Experimentos Factoriales

Son experimentos o ensayos con combinaciones de dos o más facto-

res o grupos de tratamientos.

Ejemplo, en un proceso de fermentación del lactosuero acido, se em-

plean dos factores:

El factor 1 es el tipo de lactosuero empleado, con 2 niveles (lac-

tosuero acido entero y lactosuero ácido desproteinizado), mientras
que el factor 2 es la cantidad de inoculo empleado, con 3 niveles
(5, 10, 15%).

Diseño de Experimentos
Experimento Factorial

Los experimentos factoriales permiten examinar las interacciones en-

tre los distintos niveles de los factores estudiados, para posterior-
mente determinar cuál combinación de niveles de éstos optimiza la
respuesta.

En este tipo de experimento, todos los niveles de un factor se com-

binan con los niveles de los otros factores, estas combinaciones de
niveles es lo que corresponde a los tratamientos.

Cuando dos factores interactúan la respuesta a los cambios de un

factor está condicionada por el nivel del otro factor.

Diseño de Experimentos
Experimento Factorial

Las dimensiones de un experimento factorial se ı́ndican de acuerdo

al número de factores que se esten estudiando, o que intervienen
en el experimento, y al número de niveles de cada factor. Ası́ la
expresión 2 × 2 hace referencia a un experimento factorial con dos
factores y dos niveles por factor, mientras que la expresión 3 × 4 × 2,
hace referencia a una estructura de tratamiento factorial con tres
factores, el primero con tres niveles, el segundo con cuatro niveles y
el tercero con dos niveles.

Cuando todos los factores estudiados tienen el mismo número de ni-

veles, digamos n, entonces se dice que se tiene un factorial simétrico,
ası́, para p factores con n niveles cada uno se dice que se tiene un
experimento factorial p n . Por ejemplo, la notación 23 indica un
ensayo con tres factores y dos niveles por factor, mientras que un
ensayo con dos factores y tres niveles por nivel se nota 32

Diseño de Experimentos
Conceptos Básicos

Un factor es un conjunto de tratamientos que se pueden aplicar a

las unidades experimentales.

Se denotan con las primeras letras del alfabeto o con la letra inicial
del factor en mayúscula.

Los factores pueden ser cualitativos, tipo de empaque, métodos de

aplicación de un producto, etc, o cuantitativos como dosis de un
inoculo, raciones en una dieta, tiempo de aplicación de un producto,
temperatura, etc.

Diseño de Experimentos
Conceptos Básicos

Un nivel de un factor es un tratamiento particular del conjunto de

tratamientos que constituyen el factor. Si el factor es cuantitativo,
los niveles están formados por las diferentes cantidades del mismo;
por ejemplo, para el factor Temperatura: los niveles pueden ser
20◦ C, 25◦ C y 30◦ C.

Si el factor es cualitativo los niveles los constituyen las diferentes

categorı́as del mismo, es decir, si el factor es tipo de lactosuero,
los niveles pueden ser: lactosuero acido entero y lactosuero ácido
desproteinizado, en este caso tendrı́a dos niveles.

Por lo general los niveles de un factor se designan con letras minúsculas,

correspondiendo la letra mayúscula al factor, subindexadas con los
números 1, 2, 3,..,n. Por ejemplo para el factor temperatura (letra
T) que tiene 3 niveles, estos se denotarı́an por t1 , t2 y t3 .

Diseño de Experimentos
Conceptos Básicos

En un experimento factorial es importante saber que los factores

actúan simultáneamente sobre las unidades experimentales para ob-
tener la respuesta o variable dependiente.

Tabela : Factores y variables dependientes en un experimento factorial

Factores Variables Dependientes
Cantidad de fibra, proteı́nas Producción de leche,
y carbohidratos en raciones carne, huevos, etc.
Medida de la calidad
Temperatura y tiempo de almacenamiento
de un producto
Crecimiento de microorganismos,
Luz, oxigeno y temperatura
producción de una sustancia.
Tipo de lactosuero y dosis de inoculo Acidez, biomasa

Diseño de Experimentos
Efecto de un factor

El efecto de un factor a un sólo nivel de otro factor o una sola com-

binación de otros factores se conoce como efecto simple.

Cuando se tienen dos factores, si se promedian esos efectos simples

se obtiene un efecto principal.

El efecto principal de un factor es una comparación entre las respu-

estas esperadas para los diferentes niveles de un factor, promediados
sobre todos los niveles de todos los otros factores.

Diseño de Experimentos
Hipótesis de interés

En este tipo de experimento, el interés principal se centra, la mayorı́a

de las veces, en el efecto de la interacción, por eso el análisis es-
tadı́stico inicia con la prueba F de no interacción, expresada en la
prueba de hipótesis siguiente:

H0 : (αβ)jk = 0 contra H1 : (αβ)jk 6= 0.

Si se rechaza H0 , el paso siguiente es analizar las medias de celda

µij y se pierde interés en las pruebas independientes de los efectos
principales de los factores A y B, puesto que los factores están
actuando en forma simultánea o conjunta.

Diseño de Experimentos
Hipótesis de interés

Si H0 no se rechaza, entonces el interés se centra en probar los efec-

tos principales de A y de B en forma independiente, es decir, se
llevan a cabo las pruebas de hipótesis:

1) Para los efectos principales de A:

H0 : α j = 0 contra H1 : αj 6= 0,

2) Para los efectos principales de B:

H0 : βk = 0 contra H1 : βk 6= 0.

Diseño de Experimentos
Experimento Factorial Bajo un DCA
Se estudiará ahora el caso de un modelo de efectos fijos con dos fac-
tores A y B, con a y b niveles respectivamente, en un experimento
factorial bajo un DCA. El modelo estadı́stico es:

Yijk = µ + αj + βk + (αβ)jk + ijk , (1)

con i = 1, 2, 3, · · · , r , j = 1, 2, 3, · · · , a y k = 1, 2, 3, ..., b.
Donde
Yijk es la respuesta en la i − ésima unidad experimental para el
j − ésimo nivel del factor A y el k − ésimo nivel del factor B.
µ es la media general común a todos los tratamientos.
αj es el efecto principal del j − ésimo nivel del factor A.
βk es el efecto principal del k − ésimo nivel del factor B.
(αβ)jk es el efecto del j − ésimo nivel del factor A con el k − ésimo
nivel del factor B.
ijk es el error aleatorio en la i − ésima unidad experimental para el
j − ésimo nivel del factor A y el k − ésimo nivel del factor B.
Diseño de Experimentos
Experimento Factorial Bajo un DCA

Para estimar los parámetros del modelo se debe suponer que

a
P b
P a P
P b
αj = βk = (αβ)jk = 0
j=1 k=1 j=1 k=1

iid
y además se supone que ijk ∼ N 0,σ 2 . La información de cada

unidad experimental se puede resumir como se ilustra en la Tabla 2.

Tabela : Distribución de observaciones en un factorial 2 × 2

TTO Repeticiones Total de TTO
a1 b1 Y111 Y211 Y311 ··· Yr 11 Y·11
a2 b1 Y121 Y221 Y321 ··· Yr 21 Y·21
a1 b2 Y112 Y212 Y312 ··· Yr 12 Y·12
a2 b2 Y122 Y222 Y322 ··· Yr 22 Y·22
Total de repeticiones Y1·· Y2·· Y3·· ··· Yr ·· Y···

Diseño de Experimentos
Experimento Factorial Bajo un DCA

Con los totales por tratamiento dados en la Tabla 3

Tabela : Tabla de totales para los factores A y B

A/B b1 b2 Y·j·
a1 Y·11 Y·12 Y·1·
a2 Y·21 Y·22 Y·2·
Y··k Y··1 Y··2 Y···

Diseño de Experimentos
Análisis de Varianza
En este tipo de experimento se tienen dos estructuras, la de diseño
y la de tratamiento, entonces tenemos que
SCTotal = SCTTO + SCEE (2)
y por la estrutura de tratamiento se tiene que
SCTTO = SCA + SCB + SCAB . (3)
Entonces la combinación de las dos estructuras arroja la siguiente
descomposición de la suma de cuadrados total:
SCTotal = SCA + SCB + SCAB + SCEE (4)
Ası́, las hipótesis a verificar son:
1) H0 : (αβ)jk = 0 contra H1 : (αβ)jk 6= 0 (5)
2) H0 : αj = 0 contra H1 : αj 6= 0 (6)
3) H0 : βk = 0 contra H1 : βk 6= 0. (7)
Diseño de Experimentos
ANAVA

Las estadı́sticas de prueba para corroborar estas hipótesis quedan

expresadas como se muestran en la Tabla 4 del análisis de varianza
respectivo.

Tabela : ANAVA para un experimento factorial 2 × 2 bajo un DCA

F.V. gl SC CM Fc Ftabla
CMTTO
TTO ab − 1 SCTTO CMTTO CMEE
Fα, ab−1, ab(r −1)
CMA
A a−1 SCA CMA CMEE
Fα, a−1, ab(r −1)
CMB
B b−1 SCB CMB CMEE
Fα, b−1, ab(r −1)
CMAB
AB (a − 1) (b − 1) SCAB CMAB CMEE
Fα, (a−1)(b−1), ab(r −1)
EE ab (r − 1) SCEE CMEE
Total abr − 1 SCTotal

Diseño de Experimentos
ANAVA

r X
X a X
b
2
SCTotal = Yijk − FC , (8)
i=1 j=1 k=1

2 b
a P
r P
Y... P
con FC = rab y Y··· = Yijk ,
i=1 j=1 k=1

a X
b 2
X Y·jk
SCTTO = − FC , (9)
r
j=1 k=1

a 2 b
X Y·j· X Y2
SCA = − FC , ··k
SCB = − FC , (10)
rb ra
j=1 k=1

SCAB = SCTTO − SCA − SCB , SCEE = SCTotal − SCTTO .

(11)
Diseño de Experimentos
Errores Estándar para Medias de Efectos Principales e
Interacción

Los errores estándar para las medias de efectos principales vienen

dados por:

1) Para medias de los niveles del factor A:

p
SY ·j· = CMEE /rb. (12)

2) Para medias de los niveles del factor B:

p
SY ··k = CMEE /ra. (13)

3) Mientras que el error estándar para una media de la interacción

viene dado por: p
SY .jk = CMEE /r . (14)

Diseño de Experimentos
Errores Estándar para Medias de Efectos Principales e
Interacción

4) Error estándar de la diferencia entre dos medias de A:

r
2CMEE
SdA = . (15)
rb
5) Error estándar de la diferencia entre dos medias de B:
r
2CMEE
SdB = . (16)
ra
6) Error estándar de la diferencia entre dos medias de AB:
r
2CMEE
SdAB = . (17)
r

Diseño de Experimentos
Ejemplo

Tabela : Factores y niveles estudiados

A B
a1 b1
a2 b2
a3 b3
a4 b4

Diseño de Experimentos
Ejemplo
A B rep 1 rep 2 rep 3 rep 4
a1 b1 10 9 8.6 10
a1 b2 8 7.8 4.5 7.2
a1 b3 18 24.8 21.5 20.5
a1 b4 9.7 11 9 18.2
a2 b1 9 12.4 10.4 13
a2 b2 0 7.5 5.7 6
a2 b3 10.5 17.5 18 0
a2 b4 0 9 11 0
a3 b1 7.6 8 11.6 9
a3 b2 6 6 8 7.6
a3 b3 19.5 18 18.8 21.2
a3 b4 11 6 11.1 9
a4 b1 10 12 9.8 9
a4 b2 5.4 4.6 7.5 6.4
a4 b3 23 19 22 20
a4 b4 8.5 8.5 10 10.5

Diseño de Experimentos
Ejemplo

Tabela : Tabla de totales para

A/B b1 b2 b3 b4 Y·j·
a1 37.6 27.5 84.8 47.9 197.8
a2 44.8 19.2 46 20 130
a3 36 27.6 77.5 37.1 178.4
a4 40.8 23.9 84 37.5 186.2
Y··k 159.4 98.2 292.3 142.5 Y... = 692.2

Diseño de Experimentos
Ejemplo
las sumas de cuadrados son:
Y2 692, 42
FC = ··· = = 7490.90
rab 4×4×4

r X
a X
b
X Y···2
SCTotal = Yijk −
rab
i=1 j=1 k=1

7.4 + 8 + 11.62 + · · · + 8.52 + 102 + 10.52 − 7490.90

2 2
 
=
= 2185.75

a X
b 2
X Y·jk Y···2
SCTTO = −
r rab
j=1 k=1
37.62 + 27.52 + 84.82 + · · · + 842 + 37.52
 
= − 7490.90
4
= 1684.12
Diseño de Experimentos
Ejemplo

b
Y···2 197.82 + 1302 + 178.42 + 186.22
 
X Y··K
SCA = − = − 7490.9
rb rab 4×4
k=1
= 166.71

a
Y···2 159.42 + 98.22 + 292.32 + 142.52
 
X Y·j·
SCB = − = − 7490.9
ra rab 4×4
j=1
= 1308.91

SCAB = SCTTO −SCA −SCB = 1684.12−1308.91−166.71 = 208.49

SCEE = SCTotal − SCTTO = 2185.75 − 1684.12 = 501.63.

Diseño de Experimentos
Ejemplo

Entonces el ANAVA respectivo es:

Tabela : ANAVA
F.V. gl SC CM Fc
TTO 15 1684.12 112.27 10.74∗∗
A 3 166.71 55.57 5.32∗∗
B 3 1308.91 436.30 41.75∗∗
A×B 9 208.49 23.16 2.22∗
EE 48 501.63 10.45

Se concluye que hay diferencia significativa para la interacción de A

con B . La Tabla 8 presenta los promedios para los datos de este
ejemplo.

Diseño de Experimentos
Ejemplo

Tabela : Promedios para los datos del ejemplo

A\B b1 b2 b3 b4 Y .j.
a1 9.4 6.87 21.2 11.97 12.36
a2 11.2 4.8 11.5 5.0 8.12
a3 9.0 6.9 19.37 9.27 11.13
a4 10.2 5.97 21 9.37 11.63
Y ..k 9.95 6.13 18.26 8.9 Y ... = 10.81

Diseño de Experimentos
Ejemplo

Los errores estándar para las medias

q de tratamiento son:
Para A: SY .j. = CMEE /rb = 10.46
p
= 0.8085;
q 16
para B: SY ..k = CMEE /ra = 10.46
p
16 = 0.8085
y para una media de la interacción A×B,
r
p 10.46
SY .jk = CMEE /r = = 1.6170
4

Diseño de Experimentos
Pruebas Horizontales y Verticales

Para analizar la interacción se pueden realizar pruebas verticales u

horizontales. Estas consisten en analizar un factor a cada nivel del
otro factor. Por ejemplo, podemos llevar a cabo pruebas verticales si
analizamos las diferencias entre los niveles del factor A para cada ni-
vel del factor B, con una cualesquiera de las pruebas de comparación
múltiple estudiada anteriormente. En forma similar, si analizamos
las diferencias entre los niveles del factor B a cada nivel del factor
A, entonces estamos realizando pruebas horizontales.

Diseño de Experimentos
Ejemplo-Pruebas Verticales

Analicemos las diferencias del factor A a cada nivel del factor B

(pruebas verticales), mediante la prueba de la Diferencia Mı́nima
Significativa; en este caso estarı́amos corroborando a cada nivel de
B (b1 , b2 , b3 , b4 ) la hipótesis nula

H0 : µj. = µj0. contra H1 : µj. 6= µj0. j, j 0 = 1, 2, 3, 4

y rechazarı́amos H0 sı́ Y .j. − Y .j0. > DMS.

Ası́, para b1 se tiene que:

r
2CMEE
DMS = t 
1− α
2 , glEE r
= (2.0106) × (2.2869) = 5.2827

Diseño de Experimentos
Ejemplo-Pruebas Verticales

Tabela : Prueba DMS de A para el nivel b1

Comparación Y .j. − Y .j0. DMS Decisión

a1 − a2 1.8 5.2827 No rechazar H0
a1 − a3 0.4 5.2827 No rechazar H0
a1 − a4 0.8 5.2827 No rechazar H0
a2 − a3 2.2 5.2827 No rechazar H0
a2 − a4 1.0 5.2827 No rechazar H0
a3 − a4 1.2 5.2827 No rechazar H0

Ası́, para b1 se tienen los siguientes resultados de las comparaciones

verticales de los niveles de A con la DMS.

a1 a3 a4 a2
a a a a

Diseño de Experimentos
Ejemplo-Pruebas Verticales
Llevando a cabo este mismo proceso para cada nivel de B se llega
finalmente a la tabla resumen de comparaciones verticales (Tabla
10),

Tabela : Comparaciones verticales para extractos a cada nivel de B

A/B b1 b2 b3 b4
a1 9.4a 6.87a 21.2a 11.97a
a2 11.2a 4.8a 11.5b 5b
a3 9a 6.9a 19.37a 9.27ab
a4 10.2a 5.97a 21a 9.37ab

Se observa que para los niveles de b1 y b2 , los niveles del factor A

tienen el mismo promedio, mientras que para los niveles b3 y b4 se
encuentran algunas diferencias en los niveles de A encontrándose el
nivel a1 como el de respuesta más alta y el nivel a2 con la respuesta
más baja, todo este comportamiento logra explicar la interacción.
Diseño de Experimentos
Polinomios Ortogonales

Cuando se tiene un experimento factorial con dos factores donde uno

es nominal y el otro es cuantitativo, el cual se encuentra igualmente
espaciado, el análisis de la interacción se lleva a cabo analizando los
polinomios ortogonales a cada nivel del factor nominal. El siguiente
ejemplo ilustra esta metodologı́a.

Diseño de Experimentos
Polinomios Ortogonales

Ejemplo
Se tienen tres métodos de elaboración de un producto (m1,m2,m3)
y dosis de un componente 0,2,4,6,8,10. El diseño experimental utili-
zado fue completamente al azar con 4 repeticiones. La información
presentada en la Tabla 11 corresponde a la variable dependiente Y.

Diseño de Experimentos
Polinomios Ortogonales

Tabela : Variable Y
Dosis Método rep 1 rep 2 rep 3 rep 4
0 m1 30.35 11.38 13.09 58.93
2 m1 29.79 16.5 16.83 18.37
4 m1 56.2 48.4 40.76 49.7
6 m1 23.36 28.7 20.95 23.87
8 m1 21.67 20.62 37.29 21.23
10 m1 35.4 45.9 24.37 21.06
0 m2 57.89 91.47 37.97 84.33
2 m2 66.54 80.9 28.29 83.58
4 m2 42.92 51.24 60.5 66.87
6 m2 27 35.7 34.6 22.74
8 m2 67.7 72.08 17.32 61.67
10 m2 26.99 27.9 10.50 13.86
0 m3 54.10 67.69 85.44 34.55
2 m3 40.79 68.9 93 57.8
4 m3 87.01 59.86 62.47 61.75
6 m3 40.50 73.73 99.87 98,49
8 m3 84.73 70.5 37.28 44.89
10 m3 42.36 37.37 38.54 40.36

Diseño de Experimentos
Polinomios Ortogonales

Los totales por tratamiento son presentados en la Tabla 12.

Tabela : Totales por tratamiento

Dosis/Método m1 m2 m3 Y.j.
0 113.76 271.67 241.8 627.23
2 81.49 259.32 260.49 601.31
4 195.06 221.53 271.09 687.69
6 96.89 120.04 312.60 529.53
8 100.81 218.78 237.41 557.01
10 126.73 79.24 158.63 364.61
Y..k 714.76 1170.59 1482.05 Y... = 3367.40

Diseño de Experimentos
Polinomios Ortogonales

Los promedios por tratamiento son dados en la Tabla 13.

Tabela : Promedios por tratamientos

Dosis/Método m1 m2 m3
0 28.44 67.91 60.45
2 20.37 64.87 65.12
4 48.76 55.38 67.77
6 24.22 30.01 78.15
8 25.20 54.69 59.35
10 31.68 19.81 39.65

Diseño de Experimentos
Polinomios Ortogonales

resultando el ANAVA resumido en la Tabla 14.

Tabela : ANAVA
F.V. gl SC CM Fc
TTO 17 25259.24 1485.83 5.08∗∗
Dosis 5 5136.21 1027.24 3.51∗∗
Método 2 12410.15 6205.07 21.20∗∗
Dosis × Método 10 7712.87 771.28 2.64∗
EE 54 15804.59 292.67

Diseño de Experimentos
Polinomios Ortogonales

Tabela : Promedios y coeficientes de polinomios ortogonales por efecto

Dosis/Método m1 m2 m3 Lineal Cuadrática Cúbica Cuarta Quinta
0 28.43 67.91 60.44 -5 5 -5 1 -1
2 20.37 64.82 65.12 -3 -1 7 -3 5
4 48.76 55.38 67.77 -1 -4 4 2 -10
6 24.22 30.01 78.14 1 -4 -4 2 10
8 25.20 54.69 59.35 3 -1 -7 -3 -5
10 3168 19.81 39.65 5 5 5 1 1

Tabela : Suma de cuadrados para el método 1 (m1)

P Cij2
Efecto Z
b
4×3
SC Fc
m1 × Dosis lineal 6.16 5.83 6.51 0.02NS
m1 × Dosis Cuadr ática -36.91 7 194.67 0.66NS
m1 × Dosis C úbica 80.58 15 432.87 1.47NS
m1 × Dosis Cuarta 69.36 2.33 2062.30 7.04*
m1 × Dosis Quinta -266.34 21 3378.04 11.54*

Diseño de Experimentos
Polinomios Ortogonales

Tabela : Suma de cuadrados para el método 2 (m2)

P Cij2
Efecto Z
b
4×3
SC Fc
m2 × Dosis lineal -296.31 5.83 15051.58 51.42**
m2 × Dosis Cuadr ática -22.45 7 72.02 0.24NS
m2 × Dosis C úbica -68.07 15 309.02 1.05NS
m2 × Dosis Cuarta -100.06 2.33 4290.82 14.66**
m2 × Dosis Quinta -251.17 21 3004.16 10.26**

Tabela : Suma de cuadrados para el método 3 (m3)

P Cij2
Efecto Z
b
4×3
SC Fc
m3 × Dosis lineal -110.88 5.83 2107.74 7.20∗∗
m3 × Dosis Cuadr ática -207.64 7 6159.19 21.04∗∗
m3 × Dosis C úbica -105.03 15 735.42 2.51NS
m3 × Dosis Cuarta 18.52 2.33 147.14 0.50NS
m3 × Dosis Quinta 111.83 21 595.57 2.03NS

Los resultados anteriores muestran que la tendencia de las dosis para

cada método es totalmente distinta, lo cual explica la significancia
de la interacción.
Diseño de Experimentos
Experimento Factorial Bajo un DBCA
Considérese un experimento factorial con dos factores A y B, am-
bos de efecto fijo, con a y b niveles, respectivamente. El modelo
estadı́stico para este caso es:

Yijk = µ + ρi + αj + βk + (αβ)jk + ijk , (18)

para i = 1, 2, 3..., r , j = 1, 2, 3, ..., a y k = 1, 2, ..., b donde,

Yijk es la respuesta en el i − ésimo bloque para el j − ésimo nivel
del factor A y el k − ésimo nivel del factor B.
µ es la media general común a todos los tratamientos.
ρi es el efecto del bloque i − ésimo.
αj es el efecto principal del j − ésimo nivel del factor A.
βk es el efecto principal del k − ésimo nivel del factor B.
(αβ)jk es el efecto del j − ésimo nivel del factor A con el k − ésimo
nivel del factor B.
ijk es el error aleatorio en el i − ésimo bloque para el j − ésimo
nivel del factor A y el k − ésimo nivel del factor B.
Diseño de Experimentos
Experimento Factorial Bajo un DBCA

Los supuestos para los tratamientos son:

a
X b
X a X
X b
αj = βk = (αβ)jk = 0. (19)
j=1 k=1 j=1 k=1

iid
Nuevamente se supone que ∈ijk ∼ N 0 , σ 2 .

El arreglo de la información, al igual que los totales por tratamiento

se muestran en las Tablas 19 y 20, respectivamente.

Diseño de Experimentos
Experimento Factorial Bajo un DBCA

Tabela : Arreglo de la información para un factorial 22 bajo DBCA

TTO Bloques Totales de TTO
a1 b1 Y111 Y211 Y311 ··· Yr 11 Y·11
a2 b1 Y121 Y221 Y321 ··· Yr 21 Y·21
a1 b2 Y112 Y212 Y312 ··· Yr 12 Y·12
a2 b2 Y122 Y222 Y322 ··· Yr 22 Y·22
Totales Bloques Y1·· Y2·· Y3·· ··· Yr ·· Y···

Tabela : Totales para los factores A y B en un DBCA

Niveles Factor B

Factor A 1 2 ··· b Totales de A Y·j·
1 Y·11 Y·12 ··· Y·1b Y·1·
2 Y·21 Y·22 ··· Y·2b Y·2·
. . . . . .
. . . . . .
. . . . . .
a Y·a1 Y·a2 ··· Y·ab Y·a·
Totales de B (Y··k ) Y··1 Y··2 ··· Y··b Y···

Diseño de Experimentos
Experimento Factorial Bajo un DBCA

Tabela : ANAVA para un factorial 22 en un DBCA

F.V. gl SC CM Fc Ftabla
CMBloques
Bloques r −1 SCBloques CMBloques CMEE
F(α, r −1, (ab−1)(r −1))
CMA
A a−1 SCA CMA CMEE
F(α, a−1, (ab−1)(r −1))
CMB
B b−1 SCB CMB CMEE
F(α, b−1, (ab−1)(r −1))
CMAB
A×B (a − 1) (b − 1) SCAB CMAB CMEE
F(α, (a−1)(b−1), (ab−1)(r −1))
EE (r − 1) (ab − 1) SCEE CMEE
Total abr − 1 SCTotal

Diseño de Experimentos
Experimento Factorial Bajo un DBCA

Donde
r X
X a X
b
2
SCTotal = Yijk − FC , (20)
i=1 j=1 k=1
2
Y...
con FC = rab ,
r
X Y2 i··
SCBloques = − FC , (21)
ab
i=1
a X
b 2
X Y·jk
SCTTO = − FC , (22)
r
j=1 k=1
a 2
X Y·j·
SCA = − FC , (23)
rb
j=1

Diseño de Experimentos
Experimento Factorial Bajo un DBCA

b
X Y2 ··k
SCB = − FC , (24)
ra
k=1

SCAB = SCTTO − SCA − SCB , (25)

SCEE = SCTotal − SCBloques − SCTTO . (26)

Diseño de Experimentos
Experimento Factorial Bajo un DBCA

C =calcio; F =frecuencia de aplicación.

Tabela : Factores para firmeza del fruto del tomate

Calcio (C ) Frecuencia (F )
C0 (0, 05%) F0 (1)
C1 (0, 10%) F1 (2)
C2 (0, 15%) F2 (3)

Diseño de Experimentos
Experimento Factorial Bajo un DBCA

Tabela : Resultados de firmeza del fruto del tomate

Tratamientos Repeticiones de Yijk [Link] Y .jk
C 0 F0 2.1 2.6 1.5 2.5 8.7 2.175
C 0 F1 1.65 2.15 2.55 2.15 8.5 2.125
C 0 F2 3.6 2.2 3 3.05 11.85 2.963
C 1 F0 3.8 2.45 2.75 3.45 12.45 3.1125
C 1 F1 2.75 3.4 2.7 2.75 11.6 2.9
C 1 F2 2.4 2.1 2.45 2.75 9.7 2.425
C 2 F0 2.9 3.75 2.8 3.05 12.5 3.125
C 2 F1 2.9 3.6 2.05 1.8 10.35 2.5875
C 2 F2 2.8 3.1 2.9 2.9 11.7 2.925

Diseño de Experimentos
DBCA

Los totales por tratamiento son presentados en la Tabla 24.

Tabela : Totales de tratamientos para firmeza del fruto del tomate

F /C C0 C1 C2 Y..C
F0 8.7 12.45 12.5 33.65
F1 8.5 11.6 10.35 30.45
F2 11.85 9.7 11.7 33.25
Y.j. 29.05 33.75 34.55 97.35

Diseño de Experimentos
DBCA

Al calcular las respectivas sumas de cuadrados se llega a la tabla

ANAVA 25.

Tabela : ANAVA para firmeza del fruto del tomate

F.V. gl SC CM Fc
Bloques 3 0.447 0.149 0.59NS
C 2 1.471 0.735 2.92∗ (8%)
F 2 0.506 0.253 1.01NS
C ×F 4 2.840 0.710 2.82∗
EE 24 6.040 0.251
Total 35 11.306

Diseño de Experimentos
DBCA

Estos resultados muestran que existe una interacción CF significa-

tiva. Como los factores son cuantitativos e igualmente espaciados,
se obtienen los respectivos efectos lineal, cuadrático y la interacción
de éstos, como se muestra en la Tabla 26.

Diseño de Experimentos
DBCA

Tabela : Coeficientes de poligonos ortogonales para un factorial 32 .

C0 C1 C2
Contrastes F0 F1 F2 F0 F1 F2 F0 F1 F2
Y .jk 2.175 2.125 2.963 3.1125 2.9 2.425 3.125 2.5875 2.925
CL -1 -1 -1 0 0 0 1 1 1
CC 1 1 1 -2 -2 -2 1 1 1
FL -1 0 1 -1 0 1 -1 0 1
FC 1 -2 1 1 -2 1 1 -2 1
CL FL 1 0 -1 0 0 0 -1 0 1
CL FC -1 2 -1 0 0 0 1 -2 1
CC FL -1 0 1 2 0 -2 -1 0 1
CC FC 1 -2 1 -2 4 -2 1 -2 1

Diseño de Experimentos
DBCA

Las sumas de cuadrados de cada efecto se consigue con la expresión

tradicional de los polinomios ortogonales:
 2
Xa X
b a X
X b
2
SC = r  Pcjk Y jk  / Pcjk. (27)
j=1 k=1 j=1 k=1

donde, Pcjk y Y jk son respectivamente los coeficientes ortogonales

y los promedios por combinación de tratamientos dados en la Tabla
26.

Diseño de Experimentos
DBCA

Los resultados para el ejemplo son presentados en la Tabla 27.

Tabela : Prueba de efectos para firmeza del fruto del tomate

Efecto SCEfecto FC
CL 1.260∗ 5.01
CC 0.211NS 0.84
FL 0.006NS 0.03
FC 0.500NS 1.99
CL FL 0.975∗ (7%) 3.87
CL F C 0.000NS 0.00
CC F L 1.283∗ 5.10
CC F C 0.5814NS 2.31

Diseño de Experimentos
DBCA

La interpretación de estos resultados es como sigue:

1) Efecto principal de C .
La significancia de CL está indicando que existen diferencias entre
los niveles C2 y C0 , mientras que la no significancia de CC quiere
decir que no existe una curvatura en la firmeza del tomate cuando
C se incrementa, como se muestra en la Tabla 28 de promedios de
los niveles de C .

Tabela : Promedios de dosis de calcio

C C0 C1 C2
Y .j. 2.4210 2.8125 2.8792

Diseño de Experimentos
DBCA

El efecto lı́neal de C es
1 1


CL = 2 C2 − C0 = 2 (2.8792 − 2.4210) = 0.2291

Dado que este efecto es positivo, entonces está indicando que la

respuesta se incrementa al pasar del nivel bajo (C0 ) al nivel más
alto (C2 ).

Diseño de Experimentos
DBCA

2) Efecto principal de F
La no significancia del efecto lineal esta indicando que la respuesta
en el nivel F0 no es diferente a la respuesta obtenida en el nivel F2 y
la no significancia del efecto cuadrático es indicio de que no existe
cierto grado de curvatura en la respuesta. Los promedios para los
niveles de F se muestran en la Tabla 29.

Tabela : Promedios de frecuencia de aplicación

F F0 F1 F2
Y ..k 2.8042 2.5375 2.7708

Diseño de Experimentos
DBCA

3) Interacciones C × F
En la tabla ANAVA se nota que la interacción CC FL fue significa-
tiva. Mientras que CL FL es importante en el modelo a un nivel de
significancia del 7%. Los promedios por tratamiento se muestran en
la Tabla 30.

Tabela : Promedios Y .jk

F /C C0 C1 C2
F0 2.175 3.1125 3.125
F1 2.125 2.9 2.5875
F2 2.963 2.425 2.925

Diseño de Experimentos
DBCA

a) Para la interaccion CL FL , la cual resultó significativa (al 7%),

se tiene entonces que el efecto lineal del C en el nivel F0 es es-
tadı́sticamente diferente al del nivel F2 .
El efecto de CL dado F0 y F2 es:
1
1
CL /F0 = C2 F0 − C0 F0 = (3.125 − 2.175) = 0.475
2 2
y
1
1
CL /F2 = C2 F2 − C0 F2 = (2.925 − 2.963) = −0.019
2 2
resultando estadı́sticamente diferentes, indicando esto que hay un
decrecimiento en la firmeza del tomate al pasar de una sola apli-
cación (F0 ) a tres aplicaciones (F2 ).

Diseño de Experimentos
DBCA

b) Ahora, al observar la significancia de la interaccion CC FL , se tiene

que existe diferencia en la desuniformidad o curvatura en la firmeza
del tomate al incrementar de 1 a 3 la frecuencia de aplicación o
niveles de F . Los efectos estimados para este caso son:
el efecto de: CC dado F0 y F2 es:
1

CC /F0 = C0 F0 − 2 × C1 F0 + C2 F0
2
1
= (2.175 − 2 × 3.1125 + 3.125) = −0.462
2
y

Diseño de Experimentos
DBCA

1

CC /F2 = C0 F2 − 2 × C1 F2 + C2 F2
2
1
= (2.963 − 2 × 2.425 + 2.925) = 0.519.
2


Resultando que el efecto cuadrático del calcio, C 0 − 2 × C 1 + C 2 ,
para F0 es una parabola abierta hacia abajo, es decir que la firmeza
del tomate se incrementa al pasar de C0 a C1 y luego disminuye al
pasar de C1 a C2 mientras que para el nivel F2 , es una parabola
abierta hacia arriba, dando a entender que la firmeza del tomate
disminuye al pasar de C0 a C1 y luego se incrementa al pasar de
C1 a C2 . En conclusión, la desuniformidad en la firmeza del to-
mate para una aplicación es distinta que para cuando se hacen tres
aplicaciones.

Diseño de Experimentos
DBCA
c) Por último, la no significancia de la interaccion CC FC indica que
no hay cambios en la desuniformidad o curvatura de la respuesta de
C al pasar de F0 a F1 y de F1 a F2 . Los efectos estimados en esta
ocasión son:
El efecto cuadrático de C en cada nivel de F es:
1

CC /F0 = C0 F 0 − 2 × C1 F 0 + C2 F 0
2
1
= (2.175 − 2 × 3.1125 + 3.125) = −0.462
2

1

CC /F1 = C0 F1 − 2 × C1 F1 + C2 F1
2
1
= (2.125 − 2 × 2.9 + 2.5875) = −0.543
2

Diseño de Experimentos
DBCA

y
1

CC /F2 = C0 F2 − 2 × C1 F2 + C2 F2
2
1
= (2.963 − 2 × 2.425 + 2.925) = 0.519
2
En los anteriores efectos se obtiene una curva abierta hacia arriba
para F2 y curvaturas hacia abajo para F0 y F1 , pero con la misma
desuniformidad en cada nivel de F .

Diseño de Experimentos
Análisis de Interacción y Superficie de Respuesta

La superficie de respuesta que representa el fenomeno anterior viene

representada por una función polinomial la cual relaciona la firmeza
en el tomate (Y ), con el calcio (C) y la frecuencia de aplicación (F ),
ası́:
Y = f (C ,F ) + . (28)
Esta expresión estadı́stica incluye los términos que hacen parte de
cada factor y los correspondientes a la interacción, es decir que el
modelo polinomial teóricamente viene representado por:

Y = β0 + β1 C + B2 C 2 + β3 F + β4 F 2 + β5 CF + β6 CF 2
+β7 C 2 F + β8 F 2 C 2 + 

Diseño de Experimentos
Análisis de Interacción y Superficie de Respuesta

En el ejemplo sobre Firmeza del fruto del tomate, no todos los

términos anteriores resultan significativos en la pruebas de análisis
de varianza para cada efecto, en esta situación sólo resultaron signi-
ficativos C , CF y C 2 F , es decir, la función estimada con los datos
experimentales sólo contiene estos terminos, es decir,
b = βb0 + βb1 C + βb5 CF + βb7 C 2 F ,
Y (29)

Diseño de Experimentos
Análisis de Interacción y Superficie de Respuesta

Los coeficientes de regresión β0 , β1 , β5 y β7 pueden ser obteni-

dos aplicando cualquier paquete computacional que tenga regresión
múltiple. También se pueden obtener a través de la metodologı́a de
los polinomios ortogonales como se presentó anteriormente.

Diseño de Experimentos
Superficie de Respuesta
Si PcC y PcF son las comparaciones polinomiales para calcio y frecu-
encia de aplicación, la función polinomial ortogonal se puede escribir:

Y = µ0 + α1 P1C + α2 P2C + γ1 P1F + γ2 P2F + (αγ)11 P1C P1F

+ (αγ)12 P1C P2F + (αγ)21 P2C P1F + (αγ)22 P2C P2F

donde µ0 es el término independiente, α1 y α2 son los coeficientes

polinomiales lineal y cuadrático de calcio, γ1 es el coeficiente lineal
de frecuencia de corte, (αγ)11 es el coeficiente de interacción para el
calcio lineal por frecuencia de corte lineal, etc. Las estimaciones de
los coeficientes del polinomio anterior, se calculan en forma similar
como se arrojo en el capı́tulo de polinomios ortogonales, es decir,
a X
X b a X
X b
2
βb = Pcjk Y jk / Pcjk. (30)
j=1 k=1 j=1 k=1

Diseño de Experimentos
Superficie de Respuesta

cuyos coeficientes se estiman asi:

µ
b0 = βb0 = Y ... = 2, 7042.

El efecto lı́neal de C se estima mediante:

3
X −1 × 2.421 + 0 × 2.8125 + 1 × 2.8792
α
b1 = Plj Y j /Plj2 = h i
j=1 (−1)2 + 02 + 12
0.4582
= = 0.2291
2
Las estimaciones de (αγ)11 y (αγ)21 son:

Diseño de Experimentos
Superficie de Respuesta
(αγ)
c 11
3 X
X 3
2
= Pjk Y jk /Pjk
j=1 k=1
1 × 2.175 + 0 × 2.125 + . . . − 1 × 3.125 + 0 × 2.5875 + 1 × 2.925
=
12 + 02 + (−1)2 + 02 + 02 + 02 + (−1)2 + 02 + 12
−0.9875
= = −0.2468
4
(αγ)
c 21
3 X
X 3
2
= Pjk Y jk /Pjk
j=1 k=1
−1 × 2.175 + 0 × 2.125 + . . . − 1 × 3.125 + 0 × 2.5875 + 1 × 2.92
=
(−1)2 + 02 + 12 + 22 + 02 + (−2)2 + (−1)2 + 02 + 12
1.9625
= = 0.1635.
12
Diseño de Experimentos
Superficie de Respuesta

Por tanto, el término (αγ)

c 11 P1C P1F en la ecuación anterior, con
λ1 = 1 (de la tabla de polinomios ortogonales), se convierte en:
     
C −C F −F
(αγ)
c 11 P1C P1F = −0.2468 λ1 λ1
dC dF
     
C − 0.1 F −2
= −0.2468 λ1 λ1
0.05 1
= −0.2468 [1 × (20C − 2)] [1 × (F − 2)]
= −0.2468 (20C − 2) (F − 2) ,

Diseño de Experimentos
Superficie de Respuesta

mientras que el término (αγ)

c 21 P2C P1F se convierte en:
(αγ)
c 21 P2C P1F
" " 2  2 ##   
C −C a −1 F −F
= 0.1635 λ2 − λ1
dC 12 dF
" " 2  2 ##   
C − 0, 1 3 −1 F −2
= 0.1635 3 × − 1×
0, 05 12 1
h h ii
= 0.1635 3 × (20C − 2)2 − 0, 667 (F − 2)
= 0.4905 (20C − 2)2 (F − 2) − 0.3271 (F − 2) ,

Diseño de Experimentos
Superficies de Respuesta

y el término lineal de calcio es:

     
C −C C − 0, 1
α
b1 P1C = α b1 × λ1 = 0.2291 1 ×
dC 0.05
= 0.2291 (20C − 2) ,

reemplazando todos estos términos en el polinomio estimado resulta

la ecuación:

Y
b = 2.7042 + 0.2291 (20C − 2) − 0, 3271 (F − 2)
−0.2468 (20C − 2) (F − 2) + 0.4905 (20C − 2)2 (F − 2) .

A la cual se le puede calcular los máximos y mı̀nimos respectivos,

es decir las dosis de calcio y frecuencias de aplicación donde la fir-
meza del tomate se hace máxima y/o mı́nima. El coeficiente de
determinación (R2 ) de este modelo fue del 74%.
Diseño de Experimentos
Modelo Aleatorio para un Factorial de Dos Factores

Si los niveles de A y B se escogen en forma aleatoria a partir de

poblaciones más grandes se tiene el modelo de efectos aleatorios o
de componentes de varianza. como los niveles de A y B se escogen
al azar, las inferencias serán válidas para todos los niveles de las
poblaciones bajo estudio. Bajo un DCA el modelo es:

Yijk = µ + αj +βj +(αβ)ij + ijk , (31)

donde los parámetros del modelo son αi , βj , (αβ)ij y εijk son vari-
ables aleatorias.

Diseño de Experimentos
Modelo Aleatorio para un Factorial de Dos Factores

Los supuestos sobre los parámetros del modelo son:

iid iid iid iid
αi ∼ N(0, σA2 ); βj ∼ N(0, σB2 ); (αβ)ij ∼ N(0, σAB
2
); ijk ∼ N(0, σ 2 ).
(32)
Como en el modelo cada factor es aleatorio, entonces las hipótesis
a probar para A, B y AB respectivamente, son:

H0 : σα2 = 0; H0 : σβ2 = 0; y H0 : σαβ

2
=0 (33)
contra
H1 : σα2 > 0; H1 : σβ2 > 0; y H1 : σαβ
2
>0 (34)

Diseño de Experimentos
Modelo Aleatorio para un Factorial de Dos Factores

Se puede demostrar que:

E (CMA ) = σ 2 + r σαβ
2
+ rb σα2 , (35)
2 2
E (CMB ) = σ + r σαβ + ra σβ2 , (36)
E (CMAB ) = σ 2 + 2
r σαβ , (37)
2
E (CMEE ) = σ . (38)

Diseño de Experimentos
Modelo Aleatorio para un Factorial de Dos Factores

A partir de los cuadrados medios esperados, se puede ver que la

estadı́stica apropiada para probar la hipótesis de A, B y AB, respec-
tivamente es:
CMA
H0 : σα2 = 0; Fc = ∼ F((a−1),(a−1)(b−1)) , (39)
CMAB
CMB
H0 : σβ2 = 0; Fc = ∼ F((b−1),(a−1)(b−1)) , (40)
CMAB
2 CMAB
H0 : σαβ = 0; Fc = ∼ F((a−1)(b−1),ab(r −1)) . (41)
CMEE

Diseño de Experimentos
Modelo Mixto

Si A es fijo y B es aleatorio, se tiene un modelo de efecto mixto.

La expresión para el modelo lineal es igual al modelo de efectos
aleatorios de la ecuaciòn (1), con los siguientes supuestos para los
parámetros del modelo:
a
P
1) Para A fijo: αi = 0
i=1
iid
2) Para B aleatorio: βj ∼ N(0; σB2 )

iid
3) Como AB resulta aleatorio: (αβ)ij ∼ N(0, a−1 2
a σAB ).
Sin embargo, al sumar la componente de interacción sobre el factor
fijo se obtiene cero, esto es:
a
X
(αβ)ij = 0. (42)
i=1

Diseño de Experimentos
Modelo Mixto

Teniendo en cuenta los cuadrados medios esperados de la Tabla 31,

las hipótesis a probar para A, B y AB con su respectiva estadı́stica
de prueba, vienen dadas por:
CMA
1) H0 : αi = 0 contra H0 : αi 6= 0; con F = , (43)
CMAB

CMB
2) H0 : σj2 = 0 contra H0 : σj2 > 0; con F = , (44)
CMEE

CMAB
3) H0 : σij2 = 0 contra H0 : σij2 > 0 con F = .
CMEE

Diseño de Experimentos
Modelos de Efectos Fijos, Aleatorios y Mixto

Un resumen de cada componente de varianza para un experimento

factorial con dos factores bajo un DCA se muestra en la Tabla 31.

Tabela : Cuadrados medios esperados para los efectos fijos, aleatorios y

mixtos

Efecto Modelo fijo (I ) Modelo Aleat. (II ) Modelo Mixto (III )

A y B fijos A y B aleatorios A fijo y B aleatorio
P α2 P α2
A σ 2 + rb σ 2 + r σAB
2
+ rbσA2 σ 2 + r σAB
2
+ rb
P a−1β2
a−1
B σ 2 + ra b−1 σ 2 + r σAB
2
+ raσB2 σ 2 + raσB2
P (αβ)2
A×B σ2 + r (a−1)(b−1) σ 2 + r σAB
2
σ 2 + r σAB
2

EE σ2 σ 2
σ 2

Diseño de Experimentos
Modelos de Efectos Fijos, Aleatorios y Mixto

En resumen, las estadı́sticas de prueba F para los modelos I, II y III

son presentadas en la Tabla 32.

Tabela : Estadı́sticas de prueba para los modelos en una estructura

factorial

F.V. Modelo fijo (I ) Modelo Aleatorio (II ) Modelo Mixto (III )

A y B fijos A y B aleatorios A fijo y B aleatorio
CMA CMA CMA
A CMEE CMAB CMAB
CMB CMB CMB
B CMEE CMAB CMEE
CMAB CMAB CMAB
A×B CMEE CMEE CMEE

Diseño de Experimentos
Parcelas Divididas

En muchos experimentos factoriales es necesario utilizar más de un

tamaño de parcela para las unidades experimentales. Tal es el caso
de factores que exigen unidades experimentales grandes como los
sistemas de labranza, y otras unidades más pequeñas, como varie-
dad, dosis, etc. Otro caso importante es cuando se mide una unidad
experimental en tiempos diferentes, en ese caso todos los tratamien-
tos se observan en cada tiempo. Entre las estructuras más comunes
con diferente tamaño de parcelas se encuentran:
XParcelas divididas.
XParcelas subdivididas.
XFranjas o bloques divididos.
XMedidas repetidas.

Diseño de Experimentos
Parcelas divididas.

Generalmente se utiliza en experimentos factoriales cuando uno de

los factores exige unidades experimentales relativamente grandes,
mientras que el otro no. También es útil cuando el investigador de-
sea estudiar un factor con mayor precisión, o tiene mayor interés en
determinado factor.

La aplicación de este diseño involucra dos tamaños de parcelas:

unas parcelas grandes o parcelas principales y otras parcelas más
pequeñas, dentro de las principales, denominadas subparcelas. Esto
ocasiona que existan dos tipos de error, uno para cada tipo de par-
cela.

Diseño de Experimentos
Parcelas divididas.

Para el factor de las parcelas grandes o principales (parcela de ter-

reno, camada de cerdos, un cuarto frio, un árbol) se asignan aleato-
riamente sus niveles a las unidades experimentales correspondientes.
Cada parcela grande se divide en tantas subparcelas o subunidades
como niveles del segundo factor se tengan, y se distribuyen al azar
estos niveles dentro de estas parcelas principales.

Las subparcelas serı́an los cerdos, porciones de material depositados

en el cuarto frio, ramas del árbol, etc. La aleatorización de los
tratamientos asignados a las parcelas principales se lleva a cabo de
acuerdo al diseño experimental que se implemento.

Diseño de Experimentos
Parcelas divididas.

Bloque I
a1 a2 a3
b1 b2 b4 b3 b2 b4 b1 b3 b3 b4 b1 b2
Bloque II
a2 a3 a1
b4 b2 b1 b3 b2 b1 b3 b4 b3 b1 b2 b4
Bloque III
a3 a1 a2
b3 b1 b4 b2 b1 b2 b4 b3 b2 b1 b3 b4

Diseño de Experimentos
Parcelas divididas.

Este experimento tiene dos tipos de errores, el error (a) generado

por las diferencia en las observaciones de las parcelas principales o
unidades grandes y el error (b) que corresponde a las subparcelas,
generado por la diferencia entre las observaciones de las parcelas
pequeñas.

El investigador espera que el error (a) sea mayor que el error (b),
pues las parcelas grandes usualmente presentan mayor heterogenei-
dad que las subparcelas. Además, la estimación del error en parcelas
grandes es menos precisa que la del error (b) ya que el número de
grados de libertad de las primeras es menor.

Diseño de Experimentos
Parcelas divididas.

Sı́ las parcelas principales correspondieran a la misma parcela medida

en diferentes tiempos, entonces la estructura serı́a la de un diseño
en medidas repetidas, pero con la diferencia de que en el diseño en
parcelas divididas la distribución de los tratamientos en las respecti-
vas unidades experimentales de tamaño diferente se hace en forma
aleatoria, mientras que las medidas repetidas involucra una etapa,
subparcela, donde los niveles de un factor (tiempo) no se pueden
aleatorizar.

Diseño de Experimentos
DBCA
El modelo estadı́stico para un diseño en bloques completos al azar,
está dado por:
Yijk = µ + ρi + αj + ij + βk + (αβ)jk + θijk (45)
para i = 1.2, ..., r j = 1, 2, ..., a y k = 1, 2, ..., b.
Donde
Yijk es la respuesta observada del nivel j de A, nivel k de B, en el
bloque i−ésimo
µ es la media general.
ρi es el efecto del bloque i-ésimo.
αj es el efecto aditivo del nivel j-ésimo de A.
ij es el error de las parcelas principales.
βk es el efecto aditivo del nivel k-ésimo de B.
(αβ)jk es el efecto aditivo de la combinación del nivel j-ésimo de A
con el nivel k-ésimo de B.
θijk es el error de las subparcelas.

Diseño de Experimentos
DBCA

Los supuestos para los errores, son los clásicos ya estudiados.

iid iid
εij ∼ N(0, σ 2 ); θijk ∼ N(0, σθ2 ).

El cuadrado medio del error para las parcelas principales, se estima

por:
σ 2 + bσb2 .

Diseño de Experimentos
DBCA

Las sumas de cuadrados según el modelo definido estan dadas por:

SCTotal (subparc.) = SCBloques + SCA + SCError ([Link])

+SCB + SCAB + SCError (Subparc.)
= SCBloques + SCA + SCE (a) + SCB + SCAB + SC(46
E (b

SC ([Link]) = SCBloques + SCA + SCError ([Link])

= SCBloques + SCA + SCE (a)
r X a 2
X Yij·
= − FC , (47)
b
i=1 j=1

2
Y···
con FC = rab ,

Diseño de Experimentos
DBCA

r X
a X
b
X
2 Y···2
SCTotal (Subparc.) = Yijk − , (48)
rab
i=1 j=1 k=1

r
X Y2 i·· Y···2
SCBloques = − , (49)
ab rab
i=1

a 2
X Y·j· Y···2
SCA = − , (50)
rb rab
j=1

SCE (a) = SC ([Link]) − SCBloques − SCA , (51)

Diseño de Experimentos
DBCA

b
X Y2 ··K Y···2
SCB = − , (52)
ra rab
k=1

 
a X
b 2 2
X Y·jk Y
SCAB =  − ···  − SCA − SCB
r rab
j=1 k=1
= SCTTO − SCA − SCB , (53)

SCE (b) = SCTotal (Subparc.) − SC ([Link]) − SCB − SCAB

(54)
.

Diseño de Experimentos
DBCA

Las hipótesis a probar son las usuales de un experimento factorial:

1.H0 : αj = 0 contra H1 : αj 6= 0 (55)

2.H0 : βk = 0 contra H1 : βk 6= 0 (56)
3.H0 : (αβ)jk = 0 contra H1 : (αβ)jk 6= 0 (57)

Ahora, bajo un modelo de efectos fijos con bloques aleatorios, los

cuadrados medios esperados definen la estadı́stica de prueba de cada
hipótesis.

Diseño de Experimentos
DBCA

Tabela : ANAVA para una estructura en parcelas divididas bajo un DBCA

F.V. gl SC CM FC
CMBloques
Bloques r −1 SCBloques CMBloques CME (a)
CMA
A a−1 SCA CMA CME (a)
E(a) (a − 1) (r − 1) SCE (a) CME (a)
Total PP ar − 1 SCTotal (PP)
CMB
B b−1 SCB CMB CME (b)
CMAB
AB (a − 1)(b − 1) SCAB CMAB CME (b)
E(b) a(r − 1)(b − 1) SCE (b) CME (b)
Total abr − 1 SCTotal

Diseño de Experimentos
DBCA

El análisis de las interacciones y los efectos principales se realiza de

forma similar a lo estudiado en el capı́tulo de experimentos factori-
ales.

Los errores estándar para comparar medias de tratamientos de las

parcelas principales, subparcelas e interacción, se muestran en la
Tabla 34.

Diseño de Experimentos
DBCA

Tabela : Errores estándar en una estructura de parcelas divididas

Diferencia entre: Comparación Error

r Estándar
CME (a)
Dos medias de A ai − aj
r rb
CME (b)
Dos medias de B bi − bj
r ra
Dos medias B al CME (b)
ai bj − ai bk
mismo nivel de A s  r
Dos medias de A al 2 (b − 1) CME (b) + CME (a)
ai bj − ak bj
mismo nivel de B rb
s 
Diferentes niveles de B 2 (b − 1) CME (b) + CME (a)
ai bj − ak bl
(dos medias de TTO) rb

Diseño de Experimentos
DBCA

En los primeros tres casos, los grados de libertad del error para llevar
a cabo cualquier prueba de comparación son los dados por los gl del
error que se utiliza.

Para los últimos dos casos, el error estándar es combinación de los

cuadrados medios de las parcelas grandes y las subparcelas; ası́ que
los grados de libertad para estos errores deben aproximarse a los
grados de libertad adecuados utilizando el procedimiento dado por
Satterthwaite (1946). Esta aproximación es como sigue:
 2
(b − 1) CME (b) + CME (a)
gl = 2 2 . (58)
[(b−1)CME (b) ] [CME (a) ]
glE (b) + glE (a)

Diseño de Experimentos
DBCA

Con estos errores estándar se pueden llevar a cabo cualquier com-

paración de tratamiento utilizando las pruebas de Duncan, Tukey,
DMS, Dunnett, etc, estudiadas anteriormente.
Ejemplo:
Jaller et al (2001), evaluaron el efecto de la interacción de nitrógeno
(N) y potasio (K ) en una investigación experimental. . El diseño
utilizado fue de bloques al azar bajo una estructura de tratamiento
factorial en parcelas divididas, donde las parcelas principales corres-
pondı́an a 4 dosis de nitrogeno, 0, 100, 200 y 300 kg/ha, las sub-
parcelas estaban conformadas por 3 niveles de fertilización potásica,
200, 600 y 1000 kg/ha fraccionadas en tres dosis de aplicación.
(Tabla 35).

Diseño de Experimentos
DBCA

Tabela : Y=peso
N K R1 R2 R3
0 200 11 8,6 9
0 600 13 11,8 11
0 1000 11 13 10
Yi1· 35 33,4 30
100 200 10 10 10
100 600 11 12,9 15
100 1000 12 10 11
Yi2· 33 32,9 36
200 200 15 14,14 17,9
200 600 13 13 11
200 1000 11 11 14
Yi3· 39 38,14 42,9
300 200 11 11 11
300 600 14,69 15,36 14,8
300 1000 14,78 16,18 15,27
Yi4· 40,47 42,54 41,07

Diseño de Experimentos
DBCA

Los totales por tratamiento son presentados en al Tabla 36.

Tabela : Totales para los tratamientos de peso

N/K 200 600 1000 Y·j·
0 28,6 35,8 34 98,4
100 30 38,9 33 101,9
200 47,04 37 36 120,04
300 33 44,85 46,23 124,08
Y··k 138,64 156,55 149,23 Y··· = 444, 42

Las sumas de cuadrados estan dadas por:

Y···2 444, 422

FC = = = 5486, 4
rab 3×4×3

Diseño de Experimentos
DBCA

r X
a X
b
X
2 Y···2
SCTotal = Yijk −
rab
i=1 j=1 k=1
2
11 + 13 + 112 + · · · + 15, 272 − 5486, 4 = 175, 77
2
 
=

r X
a 2
X Yij·
SCTotal ([Link]) = − FC
b
i=1 j=1
 2
33, 42 + 302 + · · · + 41, 072

35 +
= − 5486, 4
3
= 66, 38

Diseño de Experimentos
DBCA

r
Y2 Y···2 147, 472 + · · · + 149, 972
X  
i··
SCBloques = − = − 5486, 4
ab rab 4×3
i=1
= 0, 42
a 2
Y·j· Y···2 98, 42 + · · · + 124, 082
X  
SCN = − = − 5486, 4
rb rab 3×3
j=1
= 54, 92

SCE (a) = SCTotal ([Link]) − SCBloques − SCN

= 66, 38 − 0, 42 − 54, 92 = 11, 03
a 2
Y2 138, 642 + 156, 552 + 149, 232
 
X Y··k
SCK = − ··· = − 5486, 4
ra rab 4×3
j=1
= 13, 51
Diseño de Experimentos
DBCA

a X
b 2
X Y·jk Y···2
SCTTO = −
r rab
j=1 k=1
28, 62 + 35, 82 + 342 + · · · + 44, 852 + 46, 232
 
= − 5486, 4
4
= 138, 07

 
a X
b 2 2
X Y·jk Y
SCN×K =  − ···  − SCN − SCK = 69.63
r rab
j=1 k=1

SCE (b) = SCTotal − SC ([Link]) − SCK − SCN×K

= 175, 77 − 66, 38 − 13, 51 − 69, 63 = 26, 24.

Diseño de Experimentos
DBCA

Tabela : ANAVA para peso

F.V. gl SC CM Fc
Bloques 2 0, 428 0, 21 0, 13NS
N 3 54, 92 18, 30 9, 96∗∗
EE(N) 6 11, 03 1, 83
K 2 13, 51 6, 75 4, 12∗
N ×K 6 69, 63 11, 60 7, 08∗∗
EE(K) 16 26, 24 1, 64

Es decir, la interacción es altamente significativa, lo cual quiere decir

que el peso no se comporta de la misma forma a distintos niveles
del potasio para cierto nivel del nitrógeno.

Diseño de Experimentos
DBCA

Como el factor potasio es cuantitativo e igualmente espaciado, en-

tonces utilizando polinomios ortogonales se puede encontrar la curva,
que logra explicar el peso de racimo en función de la dosis de potasio
para cada nivel de nitrógeno.

En este caso los coeficientes utilizados para cada nivel de nitrógeno

son: fecto lineal -1, 0, 1 y para el efecto cuadrático 1, -2, 1. Como
se están comparando los niveles de potasio (subparcela) a cada nivel
de nitrogeno, entonces la estadı́stica a utilizar para la significancia
de los efectos es:

Diseño de Experimentos
DBCA

b2
Z SCZb
F = = ∼ F1,glE
CME(b) (C 2 +C 2 +···+C 2 ) CME(b) (b)
j1 j2 jb

r
donde  2
Cj1 Y .j1 + Cj2 Y .j2 + · · · + Cjb Y .jb
SCZb =
(Cj12 +Cj22 +···+Cjb2 )
r
ası́, tomando los coeficientes dados anteriormente y los promedios
de peso a cada nivel de potasio para N = 0, la suma de cuadrados
para los efectos lineal y cuadráticos del potasio son:

Diseño de Experimentos
DBCA

[−1 × 9, 53 + 0 × 11, 93 + 1 × 11, 33]2

SClineal = = 4, 86
((−1)2 +02 +12 )
3
4,86
entonces, Fc = 1,64 = 2, 96NS

[1 × 9, 53 − 2 × 11, 93 + 1 × 11, 33]2

SCCuadratico = = 4, 5;
(12 +(−2)2 +12 )
3

4,5
entonces Fc = 1,64 = 2, 74NS . Luego, ninguno de los dos efectos
resulta significativo.

Diseño de Experimentos
DBCA

Siguiendo este mismo procedimiento se obtienen todas las sumas de

cuadrados, resumidas en la Tabla 38, que divididas entre CME(b) =
1, 64, se obtiene el respectivo valor Fc .

Tabela : Significancia para los efectos lineal y cuadrático

Efecto / Dosis N N=0 N = 100 N = 200 N = 300
SCKlı́neal 4.86NS 1.5NS 20.31∗∗ 29.17∗∗
SCKcuadr ática 4.5NS 12.16∗ 4.54NS 6.09∗ (7%)

Diseño de Experimentos
DBCA

Los modelos polinomiales estimados para cada caso son:

Para N=100, PR = −2, 0 × 10−5 K 2 + 0, 019K + 6, 67

Para N=200, PR = −0, 0046K + 16, 096

Para N=300, PR = 0, 0055K + 10, 4791.

Diseño de Experimentos
DBCA

Llevamos ahora a cabo contrastes ortogonales para analizar la inte-

racción potasio por nitrógeno, comparando los niveles de potasio a
cada nivel de nitrógeno, comparaciones horizontales, como se mu-
estra a continuación:
Para N = 0

1) H0 : µN=0 , K =200 − 2µN=0 , K =600 + µN=0 , K =1000 = 0

el cual compara la respuesta para K=200 y K=1000 contra K=600.

2) H0 : µN=0 , K =200 − µN=0 , K =1000 = 0

Comparando la respuesta para K=200 contra K=1000.
Las pruebas para las dos hipótesis anteriores son como se muestra a
continuación:

Diseño de Experimentos
DBCA

b1 = 1 × 9, 53 − 2 × 11, 93 + 1 × 11, 33 = −3
1) Z
b2 = 1 × 9, 53 − 1 × 11, 33 = −1, 8
2) Z

Luego:

[−3]2 4, 5
SCZb1 = = 4, 5 entonces, Fc = = 2, 74NS
( 12 +(−2)2 +12 ) 1, 64
3

[−1, 8]2 4, 86
SCZb2 = 2 = 4, 86 entonces, Fc = = 2, 96NS .
((−1) +02 +12 ) 1, 64
3

En forma similar se llevan a cabo las demás comparaciones de niveles

de potasio a los niveles que restan, 100, 200 y 300 de nitrógeno. Los
resultados resumidos se dan en la Tabla 39.
Diseño de Experimentos
DBCA

Tabela : Prueba de medias horizontales para peso

N/K 200 600 1000
0 9, 53a 11, 93a 11, 33a
100 10a 12, 96b 11ab
200 15, 68a 12, 33b 12b
300 11a 14, 95b 15, 41b

Diseño de Experimentos
Medidas Repetidas

En el campo investigativo social, agrı́cola, animal, industrial, etc.

se presentan experimentos donde un mismo individuo u objeto es
observado en perı́odos diferentes. Un caso particular es cuando una
unidad, una persona, un animal, una planta o una parcela son obser-
vados en diferentes perı́odos de tiempo, para estudiar la tendencia
de cierta variable de interés, digamos Y , tal es el caso cuando se
estudia en tiempos diferentes digamos 5, 15, 20, 25 30 y 35 horas,
la densidad, la humedad, el % de grasa, etc en un experiemnto con
lactosuero. Otro caso es cuando se mide la ganancia de peso se-
manal a un grupo de animales que se le ha suministrado una dieta,
a los 7, 14, 21, 28, 35, 42 y 49 dı́as. En ambos casos la unidad
experimental sobre la que se hacen las mediciones es la misma, pero
las medidas son en diferentes periodos.

Diseño de Experimentos
Medidas Repetidas

Otros tipos de experimentos que conllevan a la estructura de me-

didas repetidas es cuando a un mismo individuo se le suministran
t tratamientos, en periodos distintos (Experimentos sensoriales), en
forma aleatoria, uno después del otro, ejemplo: t2 → t4 → t1 → t3 ,
generalmente esto se hace por cuestiones económicas, sin embargo,
hay que tener en cuenta que el comportamiento del individuo no es
el mismo en cada perı́odo, lo cual puede ocasionar un incremento
en el error experimental que puede llevar a no detectar las diferen-
cias entre los tratamientos que se estudian; para que esto no suceda
hay que controlar la variabilidad entre y dentro de los sujetos en los
diferentes tiempos de aplicación de los tratamientos.

Diseño de Experimentos
Aplicación de Todos los Tratamientos al Mismo Sujeto

En muchos estudios de investigación el manejo de la parte económica

exige la restricción de no tener más de una unidad experimental, por
ejemplo: los altos costos de mantener personas con ciertas carac-
terı́sticas en largos perı́odos de tiempo o el sostenimiento de animales
grandes, llevan a que para tener varias repeticiones por tratamientos,
todos los tratamientos son asignados a cada unidad experimental en
diferentes momentos, es decir, toda la información de los tratami-
entos es obtenida sobre las mismas unidades experimentales en los
diferentes tiempos de medición. Ası́ los tratamientos son asignados
en orden aleatorio a cada unidad experimental o sujeto.

Diseño de Experimentos
Medidas Repetidas

ejemplo, para 4 tratamientos, el orden de aplicación de estos para la

i − ésima unidad experimental puede ser t3 → t1 → t2 → t4 , donde
los sujetos hacen las veces de bloques aleatorios, lo cual conlleva
a incrementar la precisión del experimento dado que la variabilidad
entre sujetos tiende a ser mayor que dentro del mismo sujeto.
El modelo estadı́stico para este caso es:

Yij = µ + βi + τj + ij (59)

t
P
Se supone que τj = 0 (Efectos fijos) y como los bloques (sujetos)
j=1
son aleatorios, entonces,
 se está
 frente a un modelo de efectos mixto,
2
es decir, que βi ∼ N 0, σβ .

Diseño de Experimentos
Medidas Repetidas
En general la covarianza entre Yij y Yij 0 no es cero porque βi es
común a todos los tratamientos, pero se supone igual para todos los
tratamientos y sujetos.
La información se puede tabular como se muestra en la Tabla 41:

Tabela : Datos para un diseño con medidas repetidas

Tratamientos (j)
Sujeto (i) 1 2 ··· j ··· t
1 Y11 Y12 · · · Yij · · · Yit
2 Y21 Y22 ··· Y2j · · · Y2t
.. .. .. .. ..
. . . ··· . ··· .
i Yi1 Yi2 ··· Yij · · · Yit
.. .. .. .. ..
. . . ··· . ··· .
r Yr 1 Yr 2 ··· Yrj ··· Yrt

Diseño de Experimentos
Medidas Repetidas
En general la covarianza entre Yij y Yij 0 no es cero porque βi es
común a todos los tratamientos, pero se supone igual para todos los
tratamientos y sujetos.
La información se puede tabular como se muestra en la Tabla 41:

Tabela : Datos para un diseño con medidas repetidas

Tratamientos (j)
Sujeto (i) 1 2 ··· j ··· t
1 Y11 Y12 · · · Yij · · · Yit
2 Y21 Y22 ··· Y2j · · · Y2t
.. .. .. .. ..
. . . ··· . ··· .
i Yi1 Yi2 ··· Yij · · · Yit
.. .. .. .. ..
. . . ··· . ··· .
r Yr 1 Yr 2 ··· Yrj ··· Yrt

Diseño de Experimentos
Análisis de Varianza
En este modelo estadı́stico la variabilidad total se descompone en
las siguientes fuentes:

SCTotal = SCEntre sujeto + SCDentro sujeto

= SCEntre sujeto + SCTTO + SCEE (60)

donde,
SCDentro sujeto = SCTTO + SCEE . (61)

r X
t r X
t
X
2 X
SCTotal = Yij − Y ·· = Yij2 − FC , (62)
i=1 j=1 i=1 j=1

con
r X
t
Y2 X
FC = ·· y Y·· = Yij ,
rt
i=1 j=1

Diseño de Experimentos
Análisis de Varianza

SCEntre sujeto = SCBloques (63)

r
X
2
= t Yi· − Y ·· (64)
i=1
r
X Yi·2
= − FC , (65)
t
i=1

r X
t r X
t r
X
2 X X Y2 i·
SCDentro de sujeto = Yij − Y i· = Yij −
t
i=1 j=1 i=1 j=1 i=1
= SCTotal − SCEntre sujeto , (66)

Diseño de Experimentos
Análisis de Varianza

SCEE = SCDentro sujeto − SCTTO , (67)

t t
X
2 X Y·j2
SCTTO = r Y ·j − Y ·· = − FC . (68)
r
j=1 j=1

Ası́ la Tabla de análisis de varianza para llevar a cabo la prueba de

hipótesis

H0 : τ1 = τ2 = · · · = τt = 0 contra H1 : τj 6= 0 (69)

para algún j = 1, 2, ..., t, al nivel de significancia α, es:

Diseño de Experimentos
Análisis de Varianza

Tabela : ANAVA para medidas repetidas

F.V. gl SC CM Fc
Entre sujetos r −1 SCES CMES CMES /CMEE
Dentro sujetos r (t − 1) SCDS CMDS
TTO t −1 SCTTO CMTTO CMTTO /CMEE
EE (r − 1) (t − 1) SCEE CMEE
Total rt − 1 SCTotal

Diseño de Experimentos
Medidas Repetidas

Nótese que el análisis de este diseño se reduce a realizar el análisis de

un DBCA, donde los sujetos son los bloques. El investigador debe
tener cuidado que en cada aplicación de un nuevo tratamiento ha
debido transcurrir un perı́odo considerable que elimine el efecto del
tratamiento inmediatamente anterior, es decir, se deben eliminar los
efectos residuales de tratamientos anteriores.

Si la condición anterior no se cumple, es decir, existen efectos residu-

ales de un tratamiento al momento de aplicar un nuevo tratamiento,
entonces, se debe planear el experimento bajo un diseño cuadrado
latino,

Diseño de Experimentos
Medidas Repetidas

de tal forma que uno de los sistemas de bloqueo corresponda a los

sujetos y el otro a los perı́odos de aplicación que se encuentran con-
fundidos con los tratamientos, ası́ se deben tener r = t repeticiones,
entonces en la primera aplicación se aplican los t tratamientos a los
t sujetos, en la segunda aplicación se hace otra asignación distinta
de tratamiento a los t sujetos, y ası́ sucesivamente. Esto elimina
los efectos de sujetos y de efectos residuales del error experimen-
tal. Recuerde que si se tienen ”pocos” tratamientos, entonces, debe
pensar en un diseño en cuadrado latino, replicando para tener más
grados de libertad y por lo tanto mejor precisión en la estimación
del cuadrado medio del error experimental.

Diseño de Experimentos
Medidas Repetidas
Se llevó a cabo un experimento para evaluar la textura de un yogurt
con cinco tipo diferentes de concentraciòn de una fruta. Para la
evaluación en un rango de 1 a 10, se tomaron 10 catadores quienes
evaluaron la textura del yogurt, como se muestra en la Tabla 43:

Tabela : Datos para textura de yogurt

Catador /TTO 1 2 3 4 5
1 9 7 8 8 5
2 7 9 7 7 8
3 7 9 8 8 8
4 9 8 9 9 6
5 7 8 7 8 7
6 7 9 7 6 8
7 8 8 6 8 8
8 8 9 7 7 8
9 7 9 6 7 7
10 8 9 6 8 8
Diseño de Experimentos
Medidas Repetidas

Como cada catador es sometido a cada concentración de la fruta,

entonces es un caso tı́pico de medidas repetidas, por lo tanto se
tiene la tabla de análisis de varianza para el diseño en bloque (Tabla
44), siendo estos últimos los catadores.

Tabela : ANAVA para textura del yogurt

F.V. gl SC CM Fc
Catadores 9 4,32 0,48 0, 55NS
Concentraciones 4 11,52 2,88 3, 27∗
EE 36 31,68 0,88

Diseño de Experimentos
Medidas Repetidas

La prueba de Duncan arroja los resultados de la Tabla 45 para las

calificaciones por concentración de fruta.

Tabela : Prueba de Duncan para textura del yogurt

Concentración Calificación promedio Grupo
1 7,7 ab
2 8,5 a
3 7,1 b
4 7,6 b
5 7,3 b

Diseño de Experimentos
Medidas Repetidas en el Tiempo

El segundo caso de medidas repetidas, es cuando una unidad expe-

rimental es observada en diferentes perı́odos de tiempo, después de
aplicar cierto tratamiento. Si el factor estudiado consta de un sólo
tratamiento, entonces en realidad se busca es la curva de tendencia
de la variable de estudio Y , en el tiempo para dicho tratamiento.

Diseño de Experimentos
Medidas Repetidas en el Tiempo

En el caso de tener varios tratamientos, cuyo efecto se mide en

diferentes perı́odos de tiempo, entonces el experimento es similar
a cuando se lleva a cabo un diseño en parcelas divididas, con la
diferencia que como el tiempo no se puede aleatorizar, entonces los
perı́odos de tiempo, que corresponden a las subparcelas, no cumplen
este proceso, por eso este diseño también es conocido como parcelas
divididas en el tiempo.

El hecho de no tener aleatorización en las subparcelas, lleva a que

deban cumplirse ciertos requerimientos para que éste diseño se pueda
analizar como un diseño en parcelas divididas.

Diseño de Experimentos
Medidas Repetidas en el Tiempo

Gómez (1997) presenta una metodologı́a para llevar a cabo el análisis

en medidas repetidas; esta se basa en tomar los efectos de las sub-
parcelas (periodos de tiempo) como aleatorios, esto ocasiona que el
error de las subparcelas en el diseño de parcelas divididas tenga dos
componentes, una debida a la variación entre subparcelas y la otra
debida a la variación de la interacción entre repeticiones y los perio-
dos de tiempo, es decir que se debe introducir una nueva fuente de
variación en la Tabla ANAVA, constituida por la interacción de las
repeticiones con el factor tiempo.

Diseño de Experimentos
Medidas Repetidas en el Tiempo Bajo un DCA

Para un experimento en un diseño completamente al azar con r

repeticiones donde se estudian los niveles del factor A, con a trata-
mientos, el ANAVA es dado en la Tabla 46 donde T es el tiempo y
Rep representa las repeticiones.

Diseño de Experimentos
Medidas Repetidas en el Tiempo

Tabela : Análisis de Varianza para un diseño en medidas repetidas bajo

un DCA
F.V. gl SC CM Fc
CMA
A a−1 SCA CMA CME ∗ (a)
E(a) a(r − 1) SCE (a) CME (a)
Total [Link] ar − 1 SCTotal (PP)
CMT
Tiempo t−1 SCT CMT CMRep×T
CMAT
A × Tiempo (a − 1)(t − 1) SCAT CMAT CME (t)
Rep × Tiempo (r − 1) (t − 1) SCRep×T CMRep×Tiempo
E(t) (a − 1) (r − 1)(t − 1) SCE (t) CME (t)
Total art − 1 SCTotal

Diseño de Experimentos
Medidas Repetidas en el Tiempo

Siendo CME ∗ (a) =CME (a) + CMAT − CME (b) con grados de libertad
según Satterthwhite,

2
CME (a) + CMAT − CME (t)
glE ∗ (A) = 2 2 (70)
(CME (a) ) (CMAT )2 (CME (t) )
glE (a) + glAT + glE (t)

Si la interacción entre los factores A y T no se considera significativa,

entonces el cuadrado medio para llevar a cabo la prueba de hipótesis
sobre el factor A es el CME (a) . Las sumas de cuadrados son:
r X
a X
t
X
2 Y···2
SCTotal = Yijk − , (71)
rat
i=1 j=1 k=1

Diseño de Experimentos
Medidas Repetidas en el Tiempo

r X
a 2
X Yij·
SCTotal ([Link]) = − FC , (72)
t
i=1 j=1

2
Y···
donde FC = rat ,

SCE (a) = SCTotal ([Link]) − SCA , (73)

b
X Y2 ··K Y···2
SCT = − , (74)
ra rat
k=1

Diseño de Experimentos
Medidas Repetidas en el Tiempo

 
a X
t 2 2
X Y·jk Y
SCA×T =  − ···  − SCA − SCT , (75)
r rat
j=1 k=1

r
X Y2 i·· Y···2
SCRep = − , (76)
at rat
i=1

" r t #
XX Y2 Y···2
i.k
SCRep×T = − − SCRep − SCT , (77)
r rat
i=1 k=1

SCE (t) = SCTotal − SCTotal ([Link])

−SCT − SCA×T − SCRep×T . (78)

Diseño de Experimentos
Medidas Repetidas en el Tiempo

Tabela : Densidad y área de cobertura

Dı́as Densidad Rep Cobertura Dı́as Densidad Rep Cobertura
28 1 1 75 56 1 1 125
28 1 2 100 56 1 2 150
28 1 3 100 56 1 3 150
28 1 4 100 56 1 4 275
28 2 1 125 56 2 1 250
28 2 2 125 56 2 2 300
28 2 3 150 56 2 3 350
28 2 4 150 56 2 4 250
28 3 1 250 56 3 1 500
28 3 2 225 56 3 2 475
28 3 3 225 56 3 3 650
28 3 4 300 56 3 4 675
28 4 1 275 56 4 1 500
28 4 2 300 56 4 2 500
28 4 3 325 56 4 3 525
28 4 4 325 56 4 4 525

Diseño de Experimentos
Medidas Repetidas en el Tiempo

Tabela : Continuación
Dı́as Densidad Rep Cobertura Dı́as Densidad Rep Cobertura
84 1 1 200 112 1 1 300
84 1 2 250 112 1 2 400
84 1 3 275 112 1 3 425
84 1 4 325 112 1 4 500
84 2 1 325 112 2 1 500
84 2 2 400 112 2 2 500
84 2 3 450 112 2 3 675
84 2 4 425 112 2 4 800
84 3 1 875 112 3 1 1425
84 3 2 700 112 3 2 1250
84 3 3 1050 112 3 3 1700
84 3 4 1000 112 3 4 1775
84 4 1 800 112 4 1 1150
84 4 2 800 112 4 2 1175
84 4 3 875 112 4 3 1325
84 4 4 750 112 4 4 1100

Diseño de Experimentos
Medidas Repetidas en el Tiempo

La Tabla ANAVA utilizando el diseño en medidas repetidas para un

diseño completo al azar es como se muestra en la Tabla 49.

Tabela : ANAVA para los datos de maleza

F.V. gl SC CM Fc
Densidad 3 3654726, 5 1218242, 1 7, 55∗∗
E(a) 12 283359, 3 23613, 2
Dı́as 3 4822304, 6 1607434, 8 206, 3∗∗
Dı́as × Densidad 9 1270429, 6 141158, 8 40, 4∗∗
Rep × Dı́as 9 70117, 1 7790, 7
E(t) 27 94335, 9 3493, 9
Total 63 10195273, 4

Diseño de Experimentos
Medidas Repetidas en el Tiempo

para el factor densidad se tiene:

CME ∗ (a) = CME (a) + CMAT − CME (t)

= 23613, 2 + 141158, 8 − 3493, 9 = 161278, 1

con:

2
CME (A) + CMAT − CME (t)
glE ∗ (A) = 2 2
(CME (A) ) (CMAT )2 (CME (t) )
glE (A) + glAT + glE (t)

(23613, 2 + 141158, 8 − 3493, 9)2

= 23613,22 141158,82 3493,92
12+ 9 + 27
= 11, 51 ≈ 12

entonces F5%(3,12) = 3, 49 y F1%,(3,12) = 5, 95.

Diseño de Experimentos
Medidas Repetidas en el Tiempo

La tabla muestra una fuerte interacción entre dı́as transcurridos y

densidad, esto lleva a buscar la curva de mejor ajuste de la cobertura
respecto a los dı́as transcurridos para cada densidad.

Para llevar a cabo comparaciones múltiples con este tipo de análisis,

los errores estándar para cada situación son los siguientes:

Diseño de Experimentos
Medidas Repetidas en el Tiempo
1) Para comparar medias de los niveles de A, el error estándar es:
s
CME(a)
SY.j. = . (79)
rt

2) Para comparar medias de los niveles de T , el error estándar es:

r
CMRep×T
SY ··k = . (80)
ar
3) Para comparar medias de los niveles de A, en el tiempo k −ésimo,
el error estándar es:
s
CME(ak)
SY ·j· = , (81)
r
donde CME(ak) es el cuadrado medio del análisis de varianza en el
tiempo k − ésimo.
Diseño de Experimentos
Medidas Repetidas en el Tiempo

4) Para comparar medias de los niveles de T , k y k0, para el trata-

miento j − èsimo
r
CM(Ek ) + CM(Ek 0 )
SY ··k = , (82)
2r
donde CM(Ek ) y CM(Ek 0 ) son los cuadrados medios de los errores al
realizar un análisis de varianza en los tiempos k y k 0 .

Diseño de Experimentos
Medidas Repetidas en el Tiempo

Como la interacción T × Densidad en el ensayo fue significativa, se

puede analizar llevando a cabo un análisis de las densidades en cada
periodo estudiado, es decir realizar un ANAVA a los 28, 56, 84 y
112 dı́as. Entonces una tabla de promedios por densidad y tiempo
es dada en la Tabla 50:

Tabela : Promedios para tratamientos de maleza

Densidad/Tiempo 28 56 84 112
1 93,75 175 262,5 406,25
2 137,5 287,5 400 618,75
3 250 575 906,25 1537,5
4 306,25 512,5 806,25 1187,5

Diseño de Experimentos
Medidas Repetidas en el Tiempo

A los 28 dı́as el ANAVA para un diseño completamente al azar con

4 tratamientos o densidades es dado en la Tabla 51.

Tabela : ANAVA a los 28 dı́as

F.V. gl SC CM Fc
Densidad
3 115781, 2 38593, 7 70, 5∗∗
EE E(a−28 dı́as) 12 6562, 5 546, 8
Total 15 122343, 7

Diseño de Experimentos
Medidas Repetidas en el Tiempo

El error estándar para comparar dos medias de tratamiento es:

s r
CME(ak) 546, 8
SY ·j· = = = 11, 69
r 4

Para llevar a cabo la prueba múltiple de Tukey, se tiene que Q (α, t, glEE ) =
Q(5%,4,12) = 4, 199 entonces el valor del estadı́stico de prueba es:
s
CME(ak)
Q (α, t, glEE ) = 4, 199 × 11, 69 = 49, 08
r

Diseño de Experimentos
Medidas Repetidas en el Tiempo

de donde obtenemos que: Y ·11 − Y ·21 = |93, 75 − 137, 5| = 43, 75 <

49, 08
Y ·11 − Y ·31 = |93, 75 − 250| = 156, 25 > 49, 08
Y ·11 − Y ·41 = |93, 75 − 306, 25| = 212, 5 > 49, 08
Y ·21 − Y ·31 = |137, 5 − 250| = 112, 5 > 49, 08
Y ·21 − Y ·41 = |137, 5 − 306, 25| = 168, 75 > 49, 08
Y ·31 − Y ·41 = |250 − 306, 25| = 56, 25 > 49, 08. En resumen, se
tiene para la prueba de Tukey los siguientes resultados

Densid1 Densid2 Densid3 Densid4

a a b c

Diseño de Experimentos
Medidas Repetidas en el Tiempo
Tablas resumenes de los grados de libertad y cuadrados medios de
los tres ANAVAS restantes y de la respectiva prueba de Tukey.

Tabela : Cuadrados medios para los dı́as 56, 84 y 112

F.V. gl 56 dı́as 84 dı́as 112 dı́as
Densidad 3 141250∗∗ 386770∗∗ 1075104, 1∗∗
EE 12 4375 8151, 0 24244, 7

Tabela : Prueba de Tukey para los dı́as 56, 84 y 112

Densidad 56 dı́as 84 dı́as 112 dı́as
1 a a a
2 a a a
3 b b b
4 b b c

Diseño de Experimentos
Medidas Repetidas en el Tiempo

Se resumio toda la información a través de las comparaciones ver-

ticales llevadas a cabo, se tiene la siguiente Tabla, que debe ser
interpretada para cada periodo de tiempo.

Tabela : Comparaciones verticales para cada periodo de tiempo

Densidad/Tiempo 28 dı́as 56 dı́as 84 dı́as 112 dı́as
1 93, 75a 175a 262, 5a 406, 25a
2 137, 5a 287, 5a 400a 618, 75a
3 250b 575b 906, 25b 1537, 5b
4 306, 25c 512, 5b 806, 25b 1187, 5c

Diseño de Experimentos
Experimentos en Series

De acuerdo con Martı́nez y Martı́nez (1997), los programas de in-

vestigación generalmente se llevan a cabo para dos propósitos esen-
ciales:
1) Obtener información para ayudar a explicar la forma cómo las
observaciones de análisis responden frente a condiciones ambientales
(investigación básica)
2) Obtener información con la cual se pueden resolver problemas o
hacer recomendaciones a los productores (investigación aplicada).
En investigación básica los experimentos se hacen en secuencia, ge-
neralmente no se combinan. Mientras que en investigación aplicada
los experimentos se hacen en diferentes sitios y periodos de tiempo
(tres o más), aquı́ la combinación de experimentos es importante.

Diseño de Experimentos
Propositos de los Experimentos en Series

1) Aumentan el radio de acción de la experimentación mediante el

examen de una población de interés más amplia. Una recomendación
importante es que se debe seleccionar poblaciones homogéneas, es
decir, condiciones experimentales similares e investigar aquellos si-
tios y/o años donde la respuesta fue inusual.

2) Identificar variables no controladas que afecten la respuesta. Se

recomienda hacer supuestos sobre las variables que pueden afectar la
respuesta como: pH, resistencia de un insecto; por lo tanto, se deben
escoger sitios con diferentes niveles de las variables y analizar los
efectos para las diferentes localidades mediante técnicas de regresión
y correlación.

Diseño de Experimentos
Experimentos en Series

3) Concéntrarse en la variabilidad o consistencia de la respuesta.

Ası́, se recomienda hacer gráficas de cajas de la variable respuesta
para las diferentes localidades que pueden mostrar qué tratamientos
dan resultados consistentes y las lineas de tendencia de las medias
de diferentes localidades pueden mostrar patrones de comportami-
ento.

4) Verificar que se cumplan los supuestos del ANAVA, antes de re-

alizar el análisis combinado, sobre todo la homogeneidad de varianza.

5) Al usar los promedios para resumir los datos de los diferentes

ensayos, usar el número de repeticiones e incluir una medida de
dispersión

Diseño de Experimentos
Experimentos en Series

Clasificación de Experimentos
Los experimentos que se realizan en varios sitios o épocas del año,
se pueden clasificar ası́ (ver Martinez y Martı́nez, 1997):

Experimentos de Evaluación Preliminar

Son diseñados para identificar a partir de un número grande de tec-
nologı́as nuevas, las que consistentemente son superiores en el sitio
donde han sido desarrolladas.
El objetivo es examinar las interacciones entre Periodo × TTO, con
el fin de recomendar el mejor tratamiento en determinado perı́odo
o época.

Diseño de Experimentos
Experimentos en Series

Experimentos de Adaptación de Tecnologı́as

Los cuales son diseñados para determinar el grado de adaptabilidad
geográfica de las pocas tecnologı́as nuevas identificadas en uno o
más experimentos de evaluación preliminar. El objetivo es identificar
el rango de adaptabilidad de una tecnologı́a (sitio o sitios). Asi
mismo,
Los sitios escogidos deben representar un área geográfica y los trata-
mientos deben ser conformados principalmente por tecnologı́as pro-
misorias donde uno de ellos debe tomarse como un testigo o control.

Diseño de Experimentos
Experimentos en Series

Experimentos de Largo Plazo

Diseñados para caracterizar una nueva metodologı́a respecto a la
productividad en largo tiempo, como los ensayos de fertilización a
largo plazo, diseñados para evaluar los cambios en las propiedades del
suelo y nutrientes, ensayos de control de malezas, ensayos de máximo
rendimiento. Este tipo de experimentos se caracteriza porque en el
campo experimental los tratamientos y la distribución de las parcelas
permanece sin cambio en el tiempo.

Diseño de Experimentos
Experimentos en Series

Combinación de Experimentos para Diferentes Épocas

Antes de realizar análisis combinado es necesario:

Realizar el análisis de varianza para cada experimento.
Validar las pruebas de homogeneidad de varianzas de los errores, uti-
lizando una de las mencionadas como: Hartley o Bartlet o cualquier
otra.
Estimar preliminarmente la interacción TTO × Ambiente.

Diseño de Experimentos
Experimentos en Series
El modelo estadı́stico para el análisis de varianza combinado del
diseño en bloques es:

Yijk = µ + αi + ρij + τk + (ατ )ik + ijk (83)

i = 1, 2, · · · , a, j=1,2, · · · , r , k=1,2, · · · , t,
donde, a es el número de épocas o perı́odos, b es el número de
bloques y t el número de tratamientos.
µ es la media general.
αi es el efecto de la i−ésima época o perı́odo.
ρj es el efecto del bloque j-ésimo dentro de la época i-ésima o
perı́odo de tiempo.
τk es el efecto del tratamiento k-ésimo.
(ατ )jk es el efecto la interacción del perı́odo de tiempo i-ésimo por
el tratamiento k-ésimo.
ijk es el error experimental.

Diseño de Experimentos
Experimentos en Series

Tabela : Datos para producción de soya en dos épocas

Siembra Fertilización Producción Total Medias S2
I II III IV
Testigo(t) 28,6 36,8 32,7 32,6 130,7 32,675 11,21
Temprana Foliar 29,1 29,2 30,6 29,1 118,0 29,5 0,54
Na 28,4 27,4 26,0 29,3 111,1 27,775 2,00
K 29,2 28,2 27,7 32,0 117,1 29,275 3,69
Y1.k 115,3 121,6 117,0 123,0 476,9
Testigo(t) 30,3 32,3 31,6 30,9 125,1 31,275 0,75
Tardia Foliar 32,7 30,8 31,0 33,8 128,3 32,075 2,05
Na 30,3 32,7 33,0 33,9 129,9 32,475 2,36
K 32,7 31,7 31,8 29,4 125,6 31,4 1,98
Y2.k 126,0 127,5 127,4 128,0 508,9
Total 241,3 249,1 244,4 251,0 985,8

Diseño de Experimentos
Experimentos en Series

Análisis estadı́stico: Al realizar la prueba de homogeneidad de va-

rianzas de Hartley,
H0 : σ12 = σ22 = σ32 = σ42 contra H1 : σi2 = σi2 para algún i 6= j,
para cada uno de las épocas tenemos (ver Tabla 56):

Tabela : Prueba de Hartley para homogeneidad de varianzas

Época tardı́a Época temprana

Fmax(Cal) = 2,36
0,75 = 3, 15 F 11,21
max(Cal) = 0,54 = 20, 76
Fmax(Tab) = Fmax 5%,(4,3) = 39.2

Como Fmax(Cal) < Fmax(Tab) , entonces no se rechaza H0 , por tanto

las varianzas se consideran homogéneas en las dos épocas de siem-
bra.

Diseño de Experimentos
Experimentos en Series

Se hacen los calculos correspondientes para construir la tabla de

análisis de varianza para cada época, con los resultados mostrados
en las Tablas 57 y 58 :

Tabela : ANAVA para producción de soya en época temprana

Época Temprana FTab

F.V. gl SC CM Fc 1% 5%
Bloques 3 10,1 3,37 3,86 6,99
Fertilización 3 50,9 16,97 3, 61NS
EE 9 42,3 4,70
Total 15 103,3

Diseño de Experimentos
Experimentos en Series

Tabela : ANAVA para producción de soya en época tardı́a

Época Tardı́a FTab

F.V. gl SC CM Fc 1% 5%
Bloques 3 0,6 0,2
Fertilización 3 3,9 1,3 0, 56NS 3,86 6,99
EE 9 20,8 2,31
Total 15 25,3

Como se observa en las Tablas 57 y 58, en cada una de las épocas

de siembra no se presentaron diferencias entre los fertilizantes.

Diseño de Experimentos
Experimentos en Series

Se realiza el análisis de varianza combinado, iniciando con la vali-

dación de la prueba de homogeneidad de varianzas, utilizando los
datos de los cuadrados medios del error en las Tablas 57 y 58 de los
dos experimentos. Entonces, usando la estadı́stica Fmax , se tiene:
CM error mayor 4, 70
Fmax = = = 2, 03
CM error menor 2, 31
ahora, Fmax 5%,(9,9) = 3, 18 y como Fmax < 3.18, no se rechaza H0 ,
por tanto las varianzas se consideran homogeneas.
Se realizan los cálculos necesarios para construir la tabla de análisis
de varianza combinado (Tabla 59).

Diseño de Experimentos
Experimentos en Series

Y···2 (985, 8)2

FC = = = 30368, 8
rat 32
a X
X r X
t
2
SCTotal = Yijk − FC
i=1 j=1 k=1

28, 6 + 36, 82 + · · · + 31, 82 + 29, 42 − 30368, 8

2


=
= 30529, 4 − 30368, 8 = 160, 6
SCBloques(Epoca) = SCBloques(temprana) +SCBloques(tardı́a) = 10, 1+0, 6 = 10,
a
1 X 2
SCÉpocas = Yi·· − FC
rt
i=1
1
476, 92 + 508, 92 − 30368, 8


=
16
= 30400, 8 − 30368, 8 = 32, 0
Diseño de Experimentos
Experimentos en Series

t
1 X 2
SCFertilización = Y··k − FC
ar
k=1
1
255, 82 + 246, 32 + 2412 + 242, 72 − 30368, 8


=
8
= 30385, 2 − 30368, 8 = 16, 4

a t
1 XX 2
SCÉpocas×Fertilización = Yi·k − FC − SCÉpocas − SCFertilización
r
i=1 k=1
1
130, 72 + · · · + 125, 62 − 30368, 8 − 32, 0 −


=
4
= 30455 − 30368, 8 − 32, 0 − 16, 4 = 38, 4

SCError = SCError (temprana) + SCError (tardı́a) = 42, 3 + 20, 8 = 63, 1

Diseño de Experimentos
Experimentos en Series

Tabela : ANAVA combinado para producción de soya

F.V. gl SC CM Fc F1% F5%

Epocas 1 32,0 32,0
Bloques(Epocas) 6 10,7 1,78
Fertilización 3 16,4 5,47 1, 56NS 3,16 5,09
Epoca×Fertilización 3 38,4 12,80 3, 65∗ 3,16 5,09
Error(combinado) 18 63,1 3,51
Total 31 160,6

De acuerdo con los datos de la ANAVA de la Tabla 59, la interacción

es significativa, es decir hay que analizar en qué epóca y con que
fertilizante la producción de soya es mayor, por lo que se recomienda
utilizar los contrastes ortogonales. Los contrastes con los totales,
son dados en la Tabla 60.
Diseño de Experimentos
Experimentos en Series

Tabela : Contrastes para las dos épocas de siembra

Época Época Temprana Época Tardı́a
Fertilización t Foliar(f) Na K t Foliar(f) Na K
Totales 130,7 118 111,1 117,1 125,1 128,3 129,9 125,6
E (Epoca) -1 -1 -1 -1 1 1 1 1
Ft−resto (F1 ) 3 -1 -1 -1 3 -1 -1 -1
Ff −(Na,K ) (F2 ) 0 2 -1 -1 0 2 -1 -1
FNa−K (F3 ) 0 0 1 -1 0 0 1 -1
E × F1 -3 1 1 1 3 -1 -1 -1
E × F2 0 -2 1 1 0 2 -1 -1
E × F3 0 0 -1 1 0 0 1 -1

Diseño de Experimentos
Experimentos en Series

Tabela : Continuación: Contrastes para las dos épocas de siembra

Cij2
P
Éfecto Z
b r SC Fc F(1,18)
E 32 32 32 9.11∗ 4.32
Ft−resto (F1 ) 37,4 96 14,57 4,15
Ff −(Na,K ) (F2 ) 8,9 48 1,65 0,47NS
FNa−K (F3 ) -1,7 16 0,18 0,05NS
E × F1 -54,4 96 30,82 8,78∗
E × F2 -6,7 48 0,93 0, 26NS
E × F3 10,3 16 6,63 1,88NS

Diseño de Experimentos
Experimentos en Series

Tabela : Promedios para la producción de soya

Época de siembra Testigo(t) Foliar(f) Na K

Tardı́a 31,27 32,07 32,47 31,4
Temprana 32,67 29,5 27,77 29,27

Como se observa en la Tabla 61, la época con la aplicación de ferti-

lizantes interactúan. De la Tabla 62 de promedios, se concluye que
el testigo es recomendable en época temprana, es decir sin aplicar
fertilizantes y a menor costo. Para la aplicación de fertilizantes, en
época tardı́a, la fertilización con Na es la de mayor producción.

Diseño de Experimentos
Experimentos en Series

Diseño de Experimentos