Escriba la 𝑯𝒐 y 𝑯𝒂 para los modelos I y II del ANOVA de dos Factores y describa los análisis

posteriores a la obtención del cuadro de ANOVA. Comente un ejemplo para cada caso.

ANOVA de Dos Factores – Modelo I

Los experimentos en los cuales los tratamientos o niveles de tratamiento son preseleccionados
por el experimentador en contraposición a aquellos que son seleccionados aleatoriamente,
reciben el nombre de efectos fijos o experimentos de Modelo I. Para los modelos de efectos fijos
las inferencias se realizan únicamente sobre aquellos tratamientos particulares usados en el
experimento. En este modelo ambos factores corresponden a efectos de tratamientos fijos. En
este caso, el cuadro medio de cada nivel de variación lleva solamente el efecto añadido asociado
a aquel nivel de tratamiento. Para cualquier fuente de variación se comprueba mediante el
cociente del MS correspondiente sobre el MS error.

Para el Modelo I se tiene:

𝑋𝑖𝑗 = 𝜇 + 𝛼𝑖 + 𝛽𝑖 + (𝛼𝛽)𝑖𝑗 + 𝜀𝑖𝑗

𝛼 Y 𝛽 son los efectos de tratamientos fijos. 𝜀𝑖𝑗 Es la perturbación o error experimental que
distribuye normal con media y/o varianza constante. (𝛼𝛽)𝑖𝑗 Representa la interacción.
𝜇1 = 𝜇2 = ⋯ = 𝜇𝑛
𝐻𝑜 )𝛼1 = 𝛼2 = ⋯ = 𝛼𝑛 𝐻𝑎 )𝜇1 ≠ 𝜇2 ≠ ⋯ ≠ 𝜇𝑛
𝛽1 = 𝛽2 = ⋯ = 𝛽𝑛
Ejemplo. Estudio sobre la inactivación de la Vitamina A evaluando tipo de grasa (fresca o rancia)
y sexo (macho y hembra). Se evalúan efectos fijados previamente.

ANOVA de Dos Factores – Modelo II

En este caso los dos efectos principales contienen en los cuadrados medios esperados la
componente de la varianza de la interacción, así como su propia componente de varianza. La
expresión matemática de un ANOVA de factores para un Modelo II es:

𝑋𝑖𝑗 = 𝜇 + 𝐴𝑖 + 𝐵𝑖 + (𝐴𝐵)𝑖𝑗 + 𝜀𝑖𝑗

Donde A y B son los efectos aleatorios. (AB) es la interacción y 𝜀𝑖𝑗 es el error experimental.

Si la interacción es significativa, la significación de los factores se comprueba como

𝑀𝑆𝑐𝑜𝑟𝑟𝑒𝑠𝑝𝑜𝑛𝑑𝑖𝑒𝑛𝑡𝑒
𝐹𝑠 =
𝑀𝑆𝑒𝑟𝑟𝑜𝑟
Si la interacción no es significativa, se puede promediar o no el 𝑆𝑆𝑖𝑛𝑡𝑒𝑟𝑎𝑐𝑐𝑖ó𝑛 con 𝑆𝑆𝑒𝑟𝑟𝑜𝑟
utilizando determinadas reglas.

Aunque no se recomienda unir la suma de cuadrados de la interacción con el residuo, a no ser

que el 𝑀𝑆𝑖𝑛𝑡𝑒𝑟𝑎𝑐𝑐𝑖ó𝑛 sea muy próximo al 𝑀𝑆𝑒𝑟𝑟𝑜𝑟 (o el test F para la interacción muy próximo a
1). La razón es evitar aumentar erróneamente la estimación del error experimental.

𝜎𝐴2 = 0 𝜎𝐴2 ≠ 0
𝐻𝑜 ) 𝜎𝐵2 = 0 𝐻𝑎 ) 𝜎𝐵2 ≠ 0
2 2
𝜎𝐴𝐵 =0 𝜎𝐴𝐵 ≠0
Ejemplo. Medición en diferentes puntos y a distintas profundidades del contenido de una
laguna. Para comprobar si el contenido de la laguna puede aproximarse al comportamiento de
un reactor completamente mezclado o si se verifica algún tipo de heterogeneidad vertical o
longitudinal. El ejemplo no posee replicación, por lo que no se considera la interacción.

Detalle la hipótesis que deben cumplir los residuos en un modelo de análisis de varianza de
un factor, como se calculan los residuos para cada observación e indique como se comprueba
cada uno de ellos.

El término 𝐸𝑖𝑗 denominado error experimental o perturbación, representa el efecto de una serie
de factores distintos no controlados, es decir, es el resultado de muchos factores distintos,
ninguno de los cuales es predominante.

Estas perturbaciones 𝐸𝑖𝑗 deben cumplir con las siguientes hipótesis.

1. 𝐸(𝜇𝑖 ) = 0. Esta condición exige que la totalidad de los 𝜀𝑖𝑗 tengan media 0. Para que esto
ocurra, las distintas mediciones de la variable X, tienen que haberse tomado en
condiciones homogéneas.
2. 𝑉𝑎𝑟 (𝜀𝑖𝑗 ) = 𝜎 2 = 𝑐𝑡𝑒. Esta condición exige que las perturbaciones tengan la misma
variabilidad en todos los grupos (o tratamientos) y además que esta variabilidad sea
estable y no tienda a crecer o disminuir durante el experimento.
3. 𝐸(𝜀𝑖𝑗 , 𝜀𝑟𝑘 ) = 0 ∀ 𝑗 ≠ 𝑟 , 𝑖 ≠ 𝑘 . Esta condición impone que las perturbaciones 𝜀𝑖𝑗 se
produzcan de manera independiente de una observación a otra. Esto es, que las
observaciones 𝑋𝑖𝑗 sean independientes, es decir, que el valor de una observación no
esté condicionada por el valor de la anterior y no condicione el valor siguiente.
4. 𝜀𝑖𝑗 ~(0, 𝜎 2 ). Esta condición implica cumplir con la hipótesis DIIN (0, 𝜎 2 ). Esto es, que las
perturbaciones se distribuyan idéntica e independientemente, como variables normales
de media cero y varianza constante pero desconocida 𝜎 2 .

Explique la diferencia entre comparaciones “a priori” y “a posteriori”. Describa el

procedimiento de descomposición de la SS de cuadrados utilizando un ejemplo y explique en
cada caso cuando se aconseja de manera preferencial, indicando el número máximo de
comparaciones posibles.

Siempre que un Modelo I de ANOVA sea significativo, lo que permite concluir que las muestras
de los distintos tratamientos no proceden de la misma población (no tienen idéntica media
paramétrica), se debe determinar que media o grupo de medias son significativamente
diferentes unas de otras. Esto se realiza mediante los test de comparaciones múltiples.

Comparaciones “a priori”. Son los que han sido planificados antes que el experimento se realice
y por lo tanto son independientes del resultado del experimento.

Comparaciones “a posteriori”. Son aquellas que resultan del análisis de los resultados obtenidos
(después de realizado el experimento se desea comparar con ciertas medias que sean
marcadamente diferentes). Estos test se realizan únicamente si el análisis de ANOVA es
𝑎(𝑎−1)
significativo y cuando existen 𝑎 medias puede hacerse 2
comparaciones entre medias.
Descomposición de Suma de Cuadrados entre Grupos o Tratamientos

Consiste en descomponer la suma de cuadrados entre grupos y el grado de libertad

correspondiente, en suma de cuadrados separados para cada una de las comparaciones
linealmente independientes con un grado de libertad cada una de ellas (un grado de libertad
asociado)

La suma de cuadrado 𝑆𝑆𝑐𝑜𝑚𝑝𝑎𝑟𝑎𝑐𝑖ó𝑛 se calcula utilizando la siguiente expresión:

𝑆𝑆𝑐𝑜𝑚𝑝 = [(𝑇𝐺1 )2 ⁄𝑛1 + (𝑇𝐺2 )2⁄𝑛2 ] − 𝑇𝐶

𝑀𝑆𝑐𝑜𝑚𝑝
𝐹𝑠 =
𝑀𝑆𝑒𝑟𝑟𝑜𝑟
Siendo 𝑇𝐶 = 𝑡𝑒𝑟𝑚𝑖𝑛𝑜 𝑑𝑒 𝑐𝑜𝑟𝑟𝑒𝑐𝑐𝑖ó𝑛. Calculado para determinar el cuadro de ANOVA.

(∑ ∑ 𝑋)2
𝑇𝐶 =
𝑛𝑇
Ejemplo. Si se desea comparar la concentración de algún compuesto en agua, en fuentes de
agua localizadas en diferentes puntos. Se calcula la suma de cuadrados para dicha comparación
teniendo en cuenta que son solo dos puntos. Uno constituido por la zona A y otro
correspondiente a la zona B. Siendo los totales y numero de observaciones de cada grupo los
siguientes:

Zona A Zona B
Media 𝑋̅𝐴 𝑋̅𝐵
Total (TG) 𝑇𝐺𝐴 𝑇𝐺𝐵
N 𝑛𝐴 𝑛𝐵

Si el factor cuyo efecto resulta significativo es cuantitativo se utiliza la suma de cuadrados para
analizar por separado la significación de su efecto lineal, cuadrático, cubico, etc.

Si el factor se estudió a I niveles, es posible analizar I-1 subefectos (tantos como grados de
libertad del factor).

Test de la Mínima Diferencia Significativa (LSD) – “a priori”

El valor de LSD se calcula a partir de la expresión:

2𝑀𝑆𝑒𝑟𝑟𝑜𝑟 1⁄2 1 1 1⁄2

𝐿𝑆𝐷 = 𝑡(𝛼,𝜈) ⋅ ( ) = 𝑡[𝛼⁄2, 𝜈=𝑎(𝑛−1)] [𝑀𝑆𝑒𝑟𝑟𝑜𝑟 ( + )]
𝑛 𝑛1 𝑛2
Donde t es el valor critico que se calcula usando la distribución de Student para un nivel de
significación α de 0,05 o 0,01 y un valor 𝜈 igual al número de grados de libertad del error.

Cualquier pareja de medias que difieran en una cantidad mayor a este valor serán
significativamente diferentes una de otra al nivel α con que se determina el LSD.

Los resultados de los test de comparaciones múltiples son equivalente tanto si se trabajan con
los datos transformados o sin transformar.
Test Simultaneo de Rangos (Tukey) – “a posteriori”

Este test utiliza el Rango, es decir, la diferencia entre la media máxima y la media mínima del
grupo en consideración como estadístico y lo comparan con un valor crítico calculado por medio
de la expresión:

𝑀𝑆𝑒𝑟𝑟𝑜𝑟 1⁄2
𝐿𝑆𝑅 = 𝑄𝛼[𝑘,𝜈] ⋅ ( )
𝑛
Donde 𝑄𝛼[𝑘,𝜈] es el rango studentizado, que se obtiene de una tabla en función de, 𝑘 (numero
de medias comprendido en el rango) y 𝜈 (número de grados de libertad del 𝑀𝑆𝑒𝑟𝑟𝑜𝑟 , para un
valor conveniente de α).

Cualquier conjunto de medias cuyo rango supere el valor LSR será significativo.

Cuando se quieran comparar dos medias que provengan de muestras que no tengan el mismo
tamaño se calcula:
2(𝑛1 ⋅ 𝑛2 )
𝑛=
(𝑛1 + 𝑛2 )

Conceptos de Diseño de Experimentos

Experimento. Concepto de pruebas cuyo objetivo es obtener información que permita mejorar
el producto o el proceso de estudio.

Factor. Parametro o característica del producto o proceso para los que se prueban valores o
variantes con el fin de evaluar sus influencias sobre el o los resultados. Estos pueden ser
cuantitativos (temperatura, dosis, etc.) y cualitativos (Proveedor, tipo de lubricantes, etc.).

Tratamiento. Combinación de variantes o niveles de cada factor que se utiliza en una

determinada prueba.

Efecto Simple. Efecto de un factor que se estima sobre el promedio de las condiciones
estudiadas para los otros factores.

Efecto Interacción entre Factores. Si el efecto de un factor se modifica al cambiar la variante del
otro se dice que existe interacción entre los factores.

Ortogonalidad. Se dice que en un diseño los efectos simples son ortogonales, si para cada una
de las variantes de un factor se tienen las variantes del otro factor en idénticas proporciones.

Planes Factoriales Equilibrados. Es aquel en el que cada tratamiento posible se ensaya una vez
o un mínimo número de veces. Un diseño factorial equilibrada en el que cada factor se ensaya
a dos niveles se denomina 2𝑘 .

Etapas del Diseño de un Experimento

Incluye la identificación y definición de los siguientes aspectos

 Objetivos
 Definir los siguientes aspectos:
1. Características de Calidad o Productividad sobre la cual se quiere investigar los
posibles efectos de los factores.
 2. Selección de Factores
3. Definir los niveles o variantes a estudiar para cada factor
4. Decidir en qué va a consistir cada prueba individual.

Indique en que etapas de la investigación de la mejora de un producto o proceso se aconseja

la utilización del diseño 𝟐𝒌 y en que consiste el mismo. Ventaja del diseño experimental
respecto al procedimiento de un factor a la vez. Desventajas del diseño 𝟐𝒌 .

Los planes 2𝑘 se utilizan en las primeras etapas de la investigación, para explorar la influencia
de distintos factores. Es un diseño factorial equilibrado en el que cada factor se ensaya a dos
niveles.

Cuando el objetivo es medir como influye k factores en un proceso y describir sus interacciones
entre ellos, el diseño factorial 2𝑘 es la estrategia experimental óptima.

En estos diseños cada factor se estudia a solo 2 niveles y sus experimentos contemplan todas
las combinaciones de cada nivel de un factor con todos los niveles de los otros factores.

Factores Cualitativos. El número de niveles viene definido por el número de alternativas

existentes. Los signos + y – se asignan de acuerdo a la presencia o ausencia de un atributo o
cualidad. Signo (+), presencia de Atributo. Signo (-), ausencia de atributo.

Factores Cuantitativos. El número de niveles y los valores concretos de los mismos se pueden
fijar libremente.

El enfoque tradicional considera la influencia de un factor a la vez (Ineficaz e ineficiente). Es muy

costoso (exige un gran número de pruebas). Las conclusiones obtenidas para cada factor tienen
un campo de aplicación muy restringido. No permite detectar la presencia de interacciones. No
garantiza la obtención de las condiciones operativas óptimas.

Desventajas del Diseño 𝟐𝒌

No permite detectar la posible curvatura de la función respuesta. A veces puede suceder que un
factor no tiene efecto, porque el nivel óptimo es intermedio a los dos ensayos (generalmente
cuando se ensayan a dos niveles por encima y por debajo de la condición operativa habitual).

Generalmente en las etapas siguientes resulta conveniente investigar el efecto de aquellos

factores que resultaron significativos aumentando el número de niveles.