DISEO DE EXPERIMENTOS DE

UN FACTOR
2.2. MODELO DE EFECTOS
FIJOS
1
INTEGRANTES

- BALLESTEROS MEDINA KARLA YESENIA
- CASTAEDA TORRES JORGE
- ESPINO DIRCIO DARIELY GUADALUPE
- MEZA ORTIZ MARTIN
- MOCTEZUMA VELEZ LESLY LEONOR
2
Los Tipos de Modelos.
2
Los modelos experimentales de clasifican en tres tipos:
De efectos fijos MODELO I
De efectos Aleatorios Modelo II
Mixtos.(Factores fijos y aleatorios)
Cuando el investigador tiene control sobre el material
experimental aplicando slo los niveles de los factores que
le interesan en el modelo, es de efectos fijos.
Cuando se investiga un factor pero no se tiene control sobre
tratamientos, por ejemplo en los estudios por muestreo,
dnde los niveles que se aplican son una muestra extrada
al azar de una poblacin de niveles, los modelos son de
efectos aleatorios.
3
ij j ij
Y c t + + = . ..
Modelo I o de efectos fijos
En este modelo se asume que las k muestras son muestras
aleatorias de k situaciones distintas y aleatorias. De modo
que un valor aislado Y
ij
se puede escribir como:

Modelo II o de efectos aleatorios
ij j ij
Y c t + + = . ..
i= 1,..,k y j=1,..,n
i= 1,..,k y j=1,..,n
A.
j
4
Diseo Completamente
Aleatorizado
DCA
5
Introduccin
3
En el caso de un nico Factor (Experimento Unifactorial)
y a Efectos Fijos ( Modelo I) El modelo de Anlisis de la
Varianza
ij j ij
Y c t + + = . ..
En donde:
Yij es la variable aleatoria que mide la respuesta del sujeto
experimentado en el -esimo individuo que recibi el j-esimo
tratamiento;
.. Es el promedio general;
t.
j
El efecto del j-esimo tratamiento, y;
c
ij
Es la cantidad de variacin no explicada por el Factor, tambin
se conocer como Error del Experimento, Variacin Residual.
6
La Planificacin del Experimento
En la experimentacin planificada no es el modelo ms
recomendable, pues requiere que el desarrollo de la experiencia
se haga en condiciones muy controladas. Por esto resulta
apropiado cuando se estudian experimentos de laboratorio.
En otros casos, las circunstancias del material experimental
obligan a usar este experimento como es el caso de las pruebas
progenie en estudios genticos.
La planificacin del experimento es muy simple pues nicamente
se requiere que los sujetos que van a ser experimentados se
elijan al azar de la poblacin y que adems, los sujetos
experimentados que recibirn un nivel del factor o Tratamiento son
elegidos al azar del grupo previamente seleccionado.
Es muy conveniente que los grupos que recibirn un tratamiento
tengan la misma cantidad de individuos pero no es indispensable.
7
Anova Un Criterio
Determina si la discrepancia entre las medias
entre los tratamientos es mayor de lo que
debera esperarse de las variaciones que
ocurren dentro de los tratamientos.

Divide la Variacin Total de los datos de la
muestra en dos componentes.
8
Supuestos Anova
1. Observaciones se distribuyen
Normal e Independiente y con la
misma varianza para cada
tratamiento
2.

3.







) , 0 ( ~
2
o c N
ij
ij j ij
Y c t + + = . ..
9
Modelos E Hipotesis
Modelo a efectos fijos
H
0
: t
1
= t
2
..= t
k
= 0


H
1
: t
i
= 0 al menos para una i

Modelo a efectos aleatorios
H
0


: t = 0
H
1
: t 0

10
Diseo Completamente
Aleatorizado
Diseo aleatorio, en condiciones
homogneas (tiempo, materias primas,
procedimientos operativos, etc.) .
Ejemplo con tres tratamientos:
N 1; 2; 3; 4; 5; 6; 7; 8; 9;10;11;12;13; 14; 15
Tr. A; A;C; B; B; A; C; B; B; C; B; C; C; A; A
Res.y,y,y3, y4 ,y5,y6, y7, y8, y9,y10,y11,y12, y13, y14, y15
Anlisis: ANOVA a Un criterio

11
Tabla Anlisis
Rep
Trat
1 2 3 4 5
Promedi
o
A
Y
A1
Y
A2
Y
A3
Y
A4
Y
A5
Y
A.
B
Y
B1
Y
B2
Y
B3
Y
B4
Y
B5
Y
B.
C
Y
C1

Y
C2
Y
C3
Y
C4
Y
C5
Y
C.
Y
..
12
Anova A Un Criterio

= = = = =
+ =
n
1 t
2
.j ij
k
1 j
n
1 i
2
k
1 j
.. .j
2
ij
k
1 j
) y (y ) y y ( n ..) y (y
Identidad de la suma de cuadrados
2
k
1 j
2
) 1 ( ) (
j trat
n k CM E t o

=
+ =
Esperanza de la suma de cuadrado tratamiento
1
=
k
SC
CM
trat
trat
) 1 (
=
n k
SCEE
CM
error
Cuadrado medio del tratamiento Cuadrado medio del error
13
Cuadro Anova Un Criterio
Fuentes
Variacin
Sumas
Cuadrados
g.l Cuadrad
os
Medios
F
Entre
Tratamientos
SCTrat. k-1 SCTrat/
g.l (I)
F
o
=
I/II
Dentro Trat.
(Error)
SCError k(n-1) SCError/
g.l (II)
Total SCTotal n 1
14
Anova Un Criterio
F
o
F ((k-1) y k(n-1))

Si F
o
> F ((k-1) y k(n-1)) Rechazo la
Hipotesis Nula

15
Analis Residual Y Verificacin Del
Modelo
Anlisis Residual (Diferencia entre el valor
observado y el estimado por el modelo)
Normalidad (mediante Grficos de
Pr.Normal y Kolmogorof, Shaphiro Wilks)
Igualdad de Varianzas (Diagrama de
Dispersin de residuos contra los
promedios de tratamientos y prueba de
homogeneidad de variancia de Levene)

16
Comparaciones Sobre Los
Promedios
Si rechazo la Hiptesis Nula en el Modelo a
Efectos Fijos
Contrastes Ortogonales
Prueba de Dunnet
Prueba de Tukey
Intervalos de confianza
Pruebas en caso de violaciones de los supuestos
Otras

17
Ventajas Y Desventajas
La mayor ventaja de experimentar bajo un
esquema Completamente al Azar, esto es, sin
restricciones, es la simpleza del anlisis y el
recurso que significa aplicarlo cuando no hay
otra posibilidad de anlisis.
Es el paso consecutivo en uso de la regresin
lineal en el anlisis de modelos lineales.
Se presta por igual a estudios mediante tcnicas
de muestreo o en experimentos planificados.
18
Ventajas Y Desventajas
Cuando ocurren accidentes en la operacin del experimento
como la prdida de una cantidad de unidades
experimentales que no pueda contrarrestarse mediante
tcnicas de extrapolacin, el Modelo Completo al Azar
permite el anlisis con las unidades remanentes sin importar
que haya diferente nmero por tratamiento.
La facilidad de clculo y manejo no compensan la baja
precisin del diseo. Esto significa que es el modelo
experimental menos eficiente. O dicho de otra manera: el
diseo que mayor variacin presenta. Prefirindose otros
con mayor precisin en el anlisis.
19
Diseo en Bloques Completos
Aleatorizados
DBCA
20
En muchos problemas de experimentos, es necesario
hacer un diseo de tal manera que la variabilidad
proveniente de fuentes conocidas pueda ser
sistemticamente controlada.
Se pretende reducir el efecto de la variabilidad
proveniente de causas propias del experimento pero
independiente del efecto que se desea estudiar.
Diseo De Bloques Completos
Aleatorizados
Para los fines del anlisis de varianza el bloqueo
introduce un efecto adicional ficticio, cuyo objetivo es
separar del error experimental, alguna fuente de
variabilidad conocida.
21
Anlisis De La Varianza:
Clasificaciones segn dos Criterios
El Diseo en Bloque Completo al Azar es un plan en el
cual las unidades experimentales se asignan a grupos
homogneos, llamados bloques, y los tratamientos son,
luego, asignados al azar dentro de los bloques.
Objetivo del agrupamiento: lograr que las unidades
dentro de un bloque sean lo ms uniformes posible con
respecto a la variable dependiente, de modo que las
diferencias observadas se deban realmente a los
tratamientos. Al controlar la variacin dentro de los
bloques reducimos la variabilidad del error experimental.
Completo: todos los tratamientos estn incluidos en cada
bloque.
22
Diseos En Bloques Aleatorizados
Cada bloque constituye una replicacin.


Todos los tratamientos aparecen una
sola vez en cada bloque
23
Diseo En Bloques Completos
Aleatorizados
Se divide el material experimental en tantos
bloques como nmeros de replicaciones a
utilizar. Cada bloque es luego dividido en tantas
UE como tratamientos haya en estudio.
Como el DBCA especifica que todos los
tratamientos deben aparecer una vez en cada
replicacin, la aleatorizacin se hace
separadamente en cada bloque.
La aleatorizacin es similar al DCA para cada
bloque.
24
Ventajas
Puede proveer resultados ms precisos que un DCA del mismo tamao
si los agrupamientos son efectivos.
Sirve para cualquier n de tratamientos y replicaciones.
Los tratamientos no necesitan tener tamaos de muestras
iguales.(Bloque Incompleto)
El anlisis no se complica si se debe descartar, por alguna causa, un
tratamiento o algn bloque.
Se puede introducir, deliberadamente, variabilidad en las unidades
experimentales para ampliar el rango de validez de los resultados sin
sacrificar la precisin de los resultados.
Desventajas
Las observaciones faltantes dentro de un bloque requiere clculos ms
complejos.
Los grados de libertad para el error experimental no son tantos como en
el DCA.
Se requieran ms presunciones para el modelo: no interaccin entre
tratamientos y bloques, varianza constante de bloque a bloque.
25
Cada componente del modelo contribuye a la
variabilidad total. La particin de la Suma de
Cuadrados Total involucrar tres fuentes de variacin.
Si aplicamos el Mtodo de los Mnimos Cuadrados, para
estimar los parmetros

.. .. y =

=

= =
b
i
t
j
ij
y
bt
1 1
1

Donde b son los bloques y t los
tratamientos
i
o

=
.

i
-
..

=
. i
y -
..
y
j
|

=
j .

-
..

=
j
y
.
-
..
y
ij
e

=
ij
y -
..

-
i
o

-
j
|

=
ij
y -
. i
y -
j
y
.
+
..
y
26
Tabla de Anlisis de varianza para dos criterios
de clasificacin
2
.. . .
2
.
2 2
) ( ..) ( ..) . ( ) .. ( y y y y y y b y y t y y
j
i j
i ij
j
j
i
i
i j
ij
+ + + =

Variacin total Variacin debida Variacin debida Variacin propia de
a los tratamientos a los bloques las observaciones
SCT SCA SCB SCE
Fuente de Suma de Grados de Cuadrados F calculada
variacin Cuadrados libertad Medios
Tratamientos SCA t - 1 CMA = SCA / t-1 CMA / CME
Bloques SCB b -1 CMB = SCB / b-1 CMB / CME
Error Experimental SCE (t - 1)(b-1) CME = SCE / (t-1)(b-1)
Total SCT t.b -1
27
Operario
Mquina 1 2 3 4 5 6 Total Medias
1 42,5 39,3 39,6 39,9 42,9 43,6 247,8 41,3
2 39,8 40,1 40,5 42,3 42,5 43,1 248,3 41,4
3 40,2 40,5 41,3 43,4 44,9 45,1 255,4 42,6
4 42,3 43,2 44,5 45,2 46,9 43,3 265,4 44,2
Total 164,8 163,1 165,9 170,8 177,2 175,1 1016,9
Medias 41,2 40,775 41,475 42,7 44,3 43,775 254,225 42,4
Tiempo en segundos para el ensamble del producto
Suma de Cuadrados Tratamientos =
Suma de Cuadrados de Bloques =
Suma de Cuadrados Total =
Suma de Cuadrados del Error = SCTotal SCTratamiento - SCBloque
F
c
=
( )
2
.t b
Y
i j
ij
Factor de Correccin =
c
i
i
F T
b

2
.
1
c
j
j
F T
t

2
.
1
c
i j
ij
F Y