor explicacin a la variacin detectada.
La particin de la suma de cuadrados se realiza con los totales de los tratamientos, en
lugar de sus promedios, lo que evita errores por redondeo de cifras. Esta se realiza
39
utilizando la Funcin Lineal, cuyo procedimiento utiliza los totales de los tratamientos y
su finalidad es particionar la SCE, as como realizar comparaciones entre
tratamientos. En tal virtud, se enunciarn varias reglas que deben ser observadas.
Cualquier combinacin lineal de la forma:
L = 1T1 + 2T2 + jTi + .... aTa
Es una comparacin entre lo totales de tratamientos, sujeta a la restriccin de que:
i = 0
2
2
Entonces la relacin:
L / (r i )
Es parte de la suma de cuadrados de tratamientos asociado con 1 grado de libertad,
en la que:
i = Coeficiente ortogonal correspondiente al i-simo tratamiento.
Ti = Total del i-simo tratamiento.
r = Nmero de observaciones en uno cualquiera de los tratamientos
Ntese que el subndice i vara desde 1 hasta a nmero de tratamientos; y que,
ste ha reemplazado al subndice j del captulo anterior porque hemos representado
a los tratamientos en sentido de filas. Adems, en un diseo de bloques el nmero de
unidades experimentales es igual para cada tratamiento, por lo tanto r siempre
tendr el mismo valor para todos los tratamientos.
Para que dos o ms funciones lineales formen parte independiente o sean
componentes independientes de la suma de cuadrados de tratamientos, es
indispensable que stas sean mutuamente ortogonales.
Dos funciones lineales:
L1 = 11T1 + 12T2 + 1iTi + .... 1aTa
L2 = 21T1 + 22T2 + 2iTi + .... 2aTa
son mutuamente ortogonales si:
1121 + 1222 + 1323 + ... + 1i2i + ... + 1a2a = 0
1i2i = 0
o lo que es lo mismo:
Por lo tanto, si dos comparaciones son ortogonales, sus contribuciones

L12 / (r 1i2 )
2
2
L2 / (r 2i )
Son partes independientes de la suma de cuadrados de tratamientos, cada una con
un grado de libertad. Esto significa que la suma de cuadrados de tratamientos puede
dividirse en las contribuciones de L1 y L2 ms cualquier remanente con (a 3) gl..
Una consecuencia de lo anterior es que si las comparaciones de L1 , L2 , L3 , ... La-1
son mutuamente ortogonales, entonces, sus contribuciones son componentes
individuales de la suma de cuadrados de tratamientos:
SCE =
L12
r 1i2
+ . L22
r 2i2
+ . L32 + . La-12 .
r 3i2
r a-1i2
40
El nmero total de componentes en los que puede particionarse la suma de cuadrados

de tratamientos es igual a su nmero de grados de libertad, estos es (a 1)
componentes.
Si estuviramos analizando un modelo a una sola va en el que los tratamientos tienen
diferente nmero de repeticiones, las reglas sealadas arriba cambian un poco. Si el
tratamiento i-simo tiene ri repeticiones, se ha demostrado que la SCE, suma de
cuadrados de tratamientos es:
SCE = ( T12 /r1 + T22 /r2 + J + Ta2 /ra) - ((T1 + T2 + J + Ta)2 / ri)
Entonces, cualquier combinacin lineal de la forma:
L = 1T1 + 2T2 + iTi + .... aTa
Es una comparacin entre los totales de tratamientos, sujeta a la restriccin de que:
r 1 1 + r2 2 + J + ri i + J + ra a = 0
ri i = 0
L2 / ri i2
Entonces la relacin:
En donde:
ri i2 = r112 + r222 + J + rii2 + J + raa2
Es una particin de la suma de cuadrados de tratamientos asociado con 1 grado de

libertad.
Dos comparaciones lineales:
L1 = 11T1 + 12T2 + 1iTi + .... 1aTa
L2 = 21T1 + 22T2 + 2iTi + .... 2aTa
son mutuamente ortogonales si:
r11121 + r21222 + r31323 + ... + ri1i2i + ... + ra1a2a = 0
ri1i2i = 0
Por lo tanto, si dos comparaciones son ortogonales, sus contribuciones

L12 / ri1i2
2
2
L2 / ri2i
Son partes independientes de la suma de cuadrados de tratamientos, cada una con
un grado de libertad.
Las ltimas reglas expuestas, las relacionadas con diferente nmero de repeticiones
por tratamiento, sirven especialmente cuando se desea particionar de la SCE en
subgrupos de tratamientos, mayor informacin y referencia del procedimiento que
debe ser empleado lo encontrar en la seccin 3.43 del libro Diseos Experimentales
de Cochran y Cox.
41
EJEMPLO:
Se van a probar seis raciones de alimentacin respecto de sus diferencias en el
engorde de novillos. Se dispone de 24 novillos para la experimentacin, que se
distribuyen en cuatro bloques, 6 novillos por bloque, clasificados en base a su peso al
inicio del experimento de engorde, los 6 novillos ms pesados se agruparon en un
bloque, en otro se agruparon los siguientes 6 novillos ms pesados y as
sucesivamente. Las raciones de alimentacin, denotadas por A, B, C, D, E, F y G,
fueron asignados aleatoriamente a los novillos dentro de cada bloque, de la siguiente
manera:
Bloque 1
Bloque 2
Bloque 3
Bloque 4
B
A
E
F
F
E
A
D
A
D
C
E
C
F
B
A
E
C
D
B
D
B
F
C
El incremento diario promedio del peso de cada novillo, expresado en kilogramos, fue
registrado con los siguientes resultados:
RACION
A
B
C
D
E
F
TOTAL
B1
1,5
1,4
0,9
2,3
2,7
3,6
12,4
BLOQUE
B2
B3
0,9
0,5
2,3
3,2
1,4
1,4
1,8
2,3
2,3
2,3
3,2
4,5
11,9
14,2
B4
0,9
1,9
2,3
2,3
3,6
4,1
15,1
TOTAL
3,8
8,8
6.0
8,7
10,9
15,4
53,6
Todos los novillos tuvieron como base de la racin la misma cantidad de pasto fresco
al que se aadieron determinados componentes, conforme se detalla:
RACION
A
B
C
D
E
F
COMPONENTES DE LA RACION
Solo pasto
Pasto + complemento alimenticio
Pasto + vitamina
Pasto + complemento alimenticio + vitamina
Pasto + 1.5 complemento alimenticio
Pasto + 1.5 complemento alimenticio + vitamina
Se desea verificar, para una significancia del 0.05, si existe una diferencia significativa
en la ganancia de peso de los novillos:
1. Debido a las raciones alimenticias.
2. Debido a las categoras de peso de los novillos al inicio del experimento.
3. Entre slo pasto y las restantes raciones alimenticias
4. Entre las raciones que incluyen complemento alimenticio + vitamina vs. Las que
incluyen slo complemento alimenticio.
42
5. Entre la racin que incluye complemento alimenticio ms vitamina vs. La que

incluye 1.5 veces complemento alimenticio ms vitamina.
6. Entre los novillos de mayor peso con los de menor peso al inicio del experimento.
SOLUCION:
FACTORES:
TRATAMIENTO:
BLOQUE:
VARIABLE RESPUESTA:
Alimentacin y Categora de peso al inicio

Racin alimenticia A, B, C, D, E y F.
Categora de peso al inicio: B1, B2, B3 y B4
Novillo
Incremento diario promedio del peso medido en
Klg.
0.05
Modelo I, de efectos fijos
Xij = + i + j + ij
NIVEL DE SIGNIFICACION
MODELO:
Para responder a las preguntas 1 y 2:

H0 :
i = 0
HA :
i 0
H0 :
j = 0
HA :
j 0
No existe diferencia en el incremento diario del peso en

los novillos, debido a las raciones alimenticias
Existe diferencia en el incremento diario del peso en los
novillos, debido a las raciones alimenticias
No existe diferencia en el incremento diario del peso en
los novillos, debido a las categoras del peso inicial
Existe diferencia en el incremento diario del peso en los
novillos, debido a las categoras del peso inicial

Fc = CME / CMR
Fc = CMB / CMR
Rechazar la H0 si :
para tratamientos
para bloques
Fc F, v1, v2
X2ij
RACION
A
B
C
D
E
F
TOTAL
B1
2,25
1,96
0,81
5,29
7,29
12,96
30,56
B2
0,81
5,29
1,96
3,24
5,29
10,24
26,83
B3
0,25
10,24
1,96
5,29
5,29
20,25
43,28
B4
0,81
3,61
5,29
5,29
12,96
16,81
44,77
TOTAL
4,12
21,1
10,02
19,11
30,83
60,26
145,44
FC = 2872,96 / 24
43
FC = 119,71
SCT = 145,44 - 119,71
SCT = 25,73
SCE = (559,54/4) - 119,71
SCE = 20,18
SCB = (725,02/6) - 119,71
SCB = 1,13
SCR = 25,73 - 20,18 - 1,13
SCR = 4,42
Con los resultados obtenidos elaboramos el cuadro de Anlisis de Varianza

Fuente de
Variacin
Racin
Bloque
Residual
Total
Grados de
Libertad
5
3
15
23
Suma de
Cuadrados
20,18
1,13
4,42
25,73
Cuadrado
Medio
4,04
0,38
0,29
Fc
Cuadrado medio
esperado
13,680
1,277
0.29 + 4 i / (5-1)
0.29 + 6 j / (4-1)
0.29
Ntese que se han reemplazo los valores para la determinacin del cuadrado medio
esperado de tratamientos y de bloques; en stos, el efecto de los i-simos
tratamientos sumados en todos los casos es igual a 0.29 + 4 i / (5-1). De similar
manera, el efecto de los j-simos bloques sumados en todos los bloques es igual a
0.29 + 6 j / (4-1).
Con el procesamiento de la informacin en el Excel, tenemos los siguientes
resultados:
RESUMEN
A
B
C
D
E
F
B1
B2
B3
B4
Cuenta
4
4
4
4
4
4
Suma
Promedio Varianza
3.8
0.950
0.170
8.8
2.200
0.580
6
1.500
0.340
8.7
2.175
0.063
10.9
2.725
0.376
15.4
3.850
0.323
6
6
6
6
12.4
11.9
14.2
15.1
2.067
1.983
2.367
2.517
0.987
0.646
1.935
1.354
44
ANLISIS DE VARIANZA
Fuente de
Suma de
Variacin
Cuadrados
Filas
20.178
Columnas
1.130
Error
4.425
Total
25.733
Grados de
Libertad
5
3
15
Cuadrado
Medio
4.036
0.377
0.295
Fc
Probabilidad
Ft
13.680
1.277
3.88E-05
0.318186
2.901
3.287
23
En el cuadro, la fuente de variacin denominada Filas corresponde al factor Racin y

el denominado Columnas corresponde al factor Bloque.
Visto en la tabla el valor terico de la estadstica de prueba, F, v1, v2 , para un nivel de
significacin de 0.05, para la dcima de tratamientos como para la dcima de los
bloques, es respectivamente:
F, v1, v2 = F0.05, 5, 15 = 2.901
F, v1, v2 = F0.05, 3, 15 = 3.287
Decisin:
Aplicando el criterio de decisin previsto, tenemos que rechazo la hiptesis nula si:
Fc F, v1, v2 reemplazando valores para los tratamientos tenemos
4.4 2.90
se cumple.
por lo tanto, al cumplirse la desigualdad, rechazo la hiptesis nula planteada para las
raciones y concluyo que el efecto de las raciones en el incremento de peso de los
novillo es significativamente diferencial.
Para el caso de los bloques, o de la categorizacin del novillo por su peso al inicio del
experimento, tenemos que:
Fc F, v1, v2 reemplazando valores para los tratamientos tenemos
1.277 3.287
no se cumple.
al no cumplirse la desigualdad, acepto la hiptesis nula planteada para los bloques y
concluyo indicando que el peso del novillo al inicio del experimento no tiene un efecto
diferencial significativo en el incremento del peso del animal.
Para resolver el numeral 3 del problema, debemos proceder con la particin de la
suma de cuadrados. De manera que, para probar si existe diferencia significativa
entre las racin que contiene slo pasto y las restantes raciones alimenticias, procedo
con la primera particin de la SCE que deber comprobar la hiptesis:
H0 :
HA :
A - (B + C + D + E + F)/5 = 0
A - (B + C + D + E + F)/5 0
La funcin lineal a ser aplicada ser:

L1 = AYA + BYB + CYC + DYD + EYE + FYF
L1 = 5(3.8) + (-1)8.8 + (-1)6 + (-1)8.7 + (-1)10.9 + (-1)15.4
L1 = - 30.8
Su contribucin a la suma de cuadrados: L12 / (r 1i2 )
(-30.8)2 / 4(30) = 7.905
45
El valor 7.905 es una particin de la SCE con un grado de libertad, que explica el 39%
de la variacin en los tratamientos. Adems, se observar que r = 4 corresponde al
nmero de bloques o repeticiones y que cada tratamiento tiene igual nmero r = 4; se
verifica que la suma de los coeficientes ortogonales empleados en la funcin es igual
a cero; y que el valor de 30 corresponde a la suma de los cuadrados de los
coeficientes ortogonales empleados en la funcin lineal.
Para resolver el numeral 4 del problema, esto es para probar que no existe
diferencia significativa entre las raciones que incluyen complemento alimenticio +
vitamina con aquellas que incluyen slo complemento alimenticio, formulamos una
segunda particin que deber probar la hiptesis:
H0 : (D + F ) - (C + E) = 0
HA : (D + F ) - (C + E) 0
La funcin lineal a ser aplicada es:
L2 = 0(3.8) + 0(8.8) + (-1)6 + 1(8.7) + (-1)10.9 + 1(15.4)
L2 = 7.2
Su contribucin a la suma de cuadrados:
L12 / (r 1i2 )
(7.2)2 / 4(4) = 3.24
Este valor es una particin de la SCE con un grado de libertad; al igual que en caso
anterior r = 4 y se confirma que la suma de los coeficientes ortogonales empleados en
la funcin es igual a cero.
Debemos notar que las dos funciones lineales utilizadas son mutuamente ortogonales,
toda vez que se verifica que la suma de la multiplicacin de los coeficientes de la
primera y segunda funcin, es igual a cero:
1i2i = 0
1A2A + 1B2B + 1C2C + 1D2D + 1E2E + 1F2F = 0
5(0) + (-1)0 + (-1)(-1) + (-1)1 + (-1)(-1) + (-1)1 = 0
Consecuentemente, las dos funciones lineales planteadas son componentes
independientes de la suma de cuadrados de los tratamientos, con un grado de libertad
cada una.
Numeral 5 del problema, para verificar que no existe diferencia significativa entre la
racin que incluye complemento alimenticio ms vitamina vs. La que incluye 1.5 veces
complemento alimenticio ms vitamina, plantearemos otra funcin lineal que nos
permita realizar la comparacin entre estos tratamientos y que pruebe la hiptesis:
H0 :
HA :
D - F = 0
D - F 0
La funcin lineal a ser aplicada es:

L3 = 0(3.8) + 0(8.8) + 0(6) + 1(8.7) + 0(10.9) + (-1)15.4
L3 = -6.7
46
L12 / (r 1i2 )
2
(-6.7) / 4(2) = 5.611
es una particin de la suma de cuadrados de tratamientos SCE, con un grado de

libertad. Podemos verificar que las tres funciones lineales planteadas son mutuamente
ortogonales, toda vez que
1i2i 3i = 0
1A2A3A + 1B2B3B + 1C2C3C + 1D2D3D + 1E2E3E + 1F2F3F = 0
5(0)(0) + (-1)0(0) + (-1)(-1)0 + (-1)1(1) + (-1)(-1)0 + (-1)1(-1) = 0
Por lo tanto, las contribuciones de la sumas de cuadrados de cada particin es

componente independiente de la suma de cuadrados de tratamientos SCE, con un
grado de libertad cada una. Con cada particin logramos explicar con mayor detalle la
variacin de la SCE, en el presente caso, con la tres particiones realizadas explicamos
el 83% de la variacin determinada en la SCE.
Numeral 6 del problema, para resolver el ltimo interrogante del problema, es
necesario considerar la particin a la suma de cuadrados de los bloques que pruebe la
hiptesis:
H0 :
HA :
B1 - B4 = 0
B1 - B4 0
La funcin lineal a ser aplicada ser:

L = B1YB1 + B2YB2 + B3YB3 + B4YB4
L = 1(12.4) + 0(11.9) + 0(14.2) + (-1)15.1
L = -2.7
L12 / (r 1i2 )
(-2.7)2 / 6(2) = 0.6075
es una particin de la suma de cuadrados de tratamientos SCB, con un grado de

libertad, que explica el 53.8% de la variacin registrada en los bloques.
Para docimar las hiptesis planteadas, reestructuramos el Cuadro de Anlisis de
Varianza con la informacin obtenida, calculando en cada caso el valor de la
estadstica de prueba F que ser contrastado, conforme se presenta seguidamente:

FUENTE DE
VARIACION
Racin
A vs. Resto
D y F vs. C y E
D vs. E
Bloques
B1 vs. B4
Residual
TOTAL
GRADOS DE
SUMA DE
CUADRADO
LIBERTAD CUADRADOS
MEDIO
5
1
1
1
3
1
15
23
20.18
7.91
3.24
5.61
1.13
0.61
4.42
25.73
4.04
7.91
3.24
5.61
0.38
0.61
0.29
Fc
Ft
13.68
26.83
11.00
19.04
1.28
2.06
2.90
4.54
4.54
4.54
3.29
4.54
47
El factor Racin explica el 78.4% de la Variacin Total, el factor Bloque explica el 4.4%
y el error experimental comprende el 17.2% de la variacin total. Al explorar con
mayor profundidad en la variacin del factor racin, est fue dividida en tres
comparaciones mutuamente ortogonales que son componentes independientes que
explican el 83.1% de la variacin detectada en el factor, logrando mayor profundidad
de anlisis en los datos. Ntese adems, que el factor bloques puede tambin ser
explicado mediante la particin de sus componentes, en el problema se obtuvo uno de
stos que explica el 54% de la variacin del factor.
En lo que tiene relacin con la racin alimenticia de los novillos, todas las fuentes de
variacin tienen valor calculado de F superior al valor tabular, por tanto las
comparaciones sometidas a prueba tienen diferencia significativa. Podemos afirmar
con el 95% de seguridad que la racin de slo pasto produce un incremento de peso
significativamente menor al que producen raciones alimenticias que contienen pasto
ms otros elementos. De igual manera se puede afirmar que las dietas que contienen
pasto + complemento alimenticio + vitamina, producen mayor incremento en el peso
de los novillos que aquellas dietas que contienen slo pasto + complemento
alimenticio. Adems, se comprob que las raciones de pasto + complemento
alimenticio + vitamina, incrementan significativamente el peso si al complemento
alimenticio se dosifica con el 50% adicional de la dosis normal.
En cuanto a los bloques vemos que el valor calculado de F del factor bloques y su
particin es inferior al valor tabular, por tanto se concluye que no existe diferencia
significativa del incremento de peso de los novillos debido a la categora del peso del
novillo al ingreso en el experimento; esto se ratifica cuando al comparar los resultados
de los novillos ms pesados B1 con los menos pesados B4, existen diferencias que no
son estadsticamente significativas.
4.3 EFICIENCIA DEL DISEO

La comparacin entre las varianzas residuales del diseo de bloques con el diseo a
un solo criterio de clasificacin, teniendo en cuenta el cambio del nmero de grados
de libertad para el error, hace posible una estimacin del aumento en precisin que
resulta del agrupamiento en bloques o repeticiones.
La relacin entre la estimacin de la varianza que se hubiera obtenido si el diseo
hubiese sido totalmente aleatorio (SCRA) y la varianza del diseo de bloques (SCRB),
nos permite medir la eficiencia relativa del uso del diseo de bloques para aumentar la
precisin de las comparaciones, esto es:
ED = SCRA
SCRB
Conforme la notacin utilizada, CMB es el cuadrado medio de bloques y CMRB es el
cuadrado medio residual del diseo en bloques, entonces:
ED = CMB + (a 1) CMRB
(a 1) CMRB
ED = 0.38 + (6 1) 0.29 .
(6 1) 0.29
ED = 1.262
48
Este resultado nos indica que el diseo de bloques utilizado para el anlisis es
superior a si se hubiera utilizado un diseo de una sola va para el anlisis de los
tratamientos, la mejora es del 26.2%.
4.4 MODELO A DOS CRITERIOS DE CLASIFICACION CON DOS O MAS

OBSERVACIONES POR CELDA.
En este modelo a ms de considerar los dos factores de clasificacin, deben tomarse
en cuenta dos aspectos adicionales:
1. Cada combinacin del i-simo tratamiento con el j-simo bloque, tiene 2 o ms
observaciones por celda; y,
2. Suponemos que existe una interaccin entre los factores considerados en el
experimento, que debe ser estimado y docimado. Si se encuentra que la
interaccin es significativa, entonces los factores considerados en el diseo no son
independientes.
El modelo matemtico del diseo es:
Xijk = + i + j + Iij + ijk
en el que:
Xijk = Valor de la variable respuesta correspondiente en el isimo
tratamiento del j-simo bloque.
i = Es el efecto del i-simo tratamiento
j = Es el efecto del j-simo bloque o repeticin.
Iij = Interaccin del i-simo tratamiento con el j-simo bloque
ijk = Es el error o valor residual del i-simo tratamiento, del j-simo
bloque y de la c-sima repeticin, que se considera es
independiente de observacin a observacin y est normalmente
distribuido con valor esperado igual a cero y varianza igual a 2 ,
2
(0, ).
Para
i = 1, 2, ... a, nmero de tratamientos

j = 1, 2, ... b, nmero de bloques.
k = 1, 2, ... c, nmero de repeticiones
Se acepta adems que:
j = j = Iij = 0.
Lo que implica que para cualquier tratamiento, los bloques no tienen efecto debido a
que los efectos parciales de los bloques en el tratamiento se compensan; de igual
manera, el efecto de la interaccin es nula en cada tratamiento. De forma anloga,
para cada bloque, los tratamientos no tienen efectos porque los efectos parciales de
los tratamientos se compensan al igual que los de interaccin. La representacin
simblica de datos de ste diseo es la siguiente:
49
TRATAMIENTO
T1
T2
....
Ti
....
Ta
Repeticin
B1
B2
BLOQUE
...
Bj
1
2
X111
X112
X11
X121
X122
X12
X211
X212
X21
1
2
1
2
1
2
Bb
X1j1
X1j2
X1j
X1b1
X1b2
X1b
X1
X221
X222
X22
X2j1
X2j2
X2j
X2b1
X2b2
X2b
X2
Xi11
Xi12
Xi1
Xi21
Xi22
Xi2
Xij1
Xij2
Xij
Xib1
Xib2
Xib
Xi
Xa11
Xa12
Xa1
Xa21
Xa22
Xa2
Xaj1
Xaj2
Xaj
Xab1
Xab2
Xab
Xa
X1
X2
Xj
Xb
...
En el modelo existe a nmero de tratamientos, b nmero de bloques y c nmero

de repeticiones para cada i-simo tratamiento y j-simo bloque, de manera que el
nmero total de observaciones n es el producto de a*b*c.
n = a*b*c
La formulacin de clculo para determinar las sumas de cuadrados total, de
tratamientos, de bloques, de interaccin y el residual se presenta a continuacin:
FC
SCT
SCE
SCB
SCI
SCR
=
=
=
=
=
=
( xijk)2/abc
x2ijk - FC
2
(x i / bc) - FC
(x2j / ac) - FC
((x2ij / c) FC) (A + B)
SCT (A+B+C)
=
=
=
=
A
B
C
D

de Varianza cuyo contenido y representacin es la siguiente:

FUENTE DE
VARIACION
Tratamientos
Bloques
Interaccin
Residual (Error)
TOTAL
GRADOS DE
SUMA DE
CUADRADO MEDIO
LIBERTAD CUADRADOS
a-1
SCE
CME = SCE / (a - 1)
b-1
SCB
CMB = SCB / (b-1)
(a-1) (b-1)
SCI
CMI = SCI /(a-1)(b-1)
a*b (c-1)
SCR
CMR = SCR/ab(c-1)
n1
SCT
ESTADISTICA DE
PRUEBA
Fc = CME / CMR
Fc = CMB / CMR
Fc = CMI / CMR
Los Cuadrados Medios esperados para el Modelo I, o de efectos fijos, son los
siguientes:
50
FUENTE DE
VARIACION
Tratamientos
Bloques
Interaccin
Residual (Error)
TOTAL
CUADRADO MEDIO
ESPERADO
2
2
2
+ c ab + cb a
2
2
2
+ c ab + ca b
2
2
+ c ab
2
El procedimiento de prueba y de anlisis del diseo experimental planteado es similar

al diseo anterior; esto es, sigue el procedimiento formal de dcima hasta la toma de
la decisin. Las hiptesis a docimar son las siguientes:
H0 : i = 0
HA : i 0
Con i = 0 se prueba la hiptesis de que los tratamientos no tienen un efecto
diferencial significativo en la variable respuesta.
H0 : j = 0
HA : j 0
Con j = 0 se prueba la hiptesis de que los bloques no tienen un efecto diferencial
significativo en la variable respuesta.
H0 : Iij = 0
HA : Iij 0
Con esta formulacin se prueba la hiptesis de que los dos criterios de clasificacin,
tratamientos y bloques, son mutuamente independientes y que por lo tanto no existe
interaccin entre estos factores.
Los restantes elementos del procedimiento se mantienen constantes, a stos
debemos agregar la estadstica de prueba para la interaccin que es:
Fc = CMI /CMR
Y el criterio de decisin para la aceptacin o el rechazo de la hiptesis planteada es:
Rechazar la H0 si :
Fc F, v1, v2
EJEMPLO:
Un microempresario debe tomar la decisin de comprar una de cuatro mquinas que

le han sido ofertadas para la produccin de su taller. Con la finalidad de contar con
suficientes elementos de juicio, decide que los tres operarios que laboran O1, O2 y
O3, trabajen durante un da completo con cada mquina ofertada, M1, M2, M3 y M4, y
toma dos mediciones del tiempo que se demora cada obrero en la produccin de un
artculo. Los datos que contiene el cuadro siguiente expresa el tiempo registrado en
minutos.
51
TIEMPO EN MINUTOS PARA LA PRODUCCIN DE UN ARTICULO

MQ.
REP.
O1
M1
M2
M3
M4
1
2
1
2
1
2
1
2
SUMA
OPERARIO
O2
42.5
39.6
39.3
39.9
81.8
79.5
O3
Suma
42.9
41.6
84.5
245.8
39.8
40.1
79.9
40.5
42.3
82.8
42.5
43.1
85.6
248.3
42.2
43.5
85.7
42.3
43.4
85.7
44.9
45.1
90
261.4
43.3
43.2
86.5
43.5
44.2
87.7
45.9
42.3
88.2
262.4
333.9
335.7
348.3
1017.9
Se desea probar si las mquinas trabajan a igual velocidad; si los operarios se

demoran igual tiempo para producir una unidad del bien; y, existe algn efecto
combinado entre la mquina y el operario que est afectando al tiempo medio de
produccin. Considere un 95% de confianza para la toma de decisiones.
SOLUCION:
FACTORES:
TRATAMIENTO:
BLOQUE:
VARIABLE RESPUESTA:
NUMERO DE REPLICAS
MODELO:
Mquinas y Operarios
Mquina M1, M2, M3 y M4
Operario O1, O2 y O3
Da de Trabajo
Tiempo que toma la produccin de un artculo
2
0.05
Modelo I, de efectos fijos
Xijk = + i + j + Iij + ijk
Para resolver los dos primeros interrogantes, proceder de la siguiente manera:

H0 :
i = 0
HA :
i 0
H0 :
j = 0
HA :
j 0
No existe diferencia en el tiempo de produccin de un

artculo debido a las mquinas.
Existe diferencia en el tiempo de produccin de un
artculo debido a las mquinas.
No existe diferencia en el tiempo de produccin de un
artculo debido a los operarios.
Existe diferencia en el tiempo de produccin de un
artculo debido a los operarios.
52
H0 :
Iij = 0
No existe interaccin entre las mquinas y los operarios.

Los dos factores son independientes.
Existe interaccin entre las mquinas y los operarios.
Los dos factores no son independientes.
HA : Iij 0

Fc = CME / CMR
Fc = CMB / CMR
Fc = CMI / CMR
para tratamientos
para bloques
para la interaccin
Rechazar la H0 si :
Fc F, v1, v2
vlidos para las tres hiptesis
4. Ejecucin de clculos:
MQ.
REP.
M1
O1
X ij
O2
O3
1,806.25
1,568.16
1,840.41
1,544.49
1,592.01
1,730.56
3,350.74
3,160.17
3,570.97
1,584.04
1,640.25
1,806.25
1,608.01
1,789.29
1,857.61
3,192.05
3,429.54
3,663.86
1,780.84
1,789.29
2,016.01
1,892.25
1,883.56
2,034.01
3,673.09
3,672.85
4,050.02
1,874.89
1,892.25
2,106.81
1,866.24
1,953.64
1,789.29
3,741.13
3,845.89
3,896.10
11,483.12
13,957.01
14,108.45
15,180.95
43,246.41
Suma
M2
10,081.88
1
2
M3
10,285.45
1
2
M4
11,395.96
1
2
SUMA
n = a*b*c = 4 * 3 * 2 = 24
FC = (1017,9)2 / 24 = 43.171,68
SCT = 43246,41 - 43.171,68 = 74,73
53
SCE = (( 245,82 + 248,32 + 261,42 + 262,42) / (3*2)) - 43.171,68

SCE = 37,36
SCB = (( 333,92 + 335,72 + 348,32) / (4*2)) - 43.171,68
SCB = 15,39
SCI = (( 81.82 + 79.52 + ... + 88.22) / 2) - 43171,68 -(37,36 + 15,39)
SCI = 5,92
SCR = 74,73 - 37,36 - 15,39 - 5,92
SCR = 16,06
Con los resultados obtenidos estructuramos el cuadro de Anlisis de Varianza
FUENTE DE
VARIACION
GRADOS DE
LIBERTAD
SUMA DE
CUADRADOS
CUADRADO
MEDIO
Maquinaria
Operarios
Interaccin
Residual
3
2
6
12
37.36
15.39
5.92
16.06
12.45
7.70
0.99
1.34
TOTAL
23
74.73
Fc
Ft
9.307
5.751
0.738
3.49
3.89
3.00
5. Decisin:
El criterio de decisin establece que si el valor calculado de la estadstica F es igual o
mayor al valor tabulado de F, entonces se rechazar la hiptesis nula. Con los
resultados expuestos en el cuadro anterior y aplicado este procedimiento,
examinemos las decisiones que debemos tomar.
En general,
Fc F, v1, v2
9.307
5.751
0.738
reemplazando valores para los tratamientos tenemos

3.49 se cumple,
3.89 se cumple,
3.00 no se cumple.
En el caso de los tratamientos, la maquinaria, se encontr que el valor calculado es

mayor que el tabulado, por lo tanto decido rechazar la hiptesis nula planteada y
concluyo que el tiempo promedio de produccin de un artculo es significativamente
diferente entre las mquinas.
En el caso de los bloques, los operarios, encontramos que tambin existe una
diferencia significativa en el tiempo promedio de produccin de un artculo entre los
obreros y por lo tanto rechazo la hiptesis nula.
Por ltimo, acepto la hiptesis nula sobre la interaccin, esto es, que los dos factores
considerados son independientes. Llegaremos a iguales resultados y conclusiones si
procesamos la informacin en Excel; el resultado final del procesamiento se expone a
continuacin:
54
Anlisis de varianza de dos factores con varias muestras por grupo

RESUMEN
M1
Cuenta
Suma
Promedio
Varianza
O1
O2
O3
Total
2
81.8
40.90
5.12
2
79.5
39.75
0.05
2
84.5
42.25
0.85
6
245.8
40.97
2.45
2
79.9
39.95
0.04
2
82.8
41.40
1.62
2
85.6
42.80
0.18
6
248.3
41.38
1.99
2
85.7
42.85
0.845
2
85.7
42.85
0.605
2
90
45
0.02
6
261.4
43.57
1.53
Cuenta
Suma
Promedio
Varianza
2
86.5
43.25
0.005
2
87.7
43.85
0.245
2
88.2
44.1
6.48
6
262.4
43.73
1.50
Total
Cuenta
Suma
Promedio
Varianza
8
333.9
41.74
2.98
8
335.7
41.96
3.09
8
348.3
43.54
2.41
M2
Cuenta
Suma
Promedio
Varianza
M3
Cuenta
Suma
Promedio
Varianza
M4
Los resultados del anlisis presentan informacin bsica del nmero de elementos
considerados en el clculo, la suma, promedio y varianza de cada nivel de la variable
considerada. Los resultados del anlisis de varianza se presentan a continuacin:
ANLISIS DE VARIANZA
Fuente de
Suma de Grados de
Variacin
Cuadrados Libertad
Muestra
37.36
3
Columnas
15.39
2
Interaccin
5.92
6
Dentro del grupo
16.06
12
Total
74.73
Cuadrado
Medio
12.45
7.70
0.99
1.34
Fc
Probabilidad
Ft
9.31
5.75
0.74
.0019
.0177
.6294
3.49
3.89
3.00
23
El anlisis es exactamente el mismo que el descrito en los prrafos anteriores.
55
4.5
DATOS FALTANTES
Cuando me encuentro e un diseo a un criterio de clasificacin, la prdida o falta de

un dato no significa mayor problema, el procedimiento de clculo se realiza como si el
modelo hubiese sido concebido con diferente nmero de repeticiones por tratamiento,
cuyo proceso se detall en el captulo anterior.
El diseo a dos criterios de clasificacin prev que para cada categora del factor
tratamiento y cada categora del factor bloque, se registre por lo menos una
observacin, manteniendo igual nmero de observaciones para cada celda. Por lo
general, se obtiene una observacin por celda, cuando alguna de stas falta porque la
unidad experimental se perdi o destruy en la realizacin del experimento sin que
pudiera obtenerse el valor de la variable respuesta correspondiente, entonces la
observacin faltante se estima en funcin de los datos reales obtenidos en el
experimento, mediante la aplicacin de la siguiente formula:
Xij =
(aT + bB - S)
(a 1)(b 1)
en donde:
Xij = Observacin faltante a estimar.
a = Nmero de tratamientos
T = Total del tratamiento en el que existe un dato faltante.
b = Nmero de bloques
B = Total del bloque en el que existe el dato faltante.
S = Sumatoria de todas las observaciones.
Si el nmero de datos faltantes es de dos o ms, se utiliza un mtodo iterativo de

estimacin, que consiste en anotar un valor razonablemente aproximado para uno de
los datos faltantes y se calcula el segundo, mediante el procedimiento propuesto;
luego se reemplaza este valor en el cuadro y se calcula el dato primero cuyo valor fue
registrado en forma aproximada. Este procedimiento se repite tantas veces cuantas
sean necesarias hasta obtener el valor final de estimacin.
56
CAPITULO IV
DISEO CUADRADO LATINO
Este diseo permite controlar los tratamientos de experimentacin con dos factores
adicionales ubicados uno en filas y otro en columnas; difiere de los diseos antes
descritos porque controla dos fuentes de variacin de las cuales el investigador tiene
algn conocimiento lo que le permite ganar eficiencia, aumentar la precisin del
anlisis y explicar con mayor profundidad la variacin en la variable respuesta.
Se lo utiliza con mucha frecuencia en experimentos agrcolas e industriales porque le
permite al investigador delimitar los efectos relativos a varios tratamientos cuando se
imponen controles de doble va a las unidades de experimentacin.
En este diseo, el nmero de tratamientos k determina el nmero de filas y de
columnas, consecuentemente el nmero de ensayos es K2 y cada tratamiento debe
hallarse una sola vez en cada fila y en cada columna. Los tratamientos se denotarn
por letras latinas maysculas: A, B, C, ....
Para elaborar un cuadrado latino se anotar un arreglo sistemtico de letras y se
reacomodarn filas y columnas en forma aleatoria, luego se asignan aleatoriamente
tratamientos a las letras, as por ejemplo:
CUADRADOS LATINOS
4X4
3X3
FILA
1
2
3
COLUMNA
1
2
3
A
B
C
B
C
A
C
A
B
FILA
1
2
3
4
1
A
B
C
D
COLUMNA
2
3
B
C
C
D
D
A
A
B
4
D
A
B
C
Cada unidad experimental es asignada a un tratamiento y pertenece a un nivel del

factor fila y a un nivel del factor columna; el nmero total de realizaciones del
experimento es el cuadrado del nmero de tratamientos.
El orden de las letras, tratamientos, en el cuadrado latino pueden permutarse dando
origen a cierto nmero de planes primarios y la permutacin opera a partir de la
segunda fila y segunda columna. En la prctica se aconseja no utilizar cuadrados
latinos mayores o iguales a 8, porque el nmero de ensayos se vuelve demasiado
grande y por la dificultad que puede acarrear en la determinacin de niveles del factor
columna o fila; y, no utilizar cuadrados latinos inferiores a 4 por el limitado nmero de
grados de libertad del error experimental que no permite una estimacin suficiente
para la varianza.
5.1 MODELO DE ANALISIS

La funcin matemtica del modelo cuadrado latino es:
Xijk = + i + j + k + ij k
57
en el que:
Xijk = Valor de la variable respuesta correspondiente al isimo nivel del
factor fila, al j-simo nivel del factor columna y al k-simo
tratamiento.
i = Es el efecto del i-simo nivel del factor fila
j = Es el efecto del j-simo nivel del factor columna.
k = Es el efecto del k-simo tratamiento.
ijk = Es el error o valor residual del k-simo tratamiento, del i-simo
factor fila y del j-simo factor columna, que se considera es
independiente de observacin a observacin y est normalmente
distribuido con valor esperado igual a cero y varianza igual a 2 ,
2
(0, ).
Para
i = j = k = 1, 2, 3 ..... a nmero de niveles de filas, columnas y tratamientos.
El modelo postula adems que:
j = j = k = 0.
La suposicin aditividad del modelo implica que los tres factores: tratamientos, filas y
columnas son aditivos; y, se infiere que la media de tratamientos Xk es una estimatriz
imparcial de + k , en la que los efectos de filas y de columnas se cancelan debido a
la simetra del diseo. Las dems caractersticas del modelo a dos criterios son
similares.
Las formulaciones de clculo para las sumas de cuadrados son las siguientes:
FC
SCT
SCF
SCC
SCE
SCR
=
=
=
=
=
=
( xijk)2/a2
x2ijk - FC
2
(x i / a) - FC = A
(x2j / a) - FC = B
(x2k / a) - FC = C
SCT (A + B+ C) = D

de Varianza cuyo contenido y representacin es la siguiente:
FUENTE DE
VARIACION
Tratamientos
Filas
Columnas
Residual (Error)
TOTAL
GRADOS DE
LIBERTAD
a-1
a-1
a-1
(a-1) (a-2)
2
a -1
SUMA DE
CUADRADOS
SCE
SCF
SCC
SCR
SCT
CUADRADO MEDIO
CME = SCE / (a -1)
CMF = SCF / (a-1)
CMC = SCC / (a-1)
CMR = SCR/(a-1)(a-2)
ESTADISTICA DE
PRUEBA
Fc = CME / CMR
Fc = CMF / CMR
Fc = CMC / CMR
El anlisis de varianza del cuadrado latino permite aislar las variaciones debidas al
factor fila, las variaciones del factor columna y aquellas debidas a los tratamientos; en
consecuencia disminuye la variacin del error experimental y la prueba resulta ms
sensible para detectar cualquier diferencia significativa.
La principal restriccin en la utilidad del cuadrado latino es que el nmero de
repeticiones es igual al nmero de tratamientos.
58
El procedimiento de anlisis de ste diseo experimental es similar a los diseos

anteriores.
Se realizarn tres pruebas de hiptesis, una para cada factor. En la primera se
prueba que el factor fila no tiene un efecto diferencial significativo en la variable
respuesta y por tanto se docima que i = 0:
Para el factor fila
H0 : i = 0
HA : i 0
La segunda prueba verifica que el factor columna no tiene un efecto diferencial

significativo en la variable respuesta y su formulacin es:
Para el factor columna
H0 : j = 0
HA : j 0
Por ltima se prueba la hiptesis de que los tratamientos no tienen un efecto

diferencial significativo en la variable respuesta y por tanto su formulacin es:
Para tratamientos
H0 : k = 0
HA : k 0
2. Estadstica de prueba
Fc = CMF / CMR
Fc = CMC / CMR
Fc = CME / CMR
para filas
para columnas
para tratamientos
El criterio de decisin para la aceptacin o el rechazo de las hiptesis planteadas en el
problema es:
Rechazar la H0 si :
Fc F, v1, v2
El criterio de decisin planteado es vlidopara tratamientos como para filas y

columnas.
Con los datos que el problema proporciona deben calcularse las sumas de cuadrados,
los cuadrados medios y el valor de la estadstica de prueba conforme se present en
el cuadro de anlisis de varianza.
5. Decisin
Con la decisin del investigador sobre la aceptacin o rechazo de las hiptesis,
concluye el proceso de prueba y del anlisis de varianza.
59
EJEMPLO:
Se realiz un experimento para estudiar el efecto de cinco raciones de alimentacin
(A, B, C, D, E), con diferencias en el contenido protenico, aplicadas a cinco vacas
diferentes en las que se midi el promedio diario de produccin de leche durante cinco
perodos de produccin de leche. Los siguientes datos muestran la produccin
promedio diaria en kilogramos, registrados durante el ao pasado.
PERIODOS DE
PRODUCCION
1
B
33.1
C
34.4
D
30.7
E
28.7
E
28.7
A
28.8
A
31.4
TOTAL
B
22.3
28.9
22.3
152.8
136.5
TRATAMIENTO3 A
B
123.2
VACAS
4
D
26.4
34.6
A
24.9
28.8
B
20.0
31.9
C
18.7
31.0
E
15.8
30.9
105.8
C
141.9
TOTAL
33.9
162.4
28.0
141.1
22.7
132.1
21.3
124.7
19.0
116.9
124.9
677.2
B
C
D
A
157.2
D
133.1
5
E
E
129.1
TOTAL
149.9
677.2
Probar para un nivel de significacin del 1%, si la produccin promedio diaria de leche
es significativamente diferente debido a la dieta alimenticia, a las vacas o al perodo
de produccin.
DESARROLLO:
FACTORES:
TRATAMIENTO:
FACTOR FILA:
FACTOR COLUMNA:
VARIABLE RESPUESTA:
MODELO
Alimentacin, vacas y perodo de produccin

Raciones de alimentacin A, B, C, D y E.
Perodo de produccin 1, 2, 3, 4 y 5.
Vaca 1, 2, 3, 4 y 5.
Produccin diaria promedio de leche
Vaca en produccin de leche.
0.01
Xijk = + i + j + k + ij k
Ntese que los tratamientos han sido sumados independientemente de fila y de columna y se presentan
como totales al final del cuadro.
60
H0 :
i = 0
HA :
i 0
H0 :
j = 0
HA :
j 0
H0 :
k = 0
HA :
k 0
No existe diferencia significativa en la produccin diaria

de leche debido al perodo de produccin de la vaca.
Existe diferencia significativa en la produccin diaria de
leche debido al perodo de produccin de la vaca.
La produccin diaria de leche es igual en todas las
vacas.
Por lo menos en una de las vacas el diario de produccin
de leche no es igual.
No existe diferencia significativa en la produccin diaria
de leche debido a la dieta alimenticia.
Existe diferencia significativa en la produccin diaria de
leche debido a la dieta alimenticia.

Fc = CMF / CMR
Fc = CMC / CMR
Fc = CME / CMR
para perodos de produccin

para vacas
para dieta alimenticia
Fc F, v1, v2
Rechazar la H0 si :
FC = (677,2)2 / 25 = 18.343,99
SCT = (33,12 + 34,42 + .... + 19,02 ) - 18.343,99 = 709,55

2
SCE = ((123,2 + 141,9 + .... + 149,9 )/5) - 18.343,99 = 89,27

2
SCF = ((162,4 + 141,1 + ... + 116,9 )/5) - 18.343,99 = 245,82

SCC = ((152,82 + 136,52 + ... + 124,92 )/5) - 18.343,99 = 353,12
SCR = 709,55 - (89,27 + 245,82 + 353,12) = 21,34

FUENTE DE
VARIACION
GRADOS
LIBERTAD
SUMA DE
CUADRADOS
CUADRADO
MEDIO
Alimentacin
Perodos
Vacas
Residual
Total
4
4
4
12
24
89.27
245.82
353.12
21.34
709.55
22.32
61.46
88.28
1.78
Fc
12.55
34.56
49.64
61
5. Decisin:
Conforme se estableci como criterio de decisin, se rechazar la Hiptesis nula si el
valor calculado de la estadstica de prueba fuera superior o igual al valor tabulado de
la misma, esto es:
si :
Fc F, v1, v2
Fc 5,41
Como puede observarse, las tres hiptesis nulas planteadas son rechazadas y
concluimos que: El promedio diario de produccin de leche es significativamente
diferente debido a la dieta alimenticia; debido al perodo de produccin de la vaca y
debido a la vaca.
5.2 EFICIENCIA DEL DISEO

La eficiencia relativa de un experimento de cuadrado latino, en comparacin a un
completo sistema aleatorio o de una variable de clasificacin, es igual a:
CMF + CMC + (a 1)CMR
(a + 1)CMR
en donde:
CMF
CMC
CMR
a
=
=
=
=
Cuadrado medio del factor Fila

Cuadrado medio del factor Columna
Cuadrado medio Residual
Nmero de tratamientos
Sustituyendo los valores con los resultados del ejemplo desarrollado tenemos que la
eficiencia relativa es igual a:
61,46 + 88,28 + (5 1) * 1,78
(5 + 1) * 1,78
= 14,687
lo que significa que el diseo cuadrado latino mejor el anlisis, lo hizo ms eficiente
en un 1.368,7%, con respecto a si el diseo hubiese sido a un criterio de clasificacin.
Si lo que interesa es obtener la eficiencia del diseo cuadrado latino en comparacin a
un diseo en bloques, o diseo a dos criterios de clasificacin, sta es igual a:
CMC + (a 1)CMR
a*CMR
Reemplazando valores tenemos:
88,28 + (5 1) * 1,78 = 10,719

5 * 1,78
que significa que el diseo empleado fue ms eficiente que un diseo en bloques en
un 971,9%.
5.3 DATOS FALTANTES

Para el caso de que en el diseo se produzca la prdida de un dato, por cualquier
motivo, la formulacin empleada para estimar este valor de ninguna manera recupera
62
la informacin perdida, pero realiza una estimacin ms adecuada con los datos con
que se cuenta, la frmula de clculo para la estimacin del valor es:
a (F + C + T) - 2S
(a 1) (a 2)
en donde:
a
F
C
T
S
=
=
=
=
=
Nmero de tratamientos
Suma de la fila del dato faltante
Suma de la columna del dato faltante
Suma del tratamiento del dato faltante
Suma total de todas las observaciones.
De faltar dos o ms observaciones, el procedimiento de estimacin de stos ser igual

al propuesto para el diseo a dos criterios de clasificacin.
63
CAPITULO V
DISEO FACTORIAL
Uno de los adelantos notables de la metodologa de la experimentacin consiste en
combinar las variantes independientes, subdividas, a propsito, en niveles, de tal
modo que el plan factorial resultante permita determinar cuantitativamente los efectos
que tienen en la variable dependiente, las variables independientes o factores por s
4
mismos y en todas las combinaciones
En pocas pasadas se aconsejaba que se estudiara cada factor a la vez, dedicndole
un experimento por separado a cada factor; ms tarde Fisher indic que se obtenan
ventajas de importancia si se combinaban varios factores en un mismo experimento
factorial, siendo sta altamente eficaz porque cada observacin proporciona
informacin sobre todos los factores comprendidos en el experimento y determina las
relaciones entre los efectos de los diferentes factores.
En un experimento factorial se investigan simultneamente los efectos de cierto
nmero de factores con igual o diferente nmero de niveles por factor. Los
tratamientos del experimento corresponden a las combinaciones que puedan formarse
entre los distintos niveles de cada factor.
Por ejemplo, si el factor A interviene con dos niveles: a1 y a2; y el factor B interviene
con niveles b1 y b2, entonces el nmero de tratamientos del experimento es cuatro,
formado por las combinaciones: a1b1, a1b2, a2b1 y a2b2; si el factor B tuviese tres
niveles, entonces el nmero de tratamientos del experimento ser de seis: a1b1, a1b2,
a1b3, a2b1, a2b2 y a2b3.
Un experimento factorial es aquel que se realiza con dos o ms factores y los ensayos
del experimento se realizan en todas las combinaciones de los niveles de los factores.
Los conceptos estadsticos presentados en los captulos precedentes son vlidos para
el diseo factorial y en particular se continuar con el uso del anlisis de varianza
como herramienta bsica para el anlisis estadstico de datos.
Entre las principales ventajas de la utilizacin del diseo factorial est en que este
significar un ahorro considerable de tiempo y material dedicado a los experimentos;
permite detectar e identificar los efectos simples y principales, as como aquellos
debidos a una combinacin particular de niveles de los factores, proporcionando
informacin sobre los efectos de los factores y sobre sus relaciones entre s.
Cochran y Cox, sugieren que es recomendable utilizar la experimentacin factorial en:
1. 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.
2. En investigaciones de las interacciones entre los efectos de varios factores;
frecuentemente la informacin se obtiene mejor probando todas las
combinaciones.
3. En experimentos diseados para poder llegar a recomendaciones que deben
aplicarse a una gran variedad de condiciones similares a las encontradas en la
poblacin en la cual se van a aplicar dichas recomendaciones.
Luis Romo Saltos, Mtodos de Experimentacin Cientfica, captulo XI, pgina 261.
64
Si sabemos que dos factores son interdependientes, o si estamos dudosos de la

validez de una suposicin de independencia, entonces debe recomendarse un diseo
experimental que estime tanto los efectos principales como las interacciones, ste
diseo es el factorial.
Cuando los factores que se van a investigar son numerosos, la principal desventaja
del experimento factorial estriba en su tamao y complejidad; otra, radica en la
dificultad que tienen los experimentadores en interpretar los resultados porque
parecen presentar una confusa variedad de comparaciones de tratamientos.
Algunas aplicaciones del diseo factorial estn en: la caracterizacin de un proceso; la
optimizacin de recursos; diseo de un producto; deteccin de fallas en procesos;
desarrollo y optimizacin de procesos; evaluacin de materiales y alternativas;
confiabilidad y pruebas de duracin; pruebas de rendimiento; determinacin de
tolerancia de componente, etc..
6.1 EFECTOS E INTERACCIONES
Dados dos factores, o variables independientes, A y B, cada uno a dos niveles
diferentes: a1 y a2 para el factor A; y, b1 y b2 para el factor B, que intervienen en un
experimento, entonces se requerir de por lo menos cuatro observaciones para
determinar el efecto de stos factores en la variable respuesta, correspondiendo cada
observacin un tratamiento especfico: a1b1, a1b2, a2b1 y a2b2.
FACTOR B
b1
b2
FACTOR A
a1
a2
a1b1
a2b1
a1b2
a1b2
Si a1 representa el nivel inferior del factor A y a2 el nivel superior del factor, entonces la
diferencia (a2 - a1) proporciona una medida del cambio del factor A. De similar
manera, si b1 representa el nivel inferior del factor B y b2 el nivel superior del factor,
entonces la diferencia (b2 - b1) proporciona una medida del cambio del factor B.
Supongamos que se realiza una sola medicin de la variable respuesta para cada
combinacin aibj , entonces la diferencia:
a2b1 - a1b1 =
a2b2 - a1b2 =
es una medida del efecto de a en b1

es una medida del efecto de a en b2
que se conocen como efectos simples o efectos parciales de a en cada nivel del factor
b. El efecto principal se mide promediando los efectos del factor en todos los niveles
del restante factor:
( (a2b1 - a1b1) + (a2b1 - a1b2) ) / 2 =
(a2b2 + a2b1 - a1b2 - a1b1) / 2
=
Es el efecto principal del factor A.
De similar manera:
a1b2 - a1b1 =
a2b2 - a2b1 =
es una medida del efecto de b en a1

es una medida del efecto de b en a2
65
son los efectos simples o efectos parciales de b en cada nivel del factor a. El efecto
principal se mide promediando los efectos del factor en todos los niveles del restante
factor:
( (a1b2 - a1b1) + (a2b2 - a2b1) ) / 2 =
(a2b2 + a1b2 - a2b1 - a1b1) / 2
=
Es el efecto principal del factor B.
Podemos definir, entonces, como Efecto Principal de un Factor a la medida del

cambio de la variable respuesta correspondiente a cambios en el nivel de un factor
promediados sobre todos los niveles de los otros factores.
Si A y B estuvieran actuando independientemente, el efecto de a en b1 y el efecto de a
en b2 sera el mismo; cualquier diferencia en estos dos efectos es una medida del
grado de interdependencia entre los factores, esto es, de la forma en la que
interactan A y B en la variable respuesta.
La medida de interaccin entre los dos factores se la obtiene mediante:

AB = ( (a2b2 - a1b2) - (a2b1 - a1b1) ) / 2
= ( (a2b2 - a2b1) - (a1b2 - a1b1) ) / 2
= (a2b2 + a1b1 - a1b2 - a2b1) ) / 2
Podemos decir que Interaccin es la respuesta diferencial a un factor en combinacin
con niveles variables de un segundo factor aplicado simultneamente. Es decir, la
interaccin es un efecto adicional debido a la influencia combinada de dos, o ms,
factores.
2
6.2 DISEO FACTORIAL 2
Este diseo es aquel en el que intervienen dos factores a dos niveles cada factor; en
2
la expresin 2 , la base corresponde el nmero de niveles por factor y el exponente
al nmero de factores.
Los factores son A y B, cada uno a dos niveles: a1 y a2 para el factor A; y, b1 y b2 para
el factor B. El nmero de tratamientos posibles es igual al nmero de niveles del
factor A por el nmero de niveles del factor B, esto es: 2 x 2 = 4 tratamientos
especficos: a1b1, a1b2, a2b1 y a2b2.
En los que a1 representa el nivel inferior del factor A y a2 el nivel superior del factor, b1
representa el nivel inferior del factor B y b2 el nivel superior del factor. Cada
tratamiento puede tener una o ms repeticiones.
Una notacin ms compacta y estndar en el trabajo estadstico es aquella que
reemplaza la presencia del nivel superior con la letra latina minscula del factor, por
ejemplo, si en el tratamiento est presente el nivel a2 entonces se anotar
nicamente a, si est presente el nivel b2 se anotar nicamente b; si en el
tratamiento est presente el nivel inferior del factor, se omite escribir la letra del factor,
por ejemplo si el tratamiento es y a1b2 se escribir nicamente b. De esta forma los
tratamientos a considerar, sern expresados por:
66
NOTACION ANTERIOR
a1b1
a1b2
a2b1
a2b2
NOTACION
COMPACTA
(1)
b
a
ab
Ntese que el tratamiento que considera los niveles inferiores de los dos factores se
expresan como (1). Si los indicados son tratamientos, entonces, la suma de
cuadrados de tratamientos puede ser particionada para obtener los efectos principales
de cada factor as como su interaccin, examinemos su procedimiento con la nueva
notacin:
Los efectos simples del factor A para cada nivel del factor B son:
a - (1)
ab - b
= es una medida del efecto de a en b1

= es una medida del efecto de a en b2
El efecto principal de A se mide promediando los efectos simples del factor en todos
los niveles factor B:
( (a - (1)) + (a - b) ) / 2 =
(ab + a - b - (1)) / 2
=
Es el efecto principal del factor A.
Anlogamente, los efectos simples del factor B son:

b - (1)
ab - a
= es una medida del efecto de b en a1

= es una medida del efecto de b en a2
El efecto principal de B se mide promediando los efectos simples del factor en todos
los niveles del factor A:
( (b - (1)) + (ab - a) ) / 2 =
(ab + b2 - a - (1)) / 2
=
Es el efecto principal del factor B.
La interaccin entre los dos factores se la obtiene mediante:

AB = ( (ab - b) - (a - (1)) ) / 2
= ( (ab - a) - (b2 - (1)) ) / 2
= (ab + (1) - b2 - a) ) / 2
Todas estas expresiones se sintetizan en el siguiente cuadro, que muestra los
multiplicadores ortogonales que sern utilizados para obtener los efectos principales y
la interaccin entre tratamientos. De igual manera, expresa la forma de obtener la
contribucin a la suma de cuadrados de tratamientos.
67
CALCULO DE EFECTOS PRINCIPALES E INTERACCIONES

2
EN UN DISEO FACTORIAL DE 2
TRATAMIENTO
a1 b1 = (1)
a2 b1 = a
a1 b2 = b
a2 b2 = ab
Sumatoria
Divisor para el efecto principal
Efecto principal
Divisor Suma de cuadrados
Contribucin suma de Cuadrados
MULTIPLICADOR PARA EL TOTAL

A
B
AB
-1
-1
1
1
-1
-1
-1
1
-1
1
1
1
(A)
(B)
(AB)
2r
2r
2r
(A)/2r
(B)/2r
(AB)/2r
4r
4r
4r
2
2
(B) / 4r
(AB)2 / 4r
(A) / 4r
Como puede observarse los multiplicadores propuestos son ortogonales y cumplen

con la condicin de ser en sumatoria iguales a cero ( i = 0). Estos provienen de la
relacin establecida en prrafos anteriores para obtener el efecto principal de cada
factor; as para obtener el efecto principal del factor A se suman ab y a por tanto su
coeficientes son +1; y, se restan b y (1) que tienen un coeficiente de -1. De
similar manera se opera para la obtencin del efecto principal de B y de la interaccin
AB.
Conforme la explicacin anterior, si existiese una sola observacin por tratamiento,

para obtener el efecto principal debe dividirse la sumatoria de los coeficientes
ortogonales por el total del tratamiento, denotado en el cuadro como (A), (B) o (AB)
para 2; en el caso de que existiesen r repeticiones por tratamiento el divisor para el
efecto principal ser entonces 2r, tal como se expresa en el cuadro, en donde el 2
indica el nmero de efectos simples, o comparaciones, obtenidos para cada factor.
La contribucin a la suma de cuadrados de tratamientos SCE, se la obtiene conforme
se ilustr en la particin de la suma de cuadrados de tratamientos del diseo a dos
criterios de clasificacin L2 / (r i2 ); de acuerdo con sta, la suma del coeficiente
ortogonal por el total del tratamiento se eleva al cuadrado y su resultado se divide para
4r en donde el nmero 4 corresponde a la suma del cuadrado de los coeficientes
2
ortogonales i
2
2
2
(1 + 1 + 1 + 12) y r corresponde al nmero de repeticiones.
Una forma sencilla y til para establecer los signos de los coeficientes ortogonales
consiste en que para obtener el efecto principal de un factor, los coeficientes sern
positivos si el tratamiento tiene el nivel superior del factor y ser negativo si tiene el
nivel inferior del factor. Por ejemplo, si deseamos encontrar el efecto principal del
factor A tenemos que los signos de los coeficientes sern:
FACTOR
A
a1 b1
(1)
-1
a2 b1
a
+1
a 1 b2
b
-1
a2 b2
ab
+1
68
Para obtener los signos de los coeficientes ortogonales correspondientes a la

interaccin se multiplican los coeficientes de los factores que intervienen en la misma,.
En el caso presente tenemos que en la segunda columna del siguiente cuadro (-1)*(1) = +1 y as sucesivamente.
FACTOR
a1 b1
(1)
-1
-1
+1
A
B
AB
a2 b1
a
+1
-1
-1
a 1 b2
b
-1
+1
-1
a2 b2
ab
+1
+1
+1
El modelo matemtico lineal que se aplica al diseo es:

Xijk = + i + j + ij + ijk
en el que:
Xij = Valor de la variable respuesta.

i = Es el efecto del i-simo nivel del factor A.
j = Es el efecto del j-simo nivel del factor B.
ij = Representa el efecto de la interaccin de los factores A y B.
ijk = Es el error o valor residual que se considera es independiente de
2
2
Para
i = 1, 2
a nmero niveles del factor A
j = 1, 2
b nmero niveles del factor B.
k = 1, 2, ... r, nmero de replicaciones
j = j = ij = 0.
Se acepta adems que:
El nmero de observaciones est dado por 2 * 2 * r

Los cuadrados medios esperados suponiendo que los factores A y B son fijos, son los
siguientes:
Para el factor A
Para el factor B
Para la interaccin AB
Para el residual
2 + br i2 / (a-1)
2
2
+ ar j / (b-1)
2
+ r ij2 / (a-1)(b-1)
2
La identidad fundamental de la suma de cuadrados se expresa por:

SCT = SCA + SCB + SCAB + SCR
En donde:
SCT
SCA
SCB
SCAB
SCR
=
=
=
=
=
Suma de Cuadrados Total

Suma de Cuadrados del factor A
Suma de Cuadrados del factor B
Suma de Cuadrados de la interaccin AB
Suma de Cuadrados del error.
Debemos notar que en el modelo matemtico los elementos: i + j + ij,

corresponden a los componentes independientes de los Tratamientos y por tanto
69
puede ser expresado como i tratamientos, de forma que el modelo matemtico,

expresado en funcin de los tratamientos y de las replicaciones, puede escribirse
como un diseo a dos criterios de clasificacin:
Xijk = + i + k + ijk
Las hiptesis que se prueban corresponde a la dmima para cada factor e interaccin
y a las replicaciones. Se comenzar probando que el factor A no tiene un efecto
significativo en la variables respuesta, esto es:
H0 : i = 0
HA : i 0
Luego se probar que el factor B no tienen un efecto diferencial significativo en la
variable respuesta.
H0 : j = 0
HA : j 0
Tambin se docima la hiptesis de que no existe interaccin y consecuentemente no
tienen un efecto significativo en la variable respuesta.
H0 : ij = 0
HA : ij 0
La estadstica de prueba que se utiliza es la F, calculada como el cuociente entre el
cuadrado medio del factor divido para el cuadrado medio residual;
el criterio de decisin es igual al utilizado en el anlisis de varianza; y, el procedimiento
de clculo igual al de anlisis de varianza y a la particin de la suma de cuadrados.
El cuadro que resume el anlisis de varianza para un diseo factorial de 22 con r
replicaciones por tratamiento es:

FUENTE DE
VARIACION
Tratamientos
GRADOS DE
LIBERTAD
ab - 1
A
B
AB
a-1
b-1
(a-1)(b-1)
SCA
SCB
SCAB
CMA = SCA / (a-1)

CMB = SCA / (b-1)
CMAB = SCA /(a-1)(b-1)
Residual (Error)
(n - ab)
n1
SCR
SCT
CMR = SCR/(ab-1)(c-1)
TOTAL
SUMA DE
CUADRADO MEDIO
CUADRADOS
SCE
CME = SCE / (ab - 1)
ESTADISTICA DE
PRUEBA
Fc = CME / CMR
Fc = CMA / CMR
Fc = CMB / CMR
Fc = CMAB / CMR
En el cuadro de Anlisis de Varianza que antecede, los grados de libertad y las sumas
de cuadrados de los factores A, B y a su interaccin AB, son iguales a los grados de
libertad y a la suma de cuadrados de Tratamientos, respectivamente:
(a 1) + (b 1) + ((a-1)(b-1)) = ab 1 grados de libertad; y,
70
SCA + SCB + SCAB = SCE.
EJEMPLO:
Se ha definido la fatiga de corrosin en los metales como la accin simultnea del
esfuerzo cclico y del ataque qumico en una estructura de metal. Una tcnica
ampliamente utilizada para minimizar el dao de la fatiga de corrosin en el aluminio
involucra la aplicacin de un recubrimiento protector. El estudio realizado por el
Departamento de Ingeniera Mecnica de Virginia Polytechnic Institute and State
University en 1.979 se utilizaron dos diferentes niveles de humedad:
Bajo: 20 25% de humedad relativa
Alto: 86 91% de humedad relativa
Y dos tipos de recubrimiento de la superficie:
Sin recubrimiento: No cubierto
Anodizado: Recubrimiento xido andico de cido sulfrico.
Se registraron lo datos de fatiga de corrosin, expresados en miles de ciclos de
fracaso, como sigue:
RECUBRIMIENT
HUMEDAD
BAJA
ALTA
Sin recubrimiento
361
466
1069
469
937
1357
1344
1027
663
1216
1097
1011
Anodizado
114
1236
533
1032
92
211
78
387
130
466
107
327
Efectuar el anlisis de varianza con un nivel de significacin del 5% para probar la

significancia de los efectos principal e interaccin.
SOLUCION:
FACTORES:
Recubrimiento (R) a dos niveles:
r1 = Sin recubrimiento
r2 = Anodizado
Humedad Relativa (H) a dos niveles:
h1 = Baja
h2 = Alta
TRATAMIENTOS:
Cuatro tratamientos de la combinacin de niveles:
r1h1
r1h2
r2h1 r2h2.
VARIABLE RESPUESTA: Fatiga de corrosin expresado en miles de ciclos de
fracaso.
UNIDAD EXPERIMENTAL: Planchas de aluminio.
MODELO:
Xijk = + i + j + ij + ijk
71
Formulacin de Hiptesis:
H0 :
i = 0
HA :
i 0
H0 :
j = 0
HA :
j 0
H0 :
ij = 0
HA :
ij 0
El recubrimiento de las planchas de aluminio no tiene un

efecto diferencial significativo en la fatiga de corrosin
del metal.
El recubrimiento de las planchas de aluminio tiene un
efecto diferencial significativo en la fatiga de corrosin
del metal.
La humedad relativa no tienen un efecto diferencial
significativo en la fatiga de corrosin del aluminio.
La humedad relativa tienen un efecto diferencial
significativo en la fatiga de corrosin del aluminio.
La accin conjunta del recubrimiento y de la humedad
relativa no tienen un efecto diferencial significativo en la
fatiga de corrosin del aluminio.
La accin conjunta del recubrimiento y de la humedad
relativa tienen un efecto diferencial significativo en la
fatiga de corrosin del aluminio
Estadstica de prueba:
Fc = CMA
CMR
Una para cada hiptesis:

CMB
CMAB
CMR
CMR
Igual para todas las hiptesis

Rechazar la H0 si :
Fc F, v1, v2
Clculos:
Ntese que de acuerdo con el modelo propuesto i representa el efecto del primer
factor, R recubrimiento; j representa el efecto del segundo factor, H humedad
relativa; ij representa el efecto de la interaccin RH; y, k representa el efecto de las
replicaciones. Por otro lado, se observa que el experimento cuenta con seis
replicaciones en cada tratamiento, para facilitar el proceso de clculo podemos
reordenar los datos del experimento y proceder de la siguiente manera:
TRATAMIENTO
r1h1 =
r1h2 =
r2h1 =
r2h2 =
(1)
h
r
rh
P1
P2
361
1344
114
78
469
1216
1032
466
REPLICACIONES
P3
P4
466
1027
1236
387
937
1097
92
107
P5
P6
1069
663
533
130
1357
1011
211
327
72
Los resultados del anlisis de varianza a dos criterios: tratamientos y replicaciones

son:
RESUMEN
(1)
h
r
rh
Cuenta
6
6
6
6
P1
P2
P3
P4
P5
P6
4
4
4
4
4
4
Error
Total
Varianza
162.380.70
53.491.87
243.373.87
27.156.57
474.25
795.75
779.00
558.25
598.75
726.50
352.028.25
149.308.25
173.995.33
284.906.25
149.770.92
301.270.33
1897.0
3183.0
3116.0
2233.0
2395.0
2906.0
ANLISIS DE VARIANZA
FV
SC
Tratamientos
2.143.794,83
R
H
RH
Suma
Promedio
4659.0
776.50
6358.0
1.059.67
3218.0
536.33
1495.0
249.17
GL
3
CM
714.598,28
1.655.850,67
24,00
487.920,17
1
1
1
1.655.850,67
24,00
487.920,17
2.432.015,00
4.575.809,83
20
23
121.600,75
Fc
Probabilidad
5,877
0,0048
13,617
0,000
4,012
0,0015
0,9889
0,0589
Ft
3,098
4,351
4,351
4,351
Del que se puede concluir que los tratamientos son significativamente diferentes y que
las replicaciones no tienen un efecto significativo diferencial. Procedemos a calcular la
significacin del efecto principal de cada factor y su interaccin.
MULTIPLICADORES PARA EL TOTAL DE TRATAMIENTOS

TRATAMIENTO
(1)
h
r
rh
EFECTO FACTORIAL
R
H
RH
-1
-1
1
-1
1
-1
1
-1
-1
1
1
1
En esta primera parte, se determinan los multiplicadores ortogonales que sern

utilizados para el clculo del efecto principal. Estos se multiplican por el total de cada
tratamiento y con su suma se obtiene la contribucin del factor a la suma de
cuadrados de tratamientos.
73
TRATAMIENTO
EFECTO FACTORIAL
R
RH
-1
(4.659,00)
(4.659,00)
4.659,00
(6.358,00)
6.358,00
(6.358,00)
3.218,00
(3.218,00)
(3.218,00)
rh
1.495,00
1.495,00
1.495,00
SUMA
(6.304,00)
Divisor para el Efecto Principal

Efecto Principal
12
(525)
(24,00)
12
(2)
(3.422,00)
12
(285)
Divisor para Suma de Cuadrados
24
24
24
Contribucin a Suma de Cuadrados
1.655.850,67
24,00
487.920,17
2.143.794,83
La contribucin de la suma de cuadrados de R se la obtiene: (-6.304)2 / (4 * 6) =

1655.850,67; en el que 4 es la suma de los cuadrados de los coeficientes
ortogonales empleados para el factor R, y 6 corresponde al nmero de repeticiones
por tratamiento.
Las contribuciones de los factores R, H y su interaccin RH son mutuamente
ortogonales y por tanto componentes independientes de la suma de cuadrados de
tratamientos (SCE = 2.143.794.83); ntese que la sumatoria de las contribuciones de
los factores R, H y su interaccin RH, totalizan igual que la suma de cuadrados de
Tratamientos:
SCR + SCH + SCRH = SCE
1665850.67 + 24 + 487920.17 = 2143794.83
Decisin:
En respuesta a las hiptesis planteadas y de acuerdo con el criterio de decisin
propuesto a un nivel de significacin del 5%, tenemos que:
El factor recubrimiento tiene un efecto significativo en la fatiga de corrosin del
aluminio, el poner recubrimiento anodizado al aluminio disminuye significativamente la
fatiga de corrosin, a esta conclusin llegamos porque rechazamos la hiptesis nula
planteada toda vez que: 11.88 4.54 (Fc F, v1, v2 ).
En cuanto al factor Humedad Relativa, observamos que el valor calculado es menor
que el valor el valor tabular (0.00017 4.54), por tanto aceptamos la hiptesis nula y
concluimos que el factor, Humedad Relativa, no tiene un efecto significativo en la
fatiga de corrosin del aluminio.
La decisin para la tercera hiptesis relativa a la interaccin del factor Recubrimiento
con Humedad Relativa, RH, es aceptar la hiptesis nula y concluimos que la
interaccin no tiene un efecto significativo en la fatiga de corrosin del aluminio, dado
que el valor calculado de la estadstica es menor al valor tabular 3.50 4.54.
Por ltimo, decido aceptar la hiptesis nula de la cuarta formulacin de hiptesis, por
la que concluyo que las repeticiones no son significativas, 0.491 4.54.
74
Efectos simples y principales:

Para cada factor es prudente determinar su efecto principal as como los efectos
simples a cada nivel del otro factor.
Analizando el factor Recubrimiento tenemos que ste considera dos niveles, el
primero sin recubrimiento y el segundo con recubrimiento anodizado del aluminio, es
de esperar que el efecto de colocar recubrimiento anodizado en el aluminio reduzca,
como efecto, la fatiga de corrosin del metal; la magnitud de esta reduccin puede ser
igual o aproximadamente igual si el material es sometido a cualquiera de los niveles
del segundo factor, humedad relativa baja, o humedad relativa alta. El efecto del
recubrimiento para cada nivel de humedad relativa se obtiene examinando el efecto
simple del factor.
As, manteniendo constante la humedad relativa baja, h1, el efecto del recubrimiento
es medido mediante:
r2h1 - r1h1 = r - (1) = la medida del efecto de r en h1
(3.218 - 4.659) / 6 = - 240,17
lo que nos indica que si mantenemos constante la humedad relativa del 20-25%, al
colocar en el aluminio el recubrimiento anodizado, la fatiga de corrosin del aluminio
disminuye en 240,17 miles de ciclos de fracaso, unidad de medida de la variable
respuesta.
El efecto del recubrimiento manteniendo constante el nivel alto de humedad, h2, se
mide mediante:
r2h2 - r1h2 = rh - h = la medida del efecto de r en h2
(1.495 - 6.358) / 6 = - 810,5
que nos indica que manteniendo constante el nivel alto de la humedad relativa, 8691%, el recubrimiento anodizado en el aluminio disminuye la fatiga de corrosin en
810,5 miles de ciclos de fracaso.
En ambos casos, hemos dividido la sumatoria para 6 porque la sumatoria de la
variable respuesta en cada tratamiento corresponde a seis replicaciones, de forma
que el efecto de R en cada nivel de H se expresa como el efecto medio por unidad
experimental.
El efecto principal es el promedio de los efectos simples, por lo tanto, el efecto
principal de R es igual a: ((-240,17) + (-810,5)) / 2 = -525,33, lo que nos indica que
al colocar el anodizado en el aluminio y someterlo a una humedad relativa baja o alta,
cualquiera, en promedio se reduce la fatiga de corrosin en 525,33 miles de ciclos de
fracaso (unidad de medida de la variable respuesta). La verificacin de si este efecto
promedio es significativo en el cambio de la variable respuesta, se lo hizo al docimar la
primera hiptesis H0 : i = 0, la misma que fue rechazada conforme el ltimo cuadro
de anlisis de varianza y concluyendo que el factor R si tiene un efecto significativo.
Igual resultado obtendramos si aplicamos directamente la relacin establecida para el
clculo del efecto principal:
((r2h1 - r1h1) + (r2h2 - r1h2)) / 2
(rh + r - h - (1)) / 2
(1.495 + 3.218 6.358 4.659) / (2*6) = -525,33
75
Otra forma de obtener el mismo resultado es utilizar, la suma del efecto factorial
6.304 y dividirlo para el Divisor para el Efecto Principal 12
Examinemos que pasa con el factor H, humedad relativa. Si mantenemos constante

el nivel r1 del factor R, sin recubrimiento, el efecto de la humedad relativa se mide
mediante:
(r1h2 - r1h1) / 6 = (h - (1)) =
(6.358 - 4.659) / 6 = 283,17
que nos indica que, cuando el metal no tiene recubrimiento, el cambio de la humedad
relativa baja a la humedad relativa alta, produce un incremento en la fatiga de
corrosin del metal de 283,17 miles de ciclos de fracaso.
Si examinamos el efecto del cambio de la humedad relativa, medido en metales con
recubrimiento anodizado, encontramos que:
(r2h2 - r2h1) / 6 = (rh - r) =
(1.495 - 3.218) / 6 = -287,17
nos indica que, cuando el metal tiene recubrimiento anodizado, el cambio de la

humedad relativa baja a la humedad relativa alta, produce una reduccin de la fatiga
de corrosin del metal en 287,17 miles de ciclos de fracaso.
Al igual que en el factor R, dividimos la sumatoria para 6 porque sta se extiende a
seis replicaciones en cada tratamiento, de forma que el efecto de H en cada nivel de
R se expresa como el efecto medio por unidad experimental.
El clculo del efecto principal se realiza promediando los efectos simples del factor,
por lo tanto, el efecto principal de H es igual a: ( 283,17 + (-287,17)) / 2 = -2, lo que
nos indica que al cambiar la humedad relativa de la baja a la alta la fatiga de corrosin
se decrementa en promedio en 2 miles de ciclos de fracaso. La comprobacin de si
este efecto promedio es significativo en el cambio de la variable respuesta, se realiz
al docimar la segunda hiptesis H0 : j = 0, la misma que fue aceptada conforme el
cuadro de anlisis de varianza.
Si los factores fueran mutuamente independientes, entonces el efecto simple del

primer factor sera el mismo para el nivel inferior y el nivel superior del segundo factor.
En ambos casos, factor R y factor H, encontramos que la respuesta es diferencial y
podramos sospechar que existe una interaccin significativa entre los factores.
El clculo de la interaccin se realiza mediante:
RH = ((r2h2 - r1h2) - (r2h1 - r1h1)) / 2
RH = (rh - r - h + (1)) / 2
RH = (1.495 - 3.218 6.358 + 4.659) / (4*6) = -142,58
Lo que indica que la accin conjunta del recubrimiento y de la humedad relativa
reduce, en promedio, la fatiga de corrosin del aluminio. Ntese que en el
denominador (4*6) el valor de 4 corresponde a la suma del cuadrado de los
coeficientes ortogonales utilizados en la relacin y el 6 corresponde al nmero de
repeticiones del experimento.
76
Dado que la respuesta del factor es diferencial entre los niveles del otro factor, la
interaccin tiene una magnitud, que debe ser comprobada si sta es o no significativa
en el cambio de la variable respuesta. La mejor manera de probar si la interaccin es
significativa, si esta sospecha es o no verdadera, es mediante una prueba de hiptesis
que docime: H0 : ij = 0, propuesta como tercera hiptesis, realizada la prueba se
decidi que la magnitud de interaccin encontrada no es significativa al nivel del 5%,
por lo tanto se acept la hiptesis nula planteada.
3
El diseo factorial dos al cubo es aquel en el que intervienen tres factores a dos
3
niveles por cada factor; en la expresin 2 , la base corresponde el nmero de niveles
por factor y el exponente al nmero de factores.
Los factores son A, B y C, cada uno a dos niveles: a1 y a2 para el factor A; b1 y b2 para
el factor B; y, c1 y c2 para el factor C. El nmero de tratamientos posibles es igual 23,
que corresponde al producto del nmero de niveles de A por el nmero de niveles de
B y de C, esto es: 2 x 2 x 2 = 8 tratamientos especficos: a1b1c1, a1b1c2, a1b2c1, a1b2c2,
a2b1c1, a2b1c2, a2b2c1, a2b2c2,
Expresando los tratamientos en la notacin utilizada, tenemos que:
NOTACION ANTERIOR
a1b1c1
a1b1c2
a1b2c1
a1b2c2
a2b1c1
a2b1c2
a2b2c1
a2b2c2
NUEVA NOTACION
(1)
c
b
bc
a
ac
ab
abc
Para el clculo de los efectos principales (A, B, C) y de las interacciones de primer

orden (AB, AC, BC) y la de segundo orden (ABC), se utilizarn los multiplicadores
ortogonales que se presentan en el siguiente cuadro, en el que se expresa la forma de
obtener la contribucin a la suma de cuadrados de tratamientos.
MULTIPLICADORES PARA EL TOTAL DE TRATAMIENTOS
TRATAMIENTOS
a1b1c1
a2b1c1
(1)
a
a1b2c1
a2b2c1
a1b1c2
a2b1c2
b
ab
c
ac
a1b2c2
a2b2c2
SUMA
bc
abc
Divisor Efecto Principal

Efecto Principal
Divisor Suma Cuadrados
Contrib. Suma Cuadra.
AB
AC
BC
ABC
-1
1
-1
-1
-1
1
1
-1
-1
-1
-1
-1
1
-1
1
1
1
-1
-1
1
1
1
-1
1
-1
1
-1
-1
1
1
1
-1
-1
-1
1
1
1
-1
-1
1
-1
-1
-1
-1
1
-1
1
-1
-1
1
(A)
4r
1
(B)
4r
1
(AB)
4r
1
(C)
4r
1
(AC)
4r
1
(BC)
4r
1
(ABC)
4r
(A)/4r
(B)/4r
(AB)/4r
(C)/4r
(AC)/4r
(BC)/4r
(ABC)/4r
8r
2
(A) /8r
8r
2
(B) /8r
8r
2
(AB) /8r
8r
2
(C) /8r
8r
2
(AC) /8r
8r
2
(BC) /8r
8r
2
(ABC) /8r
77
Para determinar el efecto principal del factor A se multiplican el total de cada

tratamiento por el coeficiente ortogonal de la columna A y su suma (A) la dividimos
para 4r, en donde el nmero 4 corresponde a las cuatro comparaciones posibles
que deben realizarse para obtener los efectos simples, cuatro tratamientos que
incluyen a2 menos cuatro tratamientos que incluyen a1; y, r es el nmero de
replicaciones del experimento. De igual manera debe actuarse con los restantes
factores e interacciones.
La contribucin a la suma de cuadrados, corresponde a la particin de suma de
cuadrados de tratamientos SCE, se la calcula elevando al cuadrado la suma (A) y
dividindola para 8r (L2 / (r i2 )), en donde el nmero 8 corresponde a la
sumatoria del cuadrado de los coeficientes ortogonales i2; y, r al nmero de
replicaciones del experimento. La forma como se calcul la contribucin del factor A
sirve para el clculo de los restantes factores e interacciones.
Para determinar los signos de los coeficientes ortogonales correspondientes al efecto

principal de A, se opera de similar manera al diseo anterior, el signo ser positivo
cuando el tratamiento tiene el nivel superior del factor y ser negativo cuando tenga el
nivel inferior del factor.
Los supuestos presentados en el diseo factorial del dos al cuadrado se extienden al
presente modelo matemtico, siendo lineal y aditivo conforme se presenta:
Xijk = + i + j + ij + c + ic + jc + ijc + ijck
en el que:
Xij = Valor de la variable respuesta correspondiente.

ij = Representa el efecto de la interaccin de los factores A y B.
c = Es el efecto del c-simo nivel del factor C.
ic = Representa el efecto de la interaccin de los factores A y C.
jc = Representa el efecto de la interaccin de los factores B y C.
ijc = Representa el efecto de la interaccin de los factores A, B y C.
ijck = Es el error o valor residual que se considera es independiente de
2
2
Para
i= j = c =
k = 1, 2, ... r
1, 2
nmero niveles del factor

replicaciones
Las hiptesis que se prueban corresponden a la dcima para cada factor e interaccin
y a las replicaciones, esto es:
H0 : i = 0
HA : i 0
H0 : j = 0
HA : j 0
H0 : c = 0
HA : c 0
H0 : ic = 0
HA : ic 0
H0 : jc = 0
HA : jc 0
H0 : ijc = 0
HA : ijc 0
H0 : ij = 0
HA : ij 0
78
Como era de esperarse, existen 7 formulaciones de hiptesis que deben ser probadas
a un nivel de significacin determinado; cada hiptesis corresponde a un factor
determinado o a la interaccin entre stos y la ltima formulacin desea probar la
significacin de las replicaciones del experimento. Las pruebas de las interacciones
son importantes para verificar si los factores son mutuamente independientes; si la
interaccin est presente, debemos tener cuidado con el anlisis de los efectos
principales, slo aquellos que son significativos tienen sentido en su anlisis, aquellos
efectos principales no significativos en presencia de interaccin podran muy bien ser
el resultado del encubrimiento y plantear la necesidad de observar la influencia de
cada factor para niveles fijos de otro factor.
cuadrado medio del factor divido para el cuadrado medio residual; y, el criterio de
decisin es rechazar la hiptesis nula si el valor calculado de la estadstica de prueba
es igual o mayor que el valor tabular de la estadstica de prueba: Fc F, v1, v2 .
El cuadro que resume el anlisis de varianza para un diseo factorial de 23 con r
replicaciones por tratamiento es:

FUENTE DE
VARIACION
Tratamientos
GRADOS DE
LIBERTAD
abc - 1
SUMA DE
CUADRADOS
SCE
A
B
C
AB
AC
BC
ABC
a-1
b-1
c-1
(a-1)(b-1)
(a-1)(c-1)
(b-1)(c-1)
(a-1)(b-1)(c-1)
SCA
SCB
SCC
SCAB
SCAC
SCBC
SCABC
Residual (Error)
TOTAL
(abc 1) (r-1)
n1
SCR
SCT
CUADRADO MEDIO
CME = SCE / (ab - 1)
ESTADISTICA DE
PRUEBA
Fc = CME / CMR
CMA = SCA / (a-1)

CMB = SCA / (b-1)
CMC = SCC/ (c-1)
CMAB = SCAB/(a-1)(b-1)
CMAC = SCAC/(a-1)(c-1)
CMBC = SCBC/(b-1)(c-1)
CMABC = SCABC/g.l.
Fc = CMA / CMR
Fc = CMB / CMR
Fc = CMC / CMR
Fc = CMAB / CMR
Fc = CMAC / CMR
Fc = CMBC / CMR
Fc = CMABC / CMR
CMR = SCR/(ab-1)(c-1)
De igual manera se verifica que las sumas de cuadrados de los factores y sus
interacciones son mutuamente ortogonales y por tanto son componentes
independientes de la suma de cuadrados de tratamientos de forma que:
SCA + SCB + SCC + SCAB + SCAC + SCBC + SCABC = SCE.
EJEMPLO:
Se realiz un experimento para determinar el efecto de suplementos alimenticios a
una racin de maz para alimentar cerdos. Los factores bajo control fueron: Lisina (L)
a dos niveles: 0% y 0.6%; Protena (P) administrada con Harina de soya y medida en
cantidades adicionales para proveer 12% y 14% de protena; y, Sexo (S) del cerdo,
macho o hembra. Al experimento se incorporaron 40 cerdos, 20 machos y 20
hembras, asignndose aleatoriamente 5 cerdos para cada tratamiento. El aumento
diario promedio del peso de los cerdos expresado en kilos, se presenta en el siguiente
cuadro:
79
AUMENTO DIARIO PROMEDIO DE CERDOS. En Kilogramos
Lisina
0
FACTOR
Protena
12
14
0.6
Sexo
M
H
M
H
1
1.11
1.03
1.52
1.48
REPETICIONES
2
3
4
0.97
1.09
0.99
0.97
0.99
0.99
1.45
1.27
1.22
1.22
1.53
1.19
5
0.85
0.99
1.67
1.16
M
H
M
H
1.22
0.87
1.38
1.09
1.13
1.00
1.08
1.09
1.34
1.00
1.46
1.24
12
14
1.34
1.16
1.40
1.47
1.41
1.29
1.21
1.43
Realizar el anlisis de varianza correspondiente y verificar si los factores y sus

interacciones son significativas al nivel del 5%.
SOLUCION
FACTORES:
Lisina (L), con niveles: b1 = 0% y b2 = 0.6%

Protena (P), con niveles: p1 = 12% y p2 =14%
Sexo (S): s1 = macho y s2 = hembra
TRATAMIENTOS:
Ocho tratamientos resultante de la combinacin de
niveles
VARIABLE RESPUESTA: Aumento diario promedio, expresado en kilogramos
UNIDAD EXPERIMENTAL: Cerdo.
MODELO:
Xijk = + i + j + ij + c + ic + jc + ijc + ijck
Formulacin de Hiptesis:
H0 : i = 0
La lisina no tiene un efecto significativo en el incremento
diario promedio del peso de cerdos.
HA : i 0
La lisina tiene un efecto significativo en el incremento
H0 :
j = 0
HA :
j 0
H0 :
ij = 0
HA :
ij 0
La protena no tiene un efecto significativo en el

incremento diario promedio del peso de cerdos.
La protena tiene un efecto significativo en el incremento
La accin conjunta de la Lisina y Protena no tienen un
efecto significativo en el incremento diario promedio del
peso de cerdos.
La accin conjunta de la Lisina y Protena tienen un
efecto significativo en el incremento diario promedio del
peso de cerdos.
80
Las restantes hiptesis tienen similar contexto de redaccin, por tanto se presentar la
formulacin con la indicacin del factor o interaccin que est docimndose.
Para el sexo:
H0 : c = 0
HA : c 0
Interaccin Lisina - Sexo

H0 : ic = 0
HA : ic 0
Interaccin Protena Sexo

H0 : jc = 0
HA : jc 0
Estadstica de prueba:
Fc =
CML
CMR
CMP
CMR
Interaccin Lisina Proteina - Sexo

H0 : ijc = 0
HA : ijc 0
Una para cada hiptesis:

CMLP
CMR
CMS
CMR
CMLS
CMR
CMPS
CMR
SMLPS
CMR
CMT
CMR
Igual para todas las hiptesis

Rechazar la H0 si :
Fc F, v1, v2
Clculos: Iniciamos con el clculo del anlisis de varianza entre tratamientos y

replicaciones, exactamente como un diseo a dos criterios de clasificacin,
conservando la misma estructura del cuadro de datos presentado en el problema, con
los siguientes resultados:
RESUMEN
(1)
s
p
ps
l
ls
lp
lps
Cuenta
5
5
5
5
5
5
5
5
R1
R2
R3
R4
R5
8
8
8
8
8
ANLISIS DE VARIANZA
FV
SC
Tratamientos
0,93647
Error
0,68888
Total
1,62535
Suma Promedio
5.01
1.002
4.97
0.994
1.426
7.13
6.58
1.316
6.44
1.288
5.32
1.064
1.306
6.53
6.32
1.264
9.7
8.91
10.25
9.73
9.71
GL
7
32
39
1.2125
1.11375
1.28125
1.21625
1.21375
CM
0,134
0,020
Varianza
0.01092
0.00048
0.03393
0.03053
0.01247
0.02653
0.02458
0.03278
0.0529
0.0257
0.0358
0.0273
0.0737
Fc
Probabilidad
6,527
0,000
Ft
2,313
De la informacin obtenida, se concluye que los tratamientos, combinaciones entre

niveles de los factores, son significativamente diferentes y que las replicaciones no
tienen efecto significativo en la variable respuesta.
81
Procede, encontrar mayor explicacin sobre las causas que originan la variacin
significativa de los tratamientos; para lo cual debe examinarse el efecto de cada factor
y de cada interaccin en la variable respuesta a travs de su contribucin a la suma
de cuadrados de tratamientos. Se determinarn, entonces, los multiplicadores
ortogonales para cada caso y su contribucin a la SCE, con igual procedimiento de
clculo que el empleado anteriormente, cuyos resultados se expresan seguidamente.
MULTIPLICADORES PARA EL TOTAL DEL TRATAMIENTO

TRATAMIENTO
(1)
s
p
ps
l
ls
lp
lps
L
-1
-1
-1
-1
1
1
1
1
P
-1
-1
1
1
-1
-1
1
1
EFECTO FACTORIAL
S
LP
LS
-1
1
1
1
1
-1
-1
-1
1
1
-1
-1
-1
-1
-1
1
-1
1
-1
1
-1
1
1
1
PS
1
-1
-1
1
1
-1
-1
1
LPS
-1
1
1
-1
1
-1
-1
1
EFECTO PRINCIPAL Y CONTRIBUCION A LA SUMA DE CUADRADOS

TRATAMIENTO
(1)
s
p
ps
l
ls
lp
lps
SUMA
Divisor Efecto
Principal
Efecto Principal
Divisor S.C.
Contribucin a
Suma Cuadrados
L
-5.01
-4.97
-7.13
-6.58
6.44
5.32
6.53
6.32
0.92
20
0.046
40
P
-5.01
-4.97
7.13
6.58
-6.44
-5.32
6.53
6.32
4.82
20
0.241
40
EFECTO FACTORIAL
S
LP
LS
-5.01
5.01
5.01
4.97
4.97
-4.97
-7.13
-7.13
7.13
6.58
-6.58
-6.58
-6.44
-6.44
-6.44
5.32
-5.32
5.32
-6.53
6.53
-6.53
6.32
6.32
6.32
-1.92
-2.64
-0.74
20
-0.096
40
20
-0.132
40
20
-0.037
40
PS
5.01
-4.97
-7.13
6.58
6.44
-5.32
-6.53
6.32
0.4
20
0.02
40
LPS
-5.01
4.97
7.13
-6.58
6.44
-5.32
-6.53
6.32
1.42
20
0.071
40
0.02116 0.58081 0.09216 0.17424 0.01369 0.004 0.05041
En el cuadro de Multiplicadores para el Total de Tratamientos, se verifica que para

cada efecto factorial la sumatoria de los coeficientes es igual a cero, i = 0; tambin
se verifica que todas las particiones de las sumas de cuadrados son mutuamente
ortogonales y por tanto sus contribuciones son componentes independientes de la
suma de cuadrados de tratamientos.
El divisor para obtener el efecto principal es igual a 4 * 5 = 20, en donde 4
corresponde al nmero de comparaciones que se realizan entre el nivel superior e
82
inferior del factor y el 5 corresponde al nmero de replicaciones. El divisor para la

contribucin a la suma de cuadrados, 40, se lo obtiene de la suma de los cuadrados
de los coeficientes ortogonales de cada factor, i2 = 8, multiplicado por el nmeros
de replicaciones. La contribucin se calcula elevando al cuadrado la suma del efecto
factorial dividido para 40, (EF2 / (r i2 )); se verifica que la suma de las contribuciones
es igual a la suma de cuadrados de tratamientos. Con estos clculos podemos
estructurar el cuadro de anlisis de varianza final.
ANLISIS DE VARIANZA
FV
SC
Tratamientos
0,93647
L
P
S
LP
LS
PS
LPS
Error
Total
GL
7
CM
0,134
0,02116
0,58081
0,09216
0,17424
0,01369
0,004
0,05041
1
1
1
1
1
1
1
0,021
0,581
0,092
0,174
0,014
0,004
0,050
0,68888
1,62535
32
39
0,020
Probabilidad
Fc
6,527
0,000
1,032
28,336
4,496
8,501
0,668
0,195
2,459
0,317
0,000
0,042
0,006
0,420
0,662
0,127
Ft
2,313
4,149
4,149
4,149
4,149
4,149
4,149
4,149
Se desprende del cuadro presentado que la Protena es el factor protena que ms

aporta a la variacin registrada como suma de cuadrados de tratamientos, SCE, con
el 62%; la interaccin lisina protena, LP, es el segundo componente que ms aporta a
la SCE con el 18.6%; y, el factor Sexo aporta con el 9.8% ; stos tres efectos
factoriales explican el 90% de la variacin en los tratamientos; la participacin de los
restantes efectos factoriales es relativamente marginal.
Decisin
Con los resultados presentados en el cuadro anterior, tomamos la decisin de
rechazar la hiptesis nula planteada para los factores: Protena y Sexo; y para la
interaccin Lisina Protena, se concluye que stos tienen un efecto significativo en el
incremento del peso en el cerdo. Los restantes efectos factoriales calculados: Lisina y
las interacciones LS, PS y LPS no tienen un efecto significativo en la variable
respuesta.
Anlisis de los Efectos
Si bien hemos determinado los efectos que son significativos en la variacin de la
variable respuesta y los que no lo son, debemos examinar con algn detalle los
efectos que tiene cada factor por s mismo y en accin conjunta con uno o ms de los
restantes factores; esto es, examinar la magnitud y el sentido de los efectos simples
como del efecto principal de cada factor.
Los resultados numricos del clculo de los efectos nos indica que el factor Protena
es el ms grande y tiene una direccin positiva, esto es, que el aumento en el
porcentaje de protena del 12 al 14%, incrementa el peso del cerdo en 0.241
kilogramos; el efecto principal de la lisina tambin es positivo aunque su magnitud no
es significativa, apenas 0.046 kg.; en el caso del factor sexo al analizar su efecto
principal es importante considerar que el nivel inferior del factor es macho y el nivel
superior es hembra, el signo del efecto nos indica que el incremento del peso del
macho es superior al incremento del peso de la hembra y su magnitud nos indica que
del macho a la hembra el incremento del peso disminuye en 0.096 kg. Miremos con
algn detalle el comportamiento de los componentes de cada efecto principal.
83
En Lisina. Comencemos obteniendo los efectos simples de la

Lisina, utilizando la suma del tratamiento que corresponda, as:
Por s misma:
l - (1) =
Con la protena:
lp - p
Con el sexo:
ls - s =
Con protena y sexo: lps ps=
6.44 - 5.01 = 1.43 / 5 = 0.286

=
6.53 - 7.13 = -0.60/ 5 = -0.12
5.32 - 4.97 = 0.35 / 5 = 0.07
6.32 - 6.58 = -0.26/ 5 = -0.052
Su efecto principal es el promedio de los efectos simples, por tanto si sumamos el

resultado de los efectos parciales: (0.286 0.12 + 0.07 0.052) = 0.184 y lo dividimos
para el nmero de comparaciones, 4, encontramos que el efecto principal de la
Lisina es de 0.046, tal como se present en el cuadro respectivo.
Ntese que para obtener el efecto simple, en cada diferencia dividimos para 5 para
promediar sta por unidad experimental; una forma alternativa hubiera sido restar sus
promedios, que en este caso sera igual a: 1.288 1.002 = 0.286, exactamente igual;
los dems efectos simples se calculan de forma similar. El signo del efecto principal
(+) nos indica que el poner lisina en la dieta de los cerdos ( del 0% al 0.6%)
incrementa su peso en 0.046 kilogramos en promedio, valor que no es significativo.
En protena:
Por s misma: p (1) =
Con lisina:
lp l =
Con sexo:
ps s =
Con lisina y sexo: lps ls =
Sumatoria:
Efecto principal:
(7.13 5.01) / 5
(6.53 6.44) / 5
(6.58 4.97) / 5
(6.32 5.32) / 5
= 0.424
= 0.018
= 0.322
= 0.200
0.964
0.964 / 4 = 0.241
En este caso, el resultado del clculo del efecto principal nos indica que el factor
Protena tiene un efecto positivo en la dieta del cerdo; al incrementarse un 2% (del
12% al 14%) el peso del cerdo se incrementa en 0.241 kilogramos en promedio, valor
significativo al 5%; ntese que el aporte de la protena con los restantes factores es
positivo y muy significativo el aporte de este factor con el sexo que representa el 33%
del aporte total de la protena.
En Sexo:
Por s misma: s (1)
Con lisina:
ls l
Con protena: ps p
Con lisina y protena:
Sumatoria:
Efecto principal:
=
(4.97 5.01) / 5 = -0.008
=
(5.32 6.44) / 5 = -0.224
=
(6.58 7.13) / 5 = -0.110
lps lp =
(6.32 6.53) / 5 = -0.042
-0.384
-0.384 / 4 = -0.096
En el factor sexo, recordemos, el nivel inferior es macho y el inferior es hembra, y lo

que estamos contrastando es el efecto de pasar del nivel inferior al superior; el signo
del efecto principal del sexo es negativo lo que indica que el peso del macho es
superior al de la hembra; el efecto promedio de sexo en el peso de los cerdos indica
que ste disminuye en 0.096 kilogramos.
Al analizar los efectos principales estamos docimando la hiptesis nula en la que el
nivel inferior y el nivel superior del factor tienen el mismo efecto en la variable
respuesta y que siendo iguales su diferencia es cero, contra la hiptesis alternativa
84
que la diferencia entre estos niveles (superior inferior) es significativamente diferente

de cero.
Mtodo de Yates para calcular los totales de efectos factoriales
Este mtodo proporciona un procedimiento ms eficaz para calcular los totales de los
efectos factoriales; ste consiste en:
1.
Escribir la combinacin de tratamientos en orden sistemtico, las letras de los

factores se ingresan por turno para formar el tratamiento; la introduccin de
cualquiera de las letras es seguida por sus combinaciones con todas las
combinaciones de tratamientos anteriores; por ejemplo, en un diseo
experimental de tres factores los tratamientos deben ser descritos de la
siguiente manera:
(1)
a
b
ab
c
ac
bc
abc
2.
Descritos los tratamientos se escribe los totales de cada tratamiento.
3.
La primera columna, luego de los tratamientos y sus totales, se opera de la

siguiente manera: la mitad superior de la columna se forma con la suma de los
tratamientos (Ti + Ti+1; para valores de i = 1, 3, 5, ...) por pares y en la
segunda mitad de la columna se registra la diferencia entre el dato par menos
el dato impar (Ti+1 - Ti para i = 1, 3, 5, ...). La segunda columna se forma
con los valores de la primera y con igual procedimiento, esto es sumando los
pares consecutivos, para la mitad superior de la columna, y restando los pares
consecutivos, para la mitad inferior; en idntica forma se opera la tercera
columna.
4.
El primer nmero de la columna 3, contiene los totales de los efectos

fatoriales; los efectos factoriales subsecuentes aparecen en el orden en el que
las combinaciones de tratamientos se han escrito. Si se trata de un diseo
factorial dos al cubo, 23, el cuadro tendr slo 3 columnas de operacin; si el
diseo factorial es 2n, el cuadro tendr n columnas operativas que se forman
de igual manera.
Para el ltimo ejemplo desarrollado, el procedimiento de Yates se presenta en el

siguiente cuadro, verificndose que los valores resultantes son exactamente iguales a
los calculados con el procedimiento anterior.
SUMA DEL EFECTO FATORIAL, PROCEDIMIENTO DE YATES
TRATAMIENTO
Efecto factorial
Total
(1)
5.01
s
4.97
p
7.13
ps
6.58
l
6.44
ls
5.32
lp
6.53
lps
6.32
C1
9.98
13.71
11.76
12.85
-0.04
-0.55
-1.12
-0.21
COLUMNA
C2
23.69
24.61
-0.59
-1.33
3.73
1.09
-0.51
0.91
C3
48.3
-1.92
4.82
0.4
0.92
-0.74
-2.64
1.42
La primera mitad de la columna 1 se forma sumando los pares consecutivos:
85
5.01 + 4.97 = 9.98;

7.13 + 6.58 = 13.71, y as sucesivamente.
La segunda mitad de la columna 2 se forma restando los pares consecutivos:
4.97 5.01 = -0.04
6.58 7.13 = -0.55, y as sucesivamente.
La segunda columna se forma con los resultados de la primera y con igual

procedimiento:
9.98 + 13.71 = 23.69, y as sucesivamente para la primera mitad de la
columna;
13.71 9.98 = 3.73, y as sucesivamente para la segunda mitad de la columna.
La tercera columna se forma con los valores de la segunda y sus resultados son
exactamente los mismos que aquellos obtenidos en el desarrollo del ejemplo.

En este diseo intervienen cuatro factores a dos niveles cada factor; es una extensin
de los diseos descritos anteriormente y su procedimiento de prueba y clculo son
similares. El nmero de tratamientos es 16 que corresponden a la multiplicacin del
nmero de niveles de cada factor: 2 x 2 x 2 x 2 = 16
Si denotamos a los factores con A, B, C y D, los tratamientos y su notacin
simplificada, tenemos que:
TRATAMIENTO
a1b1c1d1
a1b1c1d2
a1b1c2d1
a1b1c2d2
a1b2c1d1
a1b2c1d2
a1b2c2d1
a1b2c2d2
a2b1c1d1
a2b1c1d2
a2b1c2d1
a2b1c2d2
a2b2c1d1
a2b2c1d2
a2b2c2d1
a2b2c2d2
NOTACION
(1)
d
c
cd
b
bd
bc
bcd
a
ad
ac
acd
ab
abd
abc
abcd
Para el clculo de los efectos principales (A, B, C, D) de las interacciones de primer

orden (AB, AC, AD, BC), la de segundo orden (ABC, ABD, ACD, BCD) y la de tercer
grado (ABCD), se utilizarn los multiplicadores ortogonales que se presentan en el
siguiente cuadro.
Al igual que en los casos anteriores, la presencia o ausencia de la letra del factor en la
denominacin del tratamiento determina el signo + en presencia o - en ausencia;
para las interacciones se multiplican los signos de los factores que intervienen en la
interaccin.
86
TRATAMIENTO
(1)
d
c
cd
b
bd
bc
bcd
a
ad
ac
acd
ab
abd
abc
abcd
MULTIPLICADORES PARA EL TOTAL DE TRATAMIENTO

A
AB
AC
AD
BC
BD
CD
-1
-1
-1
-1
-1
-1
-1
-1
1
1
1
1
1
1
1
1
-1
-1
-1
-1
1
1
1
1
-1
-1
-1
-1
1
1
1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
-1
1
1
1
1
1
-1
-1
-1
-1
-1
-1
-1
-1
1
1
1
1
1
1
-1
-1
1
1
-1
-1
-1
-1
1
1
-1
-1
1
1
1
-1
1
-1
1
-1
1
-1
-1
1
-1
1
-1
1
-1
1
1
1
-1
-1
-1
-1
1
1
1
1
-1
-1
-1
-1
1
1
1
-1
1
-1
-1
1
-1
1
1
-1
1
-1
-1
1
-1
1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
1
-1
-1
1
ABC ABD ACD BCD ABCD
-1
-1
1
1
1
1
-1
-1
1
1
-1
-1
-1
-1
1
1
-1
1
-1
1
1
-1
1
-1
1
-1
1
-1
-1
1
-1
1
-1
1
1
-1
-1
1
1
-1
1
-1
-1
1
1
-1
-1
1
-1
1
1
-1
1
-1
-1
1
-1
1
1
-1
1
-1
-1
1
1
-1
-1
1
-1
1
1
-1
-1
1
1
-1
1
-1
-1
1
En todos los casos el divisor para el efecto principal es 8r, en el que el nmero 8
representa el nmero de comparaciones simples que deben efectuarse en cada factor
y r corresponde al nmero de tratamientos; el efecto principal del factor A, por
ejemplo, se obtiene multiplicando el total de cada tratamiento por el coeficiente
ortogonal de la columna A y su suma (A) la dividimos para 8r.
El divisor para la contribucin a la suma de cuadrados, es 16r en donde el nmero
16 corresponde a la sumatoria del cuadrado de los coeficientes ortogonales i2; y,
r al nmero de replicaciones del experimento; la contribucin a la suma de
cuadrados, se la calcula elevando al cuadrado la suma (A) y dividindola para 16r.
El modelo matemtico, es lineal y aditivo conforme se presenta:
Xijk = + i + j + ij + c + ic + jc + ijc + m + im + jm + ijm +
cm + icm + jcm + jjcm + ijcmk
en el que:
Xij = Valor de la variable respuesta correspondiente.

c = Es el efecto del c-simo nivel del factor C.
m = Ese el efecto del m-simo nivel del factor D
ij
ic
jc
ijc im jm ijm cm icm jcm
ijcm
Representa las interacciones de los factores.
ijcmk = Es el error o valor residual que se considera es independiente
de observacin a observacin y est normalmente distribuido
2
2
con valor esperado igual a cero y varianza igual a , (0, ).
Para
i= j = c = m =
1, 2
nmero niveles del factor
87
Las hiptesis que se prueban corresponden a cada factor, interaccin y a las

replicaciones, su procedimiento es exactamente igual al utilizado en los ejemplos
anteriores.
cuadrado medio del factor divido para el cuadrado medio residual; y, el criterio de
decisin es rechazar la hiptesis nula si el valor calculado de la estadstica de prueba
es igual o mayor que el valor tabular de la estadstica de prueba: Fc F, v1, v2 .
EJEMPLO
En un experimento de metalurgia se desea probar el efecto de cuatro factores y sus
interacciones en la concentracin (porcentaje ponderado) de un compuesto especfico
de fsforo en un material a ser moldeado. Las variables son A, porcentaje de fsforo
en el refinamiento; B, porcentaje del material redisuelto; C, tiempo de mezclado y D,
tiempo de duracin; todos los factores se probaron a dos niveles. Se variaron los
cuatro factores en un experimento factorial 24, en el cual se tomaron dos moldes y se
midi el contenido para cada combinacin de tratamientos. Considere un nivel de
significacin del 5%.
Los datos obtenidos en las mediciones del porcentaje ponderado del compuesto de
fsforo para cada tratamiento se presenta en el siguiente cuadro:
PORCENTAJE PONDERADO DEL COMPUESTO DE FOSFORO
TRATAMIENTO
(1)
a
b
ab
c
ac
bc
abc
d
ad
bd
abd
cd
acd
bcd
abcd
Total
REPETICIONES
R1
R2
30.3
28.6
28.5
31.4
24.5
25.6
25.9
27.2
24.8
23.4
26.9
23.8
24.8
27.8
22.2
24.9
31.7
33.5
24.6
26.2
27.6
30.6
26.3
27.8
29.9
27.7
26.8
24.2
26.4
24.9
26.9
29.3
428.1
436.9
Total
58.9
59.9
50.1
53.1
48.2
50.7
52.6
47.1
65.2
50.8
58.2
54.1
57.6
51
51.3
56.2
865
Ntese que los tratamientos estn expresados con la notacin simplificada; y que en
adelante se omitir todo el procedimiento inicial de la solucin del problema para
presentar directamente los resultados del procesamiento.
88
Anlisis de varianza
RESUMEN Cuenta
(1)
2
a
2
b
2
ab
2
c
2
ac
2
bc
2
abc
2
d
2
ad
2
bd
2
abd
2
cd
2
acd
2
bcd
2
abcd
2
R1
R2
16
16
Suma
58.9
59.9
50.1
53.1
48.2
50.7
52.6
47.1
65.2
50.8
58.2
54.1
57.6
51
51.3
56.2
Promedio Varianza
29.45
1.445
29.95
4.205
25.05
0.605
26.55
0.845
24.1
0.98
25.35
4.805
26.3
4.5
23.55
3.645
32.6
1.62
1.28
25.4
29.1
4.5
27.05
1.125
28.8
2.42
3.38
25.5
25.65
1.125
28.1
2.88
428.1
436.9
26.756
27.306
5.993
8.346
GL
15
CM
11.877
Fc
4.828
11.52
12.005
39.605
17.701
7.801
3.001
14.045
11.281
3.125
3.92
2.42
24.151
17.701
5.951
3.92
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
11,52
12.005
39.605
17.701
7.801
3.001
14.045
11.281
3.125
3,92
2,42
24.151
17.701
5.951
3,92
4,683
4.880
16.100
7.196
3.171
1.220
5.709
4.586
1.270
1,593
0,984
9.817
7.196
2.419
1,593
Error
39,36
16
2,460
Total
217.509
31
ANLISIS DE VARIANZA
FV
SC
Tratamientos 178.149
A
B
C
D
AB
AC
AD
BC
BD
CD
ABC
ABD
ACD
BCD
ABCD
Ft
Probabilidad
2,352
0,000
4,494
4,494
4,494
4,494
4,494
4,494
4,494
4,494
4,494
4,494
4,494
4,494
4,494
4,494
4,494
0,046
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,000
0,225
0,336
0,000
0,000
0,000
0,225
89
Para encontrar la contribucin a la suma de cuadrados de los tratamientos, se

procede conforme fue descrito en los diseos 22 y 23 ; debemos tener en cuenta que
el divisor para determinar el efecto principal es 8r = 16 y el divisor para la
contribucin es 16r = 32.
Los resultados que se exponen en el cuadro anterior, nos permiten tomar las
decisiones necesarias para explicar el experimento; decidimos primero que el conjunto
de los tratamientos es significativamente diferente, no as las repeticiones.
Contrastada la hiptesis nula referente a que el factor, o alguna interaccin, no tiene
efecto significativo en el cambio de la variable respuesta, encontramos que sta
hiptesis debe ser rechazada para todos los factores, A, B, C y D; y, para las
interacciones AD, BC, ABD y ACD. Por tanto, concluimos que el porcentaje de fsforo
en el refinamiento (A), el porcentaje de material redisuelto (B), el tiempo de mezclado
(C) y el tiempo de duracin (D) si causan un efecto significativo en la concentracin de
un compuesto especfico de fsforo en un material a ser moldeado, medido en el
porcentaje ponderado del compuesto de fsforo. Tambin se concluye que existe un
efecto importante en la accin conjunta del porcentaje de fsforo y el tiempo de
duracin (AD); entre el porcentaje de material redisuelto y el tiempo de mezclado (BC);
y en la accin conjunta de los factores ABD y ACD; una consecuencia inmediata es
considerar la posibilidad de que los factores que intervienen en el experimento no son
mutuamente independientes, que tienen una accin conjunta importante que debe ser
analizada con mayor profundidad.
Las restantes interacciones no son significativas al 5% de significacin y en ellas se
acepta la hiptesis nula planteada.
Otra forma de obtener similar respuesta es a travs del mtodo de Yates, que
calculado conforme el procedimiento antes descrito y con los datos del problema se
tienen los siguientes resultados:
METODO DE YATES
CALCULO DEL EFECTO PRINCIPAL Y LA CONTRIBUCION A LA SUMA DE CUADRADOS
TRATAMIENTO
NOMBRE
TOTAL
(1)
58.9
a
59.9
b
50.1
ab
53.1
c
48.2
ac
50.7
bc
52.6
abc
47.1
d
65.2
ad
50.8
bd
58.2
abd
54.1
cd
57.6
acd
51
bcd
51.3
abcd
56.2
C1
118.8
103.2
98.9
99.7
116
112.3
108.6
107.5
1
3
2.5
-5.5
-14.4
-4.1
-6.6
4.9
COLUMNA
C2
C3
222
420.6
198.6
444.4
228.3
1
216.1
-20.2
4
-14.8
-3
-4.8
-18.5
-6
-1.7
21.8
-15.6
-23.4
0.8
-12.2
-3.7
-7
-1.1
16.8
2
16.4
-8
2.6
10.3
-10
11.5
1.2
C4
865
-19.2
-19.6
15.8
-35.6
9.8
19
-8.8
23.8
-21.2
10
27.8
11.2
23.8
-13.8
11.2
EFECTO
PRINCIPAL
-1.200
-1.225
0.988
-2.225
0.613
1.188
-0.550
1.488
-1.325
0.625
1.738
0.700
1.488
-0.863
0.7
CONTRIB.
SUM. CUAD.
11.52
12.005
7.801
39.605
3.001
11.281
2.420
17.701
14.045
3.125
24.151
3.920
17.701
5.951
3.920
90
Los valores de las columnas 1 a 4 se obtienen conforme el procedimiento sealado;

los valores de la columna 4, C4, expresan los resultados finales para cada efecto
factorial y a partir de stos se calcula el efecto principal y la contribucin a la suma de
cuadrados de tratamientos. Del cuadro anterior, se verifica que los resultados
correspondientes a la contribucin a la suma de cuadrados de tratamientos as como
del efecto principal, son iguales a los presentados en el cuadro de Anlisis de
Varianza, validando el resultado presentado en la columna 4, C4.
6.5 EXPERIMENTO GENERAL DE TRES FACTORES
Es aquel en el que intervienen tres factores, el factor A con a niveles y el factor B con
b niveles y el factor C con c niveles; el nmero de tratamientos es igual a a x b x c; si
tenemos r replicaciones en el experimento, entonces el nmero de observaciones y
unidades experimentales es de a x b x c x r, en el que stas se asignan
aleatoriamente a cada tratamiento.
El modelo supone lineal y aditividad de lo efectos, se probarn hiptesis para cada
factor e interaccin entre los factores y el efecto de las replicaciones.
El
procedimiento de clculo y de elaboracin y conformacin del cuadro de anlisis de
varianza se explica a continuacin con el desarrollo de un ejemplo:
EJEMPLO
Se realiz un experimento para determinar el efecto de suplementos alimenticios a
una racin de maz para alimentar cerdos. Los factores bajo control fueron: Lisina (L)
a cuatro niveles: 0, 0.05, 0.10 y 0.15; Meteonina (M) con tres niveles: al 0, 0.025 y
0.050; y, Protena (P) a dos niveles, administrada con Harina de soya y medida en
cantidades adicionales para proveer 12% y 14% de protena; se utilizaron solamente
machos en dos repeticiones por cada tratamiento.
El nmero de tratamientos es 4 x 3 x 2 = 24 y el nmero de observaciones y unidades
experimentales es de 4 x 3 x 2 x 2 = 48. Para facilitar la descripcin de los
tratamientos, los niveles para cada factor sern denotados por:
Lisina (L), con niveles: b1 = 0; b2 = 0.05; b3 = 0.010 y b4 = 0.15
Meteionina (M), con niveles: m1 = 0; m2 = 0.025; m3 = 0.050
Protena (P), con niveles: p1 = 12% y p2 =14%
El aumento diario promedio del peso de los cerdos expresado en kilos, se presenta en
el siguiente cuadro:
91
AUMENTO DIARIO PROMEDIO EN CERDOS

En Kilogramos
FACTORES
REPLICACION
LISINA
METIONINA
PROTEINA
R1
R2
TOTAL
12
14
12
14
b1m1p1
b1m1p2
b1m2p1
b1m2p2
1.11
1.52
1.09
1.27
0.97
1.45
0.99
1.22
2.08
2.97
2.08
2.49
12
14
12
b1m3p1
b1m3p2
b2m1p1
0.85
1.67
1.3
1.21
1.24
1
2.06
2.91
2.3
14
12
14
12
b2m1p2
b2m2p1
b2m2p2
b2m3p1
1.55
1.03
1.24
1.12
1.53
1.21
1.34
0.96
3.08
2.24
2.58
2.08
14
12
14
12
b2m3p2
b3m1p1
b3m1p2
b3m2p1
1.76
1.22
1.38
1.34
1.27
1.13
1.08
1.41
3.03
2.35
2.46
2.75
14
12
14
b3m2p2
b3m3p1
b3m3p2
1.4
1.34
1.46
1.21
1.19
1.39
2.61
2.53
2.85
12
14
12
14
b4m1p1
b4m1p2
b4m2p1
b4m2p2
1.19
0.8
1.36
1.42
1.03
1.29
1.16
1.39
2.22
2.09
2.52
2.81
12
14
b4m3p1
b4m3p2
1.46
1.62
31.5
1.03
1.27
28.97
2.49
2.89
60.47
0.025
0.05
0.05
0
0.025
0.05
0.1
0
0.025
0.05
0.15
0
0.025
0.05
TRATAMIENTO
TOTAL
1. Se lista los tratamientos con sus respectivas observaciones, conformando un

cuadro de doble entrada: tratamientos y repeticiones;
2. Se realiza el anlisis de varianza de dos vas con los valores calculados y
tabulados de F para filas (tratamientos) y columna (repeticiones); y se obtiene
el clculo del factor de correccin FC;
ANLISIS DE VARIANZA
FV
SC
Tratamiento
12.756
Error
0,7653
GL
23
24
Total
47
20.409
CM
0,056
0,032
Fc
1,740
Ft
Probabilidad
1,993
0,092
FC = (60.47)2 / 48 = 76.1796
3. Para obtener la suma de cuadrados de cada factor, frmese para cada par de
factores un cuadro de dos vas, sumando las observaciones que correspondan
para cada combinacin de los niveles de cada factor i,j
92
TABLA DE RESUMEN LISINA METIONINA (LM)
METIONINA
0
0.025
0.05
TOTAL
0
5.05
4.57
4.97
14.59
LISINA
0.05
0.1
5.38
4.81
4.82
5.36
5.11
5.38
15.31
15.55
0.15
4.31
5.33
5.38
15.02
TOTAL
19.55
20.08
20.84
60.47
Para ejemplificar la obtencin de los valores de la tabla, mencionemos que el valor

5.05 proviene de la suma de los primeros cuatro valores de la tabla inicial, 1.11 + 0.97
+ 1.52 + 1.45, stos valores tiene 0 lisina y 0 metionina. Para obtener el valor de
0.05 de lisina y 0.025 de metionina se suman: 1.03 + 1.21 + 1.24 + 1.34 = 4.82 y
as sucesivamente. Cada valor de la tabla representa a 4 observaciones.
4. Calcule el Total de cada cuadro de dos vas, elevando al cuadrado el valor de
cada Xij, la sumatoria de stos valores se divide para el nmero de
observaciones que contiene cada Xij, y se le resta FC;
Total tabla LM: (5.052 + 5.382 + 4.812 + ... + 5.382) / 4 - 76.1796 = 0.3496
El divisor 4 corresponde al nmero de observaciones que contiene cada valor del
cuadro: 5.05, 5.38, 4.81, etc..
5. Para calcular la suma de cuadrados de un factor, (L, M), eleve al cuadrado los
totales marginales del factor, divida para el nmero de observaciones que
contiene cada total marginal y rstele FC;
Lisina (L): (14.592 + 15.312 + 15.552 + 15.022 ) /12 - 76.1796 = 0.0427
El total marginal para el primer nivel de lisina es 14.59 y en ste estn contenidos 12
observaciones originales, por eso la sumatoria de los cuadrados de los marginales se
divide para 12. El resultado, 0.0427, es la contribucin del factor L a la suma de
Metionina (M): ( 19.552 + 20.082 + 20.842 ) / 16 76.1796 = 0.0526
El total marginal del segundo nivel de metionina es 20.08 y representa a 16
observaciones originales, por tanto el divisor para la suma de los cuadrados de sus
marginales es 16. El resultado, 0.0526, es la contribucin del factor M a la suma de
6. El valor de la interaccin de cada par de factores es igual al total de cuadro de
dos vas menos el aporte de cada factor.
Interaccin LM: 0.3496 (0.0427 + 0.0526) = 0.2543
Ntese que del Total del cuadro de dos vas, 0.3496, se resta la contribucin de cada
factor; el resultado, 0.2543, es la contribucin de la interaccin LM a la suma de
De igual forma se opera con los siguientes cuadros de dos vas: Lisina Protena y
Metionina Protena, con los siguientes resultados:
93
TABLA DE RESUMEN LISINA PROTEINA (LP)
PROTEINA
12
14
TOTAL
0
6.22
8.37
14.59
LISINA
0.05
0.1
6.62
7.63
8.69
7.92
15.31
15.55
0.15
7.23
7.79
15.02
TOTAL
27.7
32.77
60.47
Total tabla LP: (6.222 + 6.622 + 7.632 + ... + 7.792) / 6 - 76.1796 = 0.8181
2
2
2
2
Lisina (L): (14.59 + 15.31 + 15.55 + 15.02 ) /12 - 76.1796 = 0.0427
2
2
Protena (P): ( 27.7 + 32.77 ) / 24 76.1796 = 0.5355
Interaccin LP: 0.8181 (0.0427 + 0.5355) = 0.2399
El divisor 6 para el total del cuadro corresponde al nmero de observaciones
originales que contiene cada valor Xij del cuadro. El divisor 24 para protena
corresponde a las 24 observaciones originales que contiene cada total marginal del
factor.
TABLA RESUMEN METIONINA PROTEINA (MP)
PROTEINA
12
14
TOTAL
0
8.95
10.6
19.55
METIONINA
0.025
9.59
10.49
20.08
0.05
9.16
11.68
20.84
TOTAL
27.7
32.77
60.47
Total tabla MP: (8.95 + 9.59 + ... + 11.68 ) / 8 - 76.1796 = 0.6702

Metionina (M): ( 19.552 + 20.082 + 20.842 ) / 16 76.1796 = 0.0526
Protena (P): ( 27.72 + 32.772 ) / 24 76.1796 = 0.5355
Interaccin LP: 0.6702 (0.0526 + 0.5355) = 0.08121
Se verifica, que la contribucin a la suma de cuadrados de tratamientos SCE, de los
factores L, M y P son exactamente los mismos si se calculan en un cuadro o en otro;
puede, entonces, omitirse el clculo del factor antes realizado para abreviar el clculo.
Resta nicamente calcular el efecto factorial de los tres factores LMP.
7. Para calcular la interaccin de segundo orden LMP, se resta de la SCE, suma
de cuadrados de tratamientos, 1.2756, las contribuciones calculadas de los
factores y de las interacciones de primer orden.
Interaccin LMP: SCE (L + M + P + LM + LP + MP)
LMP: 1.2756 ( 0.0427 + 0.0526 + 0.5355 + 0.2543 + 0.2399 + 0.0821) =
0.0685.
Se lo hace por diferencia, toda vez que las particiones realizadas a la SCE son
mutuamente ortogonales y por tanto componentes independientes de la SCE. Debe
tenerse en cuenta que los grados de libertad estn en funcin del nmero de niveles
de cada factor y sus interacciones tienen grados de libertad igual a la multiplicacin de
los grados de libertad de los factores que en l intervienen. Con estos valores
conformamos el cuadro definitivo del anlisis de varianza, conforme se presenta a
continuacin.
94
ANLISIS DE VARIANZA
FV
SC
Tratamiento
12.756
L
M
P
LM
LP
MP
LMP
GL
23
CM
0,056
Fc
1,740
0,446
0,825
16,793
1,329
2,508
1,287
0,358
0,0427
0,0526
0,5355
0,2543
0,2399
0,0821
0,0685
3
2
1
6
3
2
6
0,014
0,026
0,536
0,042
0,080
0,041
0,011
Error
0,7653
24
0,032
Total
20.409
47
Ft
Probabilidad
1,993
0,092
3,009
3,403
4,260
2,508
3,009
3,403
2,508
0,722
0,450
0,000
0,283
0,083
0,294
0,898
En base a los resultados obtenidos, podemos indicar que nicamente el factor

Protena tiene un efecto significativo en el incremento del peso de los cerdos; los
restantes factores y sus interacciones no son significativas al nivel del 5%. Resulta
interesante observar que las replicaciones tienen efecto significativo en la variable
respuesta, lo que puede ser un indicativo de diferencias en las unidades
experimentales.
Por ltimo, considero prudente recomendar que en los diseos factoriales puede ser
importante discriminar de la variacin total aquella que corresponda a las
replicaciones, sta separacin disminuye la variacin del error experimental y hace
ms sensibles las pruebas para factores e interacciones.
95

INTRODUCCION AL ANALISIS DE EXPERIMENTOS OCisneros 1 PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

INTRODUCCION AL ANALISIS DE EXPERIMENTOS OCisneros 1 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

CAPITULO I

DISEO DE INVESTIGACIONES EXPERIMENTALES

Ecuatoriano, Doctor en Ciencias, PhD., especializado en Fisicoqumica, Termodinmica y

INTRODUCCIN AL ANLISIS ESTADSTICO DE DISEOS EXPERIMENTALES

ING. OSCAR CISNEROS G.

1.1.2 PROPOSITO DE UN DISEO EXPERIMENTAL

DISEO DE INVESTIGACIONES EXPERIMENTALES

INTRODUCCIN AL ANLISIS ESTADSTICO DE DISEOS EXPERIMENTALES

ING. OSCAR CISNEROS G.

Algunas recomendaciones generales para reducir el error experimental sugieren

1. Usar material experimental ms homogneo o por la estratificacin

2. Utilizar informacin proporcionada por variables aleatorias relacionadas.

DISEO DE INVESTIGACIONES EXPERIMENTALES

INTRODUCCIN AL ANLISIS ESTADSTICO DE DISEOS EXPERIMENTALES

ING. OSCAR CISNEROS G.

diferentes grupos puedan sujetarse a distintos tratamientos. Estos grupos pueden

DISEO DE INVESTIGACIONES EXPERIMENTALES

INTRODUCCIN AL ANLISIS ESTADSTICO DE DISEOS EXPERIMENTALES

ING. OSCAR CISNEROS G.

lgica y matemtica; y que, toda hiptesis debe ser observable, medible

Establecer los procesos de control. Del procedimiento de ejecucin del

Fase 3. Procesamiento y anlisis de resultados:

DISEO DE INVESTIGACIONES EXPERIMENTALES

INTRODUCCIN AL ANLISIS ESTADSTICO DE DISEOS EXPERIMENTALES

ING. OSCAR CISNEROS G.

Es un estadgrafo que proporciona una medida del grado de dispersin, de

La varianza muestral, s2, como estimador de la varianza poblacional es consistente,

El error estndar es igual a:

Muestras de cualquier poblacin:

DISEO DE INVESTIGACIONES EXPERIMENTALES

INTRODUCCIN AL ANLISIS ESTADSTICO DE DISEOS EXPERIMENTALES

ING. OSCAR CISNEROS G.

en donde 4 y 2 son momentos del universo de valores individuales

El error estndar es igual a: es

Es la raz cuadrada de la varianza y se expresa en unidades de la variable; es un

La desviacin tpica muestral, s, como estimador de la desviacin tpica poblacional es

Muestras de cualquier universo:

DISEO DE INVESTIGACIONES EXPERIMENTALES

INTRODUCCIN AL ANLISIS ESTADSTICO DE DISEOS EXPERIMENTALES

ING. OSCAR CISNEROS G.

El procedimiento bsico de anlisis para un diseo experimental es el conocido como

DISEO DE INVESTIGACIONES EXPERIMENTALES

INTRODUCCIN AL ANLISIS ESTADSTICO DE DISEOS EXPERIMENTALES

ING. OSCAR CISNEROS G.

Existen varios "modelos" en el anlisis de varianza dependiendo del diseo formulado,

DISEO DE INVESTIGACIONES EXPERIMENTALES

INTRODUCCIN AL ANLISIS ESTADSTICO DE DISEOS EXPERIMENTALES

ING. OSCAR CISNEROS G.

2.1 MODELO DE ANALISIS CON IGUAL NUMERO DE OBSERVACIONES POR

La representacin simblica de datos de ste diseo es el siguiente:

DISEO DE INVESTIGACIONES EXPERIMENTALES

INTRODUCCIN AL ANLISIS ESTADSTICO DE DISEOS EXPERIMENTALES

ING. OSCAR CISNEROS G.

para los que

La identidad fundamental del Anlisis de Varianza de un modelo construido a un solo

( x ) = Variacin Total = SCT

DISEO DE INVESTIGACIONES EXPERIMENTALES

INTRODUCCIN AL ANLISIS ESTADSTICO DE DISEOS EXPERIMENTALES

ING. OSCAR CISNEROS G.

residual (SCR), o lo que es lo mismo, la variacin dentro de cada tratamiento debido a

DISEO DE INVESTIGACIONES EXPERIMENTALES

INTRODUCCIN AL ANLISIS ESTADSTICO DE DISEOS EXPERIMENTALES

ING. OSCAR CISNEROS G.