Instituto Tecnológico Superior de

[Fecha] Cintalapa

Ingeniería Industrial
Ingeniería de la Calidad
Diseño y Análisis de Experimentos
Unidad V: Diseño con mediciones repetidas
Catedrático: Ing. José de Jesús Zavala Zavala

Alumno
Gómez Pérez Faustino
6IC1

Cintalapa de Figueroa, Chiapas. A 7 de junio del 2018

Introducción.
En este presente trabajo se aborda el tema de diseños de mediciones repetidas,
o series de tiempo, la cual se define como, un conjunto de datos que se registran
a través del tiempo sobre el comportamiento de una variable de interés. Este
diseño es ampliamente utilizado en la agricultura y ciencias de la vida. Con ello
comenzamos considerando algunos de sus elementos básicos de repetición.
Como primer elemento se tiene el estudio de la tendencia en el tiempo la cual
esto favorece a revelar qué tan rápido responden las unidades al tratamiento o
durante cuánto tiempo se manifiestan los efectos del tratamiento en las unidades
del estudio. También es posible evaluar las diferencias entre las tendencias de
los tratamientos. Por otra parte, se tiene las relaciones entre las mediciones
repetidas, ya que estos poseen los métodos estadísticos necesarios para el
diseño de investigación aplicado en un estudio. El tercer elemento y ultimo, es el
análisis de varianza (ANOVA); este elemento es esencial para cualquier tipo de
diseños, ya que por medio de ello se puede obtener los datos estadísticos
necesarios para concluir cualquier investigación que se desea realizar. En fin, se
considera como una generalización del contraste de medias para datos
relacionados. Se concluye que este diseño tiene una infinidad de áreas de
aplicación; se aplica en la agricultura y biología, por mencionar algunas. Por
ejemplo, en medicina se aplican fármacos o medicamentos a los mismos
pacientes, registrando con cada droga la evolución de cada paciente durante un
determinado periodo.
5.1 estudio de la tendencia en el tiempo.
La tendencia en el tiempo de las respuestas individuales al tratamiento es un
aspecto importante para muchos experimentos, como aquellos en los que se
pesan cada semana para supervisar su crecimiento bajo diferentes condiciones
de nutrición o se cosechan parcelas de cultivos perenes como alfalfa varias
veces. Las mediciones repetidas existen con frecuencia en pruebas clínicas,
cuando la respuesta de los pacientes a un tratamiento se mide regularmente
para supervisarla. Las mediciones repetidas en cada unidad experimental
proporcionan información sobre la tendencia en tiempo de la variable de
respuesta bajo diferentes condiciones de tratamiento. Las tendencias en el
tiempo pueden revelar qué tan rápido responden las unidades al tratamiento o
durante cuánto tiempo se manifiestan los efectos del tratamiento en las unidades
del estudio. También es posible evaluar las diferencias entre las tendencias de
los tratamientos.
Los experimentos con medidas repetidas se pueden ver como una
generalización de las pruebas pareadas, en el sentido de que en ellos se realizan
varias mediciones de la variable de respuesta sobre las mismas unidades
experimentales bajo condiciones cambiantes. Las condiciones cambiantes
pueden ser diferentes tratamientos o distintas evaluaciones a lo largo del tiempo.
Al utilizar los mismos sujetos o unidades experimentales no sólo se logra
economizar en muestra, sino que se elimina la variación que se tendría si las
mediciones se hicieran sobre sujetos diferentes. Cuando las medidas repetidas
son a lo largo del factor tiempo, que es un caso muy frecuente, también se
conocen como “datos longitudinales”. Las medidas repetidas tienen una amplia
aplicación en muchas áreas, como en medicina, agricultura y biología, por
mencionar algunas. Por ejemplo, en medicina se aplican fármacos o
medicamentos a los mismos pacientes, registrando con cada droga la evolución
de cada paciente durante un determinado periodo. En agricultura se aplican
diferentes tratamientos a cierto cultivo y se registra durante un periodo cómo
evoluciona tal cultivo. En biología se puede estudiar el efecto de varias dietas
sobre una camada de animales, ratas, por ejemplo, dando seguimiento al peso
que gana cada rata en varias semanas.
El diseño de medidas repetidas es el único que permite estudiar los patrones
individuales de cambio de la respuesta sobre cada sujeto, aspecto que es de
gran interés para el experimentador. Las unidades experimentales no tienen por
qué ser necesariamente sujetos individuales, sino que pueden ser camadas de
animales, familias, áreas de material, metros de cable, etcétera. Desde el punto
de vista de su análisis, la complicación fundamental que surge con los diseños
de medidas repetidas es que, al ser repeticiones sobre la misma unidad
experimental, no son datos independientes. Lo usual es que exista dependencia
entre las mediciones sobre el mismo individuo. Y el problema es que muchos
análisis, como el ANOVA, suponen independencia entre las mediciones, y al no
haberla no se pueden aplicar sin tomar las precauciones o hacer los ajustes
necesarios. La otra es aplicar alguna técnica que incorpore en el análisis la
dependencia entre las mediciones. Se han propuesto muchas maneras de
analizar medidas repetidas, que van desde análisis simples basados en una
respuesta, construida a partir de las mediciones repetidas, hasta técnicas
multivariadas como análisis de varianza multivariado (MANOVA) y modelos
mixtos.
EJEMPLO:
Box (1950) presenta un experimento en el cual 30 ratas fueron asignadas
aleatoriamente a tres tratamientos (grupos): el grupo 1 es el control, en el grupo
2 se les agrega tiroxina en el agua para beber y al grupo 3 se les pone tiouracilo.
Se registró el peso de las ratas al comienzo del estudio y después cada semana
durante cuatro semanas. Los datos obtenidos se muestran en la tabla 14.14. Por
un accidente inicial en el tratamiento 2, sólo fue posible evaluar en forma
completa siete ratas.

Fuente: Análisis y diseño de experimentos (3ra. Edición), Gutiérrez Pulido.

El objetivo del experimento es comparar los tres tratamientos. Esto no se puede

hacer con el método de un diseño factorial 3 × 4, en el que un factor sean los
tratamientos y el otro el tiempo, porque las mediciones entre una semana y otra
no son independientes dado que son sobre el mismo animal. A continuación, se
ven dos métodos para analizar los datos de la tabla 14.14.

Análisis Univariado
Una manera de evitar la dependencia de las medidas repetidas es tratar de
reducirlas a estadísticos que resuman adecuadamente el comportamiento de
aquellas. Esto se puede lograr, por ejemplo, ajustando un modelo lineal al vector
de medidas repetidas de cada sujeto y utilizar los coeficientes estimados como
nuevas variables a las cuales aplicar las técnicas usuales como el ANOVA.
También es siempre recomendable hacer las gráficas de perfiles para observar
cómo se van comportando las medidas repetidas en cada individuo y sopesar
qué tan razonable es el modelo que se pretende ajustar en cada sujeto.
Si los modelos resultan con buen ajuste, es de esperarse que el ANOVA de los
coeficientes dé buenos resultados. El problema es que en ocasiones no es
posible lograr un buen ajuste de los modelos y en ese caso este análisis pierde
eficacia. La gráfica de perfiles para cada grupo de la tabla 14.14 se muestra en
la fi gura 14.7, de donde se observa muy parecido el comportamiento entre los
grupos 1 y 2 (control y tiroxina), y en el grupo 3 (tiouracilo) el crecimiento de las
curvas es menor. Dados estos perfiles, es de esperarse que cualquier análisis
sea capaz de detectar diferencias tanto de los tratamientos como a lo largo del
tiempo; además parece razonable que un modelo de regresión lineal simple
explique la evolución sobre el tiempo de cada animal, es decir, es de esperarse
que para cada rata se cumpla que:

𝑌1 = 𝛽0 + 𝛽1 + 𝑇𝑖 + 𝜀𝑖
donde 𝑌1 es el peso de la rata en el tiempo 𝑇𝑖 que está expresado en semanas,
pero podría estar en días; 𝜀𝑖 es el error de ajuste correspondiente. Además, 𝛽0 y
𝛽1 son los parámetros del modelo, que son estimados a partir de los datos, y 𝛽0
representa el corte o intersección de la línea ajustada con el eje Y, mientras que
𝛽1 es la pendiente de la línea recta. En la tabla 14.15 se muestran las
estimaciones para los parámetros 𝛽0 y 𝛽1 para los datos de las 27 ratas, y
también el coeficiente de determinación 𝑅2 , que muestra que el ajuste de las
líneas rectas es muy bueno, ya que en prácticamente todos los casos este
coeficiente es mayor que 95 por ciento.

Figura 14.7 perfiles para los tres grupos de ratas.

Con las estimaciones de la tabla 14.15 se pueden comparar los tres tratamientos
respecto a los dos parámetros. Esto se hace mediante el análisis de varianza de
la tabla 14.16, de donde se ve que para la variable 𝛽0 el 𝑣𝑎𝑙𝑜𝑟 − 𝑝 = 0.171, no
es menor que 0.05, por lo que se concluye que no hay diferencia significativa
entre los tratamientos respecto a 𝛽0 , lo que es congruente con el hecho de que
al tiempo 0 las ratas de cada tratamiento tienen el mismo peso promedio.
Análisis de varianza (ANOVA).

En el caso de b1, sí hay una diferencia significativa (valor-p = 0.0000), lo que

indica que la velocidad con la que las ratas de los tres tratamientos ganan peso
no es igual.
Esto es más evidente en la gráfica de medias que se muestra en la fi gura 14.8,
donde queda claro que las ratas del tratamiento 3 (tiouracilo) tienen una ganancia
semanal de peso de 17.1 gramos en promedio, que es significativamente menor
que lo que ganan en promedio por semana en el tratamiento 1 (26.5 gramos) y
el tratamiento 2 (27.1). Entre estos dos últimos tratamientos no hay una
diferencia significativa. Si se promedian los parámetros de la recta ajustada a los
perfiles de crecimiento de la fi gura 14.7, se obtiene una recta promedio para
cada grupo, como se muestra en el lado derecho de la fi gura 14.8. Los
parámetros de estas rectas “promedio” son:

Si en el caso del ejemplo 14.4 el aumento del peso de las ratas no hubiera sido
lineal, se podría haber ajustado algún otro tipo de modelo.

Análisis multivariado
Otra alternativa para analizar los datos de mediciones repetidas es a través de
pruebas multivariadas en las que, en el caso del ejemplo 14.4, se prueba de una
sola vez si las medias vectoriales de los tres grupos son iguales. De esta manera
la formulación de las hipótesis es como sigue:
𝐻0 = 𝜇1 = 𝜇2 = 𝜇3
𝐻𝑎 = 𝜇𝑖 ≠ 𝜇𝑗 𝑝𝑎𝑟𝑎 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝑝𝑎𝑟 𝑑𝑒 𝑚𝑒𝑑𝑖𝑎𝑠
donde 𝑂𝜇ℎ , es el vector columna de las medias del grupo h, con h = 1, 2, 3. Cada
componente del vector es la media del grupo en cada uno de los cinco tiempos
de medición. Así, en el caso del grupo 1 𝜇1 = (𝜇1,0 , 𝜇1,1 , 𝜇1,2 , 𝜇1,3 , 𝜇1,4 ) donde 𝜇1,0
es la media del grupo 1 en la semana cero, que se estimaría con el peso
promedio de las 10 ratas de ese grupo en la semana cero. De los datos de la
tabla 14.14 se obtiene que los vectores de medias estimados están dados por:

Elementos de diseños de medidas repetidas (Michael H. Kutner).

Los diseños de medidas repetidas utilizan el mismo sujeto (persona, tienda,

planta, mercado de prueba, etc.) para cada uno de los tratamientos en estudio.
El sujeto por lo tanto sirve como un bloque, y las unidades experimentales dentro
de un bloque se pueden ver como las diferentes ocasiones en que un tratamiento
se aplica al sujeto. Un estudio de medidas repetidas puede implicar varios
tratamientos o solo un solo tratamiento que se evalúa en diferentes momentos.
Sujetos utilizados en repetidas Los estudios de medidas en las ciencias del
comportamiento y de la vida incluyen personas, hogares, observadores, y
animales experimentales. En otras ocasiones, los sujetos en diseños de medidas
repetidas son tiendas, mercados de prueba, ciudades y plantas. Nos referiremos
a todas estas unidades de estudio utilizadas en diseños de medidas repetidas
como sujetos.
Tres ejemplos de diseños de medidas repetidas siguen.
1. Quince mercados de prueba se utilizarán para estudiar cada una de las
dos campañas publicitarias diferentes. En cada mercado de prueba, el
orden de las dos campañas será aleatorizado, con una cantidad suficiente
lapso de tiempo entre las dos campañas para que los efectos de la
campaña inicial no transfieren a la segunda campaña. Los sujetos en este
estudio son los mercados de prueba.
2. Cien personas que tienen migrañas persistentes deben recibir dos
diferentes medicamentos y un placebo, durante dos semanas cada uno,
con el orden de los medicamentos asignados al azar. Para cada persona.
Los sujetos en el estudio son las personas con migrañas.
3. En un estudio de pérdida de peso, 100 personas con sobrepeso se les
dará la misma dieta y si los pesos medidos al final de cada semana
durante 12 semanas para evaluar la pérdida de peso con el tiempo. Aquí
los sujetos son las personas con sobrepeso, que se observan
repetidamente.

Ventajas y desventajas.
La única variación dentro de los sujetos ingresa el error experimental ya que dos
tratamientos se pueden comparar directamente para cada sujeto. Por lo tanto,
uno puede ver los sujetos que sirven como sus propios controles. Otra ventaja
de un diseño de medidas repetidas es que economiza en temas. Esto es muy
importante cuando solo unas pocas materias (por ejemplo, tiendas, plantas,
mercados de prueba) se pueden utilizar para la experiencia. Además, cuando el
interés está en los efectos de un tratamiento en el tiempo, como cuando la forma
de la curva de aprendizaje para un nuevo proceso operación debe estudiarse,
por lo general es deseable observar el mismo sujeto en diferentes puntos en el
tiempo en lugar de observar diferentes sujetos en los puntos especificados en el
tiempo.

Sin embargo, los diseños de medidas repetidas tienen una seria desventaja
potencial, a saber, que puede haber varios tipos de interferencia. Un tipo de
interferencia es un afecto de orden la cual es conectado con la posición en la
orden de tratamiento. Por ejemplo, al evaluar cinco diferentes anuncios, los
sujetos pueden tender a otorgar calificaciones más altas (o más bajas) para los
anuncios mostrado hacia el final de la secuencia que al principio. Otro tipo de
interferencia está conectado con el tratamiento o tratamientos anteriores. Por
ejemplo, al evaluar cinco diferentes recetas de sopa, una receta insulsa puede
obtener una calificación más alta (o más baja) cuando está precedida por una
receta muy condimentada que cuando está precedida por una receta más clara.
Este tipo de interferencia es llamado efecto continua. Se pueden tomar varios
pasos para minimizar el peligro de los efectos de interferencia. Aleatorización de
las órdenes de tratamiento para cada sujeto de forma independiente hará que
sea más razonable analizar los datos como si los términos fueran
independientes. Permitir suficiente tiempo entre los tratamientos son a menudo
un medio efectivo para reducir los efectos continuos. Puede ser deseable en
veces para equilibrar el orden de las presentaciones de tratamiento y, a veces
incluso el número de cada vez que cada tratamiento es precedido por cualquier
otro tratamiento.

¿Cómo aleatorizar?
La aleatorización del orden de los tratamientos asignados a un sujeto es directa.
Por cada sujeto, se usa una permutación aleatoria para definir el orden de
tratamiento, e independientemente las permutaciones se seleccionan para los
diferentes temas.

Experimentos de factor único con medidas repetidas en todos los tratamientos.

Primero consideramos diseños de medidas repetidas donde los tratamientos se

basan en un único factor. Casi siempre. los sujetos en medidas repetidas los
diseños (personas, tiendas, mercados de prueba, animales de experimentación)
se consideran una muestra aleatoria de una población. Por lo tanto, en todos los
modelos para diseños de medidas repetidas se presentarán en este capítulo, los
efectos de los sujetos serán vistos como aleatorios.

El resultado de observaciones repetidas es una mayor precisión

Las observaciones repetidas de la misma unidad experimental a través del

tiempo, con frecuencia son más eficientes que el uso de una unidad experimental
diferente para cada observación en el tiempo. No sólo se requieren menos
unidades, lo que reduce costos, también las estimaciones de las tendencias en
el tiempo serán más precisas. El aumento en la. precisión se debe a que las
mediciones en la misma unidad tienden a ser menos variables que las
mediciones en unidades distintas; por tanto, el efecto de las mediciones
repetidas es similar al efecto del uso de bloques.

Una gráfica de perfiles revela la tendencia

En las figuras 15.1 se muestran las tendencias observadas con el tiempo para
los tres tratamientos en el estudio, las gráficas de perfiles muestran un
incremento en las diferencias observadas de temperatura para los conejos. Se
observa un incremento menos definitivo con el tratamiento del excipiente solo y
el perfil de la solución salina indica sólo una repuesta fluctuante sin tendencia
definida. El objetivo del análisis para este estudio será determinar si existe una
tendencia significativa ascendente en la temperatura para cualquier tratamiento.
De ser así, será importante determinar si el amiodarone es responsable del
incremento y no la solución excipiente, o el procedimiento intravenoso en sí
mediante el tratamiento salino. Así, serán importantes en el análisis los
contrastes entre la tendencia del tratamiento de amiodarone y la de los dos
tratamientos de control.
Diseños entre y dentro de unidades experimentales.

Los diseños de mediciones repetidas se pueden describir en términos del diseño

entre sujetos y el diseño dentro sujetos. Los diseños entre sujetos se refieren a
los diseños en que una unidad experimental se asigna a un tratamiento. Los
diseños dentro sujetos se refieren a las diferentes mediciones en cada unidad
experimental. El diseño explicado en el ejemplo 15.1 tiene tres tratamientos en
un diseño totalmente aleatorizado para el diseño entre sujetos. El diseño dentro
sujetos consiste en las mediciones repetidas en cada conejo.
De manera alternativa, se pueden administrar dos tratamientos o más a cada
sujeto. Suponiendo que se usan atletas como sujetos para un estudio de
fisiología del ejercicio y después de completar el régimen de entrenamiento se
les somete a pruebas en bandas caminadoras colocadas en dos posiciones
distintas, horizontal e inclinada. El objetivo es determinar si existen diferencias
entre los resultados de las pruebas con la caminadora horizontal y la inclinada.
Si las pruebas en ellas se realizan con los atletas en orden aleatorio, cada atleta
es un bloque en un diseño de bloques aleatorizado.
5.2 Relaciones entre las mediciones repetidas.
Las relaciones entre las observaciones gobiernan los métodos estadísticos
necesarios para el diseño de investigación específico usado en un estudio. En
este capítulo se explora la correspondencia de las relaciones con el método de
análisis para diseños de medidas repetidas junto con algunas estrategias útiles
para el análisis.

Observaciones correlacionadas entre las mediciones repetidas

El orden de las mediciones a los 0, 30, 60 y 90 minutos en cada conejo en el
ejemplo 15.1 no se puede aleatorizar con respecto al tiempo; así, es posible que
los pares de mediciones repetidas en el mismo conejo tengan una correlación.
En general, se supone que los pares de observaciones adyacentes en el tiempo
tienen mayor correlación que los pares de observaciones más separadas. Y se
supone que las observaciones a los 0 y 30 minutos en cualquiera de los conejos
del estudio no tienen una correlación mayor que las observaciones a los 0 y 90
minutos. La correlación entre dos variables, digamos 𝑦1 y 𝑦2 se define como:

𝜎12
𝑃12 =
𝜎1 𝜎2
donde 𝜎1 𝑦 𝜎2 son las desviaciones estándar de 𝑦1 y 𝑦2 y 𝜎12 es la covarianza
entre. Si el valor esperado o media de la variable y es 𝐸 (𝑦) = 𝜇 entonces su
varianza es 𝜎 2 = 𝐸(𝑦 − 𝜇)2 . La covarianza de dos variables, 𝑦1 y 𝑦2 es 𝜎12 =
𝐸(𝑦1 −𝜇1 (𝑦2 − 𝜇2 ). La covarianza es una medida de la manera en que dos
variables varían juntas, si aumenta el valor de una variable mientras el de la otra
aumenta, la covarianza es positiva y la correlación entre las variables es positiva.
Las varianza y covarianzas teóricas para las mediciones repetidas sucesivas
como 𝑦1 , 𝑦2 , 𝑦3 , 𝑦 𝑦4 se explican en el cuadro 15.1 como la matriz Σ de 4𝑥4.

Suposiciones del análisis de varianza

Varianzas iguales para los. grupos de tratamiento y observaciones
independientes con distribución normal son las suposiciones usuales necesarias
para un análisis de varianza válido de los datos. La independencia en las
observaciones tiene como resultado un valor de cero para las covarianzas
mostradas en el cuadro 15.1

Cuadro 15.1 Matriz 𝚺 de varianzas y covarianzas para cuatro mediciones repetidas

𝒚𝟏 𝒚𝟐 𝒚𝟑 𝒚𝟒

𝒚𝟏 𝝈𝟏𝟏 𝝈𝟏𝟐 𝝈𝟏𝟑 𝝈𝟏𝟒

𝒚𝟐 𝝈𝟐𝟏 𝝈𝟐𝟐 𝝈𝟐𝟑 𝝈𝟐𝟒

𝒚𝟑 𝝈𝟑𝟏 𝝈𝟑𝟐 𝝈𝟑𝟑 𝝈𝟑𝟒

𝒚𝟒 𝝈𝟒𝟏 𝝈𝟒𝟐 𝝈𝟒𝟑 𝝈𝟒𝟒

Con estas suposiciones, d tiene el mismo valor para todos los grupos de
tratamiento y tiempos de medición, y 𝑝 = 0 o bien 𝜎𝑖𝑗 = 𝜎𝑗𝑖 = 0
Las medias compuestas de simetría son iguales a la correlación entre las
mediciones repetidas.

Un experimento particular con asignación aleatoria de los tratamientos a las

unidades experimentales es sólo una muestra aleatoria de todos los
experimentos posibles que pudieran usarse. Hacer una asignación aleatoria no
elimina la correlación entre las observaciones; sin embargo, la correlación
esperada entre las unidades experimentales es constante con todas las
aleatorizaciones posibles. Si varianzas y correlaciones son constantes, las
covarianzas tendrán el valor constante 𝜎𝑖𝑗 = 𝑝𝜎 2 de la ecuación (15.1), esta
condición se conoce como simetría compuesta. La matriz de varianzas y
covarianzas con simetría compuesta se muestra en el cuadro 15.2.

Cuadro 15.2 Matriz C de varianzas y covarianzas para cuatro mediciones repetidas

con simetría compuesta.

𝒚𝟏 𝒚𝟐 𝒚𝟑 𝒚𝟒
𝒚𝟏 𝝈𝟐 𝒑𝝈𝟐 𝒑𝝈𝟐 𝒑𝝈𝟐
𝒚𝟐 𝒑𝝈𝟐 𝝈𝟐 𝒑𝝈𝟐 𝒑𝝈𝟐
𝒚𝟑 𝒑𝝈𝟐 𝒑𝝈𝟐 𝝈𝟐 𝒑𝝈𝟐
𝒚𝟒 𝒑𝝈𝟐 𝒑𝝈𝟐 𝒑𝝈𝟐 𝝈𝟐

5.3 Análisis de Varianza.

Dado que el modelo de medidas repetidas (27.1) es el mismo que el modelo de
bloques completos aleatorizado. El análisis de la varianza y la prueba de los
efectos del tratamiento serán los mismos que antes.
Análisis de variación. Las sumas de cuadrados de ANOVA para el modelo de
medidas repetidas (27.1) son los mismos que en el análisis de varianza para
bloques aleatorizados pero los nombres de dos de las sumas de cuadrados
generalmente se cambian para aplicaciones de medidas repetidas. La suma de
cuadrados para bloques en ahora se llama la suma de cuadrados para los
sujetos, y la interacción suma de cuadrados entre bloques y tratamientos en
ahora se llamarán suma de cuadrados de interacción entre tratamientos y temas.
Estas dos sumas de cuadrados se denotarán, respectivamente, por SSS y
SSTR.S. Por lo tanto, el análisis de la descomposición de la varianza para
medidas repetidas de un solo factor el modelo (27.1) es:
TABLA 27.1 Tabla de ANOVA para medidas repetidas de factor único.

Fuente de SS GL MS E{MS}
variación.
Sujetos SSS s-1 MSS 𝜎 2 + 𝑟𝜎𝑝2
Tratamientos SSTR r-1 MSTR ∑ 𝑟𝑖2
𝜎2 +
𝑟−1
Error SSTR.S (r-1)(s-1) MSTR.S 𝜎2

Total SSTO Sr-1

Fuente: Applied Linear Statistical Models, (Michael H. Kutner)

𝑆𝑆𝑇𝑂 = 𝑆𝑆𝑆 + 𝑆𝑆𝑇𝑅 + 𝑆𝑆𝑇𝑅. 𝑆

Donde:
𝑆𝑆𝑆𝑇𝑂 = ∑ ∑(𝑌𝑖𝑗 − 𝑌̅.. )2
𝐼 𝐽

𝑆𝑆𝑆 = 𝑟 ∑(𝑌̅𝑖. − 𝑌̅.. )2

𝑖

𝑆𝑆𝑇𝑅 = 𝑠 ∑(𝑌̅𝑖. − 𝑌̅.. )2

𝑗

𝑺𝑺𝑻𝑹. 𝑺 = ∑ ∑(𝑌𝑖𝑗 − 𝑌̅𝑖. − 𝑌̅𝑗. + 𝑌̅.. )2

𝐼 𝐽

Tenga en cuenta que no hay ninguna suma de cuadrados de error porque no hay
replicas aquí. La tabla 27.1 contiene el análisis de la tabla de varianza para el
modelo de medidas repetidas (27.1). Es lo mismo para el modelo de bloques
aleatorios aditivos excepto por el cambio en la notación. Tenga en cuenta
nuevamente que, en ausencia de interacciones entre tratamientos y sujetos, la
interacción del cuadrado medio MSTR.S es un estimador insesgado de la
varianza del error.

formulas:
Experimentos de dos factores con medidas repetidas en un factor.

Descripción del diseño

En muchos estudios de dos factores, las medidas repetidas solo pueden
realizarse en uno de los dos factores. Considere, por ejemplo, un experimentador
que deseaba estudiar los efectos de dos tipos de incentivos (factor A) sobre la
capacidad de una persona para resolver problemas. El investigador también
quería estudiar dos tipos de problemas (factor B): problemas abstractos y
concretos. Cada experimento al sujeto se le puede pedir que haga cada tipo de
problema, pero no podría estar expuesto a más de un tipo de estímulo de
incentivo debido a posibles efectos de interferencia. En un experimento de dos
factores con medidas repetidas en un factor, dos aleatorizaciones
generalmente necesitan ser empleados. Primero, el nivel del factor no repetido
debe ser asignado al azar a los sujetos. En segundo lugar, el orden de los niveles
de repetición factor, debe ser aleatorizado de forma independiente para todos
los sujetos.
Como los sujetos se asignan aleatoriamente, los estímulos incentivadores A 1 y
sujetos son aleatoriamente. Estímulo de incentivo asignado A2, en lo que
respecta al factor A, el experimento es completamente uno al azar Por otro lado,
en lo que respecta al factor B (tipo de problema), cada el sujeto es un bloque.
Por lo tanto, para el factor B, el experimento es un diseño de bloques completos
al azar, con efectos de bloque al azar. Llamamos a este diseño experimental un
experimento de dos factores con medidas repetidas sobre el factor B.

Modelo.
El desarrollo de un modelo para un experimento de dos factores con medidas
repetidas en uno factor es solo un poco más complejo que para casos anteriores.
Como antes, desarrollaremos el modelo para efectos de sujeto aleatorio y
efectos fijos de factor A y factor B. Deja, como de costumbre,
denotan los efectos principales del factor A y del factor B, respectivamente, el
AB efecto de interacción, y p el efecto principal sujeto (bloque). Sin embargo,
debemos reconocer que el efecto sujeto en este diseño está anidado dentro del
factor A. Por lo tanto, denotaremos como antes, suponemos que no hay
interacciones entre los tratamientos y sujetos, aunque esta condición no es
esencial aquí. Un modelo que incorpora lo anterior especificaciones es la
siguiente para un estudio equilibrado, donde el número de sujetos que reciben
cada nivel del factor A es el mismo:
 Análisis de varianza para dos factores.

Fuente: Applied Linear Statistical Models, (Michael H. Kutner)

 Conclusión:
Desde el punto de vista, el método de análisis de los diseños de medidas
repetidas se basa en el modelo estructural del ANOVA con valores esperados
mixtos dado que el denominado factor Sujetos se considera que asume un
modelo de efectos aleatorios puesto que los sujetos o unidades experimentales
se seleccionan de manera aleatoria para ser estudiadas. Este proceso se repite
cada cierto tiempo (ciclo) para recolectar los datos necesarios, en fin, para
analizar la tendencia en el tiempo, es decir, para aislar el componente que
determina el comportamiento a largo plazo de la serie pueden utilizarse el
procedimiento del ajuste por suma cuadrados.
Por otra parte, existen condiciones cambiantes, las cuales pueden ser diferentes
tratamientos o diferentes evaluaciones a lo largo del tiempo del estudio que se
desea realizar. Por lo tanto, se puede utilizar los mismos datos o unidades
experimentales con el fin de economizar las muestras y disminuye el nivel de
variación que se tiene si los estudios se hicieran sobre nuevos sujetos. Sin
embargo, cuando las medidas son a lo largo del tempo, las cuales suele repetirse
constantemente, se conocen como datos longitudinales; ya que esto nos perimite
analizar cambios a través del tiempo en determinadas variables, a la vez nos
permiten recolectar datos en puntos o periodos especificados para hacer
inferencias respecto al cambio. En pocas palabras, los diseños de medidas
repetidas proporcionan una buena precisión para comparar tratamientos porque
todas las fuentes de variabilidad entre sujetos son excluidas del error
experimental. Cabe destacar que una de las ventajas beneficiosas que nos
proporciona este método es que requieren menos sujetos que un diseño
completamente aleatorizado y permiten disminuir el nivel de variación, debido a
que se puede utilizar los mismos sujetos.
 Referencias Bibliográficas.

1.- Humberto Gtz, Román de la Vara., Análisis y Diseño de Experimentos, México, DF,
McGraw Hill/Interamericana Editores. Tercera Edición, 2012.
2.- Douglas C. Montgomery. Diseño y Análisis de Experimentos, Ed. LIMUSA, Segunda
Edición, 2004.
3.- Robert O. Kuelh, Diseño de experimentos: Principios estadísticos de diseño y
análisis de investigación, Ed. THOMSON LEARNING, Segunda Edicion, 2001.
4.- Michael H. Kutner, Christopher J. Nachtsheim, John Neter, William Li, Applied
Linear Statistical Modelsl, McGraw-Hill, Quinta Edicion, 2005.
5.- George C. Canavos, Probabilidad y Estadística: Aplicaciones y Métodos, McGraw-
Hill, Primera Edición, 1988.

Marcelo Rodríguez, Diseño con medidas repetidas. Recuperado de:

https://es.scribd.com/document/56610104/8-Diseno-con-Medidas-Repetidas-en-SPSS
Diseño de Medidas Repetidas. Recuperado de:
www.ub.edu/disin/sites/default/files/Tema%204_1.pdf
Análisis de Varianza con medidas repetidas. recuperado de:
http://halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/GuiaSPSS/16anovar.pdf
Manual de Psicología Experimental, Capitulo III: Diseño con medidas repetidas.
Recuperado de:
https://www.uv.es/~friasnav/MedidasRepetidasMixto.pdf
Analisis de la Varianza Para medidas repetidas. Recuperado de:
http://personal.us.es/vararey/adatos2/materiales/anovarepe.pdf