Dept.

of Marine Science and Applied Biology

Jose Jacobo Zubcoff

Departamento de Ciencias del Mar y Biología Aplicada

Prof. Jose Jacobo Zubcoff

Tema 5

Modelos de dos factores-tratamiento.

Se continua trabajando con el diseño completamente aleatorizado con dos factores

tratamiento T y T con I y J niveles, respectivamente, y se supone que las interac-
ciones entre ambos factores son no nulas. Como se explicó en la sección anterior
para poder estimar este modelo es necesario replicar el experimento. Si se replica
K veces el experimento se tienen K unidades experimentales en cada casilla (trata-
miento) ij.

5.1 Modelo matemático.

El modelo matemático asociado al diseño de dos factores-tratamiento con interac-

ción y replicado es el siguiente:

Para cada i = 1,...,I, j = 1,...,J, k = 1,...,K se tiene el siguiente modelo:  

 con  ijk  v.a. independientes con distribución N .

(5.22)

Donde,

Y es el resultado del tratamiento i-ésimo, i = 1,2,...,I del factor T y del trata-

ijk

miento j-ésimo, j = 1,2,...,ni del factor T , en la replicación t-ésima, t = 1,...,K.

es el efecto global que mide el nivel medio de todos los resultados,

es el efecto (positivo o negativo) sobre la respuesta debido a que se observa el

i

nivel i del factor T . Se verifica que i = 1I i = 0,

 jes el efecto (positivo o negativo) sobre la respuesta debido a que se observa el
nivel j del factor T . Se verifica que j = 1J i = 0,

representa la interacción y es el efecto extra (positivo o negativo) sobre la

ij

respuesta debido a que se observan conjuntamente los niveles i y j de los factores T

y T respectivamente. Mide la desviación de las medias de la hipótesis de aditivi-
dad de los efectos y viene definida por:

Se verifica que i = 1I ij = j = 1J ij = 0, para i = 1,...,I; j = 1,...,J.

ijkes el error experimental o perturbación, son variables aleatorias independientes

idénticamente distribuidas (i.i.d.) con distribución N .
Por tanto, los parámetros de este modelo son

Parámetros
Número
 1

i
I-1

j
J-1

ij

2
1
 Total
IJ + 1

Siendo n = IJK el número de observaciones.

El modelo (5.22)de diseño de experimentos con dos factores tratamiento con inte-
ración se conoce como modelo completo de dos vías o modelo de análisis de la varianza
de dos vías.
Si, ocasionalmente, experimentos similares previos o hechos científicos contrasta-
dos garantizan con una razonable seguridad que ambos factores no interaccionan, el
experimento se modeliza a través de:
 con  ijk  v.a. independientes con distribución N .

(5.23)
El modelo (5.23) es un “submodelo” del modelo completo de dos vías y se denomina
modelo de efectos principales de dos vías o modelo aditivo de dos vías dado que el
efecto sobre la respuesta del tratamiento ij se modeliza como la suma de los efec-
tos individuales de cada factor. Es importante

Usar el modelo de efectos principales sólo cuando se tiene la certeza de

que no existe interacción entre los factores.
 
Si no se tiene un conocimiento razonable acerca de la interacción debe selec-
cionarse un modelo completo. El motivo es que la inferencia sobre los efectos prin-
cipales cuando no se ha considerado interacción erróneamente puede ser confusa
ya que se está  incrementando artificialmente el error experimental.
 La estrategia a seguir es:

1. Si se sospecha que hay interacción, en primer lugar, se contrasta el efecto de la

interacción en un modelo completo de dos vías.
2. Si no resulta significativa, se continúa con el análisis examinando los efectos
principales en el mismo modelo. No es conveniente cambiar al modelo de efec-
tos principales salvo que se esté muy seguro de la no existencia de interacción.
3. Si resulta significativo el efecto interacción, entonces los contrastes sobre los
efectos individuales no son válidos. Si son significativos los contrastes sobre los
efectos individuales, los resultados pueden darse por válidos. Pero si los con-
trastes son no significativos, los resultados no tienen porque ser correctos.
4. Si el efecto interacción es significativo, generalmente es preferible pasar a un
modelo de una vía donde los niveles son todas las combinaciones de niveles y
examinar así sus posibles diferencias.

5. Otra posibilidad es examinar las diferencias entre niveles de un factor mante-

niendo fijos los niveles del otro. En este caso las conclusiones son correctas pa-
ra la situación concreta estudiada.

 
5.4.2 Estimación de los parámetros.

Los parámetros del modelo se obtienen por mínimos cuadrados, técnica que se basa
en minimizar la suma de los cuadrados de los residuos.

(5.24)
proporciona los siguientes estimadores:
donde ij. es la media de las observaciones de la casilla ij. El resto de los términos
tiene la interpretación habitual.
La predicción de la casilla ij es la media de los valores de la casilla, por tanto:

(5.25)
Los residuos, diferencia entre lo observado y la predicción,

Los residuos verifican la siguiente restricción (la suma de los residuos en cada
casilla es cero)
por tanto, en cada casilla hay residuos independientes y el número de grados
de libertad es: IJ. Al igual que en los modelos estudiados previamente se utili-
za la varianza residual como estimador de la varianza. Este estimador viene dado
por

(5.26)
5.4.3 Descomposición de la variabilidad

La suma de cuadrados global se puede descomponer de la forma:

 
 

esto es,

Escrito de otra forma:

de donde se deduce la siguiente tabla ANOVA  

 Si se rechaza H0( ) entonces considerar el modelo de una vía: Y ijt = ij + ijt
Tabla 5.2. Cuadro del análisis de la varianza para un diseño completamente aleato-
rizado y balanceado de dos factores de efectos fijos (modelo completo).

De este cuadro se deducen los siguientes contrastes: 

Si la hipótesis nula H0 : ij = 0, i,j (la interacción no influye) es cierta, se veri-

fica que

(5.27)
se rechaza H0 al nivel de significación si > ,IJ . 

Si se acepta la hipótesis H0 entonces puede contrastarse la influencia de los dos

factores.

Si la hipótesis nula H0( )  : 1 = 2 = ... = I = 0, (el factor T no influye) es cierta, se

verifica que

(5.28)
se rechaza H0( ) al nivel de significación si = ( (scmT ) /(scmR) ) > ,IJ
.

Si la hipótesis nula H0( ) : 1 = 2 = ... = J = 0, (el factor T no influye) es cierta, se

verifica que
 (5.29)
se rechazaH0( ) al nivel de significación si = ( (scmT ) /(scmR) ) > ,IJ
.
La tabla ANOVA asociada al modelo de efectos principales de dos vías (sin interac-
ción y con replicación)  

es la siguiente
 

Tabla 5.3. Cuadro del análisis de la varianza para un diseño completamente aleato-

rizado y balanceado de dos factores de efectos fijos sin interacción.

5.4.4 Análisis de un caso.

 Ejemplo

“En la tabla adjunta se presentan los tiempos, en minutos, de conexión con una
dirección de internet desde cuatro puntos geográficos de una región y en tres horas
determinadas. El experimento se repetía cuatro veces y era diseñado para estudiar
la influencia del factor “hora de conexión” y el factor “lugar de la conexión” en la
variable de interés “tiempo de conexión”.

Analizar estos datos y estudiar la influencia de los dos factores.”

Solución.
Estimación de los parámetros.

Se obtienen las siguientes tablas de medias y estimaciones

De donde se deduce la siguiente tabla de residuos:
 
Tabla ANOVA

Utilizando las estimaciones y residuos obtenidos se obtiene la siguiente tabla

ANOVA

Tabla ANOVA
De esta tabla se deducen los siguientes contrastes:
 
[1] El contraste de la hipótesis: “no existe interacción entre los factores T y T ”.
Se realiza por el estadístico

es razonable aceptar la hipótesis de no influencia de la interacción entre lugar y

hora.

 
[2] El contraste de la hipótesis: “el factor hora     no influye”. Se realiza por el
estadístico

se rechaza esta hipótesis de no influencia del factor hora.

 
[3] El contraste de la hipótesis: “el factor lugar     no influye”.

se rechaza esta hipótesis de no influencia del factor lugar.

En la Figura 5.6 se representa el gráfico de interacciones que corrobora la no exis-
tencia de interacciones.

Figura 5.6. Gráfico de interacciones.

En la Figura 5.7. se representa el gráfico de residuos frente a predicciones en el

que se observa heterocedasticidad.
Figura 5.7. Gráfico de residuos frente a predicciones.