1

UNIVERSIDAD NACIONAL AÚTONOMA DE MÉXICO

FACULTAD DE CIENCIAS
Diseño de Experimentos - Grupo: 9143
Reseña 6: “Modelo completamente al azar con arreglo de tratamientos factorial con efectos
fijos para datos completos y balanceados”
Rodríguez González Luis Oswaldo – 311062795
Profesor: Inocencio Rafael Madrid Ríos
Profesor adjunto: Gerardo Jesús Varela Hernández

Martes 17 de Octubre de 2017.

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:

𝒀𝒍𝒓 = 𝝁𝒍 + 𝜺𝒍𝒓 = 𝝁 + 𝝉𝒍 + 𝜺𝒍𝒓

Donde

𝒀𝒍𝒓 ≔ Variable respuesta bajo estudio.

𝝁𝒍 ≔ Media correspondiente al tratamiento l − esimo.

𝝁 ≔ Media general ocasionada por los factores comunes en la población.

𝝉𝒍 = 𝝁𝒍 − 𝝁 ≔ Efecto del tratamiento l − ésimo.

 2

𝜺𝒍𝒓 ≔ Fluctuación aleatoria ocasionada por los factores no comunes en la población, en la repetición r −
ésima del l − ésimo tratamient𝑜.

Índices

𝒍 = 𝟏, … , 𝒕 ; 𝒕 ≔ Número de niveles del factor “Tratamientos”, o número de tratamientos.

𝒓 = 𝟏, … , 𝑹𝒍 ; 𝑹𝒍 ≔ Numero de repeticiones para el tratamiento l.

Nota. (Puesto que el experimento es balanceado entonces 𝑹𝒍 = 𝑹, para cualquier 𝒍 = 𝟏, … , 𝒕 )

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:

𝝉𝒍 = 𝝉𝒊𝒋 = 𝑨𝒊𝒋 + 𝑩𝒊𝒋 + 𝑨𝑩𝒊𝒋

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

Dando lugar al siguiente modelo:

𝒀𝒊𝒋𝒓 = 𝝁𝒊𝒋 + 𝜺𝒊𝒋𝒓 = 𝝁 + 𝝉𝒊𝒋 + 𝜺𝒊𝒋𝒓 = 𝝁 + 𝜶𝒊𝒋 + 𝜷𝒊𝒋 + 𝜶𝜷𝒊𝒋 + 𝜺𝒊𝒋𝒓

Donde

𝒀𝒊𝒋𝒓 ≔ Variable respuesta bajo estudio.

𝝁 ≔ Media general ocasionada por los factores comunes en la población.

𝝁𝒊𝒋 ≔ Media correspondiente al tratamiento ij − esimo.

𝝉𝒊𝒋 ≔ Efecto del tratamiento ij.

𝑨𝒊 ≔ Efecto del factor A a nivel i − ésimo.

𝑨𝒊 ≔ Efecto del factor B a nivel j − ésimo.

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

𝒊 = 𝟏, … , 𝒂 ; 𝒂 ≔ Número de niveles del factor A

𝒋 = 𝟏, … , 𝒃 ; 𝒃 ≔ Número de niveles del factor B

𝒓 = 𝟏, … , 𝑹𝒊𝒋 ; 𝑹𝒊𝒋 ≔ Numero de repeticiones del tratamiento ij .

Nota. (Puesto que el experimento es balanceado entonces 𝑹𝒊𝒋 = 𝑹, para cualquier 𝒊 = 𝟏, … , 𝒂 ; 𝒋 = 𝟏, … , 𝒃 )

El ANOVA para el nuevo modelo es:

ANOVA para el modelo completamente al azar con arreglo de tratamientos factorial 𝟑𝟐

Hipótesis a contrastar con ayuda de los estadísticos Fc del ANOVA:
𝐻01 : 𝐴1 = 𝐴2 = 𝐴3 (Nulidad del efecto del Factor 𝐴)
𝐻02 : 𝐵1 = 𝐵2 = 𝐵3 (Nulidad del efecto del Factor 𝐵)
𝐻03 : 𝑁𝑜 𝑖𝑛𝑡𝑒𝑟𝑎𝑐𝑐𝑖ó𝑛 𝑒𝑛𝑡𝑟𝑒 𝐴 𝑦 𝐵. (Nulidad del efecto de interacción. Efecto aditivo)
𝐅. 𝐕. 𝐆. 𝐋. 𝐒𝐂 𝐂𝐌 𝐅𝐜
𝐴 𝐺. 𝐿.𝛼 𝑆𝐶𝛼 𝐶𝑀𝛼 𝐹𝑐𝛼
𝐵 𝐺. 𝐿.𝛽 𝑆𝐶𝛽 𝐶𝑀𝛽 𝐹𝑐𝛽
𝐴𝐵 𝐺. 𝐿.𝛼𝛽 𝑆𝐶𝛼𝛽 𝐶𝑀𝛼𝛽 𝐹𝑐𝛼𝛽
𝑬𝒓𝒓𝒐𝒓 𝑮. 𝑳.𝜺 𝑺𝑪𝜺 𝑪𝑴𝜺
𝑻. 𝑨. 𝑮. 𝑳.𝑻.𝑨. 𝑺𝑪𝑻.𝑨.

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.𝑨 ≔ (𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑛𝑖𝑣𝑒𝑙𝑒𝑠 𝑑𝑒 𝐴) − 1 (Grados de libertad del factor A)

𝑮. 𝑳.𝑩 ≔ (𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑛𝑖𝑣𝑒𝑙𝑒𝑠 𝑑𝑒 𝐴) − 1 (Grados de libertad del factor A)

𝑮. 𝑳.𝑨𝑩 ≔ (𝐺. 𝐿.𝐴 ) ∗ (𝐺. 𝐿.𝐵 ) (Grados de libertad de la interacción del factor A con B)

𝑮. 𝑳.𝑻.𝑨. ∶= (𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑛𝑖𝑣𝑒𝑙𝑒𝑠 𝑑𝑒𝑙 𝑓𝑎𝑐𝑡𝑜𝑟 𝐴) ∗ (𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑛𝑖𝑣𝑒𝑙𝑒𝑠 𝑑𝑒𝑙 𝑓𝑎𝑐𝑡𝑜𝑟 𝐵) ∗

(𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑟𝑒𝑝𝑒𝑡𝑖𝑐𝑖𝑜𝑛𝑒𝑠) − 1 (Grados de libertad del Total Ajustado por la Media)

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)

𝑺𝑪𝒕 ≔ 𝑆𝐶𝐴 + 𝑆𝐶𝐵 + 𝑆𝐶𝐴𝐵 , (Suma de cuadrados del tratamiento)

𝑅𝑖𝑗
𝑺𝑪𝑨 ∶= ∑𝑎𝑖=1 ∑𝑏𝑗=1 ∑𝑟=1(𝑌̅𝑖.. − 𝑌̅… )2 = ∑𝑎𝑖=1 ∑𝑏𝑗=1 𝑅𝑖𝑗 ∗ (𝑌̅𝑖.. − 𝑌̅… )2 = ∑𝑎𝑖=1 ∑𝑏𝑗=1 𝑅(𝑌̅𝑖.. − 𝑌̅… )2 =
𝑅 ∑𝑎𝑖=1 ∑𝑏𝑗=1(𝑌̅𝑖.. − 𝑌̅… )2 (Suma de cuadrados del efecto principal del factor A)
 4

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)

𝒂 = Número de niveles del factor A.

𝒃 = Número de niveles del factor B.

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.

𝑪𝑴𝑨 (Varianza entre niveles del factor A)

𝑪𝑴𝑩 (Varianza entre niveles del factor B)

𝑪𝑴𝑨𝑩 (Varianza entre efectos conjuntos del factor A y el factor B)

𝑪𝑴𝜺 (Varianza de la fluctuación experimental)

𝑺𝑪
𝑪𝑴 =
𝑮. 𝑳.
Estadísticos de comparación F

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)

Criterios de decisión para el rechazo.

(𝑮.𝑳.𝑨 𝑮.𝑳.𝜺 ; 1−𝛼)
𝑆𝑖 𝐹𝑐𝐴 > 𝐹𝑡𝑎𝑏 ⟹ 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝐻01 ⟹ ℎ𝑎𝑦 𝑒𝑓𝑒𝑐𝑡𝑜 𝑑𝑒𝑙 𝑓𝑎𝑐𝑡𝑜𝑟 𝐴.
(𝑮.𝑳.𝑩 𝑮.𝑳.𝜺 ; 1−𝛼)
𝑆𝑖 𝐹𝑐𝐵 > 𝐹𝑡𝑎𝑏 ⟹ 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝐻02 ⟹ ℎ𝑎𝑦 𝑒𝑓𝑒𝑐𝑡𝑜 𝑑𝑒𝑙 𝑓𝑎𝑐𝑡𝑜𝑟 𝐵.
(𝑮.𝑳. 𝑮.𝑳. ; 1−𝛼)
𝑆𝑖 𝐹𝑐𝐴𝐵 > 𝐹𝑡𝑎𝑏 𝑨𝑩 𝜺
⟹ 𝑠𝑒 𝑟𝑒𝑐ℎ𝑎𝑧𝑎 𝐻03 ⟹
ℎ𝑎𝑦 𝑒𝑓𝑒𝑐𝑡𝑜 𝑑𝑒 𝑖𝑛𝑡𝑒𝑟𝑎𝑐𝑐𝑖ó𝑛 𝑒𝑛𝑡𝑟𝑒 𝑒𝑙 𝑓𝑎𝑐𝑡𝑜𝑟 𝐴 𝑦 𝑒𝑙 𝑓𝑎𝑐𝑡𝑜𝑟 𝐵.
 5

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.

Notas. Siempre hay un tratamiento testigo, que es contra el que se compara.

Estudio Post-Rechazo a las hipótesis del ANOVA.

VI. Análisis de un arreglo factorial 𝟑𝟐 completamente al azar. (Caso completo y balanceado)

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:

- 𝑆1 : 𝐴𝑚𝑏𝑜𝑠 𝑓𝑎𝑐𝑡𝑜𝑟𝑒𝑠 𝑐𝑜𝑛 𝑛𝑖𝑣𝑒𝑙𝑒𝑠 𝑐𝑢𝑎𝑙𝑖𝑡𝑎𝑡𝑖𝑣𝑜𝑠.

- 𝑆2 : 𝐴𝑚𝑏𝑜𝑠 𝑓𝑎𝑐𝑡𝑜𝑟𝑒𝑠 𝑐𝑢𝑎𝑛𝑡𝑖𝑡𝑎𝑡𝑖𝑣𝑜𝑠 𝑐𝑜𝑛 𝑛𝑖𝑣𝑒𝑙𝑒𝑠 𝑖𝑔𝑢𝑎𝑙𝑚𝑒𝑛𝑡𝑒 𝑒𝑠𝑝𝑎𝑐𝑖𝑎𝑑𝑜𝑠.
- 𝑆3 : 𝑈𝑛 𝑓𝑎𝑐𝑡𝑜𝑟 𝑐𝑢𝑎𝑛𝑡𝑖𝑡𝑎𝑡𝑖𝑣𝑜 𝑐𝑜𝑛 𝑛𝑖𝑣𝑒𝑙𝑒𝑠 𝑒𝑞𝑢𝑖𝑒𝑠𝑝𝑎𝑐𝑖𝑎𝑑𝑜𝑠 𝑦 𝑜𝑡𝑟𝑜 𝑓𝑎𝑐𝑡𝑜𝑟 𝑐𝑜𝑛 𝑛𝑖𝑣𝑒𝑙𝑒𝑠 𝑐𝑢𝑎𝑙𝑖𝑡𝑎𝑡𝑖𝑣𝑜𝑠.

Situación 𝑺𝟏 : 𝑨𝒎𝒃𝒐𝒔 𝒇𝒂𝒄𝒕𝒐𝒓𝒆𝒔 𝒄𝒐𝒏 𝒏𝒊𝒗𝒆𝒍𝒆𝒔 𝒄𝒖𝒂𝒍𝒊𝒕𝒂𝒕𝒊𝒗𝒐𝒔.

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)

Comparaciones de clases. (Se refiere a considerar contrastes ortogonales)

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?

Donde, las hipótesis nulas que se proponen serían:

𝐴2 +𝐴3
𝐻𝑖𝑝𝑜𝑡𝑒𝑠𝑖𝑠01 : 𝐴1 = : 2𝐴1 − (𝐴2 + 𝐴3 ) = 0
2

𝐻𝑖𝑝𝑜𝑡𝑒𝑠𝑖𝑠02 : 𝐴2 = 𝐴3 : 𝐴2 − 𝐴3 = 0
 6

Situación 𝑺𝟐 : Ambos factores cuantitativos con niveles igualmente equiespaciados.

1) Se procede como en 𝑆1 para el enfoque usual del ANOVA.

2) Debido al tipo de diseño, es posible determinar tendencias en los efectos:

Para efectos principales. Lineales y cuadráticos.

Para efectos de interacción. Combinación de efectos lineales y efectos cuadráticos.

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:

𝝉𝒍 (Representación del tratamiento “l”, considerando 1 solo factor)

𝝉𝒊𝒋 (Representación del tratamiento “ij”, considerando los 2 factores)

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)

𝒋 = 𝟏, … , 𝒃 (Nivel del Factor B)

𝒓 = 𝟏, … , 𝑹𝒊𝒋 (Repetición u observación en el tratamiento 𝜏𝑖𝑗 )

Nota 2. En este caso, como el experimento es balanceado, se tiene 𝑅𝑖𝑗 = 𝑅 para cualquier tratamiento 𝝉𝒊𝒋 .

Dado lo anterior, debe cumplirse que:

1) 𝑆𝐶𝐴 = 𝑆𝐶𝐴𝐿 + 𝑆𝐶𝐴𝐶

2) 𝑆𝐶𝐵 = 𝑆𝐶𝐵𝐿 + 𝑆𝐶𝐵𝐶
3) 𝑆𝐶𝐴𝐵 = 𝑆𝐶𝐴𝐵𝐿𝐿 + 𝑆𝐶𝐴𝐵𝐿𝐶 + 𝑆𝐶𝐴𝐵𝐶𝐿 + 𝑆𝐶𝐴𝐵𝐶𝐶

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.

A continuación se presenta el ANOVA completo para 𝑆2 .

ANOVA para el modelo completamente al azar con arreglo de tratamientos factorial 𝟑𝟐

(𝑆2 : Cuando ambos factores son de tipo cuantitativo con niveles igualmente espaciados)

Hipótesis a contrastar con ayuda de los estadísticos Fc del ANOVA:

𝐻01 : 𝐴1 = 𝐴 = 𝐴3 (Nulidad del efecto del Factor 𝐴)

𝐻02 : 𝐵1 = 𝐵2 = 𝐵3 (Nulidad del efecto del Factor 𝐵)
𝐻03 : 𝑁𝑜 𝑖𝑛𝑡𝑒𝑟𝑎𝑐𝑐𝑖ó𝑛 𝑒𝑛𝑡𝑟𝑒 𝐴 𝑦 𝐵. (Nulidad del efecto de interacción. Efecto aditivo)

Hipótesis para el polinomio ortogonal:

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)

̂ 𝐴𝐿 = 0 (Nulidad del efecto Lineal del Factor 𝐴)

𝐻11 : Ψ
̂ 𝐴𝐶 = 0 (Nulidad del efecto Cuadrático del Factor 𝐴)
𝐻12 : Ψ
̂ 𝐵𝐿 = 0 (Nulidad del efecto Lineal del Factor 𝐵)
𝐻13 : Ψ
̂ 𝐵𝐶 = 0 (Nulidad del efecto Cuadrático del Factor 𝐵)
𝐻14 : Ψ
̂ 𝐴𝐵𝐿𝐿 = 0 (Nulidad de la Interacción del efecto Lineal de 𝐴 y el efecto Lineal de 𝐵)
𝐻15 : Ψ
̂ 𝐴𝐵𝐿𝐶 = 0 (Nulidad de la Interacción del efecto Lineal de 𝐴 y el efecto Cuadrático de 𝐵)
𝐻16 : Ψ
̂ 𝐴𝐵𝐶𝐿 = 0 (Nulidad de la Interacción del efecto Cuadrático de 𝐴 y el efecto Lineal de 𝐵)
𝐻17 : Ψ
̂ 𝐴𝐵𝐶𝐶 = 0 (Nulidad de la Interacción del efecto Cuadrático de 𝐴 y el efecto Cuadrático de 𝐵)
𝐻18 : Ψ

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

𝐴𝐶 𝐺. 𝐿.𝐴𝐶 𝑆𝐶𝐴𝐶 𝐶𝑀𝐴𝐶 𝐹𝑐𝐴𝐶

(𝑩) 𝑮. 𝑳.𝑩 𝑺𝑪𝑩 𝑪𝑴𝑩 𝑭𝒄𝑩
𝐵𝐿 𝐺. 𝐿.𝐵𝐿 𝑆𝐶𝐵𝐿 𝐶𝑀𝐵𝐿 𝐹𝑐𝐵𝐿
𝐵𝐶 𝐺. 𝐿.𝐵𝐶 𝑆𝐶𝐵𝐶 𝐶𝑀𝐵𝐶 𝐹𝑐𝐵𝐶
(𝑨𝑩) 𝑮. 𝑳.𝑨𝑩 𝑺𝑪𝑨𝑩 𝑪𝑴𝑨𝑩 𝑭𝒄𝑨𝑩
𝐴𝐵𝐿𝐿 𝐺. 𝐿.𝐴𝐵𝐿𝐿 𝑆𝐶𝐴𝐵𝐿𝐿 𝑪𝑴𝑨𝑩 𝐹𝑐𝐴𝐵𝐿𝐿
𝐴𝐵𝐿𝐶 𝐺. 𝐿.𝐴𝐵𝐿𝐶 𝑆𝐶𝐴𝐵𝐿𝐶 𝑪𝑴𝑨𝑩 𝐹𝑐𝐴𝐵𝐿𝐶
𝐴𝐵𝐶𝐿 𝐺. 𝐿.𝐴𝐵𝐶𝐿 𝑆𝐶𝐴𝐵𝐶𝐿 𝑪𝑴𝑨𝑩 𝐹𝑐𝐴𝐵𝐶𝐿
𝐴𝐵𝐶𝐶 𝐺. 𝐿.𝐴𝐵𝐶𝐶 𝑆𝐶𝐴𝐵𝐶𝐶 𝑪𝑴𝑨𝑩 𝐹𝑐𝐴𝐵𝐶𝐶
𝑬𝒓𝒓𝒐𝒓 𝑮. 𝑳.𝜺 𝑺𝑪𝜺 𝑪𝑴𝜺
𝑻. 𝑨. 𝑮. 𝑳.𝑻.𝑨. 𝑺𝑪𝑻.𝑨.

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)

̅ 𝟏. ≔ 𝑀𝑒𝑑𝑖𝑎 𝑑𝑒 𝑙𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒 𝑛𝑖𝑣𝑒𝑙 𝑑𝑒𝑙 𝑓𝑎𝑐𝑡𝑜𝑟 𝐴 .

𝑨
̅ 𝟐. ≔ 𝑀𝑒𝑑𝑖𝑎 𝑑𝑒 𝑙𝑜𝑠 𝑣𝑎𝑙𝑜𝑟𝑒𝑠 𝑑𝑒 𝑛𝑖𝑣𝑒𝑙 𝑑𝑒𝑙 𝑓𝑎𝑐𝑡𝑜𝑟 𝐵 .
𝑩

𝜹𝟏 ≔ 𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎 𝑒𝑛𝑡𝑟𝑒 2 𝑛𝑖𝑣𝑒𝑙𝑒𝑠 𝑐𝑜𝑛𝑠𝑒𝑐𝑢𝑡𝑖𝑣𝑜𝑠 𝑐𝑢𝑎𝑙𝑒𝑠𝑞𝑢𝑖𝑒𝑟𝑎 𝑑𝑒𝑙 𝑓𝑎𝑐𝑡𝑜𝑟 𝐴.

𝜹𝟐 ≔ 𝐷𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎 𝑒𝑛𝑡𝑟𝑒 2 𝑛𝑖𝑣𝑒𝑙𝑒𝑠 𝑐𝑜𝑛𝑠𝑒𝑐𝑢𝑡𝑖𝑣𝑜𝑠 𝑐𝑢𝑎𝑙𝑒𝑠𝑞𝑢𝑖𝑒𝑟𝑎 𝑑𝑒𝑙 𝑓𝑎𝑐𝑡𝑜𝑟 𝐵.

Nota. Se pueden tomar 2 valores consecutivos cualesquiera, puesto que se supone que todos los niveles de ambos factores son igualmente espaciados.

¿Cuál es la diferencia en la interpretación al usar variables codificadas y no codificadas?

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.

Al utilizar las variables codificadas como variables independientes, 𝑈𝑖 y 𝑉𝑗 , se obtiene la estimación de la

variable respuesta 𝑌̂𝑖𝑗. en términos de unidades 𝛿 (Es decir, si el espaciamiento entre los valores de los niveles
en el factor es de 8 Unidades, cada unidad 𝛿 está conformada por 8 unidades originales) ,otorgando la
siguiente correspondencia entre los valores de las variables codificadas y las variables no codificadas:

Valores de la variable codificada

… -2 -1 0 1 2 …
Valores de la variable original
… ̅ + (2)𝛿
𝐴1. ̅ + (−1)𝛿
𝐴1. ̅
𝐴1. ̅ + (1)𝛿
𝐴1. ̅ + (2)𝛿
𝐴1. …

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.

Caso particular para un factor para el polinomio de tendencia:

𝐾1 𝑃2 𝐾2 𝑃1
𝑌̂𝑖. = (𝑌̅.. − )+
𝑟 𝑟

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:

ANOVA1 para el modelo completamente al azar con arreglo de tratamientos factorial 𝟑𝟐

(𝑆3 : Cuando un factor (A) es de niveles cuantitativos y equiespaciados y el otro (B) es de niveles
cualitativos)

Hipótesis a contrastar con ayuda de los estadísticos Fc del ANOVA:

𝐻01 : 𝐴1 = 𝐴 = 𝐴3 (Nulidad del efecto del Factor 𝐴)

𝐻02 : 𝐵1 = 𝐵2 = 𝐵3 (Nulidad del efecto del Factor 𝐵)
𝐻03 : 𝑁𝑜 𝑖𝑛𝑡𝑒𝑟𝑎𝑐𝑐𝑖ó𝑛 𝑒𝑛𝑡𝑟𝑒 𝐴 𝑦 𝐵. (Nulidad del efecto de interacción. Efecto aditivo)

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

𝐴𝐵𝐶 𝐺. 𝐿.𝐴𝐵𝐶 𝑆𝐶𝐴𝐵𝐶 𝑪𝑴𝑨𝑩𝑪 𝐹𝑐𝐴𝐵𝐶

𝑬𝒓𝒓𝒐𝒓 𝑮. 𝑳.𝜺 𝑺𝑪𝜺 𝑪𝑴𝜺
𝑻. 𝑨. 𝑮. 𝑳.𝑻.𝑨. 𝑺𝑪𝑻.𝑨.

ANOVA para el modelo completamente al azar con arreglo de tratamientos factorial 𝟑𝟐

(𝑆2 : Cuando ambos factores son de tipo cuantitativo con niveles igualmente espaciados)

Hipótesis a contrastar con ayuda de los estadísticos Fc del ANOVA:

𝐻01 : 𝐴1 = 𝐴 = 𝐴3 (Nulidad del efecto del Factor 𝐴)

𝐻02 : 𝐵1 = 𝐵2 = 𝐵3 (Nulidad del efecto del Factor 𝐵)
𝐻03 : 𝑁𝑜 𝑖𝑛𝑡𝑒𝑟𝑎𝑐𝑐𝑖ó𝑛 𝑒𝑛𝑡𝑟𝑒 𝐴 𝑦 𝐵. (Nulidad del efecto de interacción. Efecto aditivo)

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:

𝑺𝑪𝑨𝑳𝑩 = 𝑺𝑪𝑨𝑳𝑩𝟏 + 𝑺𝑪𝑨𝑳𝑩𝟐 + 𝑺𝑪𝑨𝑳𝑩𝟑 − 𝑺𝑪𝑨𝑳 = 𝟎 (1)

𝑺𝑪𝑨𝑪𝑩 = 𝑺𝑪𝑨𝑳𝑪𝑩𝟏 + 𝑺𝑪𝑨𝑪𝑩𝟐 + 𝑺𝑪𝑨𝑪𝑩𝟑 − 𝑺𝑪𝑨𝑪 = 𝟎 (2)

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:

𝑺𝑪𝑨 + 𝑺𝑪𝑩 + 𝑺𝑪𝑨𝑩 = 𝑺𝑪𝑨 + 𝑺𝑪𝑩 + (𝑺𝑪𝑨𝑳𝑩 + 𝑺𝑪𝑨𝑪𝑩 )

= 𝑺𝑪𝑨 + 𝑺𝑪𝑩
+ [(𝑺𝑪𝑨𝑳𝑩𝟏 + 𝑺𝑪𝑨𝑳𝑩𝟐 + 𝑺𝑪𝑨𝑳𝑩𝟑 − 𝑺𝑪𝑨𝑳 ) + (𝑺𝑪𝑨𝑳𝑪𝑩𝟏 + 𝑺𝑪𝑨𝑪𝑩𝟐 + 𝑺𝑪𝑨𝑪𝑩𝟑 − 𝑺𝑪𝑨𝑪 )]
= 𝑺𝑪𝑩 + (𝑺𝑪𝑨𝑳𝑩𝟏 + 𝑺𝑪𝑨𝑳𝑩𝟐 + 𝑺𝑪𝑨𝑳𝑩𝟑 + 𝑺𝑪𝑨𝑳𝑪𝑩𝟏 + 𝑺𝑪𝑨𝑪𝑩𝟐 + 𝑺𝑪𝑨𝑪𝑩𝟑 )
= 𝑺𝑪𝑩 + 𝑺𝑪𝑨+𝑨𝑩
 11

Estás últimas expresiones se refieren al ANOVA T2.

Las hipótesis relacionadas con la sumas de cuadrado que se han enfatizado son:

Hipótesis del ANOVA T1:

𝑯𝟎 : 𝑨𝑳𝑩 = 𝟎 (No hay efecto Lineal de A sobre el factor B)

𝑯𝟎 : 𝑨𝑪𝑩 = 𝟎 (No hay efecto Cuadrático de A sobre el factor B)

Hipótesis del ANOVA T2:

𝑯𝟎 : 𝑨𝑳𝑩𝒋 = 𝟎 (No hay efecto Lineal de A en el nivel j de B)

𝑯𝟎 : 𝑨𝑪𝑩𝒋 = 𝟎 (No hay efecto Cuadrático de A en el nivel j de B)

El efecto de intersección se refiere a la “Interacción”, cuando uno de los factores ese cuantitativo y otro
cualitativo.

Ventajas del experimento factorial.

1. Economía en el material experimental.

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.

2. Se amplía el rango de validez del experimento.

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.

3. Permite el estudio de interacciones.

El experimento con arreglo factorial es el único para investigar estas interacciones de una manera sistemática.

Glosario.
 12

1.- Diseño de tratamientos.

Considera las selecciones de los factores por estudiarse, sus niveles y la combinación de estos.

2.- Diseño experimental.

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.

3.- Diseño de tratamientos factoriales.

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.

El diseño factorial puede ser:

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.

4.- Diseño factorial completa y balanceada.

Son diseños factoriales con factores cruzados donde toda posible combinación ocurre (Completo) y cada una
de tiene igual número de repeticiones (Balanceado).