Академический Документы
Профессиональный Документы
Культура Документы
Del modelo completamente al azar con arreglo de tratamientos simple (M1) al modelo
completamente al azar con arreglo de tratamientos factorial (M2).
Supóngase que hay 2 factores, A y B, que se cree están relacionados con el cambio de una variable en un
proceso dado o, bien, se sabe que están relacionados con la respuesta y lo que se busca es encontrar la
combinación que maximice (O minimice) está. Entonces se procede a realizar un experimento considerando
combinaciones de niveles de estos factores, supóngase 3 niveles de cada uno, donde a cada combinación se
dirá que corresponde a un tratamiento. Cada tratamiento consta de r repeticiones, las cuales ayudan a poder
separar el efecto producido por el tratamiento y el producido por la fluctuación aleatoria.
𝐅𝐚𝐜𝐭𝐨𝐫 𝐁
Niveles 𝐁𝟏 𝐁𝟐 𝐁𝟑
𝐀𝟏 𝝉𝟏 (Y1 , … , YR1 ) 𝝉𝟏 (Y1 , … , YR2 ) 𝝉𝟏 (Y1 , … , YR3 )
𝐅𝐚𝐜𝐭𝐨𝐫 𝐀 𝐀𝟐 𝝉𝟏 (Y1 , … , YR4 ) 𝝉𝟏 (Y1 , … , YR5 ) 𝝉𝟏 (Y1 , … , YR6 )
𝐀𝟑 𝝉𝟏 (Y1 , … , YR7 ) 𝝉𝟏 (Y1 , … , YR8 ) 𝝉𝟏 (Y1 , … , YR9 )
Para estudiar este tipo de experimento se presenta el modelo completamente al azar con arreglo de
tratamientos simple (M1), el cual contiene un único factor, correspondiente a los tratamientos. Este modelo se
puede representar mediante la expresión:
Donde
𝜺𝒍𝒓 ≔ Fluctuación aleatoria ocasionada por los factores no comunes en la población, en la repetición r −
ésima del l − ésimo tratamient𝑜.
Índices
La desventaja de este modelo es que no permite estudiar la interacción entre los factores. Pero, esto se puede
solucionar considerando la equivalencia de efectos con los tratamientos como sigue:
𝐅𝐚𝐜𝐭𝐨𝐫 𝐁
Niveles 𝐁𝟏 𝐁𝟐 𝐁𝟑
𝐀𝟏 Y11 , … , YR11 Y12 , … , YR12 Y13 , … , Y13
𝐅𝐚𝐜𝐭𝐨𝐫 𝐀 𝐀𝟐 Y21 , … , YR21 Y22 , … , YR22 Y23 , … , Y23
𝐀𝟑 Y31 , … , YR31 Y32 , … , YR32 Y33 , … , YR33
Donde
𝑨𝑩𝒊𝒋 ≔ Efecto conjunto del i − ésimo nivel del factor A y el j − ésimo nivel del factor B.
𝜺𝒊𝒋𝒓 ≔
Fluctuación aleatoria ocasionada por los factores no comunes en la población, en la repetición r −
ésima a nivel i − ésimo del factor A y nivel j − ésimo del factor B.
Índices
3
Títulos.
𝑭. 𝑽. ≔ 𝐹𝑢𝑒𝑛𝑡𝑒 𝑑𝑒 𝑣𝑎𝑟𝑖𝑎𝑐𝑖ó𝑛.
𝒈. 𝒍. ≔ 𝐺𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑖𝑏𝑒𝑟𝑡𝑎𝑑.
𝑺𝑪 ≔ 𝑆𝑢𝑚𝑎 𝑑𝑒 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑜𝑠.
𝑪𝑴 ≔ 𝐶𝑢𝑎𝑑𝑟𝑎𝑑𝑜 𝑀𝑒𝑑𝑖𝑜.
𝑭𝒄 ≔ 𝐸𝑠𝑡𝑎𝑑í𝑠𝑡𝑖𝑐𝑜 𝐹.
Grados de libertad.
𝑮. 𝑳.𝑨𝑩 ≔ (𝐺. 𝐿.𝐴 ) ∗ (𝐺. 𝐿.𝐵 ) (Grados de libertad de la interacción del factor A con B)
𝑮. 𝑳.𝜺 : = (𝐺. 𝐿. 𝑇.𝐴. ) − (𝐺. 𝐿.𝐴 ) − (𝐺. 𝐿.𝐵 ) − (𝐺. 𝐿.𝐴𝐵 ) (Grados de libertad de la fluctuación aleatoria)
Sumas de cuadrados.
𝑅𝑖𝑗
𝑺𝑪𝑻.𝑨. ≔ ∑𝑎𝑖=1 ∑𝑏𝑗=1 ∑𝑟=1(𝑌𝑖𝑗𝑟 − 𝑌̅… )2 (Suma de cuadrados del Total Ajustado por la media)
𝑅𝑖𝑗
𝑺𝑪𝑩 ∶= ∑𝑎𝑖=1 ∑𝑏𝑗=1 ∑𝑟=1(𝑌̅.𝑗. − 𝑌̅… )2 = ∑𝑎𝑖=1 ∑𝑏𝑗=1 𝑅𝑖𝑗 ∗ (𝑌̅.𝑗. − 𝑌̅… )2 = ∑𝑎𝑖=1 ∑𝑏𝑗=1 𝑅(𝑌̅.𝑗. − 𝑌̅… )2 =
𝑅 ∑𝑎𝑖=1 ∑𝑏𝑗=1(𝑌̅.𝑗. − 𝑌̅… )2 (Suma de cuadrados del efecto principal del factor B)
𝑅𝑖𝑗
𝑺𝑪𝑨𝑩 ∶= ∑𝑎𝑖=1 ∑𝑏𝑗=1 ∑𝑟=1(𝑌̅𝑖𝑗. − 𝑌̅𝑖.. − 𝑌̅.𝑗. + 𝑌̅… )2 = ∑𝑏𝑗=1 ∑𝑎𝑖=1 𝑅𝑖𝑗 (𝑌̅𝑖𝑗. − 𝑌̅𝑖.. − 𝑌̅.𝑗. + 𝑌̅… )2 =
∑𝑏𝑗=1 ∑𝑎𝑖=1 𝑅(𝑌̅𝑖𝑗. − 𝑌̅𝑖.. − 𝑌̅.𝑗. + 𝑌̅… )2 = 𝑅 ∑𝑏𝑗=1 ∑𝑎𝑖=1(𝑌̅𝑖𝑗. − 𝑌̅𝑖.. − 𝑌̅.𝑗. + 𝑌̅… )2 (Suma de cuadrados de la
interacción)
𝑺𝑪𝜺 ≔ 𝑆𝐶𝑇.𝐴. − 𝑆𝐶𝑡 = 𝑆𝐶𝑇.𝐴. − (𝑆𝐶𝐴 + 𝑆𝐶𝐵 + 𝑆𝐶𝐴𝐵 ) (Suma de cuadrados de la fluctuación aleatoria)
𝒓 = Número de repeticiones para cualquier tratamiento 𝜏𝑖𝑗 (Ya que se trata de un experimento balanceado)
𝑹 𝑹 𝑹
∑𝑎 𝑏 𝒊𝒋
𝑖=1 ∑𝑗=1 ∑𝑟=1 𝑌𝑖𝑗𝑟 ∑𝑎 𝑏 𝒊𝒋
𝑖=1 ∑𝑗=1 ∑𝑟=1 𝑌𝑖𝑗𝑟 ∑𝑎 𝑏 𝒊𝒋
𝑖=1 ∑𝑗=1 ∑𝑟=1 𝑌𝑖𝑗𝑟
̅… =
𝒀 𝑹 = = (Media General de los datos del Experimento)
∑𝑎 𝑏 𝒊𝒋
∑𝑎 𝑏 𝑹
𝑖=1 ∑𝑗=1 ∑𝑟=1 1 𝑎𝑏𝑅
𝑖=1 ∑𝑗=1 ∑𝑟=1 1
𝑅
∑𝑏 𝑖𝑗
𝑗=1 ∑𝑟=1 𝑌𝑖𝑗𝑟
̅ 𝒊.. =
𝒀 𝑅 ; 𝑖 = 1, . . , 𝑎 (Media correspondiente a cada nivel del factor A)
∑𝑏 𝑖𝑗
𝑗=1 ∑𝑟=1 1
𝑅
∑𝑎 𝑖𝑗
𝑖=1 ∑𝑟=1 𝑌𝑖𝑗𝑟
̅ .𝒋. =
𝒀 𝑅 ; 𝑗 = 1, . . , 𝑏 (Media correspondiente a cada nivel del factor B)
∑𝑎 𝑖𝑗
𝑖=1 ∑𝑟=1 1
𝑅𝑖𝑗
∑𝑟=1 𝑌𝑖𝑗𝑟
̅ 𝒊𝒋. =
𝒀 𝑖𝑗𝑅 ; 𝑖 = 1, . . , 𝑎 ; 𝑗 = 1, . . , 𝑏 (Media de las repeticiones de cada tratamiento 𝝉𝒊𝒋 )
∑𝑟=1 1
Varianzas.
𝑭𝒄𝑨 (Comparación entre la variación de los niveles del factor A y la fluctuación aleatoria)
𝑭𝒄𝑩 (Comparación entre la variación de los niveles del factor B y la fluctuación aleatoria)
𝑭𝒄𝑨𝑩 (Comparación entre la variación de los efectos conjuntos del factor A y el factor B contra la fluctuación
aleatoria)
Nota 1. Este modelo permite una mejor descripción del comportamiento del fenómeno general.
Nota 2. Se puede manejar una experimentación secuencial (cuando los factores sean cuantitativos con niveles igualmente espaciados) cuyo propósito sea optimizar la
respuesta, encontrando la combinación de los niveles de los factores que produzcan dicha respuesta.
Si al menos una de las hipótesis nulas se rechaza, y con ello se concluye que hay al menos 1 efecto
significativo, entonces se procede a estudiar con detenimiento los factores por separado, así como su
interacción (De ser significativa).
Nota. Se dice que hay interacción entre los factores A y B si el patrón de efecto de un factor cambia según sean los niveles del otro. Es decir, si al cambiar del mismo
modo los niveles de A (Puede ser B) al menos un patrón de efectos obtenidos es diferente al cambiar los niveles del otro factor.
Si al menos una de las hipótesis propuestas se rechaza, concluyendo que uno o más efectos son significativos,
se prosigue a hacer otros tipos de análisis.
El análisis de varianza en este caso depende del tipo de nivel que tengan los factores. Las situaciones
experimentales en estudio que pudieran tenerse son:
En este caso, si al menos uno de los efectos es significativo se estudian las diferencias de dichos efectos con:
Nota. Esta situación también se puede utilizar cuando el factor (Factores) es (son) de tipo cuantitativo, pero no con niveles igualmente espaciados.
Comparaciones múltiples (Considerar cuantos promedios se están comparando, por cuantos datos se ha
producido cada promedio)
Ejemplo:
𝐻𝑖𝑝𝑜𝑡𝑒𝑠𝑖𝑠01 : ¿El efecto de aplicar el Factor A es relevante de acuerdo al objetivo del estudio?¿Es
conveniente aplicar A?
𝐻𝑖𝑝𝑜𝑡𝑒𝑠𝑖𝑠02 : ¿El efecto de el Factor A es distinto al cambiar la dosis del Factor A mayor a la menor? ¿Qué
dosis es más conveniente aplicar?
𝐻𝑖𝑝𝑜𝑡𝑒𝑠𝑖𝑠02 : 𝐴2 = 𝐴3 : 𝐴2 − 𝐴3 = 0
6
Para ello es necesario considerar los 9 tratamientos como si se tratara de un diseño con un criterio de
clasificación, como el ejemplo siguiente:
Suma de cuadrados para efectos de tendencia en un factorial 𝟑𝟐 , con ambos factores cuantitativos y
niveles igualmente espaciados.
𝝉𝒍 (1) (2) (3) (4) (5) (6) (7) (8) (9)
𝝉𝒊𝒋 (1,1) (1, 2) (1,3) (2,1) (2,2) (2,3) (3,1) (3,2) (3,3)
𝟐
𝟏
𝑹𝒊𝒋 𝑅11 𝑅12 𝑅13 𝑅21 𝑅22 𝑅23 𝑅31 𝑅32 𝑅33 𝐏𝒎 𝐏𝒎 𝑺𝑪𝒀𝒎
𝑹 ∗ 𝑲𝒎
∑ 𝒀𝒊𝒋𝒓 ∑ 𝑌𝑖𝑗𝑟 ∑ 𝑌𝑖𝑗𝑟 ∑ 𝑌𝑖𝑗𝑟 ∑ 𝑌𝑖𝑗𝑟 ∑ 𝑌𝑖𝑗𝑟 ∑ 𝑌𝑖𝑗𝑟 ∑ 𝑌𝑖𝑗𝑟 ∑ 𝑌𝑖𝑗𝑟 ∑ 𝑌𝑖𝑗𝑟
𝒓=𝟏 𝑟=1 𝑟=1 𝑟=1 𝑟=1 𝑟=1 𝑟=1 𝑟=1 𝑟=1 𝑟=1
2
1
𝑨𝑳 -1 -1 -1 0 0 0 1 1 1 P𝐴𝐿 P𝐴𝐿 𝑆𝐶𝑌𝑨𝑳
𝑅 ∗ 𝐾𝐴𝐿
2
1
𝑨𝑪 1 1 1 -2 -2 -2 1 1 1 P𝐴𝐶 P𝐴𝐶 𝑆𝐶𝑌𝑨𝑪
𝑅 ∗ 𝐾𝑨𝑪
2
1
𝑩𝑳 -1 0 1 -1 0 1 -1 0 1 P𝐴𝐿 P𝐵𝐿 𝑆𝐶𝑌𝑩𝑳
𝑅 ∗ 𝐾𝑩𝑳
2
1
𝑩𝑪 1 -2 1 1 -2 1 1 -2 1 P𝐴𝐶 P𝐵𝐶 𝑆𝐶𝑌𝑩𝑪
𝑅 ∗ 𝐾𝑩𝑪
2
1
𝑨𝑩𝑳𝑳 1 0 -1 0 0 0 -1 0 1 P𝐴𝐵𝐿𝐿 P𝐴𝐵𝐿𝐿 𝑆𝐶𝑌𝑨𝑩𝑳𝑳
𝑅 ∗ 𝐾𝑨𝑩𝑳𝑳
2
1
𝑨𝑩𝑳𝑪 -1 2 -1 0 0 0 1 -2 1 P𝐴𝐵𝐿𝐶 P𝐴𝐵𝐿𝐶 𝑆𝐶𝑌𝑨𝑩𝑳𝑪
𝑅 ∗ 𝐾𝑨𝑩𝑳𝑪
2
1
𝑨𝑩𝑪𝑳 -1 0 1 2 0 -2 -1 0 1 P𝐴𝐵𝐿𝐶 P𝛼𝐴𝐵𝐶𝐿 𝑆𝐶𝑌𝑨𝑩𝑪𝑳
𝑅 ∗ 𝐾𝑨𝑩𝑪𝑳
2
1
𝑨𝑩𝑪𝑪 1 -2 1 -2 4 -2 1 -2 1 P𝐴𝐵𝐶𝐶 P𝐴𝐵𝐶𝐶 𝑆𝐶𝑌𝑨𝑩𝑪𝑪
𝑅 ∗ 𝐾𝑨𝑩𝑪𝑪
Donde:
Nota 1. En este caso sería más correcto utilizar los índices “l” e “ij” para referir que se habla del tratamiento “l” o el tratamiento “ij”, pero para ayudar a identificar más
fácilmente se está hablando de los respectivos tratamientos, y no solo del índice.
𝑹𝒊𝒋
𝑻𝒊𝒋 = ∑𝒓=𝟏 𝒀𝒊𝒋𝒓 (Suma de las repeticiones en un mismo tratamiento)
𝐏𝒎 ≔ ∑3𝑖=1 ∑3𝑗=1 𝐶𝑚𝑖𝑗 𝑇𝑖𝑗. (Suma de las observaciones ponderada por los coeficientes)
𝟐
𝐏𝒎 (Cuadrado de la suma de las observaciones ponderada por los coeficientes)
𝟏
𝑲𝒎 ≔ ∑𝟑 𝟑 𝟐 (Inverso de la suma de los cuadrados de los coeficientes)
𝒊=𝟏 ∑𝒋=𝟏 𝑪𝒎𝒊𝒋
𝟐
𝑲𝒎 𝐏𝒎
𝑺𝑪𝒀𝒎 ≔ (Suma de cuadrados del efecto m)
𝒓
Índices.
7
𝒎 = 𝐴𝐿, 𝐴𝐶, 𝐵𝐿, 𝐵𝐶, 𝐴𝐵𝐿𝐿, 𝐴𝐵𝐿𝐶, 𝐴𝐵𝐶𝐿, 𝐴𝐵𝐶𝐶 (Tipo de efecto que se desea estudiar)
Ejemplo: Si 𝑚 = 𝐴𝐿, se refiere al efecto lineal del factor 𝐴, si 𝑚 = 𝐴𝐵𝐿𝐿 se refiere a la interacción del efecto del efecto lineal de 𝐴 y el efecto lineal de 𝐵 .
𝒊 = 𝟏, … , 𝒂 (Nivel del Factor A)
Nota 2. En este caso, como el experimento es balanceado, se tiene 𝑅𝑖𝑗 = 𝑅 para cualquier tratamiento 𝝉𝒊𝒋 .
Nota 1. Los coeficientes obtenidos para estudiar los efectos de interacción asociados al efecto 𝐴𝐵𝐿𝐿 son resultado de multiplicar los coeficientes asociados a 𝐴𝐿 y
𝐵𝐿 . Se procede de manera análoga para los demás efectos de interacción.
Una vez que sea demostrado que uno (O varios) factor(es) (O interacción entre factores) tiene un efecto
significativo, se procede a ver la significancia lineal y/o cuadrática del efecto(s). De ser significativo,
entonces la estimación del coeficiente se mantiene el polinomio, de los contrario se procede a retirarlo.
(Considerar la desventaja de estimar los coeficientes (Con intervalos de confianza) por separado, y tomar en
cuenta estimación por intervalos conjunta)
𝑌̂𝑖𝑗. = 𝑌̅… + Ψ
̂ 𝐴𝐿 𝑈𝑖 + Ψ
̂ 𝐴𝐶 (3𝑈𝑖2 − 2) + Ψ
̂ 𝐵𝐿 𝑉𝑗 + Ψ
̂ 𝐵𝐶 (3𝑉𝑗2 − 2) + Ψ
̂ 𝐴𝐵𝐿𝐿 𝑈𝑖 𝑉𝑗 + Ψ
̂ 𝐴𝐵𝐿𝐶 𝑈𝑖 (3𝑉𝑗2 − 2)
+Ψ̂ 𝐴𝐵𝐶𝐿 (3𝑈𝑖2 − 2)𝑉𝑗 + Ψ̂ 𝐴𝐵𝐶𝐶 (3𝑈𝑖2 − 2)(3𝑉𝑗2 − 2)
𝐅. 𝐕. 𝐆. 𝐋. 𝐒𝐂 𝐂𝐌 𝐅𝐜
(𝑨) 𝑮. 𝑳.𝑨 𝑺𝑪𝑨 𝑪𝑴𝑨 𝑭𝒄𝑨
𝐴𝐿 𝐺. 𝐿.𝐴𝐿 𝑆𝐶𝐴𝐿 𝐶𝑀𝐴𝐿 𝐹𝑐𝐴𝐿
8
Predicción con el Modelo con la Variables Codificadas 𝑼𝒊 y 𝑽𝒋 para el arreglo de tratamientos f3x3
cuantitativos y equiespaciados. (2 factores)
Con este modelo es posible estimar (O pronosticar) la variable respuesta, 𝑌̂𝑖𝑗. ,dada una combinación de niveles
𝐴1𝑖 y 𝐵2𝑗 o bien, con las variables Codificadas, 𝑈𝑖 y 𝑉𝑗 :
𝑌̂𝑖𝑗. = 𝑌̅… + Ψ
̂ 𝐴𝐿 𝑈𝑖 + Ψ
̂ 𝐴𝐶 (3𝑈𝑖2 − 2) + Ψ
̂ 𝐵𝐿 𝑉𝑗 + Ψ
̂ 𝐵𝐶 (3𝑉𝑗2 − 2) + Ψ
̂ 𝐴𝐵𝐿𝐿 𝑈𝑖 𝑉𝑗 + Ψ
̂ 𝐴𝐵𝐿𝐶 𝑈𝑖 (3𝑉𝑗2 − 2)
+Ψ̂ 𝐴𝐵𝐶𝐿 (3𝑈𝑖2 − 2)𝑉𝑗 + Ψ̂ 𝐴𝐵𝐶𝐶 (3𝑈𝑖2 − 2)(3𝑉𝑗2 − 2)
Donde
𝑃𝑚 ∗ 𝐾𝑚
̂𝒎 =
𝚿
𝑅
(𝐴1𝑖 −𝐴̅1. )
𝑼𝒊 ≔ ; 𝑖 = 1, 2, 3 ; 𝐴11 , 𝐴12 , 𝐴13 (Variable Codificada correspondiente al factor A)
𝛿1
(𝐵2𝑗 −𝐵̅2𝑗 )
𝑽𝒋 ≔ ; 𝑗 = 1, 2, 3 ; 𝐵11 , 𝐵12 , 𝐵13 (Variable Codificada correspondiente al factor B)
𝛿2
𝑨𝟏𝒊 ≔ 𝑉𝑎𝑙𝑜𝑟 𝑑𝑒𝑙 𝑛𝑖𝑣𝑒𝑙 𝑖 − é𝑠𝑖𝑚𝑜 𝑑𝑒𝑙 𝑓𝑎𝑐𝑡𝑜𝑟 𝐴. (Variable NO Codificada correspondiente al factor A)
𝑩𝟐𝒋 ≔ 𝑉𝑎𝑙𝑜𝑟 𝑑𝑒𝑙 𝑛𝑖𝑣𝑒𝑙 𝑗 − é𝑠𝑖𝑚𝑜 𝑑𝑒𝑙 𝑓𝑎𝑐𝑡𝑜𝑟 𝐵. (Variable NO Codificada correspondiente al factor B)
Nota. Se pueden tomar 2 valores consecutivos cualesquiera, puesto que se supone que todos los niveles de ambos factores son igualmente espaciados.
No codificadas.
Al usarse las variables no codificadas como variables independientes, 𝐴1𝑖 y 𝐵2𝑗 , se obtiene la estimación de la
variable respuesta, 𝑌̂𝑖𝑗. , en términos de las unidades originales (Unidades originales para cada respectiva
variable) .
9
Codificadas.
Así, por ejemplo, si se desea estimar o pronosticar para valores que disten de la media las mismas unidades
que distaban cada par de niveles consecutivos de algún factor , mucho más fácil obtener la estimación, ya que
basta con asignar números enteros a las variables codificadas.
La ventaja de utilizar las variables codificadas es que se evita realizar demasiados cálculos.
Por otro lado, si se requiere utilizar el polinomio en términos de las variables no codificadas, lo recomendable
seria calcular cuantas unidades originales corresponde una unidad delta. Por ejemplo, si las unidades delta
𝑈𝑖 𝑈𝑖
corresponden a 8 unidades originales, bastaría con tomar 𝑈𝑖∗ = = para que el polinomio de cómo
𝛿 8
respuesta el valor de la estimación para las unidades originales, sin necesidad de tener que desarrollar todo el
polinomio hasta tener las variables 𝐴1𝑖 𝑦 𝐵2𝑗 de manera explícita.
𝑺𝒊𝒕𝒖𝒂𝒄𝒊ó𝒏 𝑺𝟑 : Un factor con niveles cuantitativos igualmente espaciados y otro con niveles cualitativos.
Suponga A con niveles cuantitativos y B con niveles cualitativos. En este caso se procede de manera análoga
a 𝑆2 , considerando que las tablas de ANOVA más comunes que se presentan son:
𝐅. 𝐕. 𝐆. 𝐋. 𝐒𝐂 𝐂𝐌 𝐅𝐜
(𝑨) 𝑮. 𝑳.𝑨 𝑺𝑪𝑨 𝑪𝑴𝑨 𝑭𝒄𝑨
𝐴𝐿 𝐺. 𝐿.𝐴𝐿 𝑆𝐶𝐴𝐿 𝐶𝑀𝐴𝐿 𝐹𝑐𝐴𝐿
𝐴𝐶 𝐺. 𝐿.𝐴𝐶 𝑆𝐶𝐴 𝐶 𝐶𝑀𝐴𝐶 𝐹𝑐𝐴𝐶
(𝜷) 𝑮. 𝑳.𝑩 𝑺𝑪𝑩 𝑪𝑴𝑩 𝑭𝒄𝑩
(𝑨𝑩) 𝑮. 𝑳.𝑨𝑩 𝑺𝑪𝑨𝑩 𝑪𝑴𝑨𝑩 𝑭𝒄𝑨𝑩
𝐴𝐵𝐿 𝐺. 𝐿.𝐴𝐵𝐿 𝑆𝐶𝐴𝐵𝐿 𝑪𝑴𝑨𝑩𝑳 𝐹𝑐𝐴𝐵𝐿
10
𝐅. 𝐕. 𝐆. 𝐋. 𝐒𝐂 𝐂𝐌 𝐅𝐜
(𝑩) 𝑮. 𝑳.𝑩 𝑺𝑪𝑩 𝑪𝑴𝑩 𝑭𝒄𝜷
(𝑨 + 𝑨𝑩) 𝑮. 𝑳.𝑨+𝑨𝑩 𝑺𝑪𝑨+𝑨𝑩 𝑪𝑴𝑨+𝑨𝑩 𝑭𝒄𝑨+𝑨𝑩
𝐴𝐿𝐵1 𝐺. 𝐿.𝐴𝐿𝐵1 𝑆𝐶𝐴𝐿𝐵1 𝐶𝑀𝐴𝐿𝐵1 𝐹𝑐𝐴𝐿𝐵1
𝐴𝐿𝐵2 𝐺. 𝐿.𝐴𝐿𝐵2 𝑆𝐶𝐴𝐿𝐵2 𝐶𝑀𝐴𝐿𝐵2 𝐹𝑐𝐴𝐿𝐵2
𝐴𝐿𝐵3 𝐺. 𝐿.𝐴𝐿𝐵3 𝑆𝐶𝐴𝐿𝐵3 𝐶𝑀𝐴𝐿𝐵3 𝐹𝑐𝐴𝐿𝐵3
𝐴𝐶𝐵1 𝐺. 𝐿.𝐴𝐶𝐵1 𝑆𝐶𝐴𝐶𝐵1 𝐶𝑀𝐴𝐶𝐵1 𝐹𝑐𝐴𝐶𝐵1
𝐴𝐶𝐵2 𝐺. 𝐿.𝐴𝐶𝐵2 𝑆𝐶𝐴𝐶𝐵2 𝐶𝑀𝐴𝐶𝐵2 𝐹𝑐𝐴𝐶𝐵2
𝐴𝐶𝐵3 𝐺. 𝐿.𝐴𝐶𝐵3 𝑆𝐶𝐴𝐶𝐵3 𝐶𝑀𝐴𝐶𝐵3 𝐹𝑐𝐴𝐶𝐵3
𝑬𝒓𝒓𝒐𝒓 𝑮. 𝑳.𝜺 𝑺𝑪𝜺 𝑪𝑴𝜺
𝑻. 𝑨. 𝑮. 𝑳.𝑻.𝑨. 𝑺𝑪𝑻.𝑨.
Para calcular las sumas de cuadrados SC del efecto lineal de A en el nivel 1 de B (AlB1) en el ANOVA tipo
2 se consideran los coeficientes del efecto lineal de A so lo en el nivel Bl y n los restantes 5 tratamientos se
pone 0. De igual manera se procese en el ANOVA tipo 2.
𝑺𝑪𝑨𝑳𝑩 = 𝑺𝑪𝑨𝑳𝑩𝟏 + 𝑺𝑪𝑨𝑳𝑩𝟐 + 𝑺𝑪𝑨𝑳𝑩𝟑 (Suma de cuadrados del efecto Lineal de A en todos los niveles de B)
𝑺𝑪𝑨𝑪𝑩 = 𝑺𝑪𝑨𝑪𝑩𝟏 + 𝑺𝑪𝑨𝑪𝑩𝟐 + 𝑺𝑪𝑨𝑪𝑩𝟑 (Suma de cuadrados del efecto Cuadrático de A en todos los niveles de
B)
Otra forma de expresar 𝑆𝐶𝐴𝐿𝐵 es como la variación del efecto lineal de A en cada uno de los niveles de B, por
lo cual:
Los ANOVA Tipo 1 y Tipo 2 tienen una estrecha relación, para mostrar esto observe que para el ANOVA T1
es cierto que: 𝑺𝑪𝑨 + 𝑺𝑪𝑩 + 𝑺𝑪𝑨𝑩 = 𝑺𝑪𝑨 + 𝑺𝑪𝑩 + (𝑺𝑪𝑨𝑳𝑩 + 𝑺𝑪𝑨𝑪𝑩 )
Considerando 1 y 2:
Las hipótesis relacionadas con la sumas de cuadrado que se han enfatizado son:
El efecto de intersección se refiere a la “Interacción”, cuando uno de los factores ese cuantitativo y otro
cualitativo.
Al obtener información sobre varios factores sin aumentar el tamaño del experimento. Todas las unidades
experimentales se usan para la evaluación de los efectos. Esto es llamado “Repetición escondida” (Hidden
replicación), que se refiere a que un nivel de un factor se estudia varias veces con niveles de otros factores.
Se amplía la base de la inferencia en relación a un factor, ya que se estudia en las diferentes condiciones
representadas por los niveles de otros factores.
El experimento con arreglo factorial es el único para investigar estas interacciones de una manera sistemática.
Glosario.
12
Considera las selecciones de los factores por estudiarse, sus niveles y la combinación de estos.
Indica la manera en que los tratamientos se aleatorizan a las diferentes unidades experimentales y las formas
de calcular la variabilidad natural de las unidades experimentales para procurar que los tratamientos sean
comparables.
Se tiene cuando se combinan los niveles de los factores (al menos dos de cada uno) en estudio, de tal manera
que el efecto de tratamientos (combinación de niveles) se considera a su vez, compuesto de los efectos de los
factores sus interaccione y es posible estudiarlos.
a) Completamente al azar.
b) Bloques al azar.
c) Cuadro latino.
d) Otros.
Para cada uno de estos tipos se puede tener un diseño o arreglo de tratamientos factorial.
Son diseños factoriales con factores cruzados donde toda posible combinación ocurre (Completo) y cada una
de tiene igual número de repeticiones (Balanceado).