You are on page 1of 159

UNIVERSIDAD AUTNOMA CHAPINGO DIVISIN DE CIENCIAS FORESTALES

USO DE CALC DE OPENOFFICE EN EL ANLISIS DE DISEOS EXPERIMENTALES

TESIS PROFESIONAL

QUE COMO REQUISITO PARCIAL PARA OBTENER EL TTULO DE:

LICENCIADO EN ESTADSTICA

P R E S E N T A:

CARLOS VERDUZCO ROS

Chapingo, Texcoco, Estado de Mxico, Noviembre de 2009

Esta tesis fue realizada por Carlos Verduzco Ros, bajo la direccin del Dr. Jos Artemio Cadena Meneses. Fue revisada y aprobada por el siguiente Comit Revisor y Jurado Examinador, para obtener el ttulo de Licenciado en Estadstica.

PRESIDENTE ______________________________________ Nombre y firma

SECRETARIO ______________________________________ Nombre y firma

VOCAL ______________________________________ Nombre y firma

SUPLENTE ______________________________________ Nombre y firma

SUPLENTE ______________________________________ Nombre y firma

Chapingo, Texcoco, Edo. de Mxico, Noviembre de 2009 2

DEDICATORIA
A MIS PADRES... Lorenzo y Mara Concepcin Quienes con su apoyo, cario, consejos y confianza me han otorgado las habilidades y capacidades que me permitirn, el da de maana, enfrentar la vida con xito. Eternamente agradecido, pues de ustedes recib lo ms valioso: El Don de la Vida y la mejor herencia: Mi Carrera Profesional. A MIS HERMANOS (AS) Y FAMILIARES... Gracias por el apoyo, consejos y confianza para seguir adelante en mi persona y mis estudios; y no teniendo otra forma de agradecerles, ms que esforzndome por alcanzar el xito, quiero que sientan que el objetivo logrado tambin es suyo.

AGRADECIMIENTOS
A mi alma mater la Universidad Autnoma Chapingo por brindarme la oportunidad de lograr una profesin con valores y tica. Al Jurado calificador: Dr. Jos Artemio Cadena Meneses, M.C. Alejandro Corona Ambiz, M.C. ngel Leyva Ovalle, Dr. Hugo Ramrez Maldonado y Lic. MArgarito Soriano Montero , por dedicar un poco de su valioso tiempo en excelentes observaciones y comentarios durante el desarrollo del trabajo. A todos mis amigos (as) de Chapingo, gracias por esos momentos que pasamos juntos.

Sinceramente Carlos Verduzco Ros

CONTENIDO NDICE DE CUADROS.vii RESUMEN...ix SUMMARY....x 1. INTRODUCCIN ................................................................................................ 1 2. JUSTIFICACIN ............................................................................................... 14 3. OBJETIVOS ...................................................................................................... 15 3.1. OBJETIVO GENERAL ................................................................................ 15 3.2. OBJETIVOS PARTICULARES .................................................................... 15 4. ANTECEDENTES ............................................................................................. 15 5. PRUEBAS DE HIPTESIS Y CONCEPTOS BSICOS DE DISEOS EXPERIMENTALES ........................................................................................ 17 5.1. PRUEBAS DE HIPTESIS ................................................................................. 18 5.1.1. Definiciones bsicas............................................................................. 18 5.1.2. Error Tipo I Y Tipo II ............................................................................. 19 5.1.3. Estadstica de prueba y valores tabulados ........................................... 21 5.1.4. Distribuciones de probabilidad continuas ............................................. 22 5.1.4.1. Distribucin t de Student. ............................................................... 22 5.1.4.2. Distribucin F de Snedecor ........................................................... 23 5.2. CONCEPTOS BSICOS DE DISEOS EXPERIMENTALES ....................................... 24 5.2.1. Definiciones .......................................................................................... 24 5.2.2. Modelo lineal ........................................................................................ 25 5.2.2.1. Conceptos bsicos. ....................................................................... 25 5.2.2.2. Error experimental ......................................................................... 26 5.2.2.3. Modelo lineal general..................................................................... 27 5.2.3. Supuestos bsicos de los diseos experimentales .............................. 27 5.2.4. Hiptesis a probar ................................................................................ 28 5.2.5. Anlisis de varianza ............................................................................. 28 6. DISEO COMPLETAMENTE AL AZAR (DCA)................................................. 34 6.1. CARACTERSTICAS ......................................................................................... 34 6.2. VENTAJAS ..................................................................................................... 35 6.3. DESVENTAJAS ............................................................................................... 36 6.4. MODELO LINEAL ............................................................................................ 36 6.5. HIPTESIS A PROBAR ..................................................................................... 36 6.6. ANLISIS DE VARIANZA ................................................................................... 37 4

6.7. REGLA DE DECISIN....................................................................................... 37 7. DISEO COMPLETAMENTE AL AZAR CON SUBMUESTREO ...................... 42 7.1. MODELO LINEAL PARA SUBMUESTREO ............................................................. 42 7.2. HIPTESIS A PROBAR ..................................................................................... 43 7.3. ANLISIS DE VARIANZA CON SUBMUESTREO. NMERO IGUAL DE SUBMUESTRAS. . 43 7.4. REGLA DE DECISIN....................................................................................... 45 8. DISEO EN BLOQUES COMPLETOS AL AZAR (DBCA) ................................ 50 8.1. CARACTERSTICAS ......................................................................................... 50 8.2. VENTAJAS ..................................................................................................... 50 8.3. DESVENTAJAS ............................................................................................... 51 8.4. MODELO LINEAL ............................................................................................ 51 8.5. HIPTESIS A PROBAR ..................................................................................... 51 8.6. ANLISIS DE VARIANZA ................................................................................... 52 8.7. REGLA DE DECISIN....................................................................................... 53 9. COMPARACIONES MLTIPLES DE MEDIAS DE TRATAMIENTOS .............. 56 9.1. HIPTESIS A PROBAR ..................................................................................... 57 9.2. DIFERENCIA MNIMA SIGNIFICATIVA (DMS) ...................................................... 58 9.2.1. Ventajas ............................................................................................... 59 9.2.2. Desventajas ......................................................................................... 59 9.2.3. Regla de decisin ................................................................................. 60 9.3. PRUEBA DE TUKEY ........................................................................................ 66 9.3.1. Regla de decisin ................................................................................. 67 9.4. PRUEBA DE DUNCAN ...................................................................................... 73 9.4.1. Regla de decisin ................................................................................. 75 9.5. PRUEBA DE SCHEFF..................................................................................... 80 9.5.1 Regla de decisin .................................................................................. 81 9.6. PRUEBA DE STUDENT-NEWMAN-KEULS (S-N-K) .............................................. 87 9.6.1. Regla de decisin ................................................................................. 88 10. DISEO EN CUADRO LATINO ...................................................................... 94 10.1. CARACTERSTICAS ....................................................................................... 94 10.2. MODELO LINEAL .......................................................................................... 95 10.3. CONSTRUCCIN DE UN CUADRO LATINO BSICO ............................................. 95 10.4. HIPTESIS A PROBAR ................................................................................... 96 10.5. ANLISIS DE VARIANZA ................................................................................. 96 10.6. REGLA DE DECISIN ..................................................................................... 98 11. DISEO FACTORIAL.................................................................................... 102 11.1. CARACTERSTICAS ..................................................................................... 102 11.2. NOMENCLATURA ........................................................................................ 103 11.3. TIPOS DE DISEOS FACTORIALES ................................................................ 103 11.4. MODELO LINEAL ........................................................................................ 104 5

11.5. ANLISIS DE VARIANZA ............................................................................... 108 11.6. DISEO FACTORIAL 2K ................................................................................ 109 11.7. DISEO FACTORIAL 3K ................................................................................ 120 11.8. DISEO FACTORIAL 3K X 2L.......................................................................... 132 12. DISEO EN PARCELAS DIVIDIDAS ............................................................ 142 12.1. CARACTERSTICAS ..................................................................................... 142 12.2. MODELO LINEAL ........................................................................................ 143 12.3. HIPTESIS A PROBAR ................................................................................. 144 12.4. ANLISIS DE VARIANZA ............................................................................. 1454 12.5. REGLA DE DECISIN ................................................................................... 147 13. CONCLUSIONES .......................................................................................... 151 14. BIBLIOGRAFA ............................................................................................. 152 15. APNDICE .................................................................................................... 153

NDICE DE CUADROS Cuadro 1. Cronologa de las versiones de OpenOffice ......................................... 14


ei . H0: = 0 Cuadro 2. Anlisis de varianza para el modelo Yi vs Ha: 0.31 ei . H0: = 0 Cuadro 3. Anlisis de varianza para el modelo Yi vs Ha: 0. 32 Cuadro 4. Estructura del anlisis de varianza para el diseo completamente al

azar. ..................................................................................................... 36 Cuadro 5. Datos (en lb/pulgada2) del experimento a la tensin. ........................... 37 Cuadro 6. Diseos experimentales ms comunes y comparacin mltiple de medias .................................................................................................. 38 Cuadro 7. Diseo completamente al azar. ............................................................ 39 Cuadro 8. Anlisis de varianza para el diseo completamente al azar. ................ 40 Cuadro 9. Estructura del anlisis de varianza para un diseo completamente al azar con submuestreo. Nmero igual de submuestras. ....................... 43 Cuadro 10. Crecimiento en una semana de tallos de plantas de menta cultivadas en una solucin nutritiva. ...................................................................... 45 Cuadro 11. Diseo completamente al azar con submuestreo. .............................. 47 Cuadro 12. Anlisis de varianza para el diseo completamente al azar con submuestreo. ..................................................................................................... 48 Cuadro 13. Estructura del anlisis de varianza para el diseo en bloques completos al azar. .............................................................................. 51 Cuadro 14. Produccin de tomate en toneladas por hectrea con la aplicacin de insecticidas .................................................................................... 53 Cuadro 15. Diseo en bloques completos al azar. ................................................ 54 Cuadro 16. Anlisis de varianza para el diseo en bloques completos al azar. .... 55 Cuadro 17. Pruebas de comparaciones mltiples de medias ............................... 61 Cuadro 18. Prueba de la Diferencia Mnima Significativa. .................................... 62 Cuadro 19. Prueba de la Diferencia Mnima Significativa con las medias de tratamientos ordenados ...................................................................... 63 Cuadro 20. Diferencias de medias (Dk) de tratamientos ordenados y valores de las DMS ......................................................................................... 64 7

Cuadro 21. Prueba de Tukey. ............................................................................... 69 Cuadro 22. Prueba de Tukey con las medias de tratamientos ordenados ............ 70 Cuadro 23. Diferencias de medias (Dk) de tratamientos ordenados y valores de k ................................................................................................... 70 Cuadro 24. Prueba de Duncan .............................................................................. 76 Cuadro 25. Prueba de Duncan con las medias de tratamientos ordenados ......... 77 Cuadro 26. Diferencias de medias (Dk) de tratamientos ordenados y valores de Ck................................................................................................... 78 Cuadro 27. Prueba de Scheff .............................................................................. 83 Cuadro 28. Prueba de Scheff con las medias de tratamientos ordenados .......... 84 Cuadro 29. Diferencias de medias (Dk) de tratamientos ordenados y valores de K ................................................................................................... 84 Cuadro 30. Prueba de Student-Newman-Keuls (S-N-K) ....................................... 90 Cuadro 31. Prueba de Student-Newman-Keuls (S-N-K) con las medias de tratamientos ordenados ...................................................................... 91 Cuadro 32. Diferencias de medias (Dk) de tratamientos ordenados y valores de (S-N-K)K ........................................................................................ 91 Cuadro 33. Cuadro latino bsico ........................................................................... 94 Cuadro 34. Estructura del anlisis de varianza para un diseo en cuadro latino .. 96 Cuadro 35. Cuadro Latino aleatorizado (en base a las hileras)............................. 98 Cuadro 36. Concentracin bacteriana (n de clulas / ml (segn la escala de Mc Farland 1 x 109)). ..................................................................... 98 Cuadro 37. Diseo en cuadro latino .................................................................... 100 Cuadro 38. Anlisis de varianza para el diseo en cuadro latino. ....................... 101 Cuadro 39. Notaciones para el diseo factorial 22. ............................................. 109 Cuadro 40. Mtodo de Yates para el anlisis de experimentos factoriales 2 2. .... 109 Cuadro 41. Experimento factorial 23. Rendimientos de Caa en Toneladas por Hectrea. .................................................................................... 111 Cuadro 42. Estructura del anlisis de varianza para el diseo factorial 2 3 en bloques completos al azar. .......................................................... 114 Cuadro 43. Tipos de diseos factoriales ms comunes ...................................... 116 8

Cuadro 44. Diseo factorial 2k en bloques completos al azar. ............................ 117 Cuadro 45. Anlisis de varianza para el diseo factorial 23 en bloques completos al azar. ............................................................................ 118 Cuadro 46. Datos de la prdida de jarabe (las unidades son centmetros cbicos-70) ....................................................................................... 122 Cuadro 47. Estructura del anlisis de varianza para el diseo factorial 3 3 completamente al azar. ................................................................................... 125 Cuadro 48. Diseo factorial 3k completamente al azar. ....................................... 129 Cuadro 49. Anlisis de varianza para el diseo factorial 33 completamente al azar. .............................................................................................. 130 Cuadro 50. Nmero de gotas por centmetro cuadrado presentes en el papel kromekotes. ............................................................................ 132 Cuadro 51. Estructura del anlisis de varianza para el diseo factorial 3 x 22 en bloques completos al azar. ................................................ 135 Cuadro 52. Diseo factorial 3k x 2l en bloques completos al azar ....................... 139 Cuadro 53. Anlisis de varianza para el diseo factorial 3 x 22 en bloques completos al azar. ............................................................................ 141 Cuadro 54. Estructura del anlisis de varianza para el diseo en parcelas divididas. .......................................................................................... 144 Cuadro 55. Produccin de caa en toneladas por hectrea. .............................. 147 Cuadro 56. Diseo en parcelas divididas. ........................................................... 148 Cuadro 57. Anlisis de varianza para el diseo en parcelas divididas. ............... 150

USO DE CALC EXPERIMENTALES RESUMEN

DE

OPENOFFICE

EN

EL

ANLISIS

DE

DISEOS

Actualmente existen en el mercado muchos paquetes de software que permiten desarrollar un conjunto de aplicaciones para oficina, actividades dentro de la informtica, siendo Microsoft Office el ms conocido y el que tiene la mayora del mercado general en el entorno. Sin embargo, otro paquete que est teniendo gran importancia en el mercado, y competencia del anterior, es el paquete de software OpenOffice, que es un software libre muy similar a Office.

Este trabajo se realiz con Calc de OpenOffice, que es una herramienta para trabajar con hojas de clculo, en la cual se resolvieron ejemplos de diseos experimentales y comparaciones mltiples de medias de tratamientos ms comunes tomados de algunos libros clsicos de diseos experimentales. Primero se hizo una revisin de pruebas de hiptesis y conceptos bsicos de diseos experimentales que son muy tiles en el desarrollo de este trabajo. Despus se desarrollaron los siguientes tipos de diseos experimentales y comparaciones mltiples de medias de uso ms comn: diseo completamente al azar balanceado y desbalanceado, diseo completamente al azar con submuestreo, diseo en bloques completos al azar, comparaciones mltiples de medias de tratamientos, diseo en cuadro latino, algunos diseos factoriales y el diseo en parcelas divididas.

Los ejemplos fueron resueltos en forma detallada en Calc de OpenOffice en el archivo nombrado DISEOS EXPERIMENTALES el cual es parte de este trabajo. Calc de OpenOffice es muy fcil de usar y de gran similitud con Excel de Microsoft y se puede trabajar con esta herramienta sin gran dificultad.

Palabras clave: Software, tratamiento, prueba de hiptesis, comparacin de medias.

10

SUMMARY At the moment they exist in the market many software packages that allow developing a group of applications for office, activities inside the computer science, being Microsoft Office the good known one and the one that has most of the general market in our environment. However, another package that is having great importance in the market, and competition of the previous one, is the software package OpenOffice that is free and very similar software to Microsoft Office.

This work was carried out with OpenOffice Calc, that is a tool to work with calculation leaves, in which were solved examples of experimental designs and multiple comparisons of stockings of treatments more common taken of some classic books of experimental designs. First it was made a check of hypothesis tests and basic concepts of experimental designs that will be very useful in the development of this work. Then the following types of experimental designs and multiple comparisons of stockings were developed to be of more common use: design totally at random balanced and desbalanceado, design totally at random with subsampling, design in complete blocks at random, multiple comparisons of stockings of treatments, design in latin square, factorial designs and design in divided parcels.

The examples were solved in form detailed in OpenOffice Calc in the file "EXPERIMENTAL DESIGNS" which is part of this work. Calc of OpenOffice is very easy of using and of great similarity with Microsoft Excel and one can work with this tool without great difficulty.

Key words: Software, treatment, hypothesis test, comparison of stockings.

11

1. INTRODUCCIN

OpenOffice es un software de acceso libre y cdigo abierto; es decir, que se puede descargar directamente en Internet de forma gratuita en la siguiente direccin: http://es.openoffice.org/. Otra caracterstica muy importante de este software es el hecho de ser multiplataforma, puede ser instalado y ejecutado en diversas plataformas como Linux (en todas sus distribuciones), Mac OS-X (en versin ingls), Free-BSD, Solaris y Microsoft Windows desde la versin 95.

El paquete contiene las siguientes herramientas:

OpenOffice.org Writer - Herramienta dedicada a la edicin de texto tambin llamado procesador de textos.

OpenOffice.org Calc - Herramienta para trabajar con hojas de clculo.

OpenOffice.org Impress - Herramienta destinada a crear presentaciones y diapositivas.

OpenOffice.org Draw - Herramienta destinada a crear diagramas, dibujos y grficos.

OpenOffice.org Math - Herramienta para la representacin de frmulas matemticas.

En este trabajo se usaron las herramientas para trabajar con hojas de clculo, Calc de OpenOffice, las cuales fueron tiles en el anlisis de los diseos experimentales ms comunes.

OpenOffice Calc es una aplicacin de hojas de clculo que se puede usar para calcular, analizar y gestionar datos. Una hoja de clculo es una tabla donde cada celda puede contener alguno de los siguientes tipos de datos: texto, valores numricos, frmulas o referencias a otros archivos.

12

Tambin se pueden importar y modificar hojas de clculo de Microsoft Excel. OpenOffice Calc incorpora funciones estadsticas y financieras, que se pueden utilizar para crear frmulas que realicen clculos complejos. En este caso, los clculos son enfocados a resolver problemas de diseos experimentales.

En la investigacin cientfica, es comn que se formulen hiptesis para luego verificarlas o rechazarlas directamente, por sus consecuencias. Tal proceso requiere de la coleccin de observaciones, a travs de un patrn bien definido, el cual constituye el diseo de un experimento.

Se pueden distinguir dos tipos de experimentos en la investigacin cientfica: los experimentos absolutos y los comparativos. El primer tipo de experimentos considera la determinacin de un valor especfico. Los experimentos comparativos, permiten la comparacin de dos o ms tratamientos, al medir su efecto sobre una determinada caracterstica de la poblacin. En este trabajo, slo se trataran diseos comparativos sobre la igualdad de sus tratamientos.

De acuerdo con Cramer (1960), la estadstica tiene tres funciones fundamentales en el mtodo cientfico: descripcin, anlisis y prediccin. Por descripcin se entiende, el proceso de reducir una masa de observaciones procedentes de un fenmeno aleatorio, a un conjunto tan pequeo de valores, como sea posible. El anlisis de la informacin, se refiere a ciertas funciones de las observaciones, denominadas estadsticos, que permiten describir en forma compacta a una poblacin, si se cuenta exclusivamente con informacin a partir de una muestra. Se incluyen tambin en el anlisis, el establecimiento de criterios de prueba de las hiptesis planteadas por el investigador. La tercera funcin de la estadstica en el mtodo cientfico, es la prediccin, la cual es propiamente, el objetivo principal de la aplicacin del mtodo cientfico al estudio de un fenmeno.

13

El diseo estadstico de experimentos se refiere al proceso para planear el experimento de tal forma que se recaben los datos adecuados que puedan analizarse con mtodos estadsticos para obtener conclusiones vlidas y objetivas.

Los tres principios bsicos del diseo experimental son la aleatorizacin, la realizacin de rplicas y la formacin de bloques. Por aleatorizacin se entiende que tanto la asignacin del material experimental como el orden en que se realizarn las corridas o ensayos individuales del experimento se determinan al azar. La realizacin de rplicas o repeticin del experimento bsico, permite al experimentador obtener una estimacin del error experimental y obtener una estimacin precisa sobre el efecto de un factor en el experimento. La formacin de bloques es una tcnica de diseo que se utiliza para mejorar la precisin de las comparaciones que se hacen entre los factores de inters.

2. JUSTIFICACIN

El hecho de trabajar con Calc de OpenOffice, es para dar a conocer este software libre y presentarlo como una opcin para el anlisis de diseos experimentales, ya que a diferencia de otros paquetes gratuitos, ste es ms fcil de usar, y cualquier usuario podra hacer uso de l porque no se necesita tener conocimientos sobre lenguajes de programacin; adems, Calc de OpenOffice es equivalente a Excel de Microsoft Office, pero a diferencia de ste, OpenOffice es un paquete de cmputo libre, el cual est disponible en Internet de forma gratuita en la direccin mencionada en la Introduccin, y se puede hacer uso de este paquete con la intencin de hacer frente al dominio en el mercado de Microsoft Office y como universidad pblica no depender tanto de este ltimo, proporcionando una alternativa abierta, sin costo y de alta calidad para el anlisis de diseos experimentales.

Por lo tanto, es una buena opcin hacer uso de esta herramienta para trabajar con hojas de clculo y mediante funciones o frmulas realizar clculos y analizar datos de los diseos experimentales; y que a la vez, este trabajo sirva como apoyo en los cursos de diseos experimentales que se imparten en las diferentes carreras de la Universidad 14

Autnoma Chapingo. Para un mejor uso de estas hojas de clculo, los usuarios deben tener conocimientos bsicos de estadstica y diseo de experimentos.

3. OBJETIVOS

3.1. OBJETIVO GENERAL Mostrar el uso de Calc de OpenOffice en el anlisis estadstico de los diseos experimentales ms comunes. 3.2. OBJETIVOS PARTICULARES Mostrar que Calc de OpenOffice es una alternativa para resolver problemas estadsticos y hacer uso de l en lugar de paquetes equivalentes que no sean libres.

Dar a conocer la forma de usar esta herramienta para trabajar con hojas de clculo para hacer uso de ella y no depender tanto de un software que no sea libre.

4. ANTECEDENTES

OpenOffice es una suite ofimtica de software libre y cdigo abierto, desarrollado en un principio por la compaa alemana StarDivision. El cdigo fue adquirido en 1999 por Sun Microsystems. En agosto de 1999 la versin 5.2 de StarOffice se hizo disponible de forma gratuita. El cdigo fuente de la aplicacin est disponible bajo la licencia LGPLLesser General Public License" (Licencia Pblica General Menor)-, la cual puede aplicar a sus programas tambin. El Cuadro 1 muestra una cronologa de las versiones de OpenOffice Cuadro 1. Cronologa de las versiones de OpenOffice Versin Descripcin Build 638c El primer lanzamiento importante 15

Fecha de lanzamiento Octubre de 2001

1.0 1.0.3.1 1.1 1.1.3 1.1.5 2.0 2.0.1 2.0.2 2.0.3 2.0.4 2.1 2.2 2.2.1 2.3 2.3.1 2.4 2.4.1 3.0.0 3.0.1 3.1 3.1.1 Compatibilidad Office 2007 Corrector gramatical Varios Varios ltimo lanzamiento de la lnea 1.1.x Lanzamiento importante 1.1.5secpatch Parches de seguridad (macros) ltimo lanzamiento de la lnea 1.0.x

1 de mayo de 2002 18 de abril de 2003 2 de septiembre de 2003 4 de octubre de 2004 14 de septiembre de 2005 4 de julio de 2006 20 de octubre de 2005 21 de diciembre de 2005 8 de marzo de 2006 29 de junio de 2006 13 de octubre de 2006 12 de diciembre de 2006 28 de marzo de 2007 12 de junio de 2007 17 de septiembre de 2007 Actualizacin de estabilidad y seguridad 4 de diciembre de 2007 27 de marzo de 2008 Junio de 2008 13 de octubre de 2008 27 de enero de 2009 7 de mayo de 2009 31 de agosto de 2009

Con respecto a los diseos experimentales, el trabajo pionero de Fisher en los aos 1920 y principios de la dcada de 1930, quien estuvo a cargo de la estadstica y del anlisis de datos de la Estacin Agrcola Experimental Rothamsted, en Inglaterra. Mostr cmo los mtodos estadsticos y en particular el diseo de experimentos podan ayudar a resolver problemas sobre las complejas relaciones que pueden existir entre varias variables. l fue quien desarroll y us por primera vez el anlisis de varianza como herramienta fundamental para el anlisis estadstico en un diseo experimental.

Las primeras aplicaciones de los mtodos del diseo experimental tienen lugar principalmente, en la agricultura, la ciencia forestal y la biologa, y como resultado, gran 16

parte de la terminologa que hoy se emplea proviene de estos antecedentes. Las aplicaciones industriales del diseo experimental comienzan en la dcada de 1930, en la industria textil Britnica. Despus de la Segunda Guerra Mundial, los mtodos de diseo experimental se introducen en las industrias qumicas y de transformacin de Europa y E.U.

Hoy da su aplicacin se ha generalizado al mundo industrial, agrcola, forestal, biolgico, de las ciencias de la salud, etc.

5. PRUEBAS DE HIPTESIS Y CONCEPTOS BSICOS DE DISEOS EXPERIMENTALES

Este trabajo se realiz haciendo uso de Calc de OpenOffice para resolver ejemplos de los diseos experimentales ms comunes. Por tanto, primero se comenz con una descripcin general sobre pruebas de hiptesis y de los diseos experimentales.

En los captulos siguientes se contino con el desarrollo detallado de cada tipo de diseo experimental, y se resolvi un ejemplo en Calc de OpenOffice. Los ejemplos fueron tomados de libros clsicos de diseos experimentales. Los tipos de diseos experimentales que se abordaron fueron: diseo completamente al azar balaceado y desbalanceado, diseo completamente al azar con submuestreo, diseo en bloques completos al azar, comparaciones mltiples de medias de tratamientos, diseo en cuadro latino, algunos diseos factoriales y el diseo en parcelas divididas.

Durante el anlisis de los diferentes diseos experimentales, los ejemplos que se presentan fueron resueltos con Calc de OpenOffice, lo cual es el objetivo de este trabajo. Por tanto, tambin se proporciona una forma muy detallada de cmo manejar estas hojas de clculo, para que el lector sea capaz de poder hacer uso de las mismas y que a la vez le sirva como un manual de Calc de OpenOffice para resolver problemas de los diseos experimentales ms comunes.

17

Debido a que la mayora de los mtodos estadsticos que se exponen en los captulos siguientes de diseos experimentales, se caracterizan por el contraste de juegos de hiptesis en la solucin de problemas especficos, se muestra una breve exposicin de las pruebas de hiptesis estadsticas, de las distribuciones de probabilidad asociadas con estas pruebas de hiptesis y de algunos conceptos bsicos de diseos experimentales, que fueron necesarios para el desarrollo de este trabajo, tomados de libros de diseos experimentales de los siguientes autores: Castillo (2003), Cochran y Cox (1980), Fisher (1960), Infante y G. (1990), Martnez (1983), Montgomery (2007), Scheff (1959), y Steel y Torrie (1988).

5.1. Pruebas de hiptesis Se hace uso de las pruebas de hiptesis estadsticas para probar la adecuacin de un modelo especfico, la igualdad de los resultados de distintos tratamientos en un diseo experimental, el cumplimiento de los supuestos bsicos del modelo o diseo experimental elegido, entre otras situaciones comunes. En los captulos siguientes se usaron las pruebas de hiptesis estadsticas para mostrar la igualdad de los resultados de distintos tratamientos, en un diseo experimental.

5.1.1. Definiciones bsicas Hiptesis: Aseveracin que se hace acerca de un fenmeno.

Prueba de hiptesis: Mtodo estadstico que se emplea para determinar si una hiptesis es verdadera o falsa.

A continuacin se definen los elementos esenciales que deben conformar una prueba de hiptesis.

Hiptesis a probar: Consiste en dos planteamientos que se contraponen: la hiptesis nula y la hiptesis alternativa. La hiptesis nula es aquella que el investigador est

18

dispuesto a sostener como cierta; se representa como H0. La hiptesis alternativa es aquella que se contrapone a la hiptesis nula; se representa por Ha. Estadstica de prueba: Es una frmula estadstica que, con base en los datos experimentales, permite obtener un dato (valor calculado) que es comparado contra un valor de tabla (valor tabulado) de la distribucin de probabilidad con la que se relaciona la estadstica de prueba.

Regla de decisin: Determina la forma en que se deben relacionar el valor calculado y el valor tabulado de la distribucin de probabilidad de donde provienen los datos experimentales para rechazar o no la hiptesis nula (H0). Conclusin: Habiendo rechazado o no la hiptesis nula (H0) se deben establecer las conclusiones pertinentes con base en el estudio o experimento que se realiza.

Note que en las definiciones anteriores se utiliza la idea de no rechazar en lugar de la idea de aceptar. Lo anterior se debe al hecho de que las pruebas de hiptesis se realizan suponiendo un componente aleatorio en los datos experimentales y por lo tanto no se tiene la entera seguridad de la certeza o seguridad de la H0, por lo que es ms correcto emplear el no rechazo que la total aceptacin.

Una prueba de hiptesis permitir el rechazar o no rechazar la hiptesis nula (H 0). Si se rechaza a H0 implica que sta es falsa y no se rechaza a Ha. Si no se rechaza a H0 implica que sta es verdadera y se rechaza a Ha. El enunciado de la hiptesis que no es rechazada servir de base para dar las conclusiones finales de la prueba de hiptesis.

5.1.2. Error Tipo I Y Tipo II Cualquier estadstica de prueba est asociada a una distribucin de probabilidad especfica, por lo que una prueba de hiptesis est sujeta a errores atribuibles al azar.

19

Comnmente se llegan a presentar dos tipos de errores en las pruebas de hiptesis: Error tipo I y Error Tipo II.

Los errores anteriores se definen de la siguiente forma: Error Tipo I = Rechazar H0 cuando es cierta. Error Tipo II = No rechazar H0 cuando es falsa. Cuando H0 es verdadera y no se rechaza se est tomando la decisin correcta. Cuando H0 es verdadera y se rechaza se est cometiendo un Error Tipo I. Cuando H 0 es falsa y se rechaza se est tomando la decisin correcta. Cuando H 0 es falsa y no se rechaza se est cometiendo un Error Tipo II.

Se desean pruebas de hiptesis en las cuales las probabilidades asociadas a ambos tipos de errores sean mnimas. Bajo un enfoque probabilstico los errores mencionados se expresan como:

P[Error Tipo I] = P[Rechazar H0 cuando es cierta] = (nivel de significancia de la prueba de hiptesis) P[Error Tipo II] = P[No rechazar H0 cuando es falsa] = . En trminos prcticos, el nivel de de significancia () se define como el mximo valor de la probabilidad de Error Tipo I que el experimentador est dispuesto a aceptar al ejecutar una prueba de hiptesis. Bajo esta definicin es deseable que tome valores lo ms pequeos posible. Los valores del se expresan en decimales y los ms comunes en una prueba de hiptesis son 0.1, 0.05, 0.025 y 0.01.

La confiabilidad es un trmino de uso comn en las pruebas de hiptesis y puede ser definida como la probabilidad de que no ocurra un Error Tipo I. Sus valores se expresan en porcentaje.

20

Bajo la definicin anterior se puede relacionar al y a la confiabilidad mediante la frmula:

P[Error Tipo I] + P[No Error Tipo I] = 1 + confiabilidad = 1. Una confiabilidad del 90% implica un = 0.1; una confiabilidad del 95% implica un = 0.05; una confiabilidad del 97.5% implica un = 0.025 y una confiabilidad del 99% implica un = 0.01.

5.1.3. Estadstica de prueba y valores tabulados Las pruebas de hiptesis se sustentan en supuestos acerca de la distribucin de probabilidad de donde provienen los datos experimentales. En algunas pruebas de hiptesis se supone de inicio que los datos experimentales tienen una distribucin Normal [X~N (, 2)], una distribucin Poisson [X~P ()], etc.

En una prueba de hiptesis, al utilizar la estadstica de prueba, es necesario realizar operaciones de suma, resta, divisin, multiplicacin o potenciacin sobre los datos experimentales. Al ejecutar tales operaciones se realiza un proceso anlogo al de una conversin, por ejemplo, de unidades fsicas, es decir, el valor final que se obtiene no presenta la distribucin de probabilidad que tienen los datos experimentales sino una distribucin de probabilidad diferente. Los mecanismos mediante los cuales es posible transformar una distribucin de probabilidad en base a operaciones matemticas y lgicas son dados por el rea de conocimiento denominada lgebra de Variables Aleatorias.

En gran cantidad de las pruebas de hiptesis de uso generalizado se tienen estadsticas de prueba que generan valores pertenecientes a distribuciones de probabilidad continuas (t de Student, F de Snedecor, etc). El problema principal consiste en que la mayora de las funciones de probabilidad continuas, al intentar integrarlas, no admiten 21

una solucin analtica, por lo que se hace uso de tablas de probabilidades especficas con el fin de poder ejecutar la prueba de hiptesis.

5.1.4. Distribuciones de probabilidad continuas

5.1.4.1. Distribucin t de Student. En algunas pruebas de hiptesis, que se expondrn en los captulos siguientes, se supone que los datos experimentales, o los errores que se generan, tienen una distribucin Normal con media y varianza 2 [X~N (, 2)]. Bajo este supuesto, las estadsticas de prueba correspondientes generan valores que tienen una distribucin de probabilidad t de Student.

La distribucin t de Student es parecida a la distribucin Normal Estndar debido a que tambin es simtrica y tiene una media igual a cero. La principal diferencia se da por el hecho de que la distribucin t de Student tiene mayor rea de probabilidad en las colas que la distribucin Normal Estndar. La funcin de probabilidad correspondiente no admite una solucin analtica, por lo que existe una tabla especfica para el clculo de probabilidades (Tabla I del Apndice).

En las pruebas de hiptesis se utiliza el cuantil t de Student como el valor tabulado contra el que se compara el valor calculado, y se representa por t(v), donde es el nivel de significancia de la prueba de hiptesis y v son los grados de libertad de la distribucin t de Student.

Cuantil t de Student: Valor de la distribucin t de Student con v grados de libertad tal que la probabilidad de un valor mayor es igual a .

22

Grados de libertad: Variables independientes con las que se calcula la estadstica de prueba menos el nmero de parmetros que van a ser contrastados en una prueba de hiptesis.

Si se quiere encontrar el cuantil t0.05(7) entonces se debe localizar, en la Tabla I del Apndice, el valor 7 en la columna marcada como v y desplazarse hacia la derecha hasta la columna de que presente el valor 0.05, el dato ubicado en dicha columna es el cuantil buscado, en este caso t0.05(7) = 1.9.

5.1.4.2. Distribucin F de Snedecor En algunas pruebas de hiptesis, que se expondrn en los captulos siguientes, se supone que los datos experimentales o los errores que se generan tienen una distribucin Normal con media y varianza 2 [X~N (, 2)]. Bajo este supuesto, las estadsticas de prueba correspondientes generan valores que tienen una distribucin de probabilidad F de Snedecor.

La distribucin F de Snedecor presenta formas variadas, por lo general asimtricas, que dependen de los grados de libertad asociados. Esta distribucin de probabilidad tiene la caracterstica de estar asociada con dos tipos de grados de libertad conocidos como grados de libertad del numerador y del denominador. La funcin de probabilidad correspondiente no admite una solucin analtica por lo que existe una tabla especfica para el clculo de probabilidades (Tabla II del Apndice).

En pruebas de hiptesis se utiliza el cuantil F como el valor tabulado contra el que se comparar el valor calculado, y se representa por F(v1, v2), donde es el nivel de significancia de la prueba de hiptesis, v1 son los grados de libertad del numerador y v2 son los grados de libertad del denominador de la distribucin F de Snedecor.

Si se quiere encontrar el cuantil F0.05(8,10) entonces se debe localizar, en la Tabla II del Apndice, el valor 8 en la columna marcada como grados de libertad v 1, y a partir de 23

ese valor avanzar hacia abajo hasta la fila de los grados de libertad v2 que tiene el valor 10; en este sitio se localizan cuatro valores correspondientes a los cuantiles de la distribucin F de Snedecor a un de 0.1, 0.05, 0.025 y 0.01, respectivamente, entonces se elige el cuantil al deseado; en este caso F0.05(8,10) = 3.07.

5.2. Conceptos bsicos de diseos experimentales

5.2.1. Definiciones Experimento: Procedimiento que permite obtener una observacin de algn fenmeno de inters.

Tratamiento: Sustancia, individuo, elemento u objeto cuya accin o efectividad se desea evaluar y comparar.

Unidad Experimental: rea fsica mnima sobre la cual se aplica un solo tratamiento.

Variable respuesta: Dato o medida que se cuantifica en cada unidad experimental y cuyos valores permiten evaluar la accin o efectividad de los tratamientos y hacer comparaciones entre estos.

Diseo experimental: Conjunto ordenado de normas, procedimientos y clculos que orientan acerca de la forma en que deben disponerse las unidades experimentales en el campo o laboratorio, la forma en que deben colocarse los tratamientos en las unidades experimentales, la manera en que deban recopilarse y analizarse los datos experimentales, para as obtener informacin relevante y con un alto grado de confiabilidad basado en los datos arrojados por la variable respuesta. Existe un gran nmero de diseos experimentales para solucionar problemas especficos, en esta tesis slo se abordaron por considerarse de uso ms comn los

24

siguientes diseos experimentales y comparaciones mltiples de medias de tratamientos:

Diseo completamente al azar balanceado y desbalanceado. Diseo completamente al azar con submuestreo. Diseo en bloques completos al azar. Comparaciones de mltiples de medias de tratamientos. o Diferencia Mnima Significativa (DMS). o Prueba de Tukey. o Prueba de Duncan. o Prueba de Scheff. o Prueba de Student-Newman-Keuls (S-N-W). Diseo en cuadro latino. Diseos factoriales. Diseo en parcelas divididas.

Repeticiones: Nmero de unidades experimentales en las cuales se aplica un mismo tratamiento. Si un tratamiento especfico se aplica en siete unidades experimentales se dice que est repetido siete veces o que hay siete repeticiones del tratamiento.

Testigo: Consiste, por lo general, en una unidad experimental en la cual ninguno de los tratamientos utilizados en el experimento es probado, y cuyo valor obtenido para la variable respuesta permitir medir la accin o efectividad de los tratamientos.

5.2.2. Modelo lineal

5.2.2.1. Conceptos bsicos. Modelo lineal: Es un modelo matemtico en donde la relacin principal entre los trminos que lo componen se da bsicamente mediante sumas y restas. 25

Modelo no lineal: Es un modelo matemtico en donde la relacin principal entre los trminos que lo componen se da bsicamente mediante multiplicaciones, divisiones y potencias.

Los modelos matemticos empleados para representar algunos mtodos estadsticos (como en los diseos experimentales) son modelos estadsticos de tipo lineal, ya que la relacin principal entre los trminos que lo componen se da mediante sumas y restas.

5.2.2.2. Error experimental Para unidades experimentales que han recibido el mismo tratamiento, constituye las diferencias que se presentan entre cada uno de los valores obtenidos en la variable respuesta y la media del tratamiento. Estas diferencias son de naturaleza aleatoria y se desconocen las causas que las originan. Es un error estadstico, lo que significa que es un producto de una variacin incontrolable y generalmente inevitable.

Normalmente, slo una pequea parte del error experimental puede ser atribuido a errores en la medicin. Efectos importantes pueden quedar ocultos total o parcialmente por el error experimental y a la inversa, a causa del error experimental el investigador puede equivocarse y creer en la influencia de efectos que no existen.

En el modelo lineal, el error experimental es representado mediante el trmino de error aleatorio, ya que ambos trminos, en el desarrollo de los siguientes temas, sern equivalentes.

Es importante hacer notar que todos los valores que se obtengan para una variable respuesta sern determinados en parte por el trmino de error aleatorio; no es posible que los datos experimentales se sustraigan del efecto del trmino de error aleatorio (error experimental). La importancia principal de este trmino se da cuando se supone un valor tal que determina en mayor medida la magnitud de la variable respuesta, ya que as no ser posible detectar diferencias entre tratamientos. Se espera que el valor 26

del trmino de error deba ser muy semejante para cada uno de los datos de la variable respuesta en el experimento, por lo que se supone que los errores experimentales tienen una distribucin Normal con media cero y varianza 2, y son independientes entre s, es decir, eij~NI (0, 2).

5.2.2.3. Modelo lineal general El modelo lineal general para los diseos experimentales puede ser escrito como:

Yij donde Yij

eij

Valor de la variable respueta. Efecto medio general Efectos a considerar en el diseo experiment al. Trmino del error aleatorio.

eij

Los subndices para la variable respuesta (Y) y el trmino del error aleatorio ( e ) dependern del nmero de efectos a considerar en el diseo experimental () y del nmero de repeticiones.

5.2.3. Supuestos bsicos de los diseos experimentales Tomando como base lo expuesto en la seccin 5.2.2 es posible determinar los supuestos bsicos de los diseos experimentales en general:

Existe homogeneidad de varianza entre tratamientos (todos los tratamientos tienen igual varianza). Los errores tienen distribucin Normal con media cero y varianza 2, y son independientes entre s (no estn correlacionados), es decir, eij~NI (0, 2).

27

5.2.4. Hiptesis a probar Bajo los supuestos mencionados es posible realizar pruebas de hiptesis acerca de los efectos de los trminos del modelo lineal en un diseo experimental especfico. Con excepcin del efecto medio general (), los dems trminos en un modelo lineal especfico reciben la denominacin de fuentes de variacin. En los diseos experimentales se prueban diferentes pares de hiptesis, dependiendo del nmero de fuentes de variacin a analizar. La hiptesis nula (H0) siempre postula la igualdad entre los diferentes niveles de una fuente de variacin, mientras que la hiptesis alternativa (Ha) siempre postula que al menos uno de los niveles de la fuente de variacin produce un efecto diferente. Es importante mencionar que, en cualquier diseo experimental, para el trmino de error aleatorio no se realizan pruebas de hiptesis, sino que se constituye en un elemento bsico para probar las hiptesis de las fuentes de variacin restantes.

5.2.5. Anlisis de varianza En un diseo experimental la tcnica estadstica que se emplea para contrastar las hiptesis derivadas del modelo lineal es el anlisis de varianza. Para un experimento especfico el anlisis de varianza determina, con un alto grado de confiabilidad, si la diferencia entre los valores que toma la variable respuesta se debe realmente al efecto de alguna de las fuentes de variacin involucradas o a efectos aleatorios (determinados por el azar). El anlisis de varianza es el estadstico de prueba para el contraste de hiptesis acerca de las fuentes de variacin en un diseo experimental.

A manera de ejemplo se muestra el mtodo y la lgica del anlisis de varianza en el siguiente modelo lineal generalizado:

28

Yi donde Yi ei

ei Valor de la variable respueta. Efecto medio general Trmino del error aleatorio.

El anlisis de la varianza descansa fundamentalmente en el estudio de la variabilidad de las observaciones. En este modelo es claro que:
ei Yi ; i 1,2,..., t

Es decir, un error es la diferencia entre una observacin y el valor verdadero del parmetro. Ahora se parte de ese error en dos componentes mediante la igualdad trivial:
Yi (Yi Y ) (Y )

La igualdad anterior, a pesar de su sencillez, es de extraordinaria importancia en nuestro desarrollo. Una forma de interpretarla es diciendo que un error est compuesto por la desviacin de una observacin con respecto a la media muestral, sumada con la distancia entre la media muestral y la media poblacional. Adems de la igualdad anterior se sigue que:
(Yi )2 [(Yi Y ) (Y )] 2

Puesto que la igualdad anterior es cierta para todas y cada una de las observaciones Y i (i=1,2,,t), podemos escribir:
t t

(Yi
i 1

)2
i 1

[(Yi

Y ) (Y

)] 2

y mediante la aplicacin de reglas ya conocidas obtenemos la siguiente igualdad:


t t t t

(Yi
i 1

)2
i 1 t

(Yi (Yi
i 1

Y )2
i 1

(Y t (Y )2

)2

2
i 1

(Yi
t

Y ) (Y (Yi
i 1

Y )2
)2

2(Y

)
t

Y)

(Yi
i 1

Y )2

t (Y

ya que
i 1

(Yi

Y)

Por tanto, se ha llegado al siguiente resultado: 29

(Yi
i 1

)2
i 1

(Yi

Y )2

t (Y

)2

en donde se nota que la particin del error

ei en

dos componentes ha llevado a una

expresin similar que involucra sumas de cuadrados de las desviaciones originalmente desarrolladas. Por esta razn las tres componentes de la ecuacin a la que se lleg se les llama Sumas de Cuadrados. Bajo la suposicin de que: Y1,,Yt es una muestra aleatoria de N ( ,
2

) , dichas sumas de cuadrados tienen distribuciones probabilsticas

muy sencillas de derivar, y pueden usarse para generar un procedimiento para probar hiptesis sobre . Con objeto de derivar las distribuciones de las sumas de cuadrados dividimos todos los trminos de la ecuacin anterior por 2, obteniendo:
t i 1

(Yi
2

)2

t i 1

(Yi

Y )2
2

t (Y
2

)2

De la ecuacin anterior es fcil obtener las distribuciones correspondientes. En efecto, puesto que cada Yi ~N(, 2), es claro que:

Yi
2

~N(0, 1) de donde

(Yi
2

)2

2 (1)

Adems, puesto que las Yi son independientes, y usando la propiedad aditiva de la distribucin Ji- cuadrada, se obtiene:
t i 1

(Yi
2

)2

2 (t )

El segundo resultado se obtiene de nuestras suposiciones, la distribucin de la media muestral es N ( , estndar. Esto es: Y por lo tanto:
t (Y
2

t ) y, por lo tanto, la media estandarizada tiene distribucin Normal


t (Y )2 )

~N(0, 1)

2 (1)

A la distribucin de la suma de cuadrados restante con la notacin usual identificamos a la varianza muestral por S2, tenemos que: distribucin es
2 (t 1)
t i 1

(Yi

Y )2
2

(t 1) S 2
2

y sabemos que su

. Es decir, que:

30

t i 1

(Yi

Y )2
2

2 ( t 1)

(Yi
2

)2

(Yi

Y )2
2

t (Y
2

)2

i 1 2 (t )

i 1 2 ( t 1)


2 (1)

Una vez obtenidas las distribuciones de A, B y C, se explica cmo pueden usarse para probar hiptesis sobre . En primer lugar, la particin de la variabilidad que se ha hecho slo permite probar hiptesis de dos colas sobre . Es decir, que en lo sucesivo nos referiremos al juego de hiptesis: H0: = 0 en oposicin a Ha: 0, donde 0 es el valor supuesto del parmetro desconocido. Que no sea posible probar hiptesis de una cola con esta tcnica es una consecuencia de haber tomado los cuadrados de las desviaciones. Para derivar una estadstica para probar hiptesis sobre es natural recurrir a la componente C en la ecuacin anterior, puesto que la variable aleatoria C involucra no slo a Y y a ,
t (Y )2
2

sino adems a la distancia Y

. Sin embargo,

no es una estadstica, dado que tanto como 2 son parmetros

desconocidos. En cuanto a el problema est resuelto, ya que debe tomar el valor de 0 para fijar el nivel de significancia. Para que la estadstica no dependa de 2 usaremos la componente B. Dado que B y C son ambas variables aleatorias Jicuadradas, tenemos que:
t (Y
t

)2 Y )2

(1) (t 1)

t (Y S
2

)2

~ Ft1 1 . De aqu se deduce que,

(Yi
i 1

si la hiptesis nula = 0 es cierta, la estadstica: F0

t (Y S
2

)2

~ Ft1 1 y podemos usar

F0 para probar el juego de hiptesis propuesto. La regla de decisin que nos garantiza una prueba con nivel de significancia es: Rechazar H0 si F0
Ft1 1

31

Una vez que se ha dado un avance de lo que vendr despus, retrocedemos un poco para reunir los resultados obtenidos en esta seccin. Todo el procedimiento para probar H0: = 0 en oposicin a Ha: 0 mediante la distribucin de F se resume usualmente en una tabla conocida como cuadro de anlisis de varianza. En el cuadro de anlisis de varianza (Cuadro 2), los tres componentes de la ecuacin anterior de las distribuciones de A, B y C aparecen sin el divisor 2. Esto es porque la estadstica F0, al ser la razn de dos de ellas, no depende de 2. Adems, puesto que la hiptesis nula es H0: = 0, el valor de es sustituido por 0. Como se mencion antes, los numeradores de los trminos de la ecuacin anterior de las distribuciones de A, B y
t

C se llaman Sumas de Cuadrados. As, a


i 1

(Yi

) 2 se le llama Suma de Cuadrados


t

Total, a t (Y

2 0 ) se le llama Suma de Cuadrados del Error y a

(Yi
i 1

Y ) 2 se le llama

Suma de Cuadrados debida a la Media. En lo sucesivo se identificarn por las avrreviaturas S.C TOTAL, S.C. ERROR y S.C MEDIA
ei . H0: = 0 vs Ha: 0 F0 = F Cuadrado F de tablas calculada Medio ( Ftab ) ( Fcal ) (C.M.) 2 2 t (Y t (Y 0) 0) F (v1, v2 ) 1 S2
(Yi
i 1

Cuadro 2. Anlisis de varianza para el modelo Yi Fuente de Variacin (F.V.) Media () Error Total Donde: Grados de Libertad (G.L.) 1 t-1
i 1
t

Suma de Cuadrados (S.C.)


t (Y
t
0

)2
t
2

(Yi Y )
(Yi
i 1

Y )2 S2

t 1
0

)2

F (v1 , v2 ) v1 v2

Ftab

Cuantil de la distribuci n F de Snedecor.

Grados de libertad de . Grados de libertad del error.

32

Ahora se explica con ms detalle el Cuadro 2. En la primera hilera del encabezado aparece Fuentes de Variacin (F.V.) destaca que el anlisis de varianza se basa en una particin de la variabilidad de las observaciones en diferentes fuentes (o factores) de variacin. En la segunda columna aparece el nombre de Grados de Libertad (G.L.) alude a los parmetros de las distribuciones Ji- cuadrada asociadas con las Sumas de Cuadrados (S.C) en la tercer columna. La siguiente columna muestra los Cuadrados Medios (C.M.) que se obtienen dividiendo cada suma de cuadrados por sus grados de libertad, y slo son un paso intermedio para obtener la estadstica F 0 = Fcal en la columna siguiente y en la ltima columna aparece Ftab. El Cuadro 2 se desarroll para probar el juego de hiptesis H0: = 0 en oposicin a Ha: 0. Ms frecuentemente el cuadro de anlisis de varianza se formula como si el propsito fuera probar H0: = 0 en oposicin a Ha: 0. Esta presentacin, que aparentemente es ms restringida que la anterior, en realidad no lo es puesto que si tenemos observaciones Y1,,Yt, que se supone son una muestra aleatoria de N ( ,
2

y queremos probar la hiptesis nula H0: = 0, siempre podemos definir variables aleatorias Xi = Yi - 0 las cuales cuando la hiptesis nula es cierta, tienen distribucin
N (0,
2

) , por lo que las variables Xi = Yi - 0 pueden usarse para probar H0: = 0,

obtenindose una prueba equivalente a la anterior. Con las nuevas variables centradas en cero, el cuadro de anlisis de varianza es como el que se presenta en el Cuadro 3.
ei . H0: = 0 vs Ha: 0

Cuadro 3. Anlisis de varianza para el modelo Yi F.V. Media () Error Total G.L. 1
t

S.C.
tX
(X i
i 1

C.M.
tX
t

F0 = Fcal
tX S2
2

Ftab
F (v1, v2 )

t-1
t

X )2

(X i
i 1

X )2 S2

t 1
(Yi
0

t
i 1

)2

Donde: 33

F (v1 , v2 ) v1 v2

Ftab

Cuantil de la distribuci n F de Snedecor.

Grados de libertad de . Grados de libertad del error.

El Cuadro 3 es una simplificacin trivial del Cuadro 2, slo que ahora 0 = 0. Ahora se mencionan algunos aspectos del Cuadro 3, ya que estos explican por qu esta segunda presentacin es la ms favorecida. En primer lugar, en las S.C. la particin es ms sencilla, ya que S.C.( ) + S.C. ERROR = S.C. TOTAL dado que, como ya nos es
t t

familiar:
i 1

(Xi

X )2
i 1

X i2

tX

En segundo lugar, los nombres de las fuentes de variacin. En el Cuadro 2 no es muy clara la razn para este nombre, pero en el Cuadro 3 es evidente, puesto que si H 0 es cierta, debemos esperar valores de X cercanos a cero, de modo que si S.C. () es grande, esto se debe a que difiere del valor supuesto por una distancia grande. Razonando similarmente se justifican los nombres de S.C. ERROR y S.C. TOTAL.

6. DISEO COMPLETAMENTE AL AZAR (DCA)

6.1. Caractersticas Los diseos completamente al azar son empleados cuando las unidades

experimentales son suficientemente homogneas entre s, es decir, cuando la variacin entre ellas es pequea. Por lo que el empleo de bloques resulta inapropiado porque no hay heterogeneidad que sea necesario absorber. ste es el caso en muchos tipos de experimentos de laboratorio, en los que una cantidad de material est completamente mezclado y luego se divide en porciones pequeas para formar las unidades experimentales, o en experimentos con animales y plantas con condiciones ambientales muy parecidas. Todas las unidades experimentales renen prcticamente las mismas caractersticas, de modo que el efecto de un tratamiento sobre la variable bajo estudio, 34

es el mismo independientemente de la unidad experimental donde se mida, excepto por variaciones aleatorias, debidas a fuentes de error en la investigacin.

Los tratamientos se aplican completamente al azar sobre las unidades experimentales, bajo la condicin de que cada unidad experimental deber tener la misma probabilidad de recibir un tratamiento particular. Todos los tratamientos pueden tener un nmero igual o diferente de repeticiones. Cuando el nmero de repeticiones es diferente dentro de cada tratamiento se dice entonces que el diseo es no balanceado; en caso contrario, se dice que el diseo es balanceado. Hay dos ventajas al elegir un diseo balanceado. La primera es que el estimador de prueba es relativamente insensible a las desviaciones pequeas del supuesto de la igualdad de las varianzas de los t tratamientos cuando los tamaos de las muestras son iguales. Y la segunda ventaja es que la potencia de las pruebas se maximiza cuando las muestras tienen el mismo tamao.

Los anlisis de varianza que se muestran para el diseo completamente al azar en Calc de Open Office, es el mismo para el caso balanceado y para el caso desbalanceado ya que las frmulas para las sumas de cuadrados abarcan ambos casos.

6.2. Ventajas El diseo completamente al azar es flexible en cuanto a que el nmero de tratamientos y de repeticiones slo est limitado por el nmero de unidades experimentales disponibles. El nmero de repeticiones puede variar de un tratamiento a otro, aunque generalmente lo ideal sera tener un nmero igual por tratamiento. El anlisis estadstico es simple aun en el caso en que el nmero de repeticiones difiera con el tratamiento y si los diversos tratamientos estn sujetos a varianzas desiguales, lo cual se conoce como la falta de homogeneidad del error experimental. La sencillez del anlisis no se pierde si algunas unidades experimentales o tratamientos enteros faltan o se descartan.

35

6.3. Desventajas La principal objecin del diseo completamente al azar es su frecuente ineficiencia. Como la aleatorizacin no tiene restricciones, el error experimental incluye toda la variacin entre las unidades experimentales, excepto la debida a los tratamientos. En muchas situaciones es posible agrupar las unidades experimentales de modo que la variacin entre unidades dentro de los grupos sea menor que la variacin entre las unidades de diferentes grupos. Ciertos diseos sacan ventaja de tal agrupamiento, excluyen la variacin del error experimental entre grupos y aumentan la precisin del experimento.

6.4. Modelo lineal El modelo lineal para los diseos completamente al azar es el siguiente:
Yij donde i 1, 2,..., t; j 1, 2,..., ri ; E( ei ) t Nmero de tratamientos. 0 ; E( ei2 )
2 i

eij

ri
Yij

Nmero de repeticiones para el i-simo tratamiento. Respuesta obtenida en la j-sima repeticin del i-simo tratamiento. Efecto medio general.

Efecto atribuido al i-simo tratamiento. Trmino de error aleatorio.

eij

6.5. Hiptesis a probar La hiptesis a probar en este tipo de diseos experimentales es la siguiente:

H0 :

...

vs H a : Al menos el efecto de un tratami ento es diferente de los dems.


36

6.6. Anlisis de varianza El anlisis de varianza para el diseo completamente al azar est dado por el Cuadro 4.

Cuadro 4. Estructura del anlisis de varianza para un diseo completamente al azar. F de Fuente de Grados de Suma de Cuadrado F calculada tablas Variacin Libertad Cuadrados Medio ( Fcal ) ( Ftab ) (F.V.) (G.L.) (S.C.) (C.M.) SCT C.M . Tratamient os S.C. F (v1, v2 ) Tratamientos t-1 C.M . Error Tratamientos G.L. Tratamient os
t

Error
i 1 t

ri

S.C. Error S.C. Total

SCE G.L. Error

Total
i 1

ri 1

Donde:

F (v1, v2 ) v1 v2
FC

Ftab

Cuantil de la distribucin F. (Ver Tabla II del Apndice)

Grados de libertad de los tratamien tos. Grados de libertad del error.


Y 2 ..
t t

S.C. Tratamient os
i

ri
i 1

Yi 2 . r 1 i

FC

ri

S .C. Total
i 1 j 1

Yij2

FC

S.C. Error

S.C. Total - S.C.Tratam ientos

Donde:
FC
Y ..
Yi .

Factor de correccin. Suma de todas las observaciones en el experimento. Suma de todas las observaciones que pertenecen al i-simo tratamiento.

6.7. Regla de decisin La regla de decisin que se utiliza es la siguiente:


Se rechaza H 0 si Fcal F (v1 , v 2 ) Ftab

37

Se ilustra la tcnica de un diseo completamente al azar con el ejemplo 6.1, haciendo uso de las hojas de clculo, elaboradas en Calc de Open Office, para resolver diseos experimentales ms comunes.

Ejemplo 6.1 Un ingeniero de desarrollo de productos tiene inters en investigar la resistencia a la tensin de una fibra nueva que se usar para hacer telas de camisas para caballeros (Montgomery, 2007). El ingeniero sabe por experiencia propia que la resistencia a la tensin se afecta por el peso porcentual del algodn utilizado en la mezcla de materiales de la fibra. Adems, sospecha que al aumentar el contenido de algodn, se incrementar la resistencia, al menos en un principio. Sabe as mismo que el contenido de algodn deber variar entre 10 y 40 por ciento para que el producto final tenga otras caractersticas de calidad que se desea (como la capacidad de ser sometido a tratamiento de planchado permanente). El ingeniero decide probar ejemplares en cinco niveles del peso porcentual del algodn: 15, 20, 25, 30 y 35 por ciento. Tambin decide probar cinco ejemplares en cada nivel del contenido de algodn.

Se trata de un ejemplo de un experimento con un solo factor con cinco tratamientos y cinco rplicas. Las 25 corridas se deben realizar de manera aleatoria. Suponga que despus de hacerse la aleatorizacin obtenemos el Cuadro 5 de los datos del experimento: Cuadro 5. Datos (en lb/pulgada2) del experimento a la tensin. Peso porcentual del algodn (tratamientos) Observaciones 15 20 25 30 35 1 7 12 14 19 7 2 7 17 18 25 10 3 15 12 18 22 11 4 11 18 19 19 15 5 9 18 19 23 11 Total 49 77 88 108 54 Media 9.8 15.4 17.6 21.6 10.8 Fuente: Montgomery (2007).

38

Determine si el peso porcentual del algodn (tratamientos) en una fibra sinttica afecta la resistencia a la tensin. Se desea una confiabilidad del 95%.

Respuesta Para resolver los ejemplos de diseos experimentales y de pruebas mltiples de comparacin de medias siempre se hace uso de las hojas de clculo hechas en Calc de Open Office. Al abrir el documento nombrado DISEOS EXPERIMENTALES, en la primera hoja de clculo (Inicio) aparece el Cuadro 6, en el que se hace clic en el tipo de diseo que se quiera usar y mediante un hiperenlace genera otra hoja donde se deben introducir los datos del experimento. En este caso se hace clic en diseo completamente al azar.

Cuadro 6. Diseos experimentales ms comunes y comparacin mltiple de medias DISEOS EXPERIMENTALES MS COMUNES

SELECCIONE EL TIPO DE DISEO QUE DESEA USAR O COMPARACIN DE MEDIAS DISEO COMPLETAMENTE AL AZAR (DCA) DISEO COMPLETAMENTE AL AZAR CON SUBMUESTREO DISEO EN BLOQUES COMPLETOS AL AZAR (DBCA) COMPARACIONES MLTIPLES DE MEDIAS DE TRATAMIENTOS DISEO EN CUADRO LATINO (DCL) DISEOS FACTORIALES (DF) DISEO EN PARCELAS DIVIDIDAS (DPD)

39

Despus de hacer clic en diseo completamente al azar, aparece el Cuadro 7, en donde se introducen los datos del experimento. El Cuadro 7, slo da la opcin de escribir sobre las celdas donde se deben de introducir los datos del experimento, ya que el resto de las celdas se encuentran protegidas contra escritura. En este ejemplo, se tienen cinco tratamientos con cinco repeticiones cada uno. Para este tipo de diseo se puede introducir hasta 10 tratamientos (columnas) con 15 repeticiones (filas) cada uno.

Una vez introducidos los datos, aparecen en la penltima fila del Cuadro 7 los totales de tratamiento y en la ltima fila aparecen las sumas del cuadrado de observaciones de tratamiento, los cuales se necesitan para el anlisis de varianza.

A la derecha del Cuadro 7 aparecen dos hiperenlaces, uno para ir a la hoja de anlisis de datos y el otro para regresar hasta la hoja de clculo donde se seleccion el tipo de diseo. Cuadro 7. Diseo completamente al azar. DISEO COMPLETAMENTE AL AZAR Tratamientos Repeticiones 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Tot. de Trat.
Sumas del cuadrado de obs. por trat.

1 7 7 15 11 9

2 12 17 12 18 18

3 14 18 18 19 19

4 19 25 22 19 23

5 7 10 11 15 11

10

Ir al anlisis

Regresar

49

77

88

108

54

0 0

0 0

0 0

0 0

0 0

525 1225 1566 2360 616 40

Al hacer clic en el hiperenlace, Ir al anlisis, genera el Cuadro 8 donde mediante frmulas aparecen los valores del nmero de tratamientos (t), el nmero de

repeticiones para cada tratamiento (ri), el factor de correccin (FC), as como el anlisis de varianza y la conclusin del juego de hiptesis con respecto a los tratamientos. El valor de alfa est determinado para una confiabilidad del 95% (Alfa = 0.05), pero se puede cambiar para tener la confiabilidad que se desee. Todas las celdas del Cuadro 8, a excepcin del valor de alfa, estn protegidas contra escritura, por lo que no es posible modificar el contenido de las mismas.

A la derecha de Cuadro 8, aparece un hiperenlace para regresar hasta la hoja de clculo donde se introducen los datos del experimento.

Para este ejemplo, mediante el anlisis de varianza y con una confiabilidad del 95% se rechaza la hiptesis nula (H0) para los tratamientos, debido a que Fcal = 14.76 > Ftab = 2.87, lo que indica que al menos el efecto de un tratamiento es diferente al de los dems.

Cuadro 8. Anlisis de varianza para el diseo completamente al azar. ANLISIS DE VARIANZA F.V. G.L. S.C. C.M. Fcal Ftab t= 5 Tratamientos 4 475.76 118.94 14.76 2.87 r1 = 5 Error 20 161.20 8.06 r2 = 5 Total 24 636.96 r3 = 5 r4 = 5 r5 = 5 CONCLUSIN r6 = Fcal > Ftab. Se rechaza H0 y hay significancia al 0.05 r7 = r8 = r9 = r10 = FC = Alfa 5655 0.05 41

Regresar

7. DISEO COMPLETAMENTE AL AZAR CON SUBMUESTREO

En algunas situaciones experimentales, se pueden tomar varias observaciones dentro de la unidad experimental, la unidad a la cual se aplica el tratamiento. Tales observaciones se hacen en submuestras o unidades de muestreo. Las diferencias entre submuestras dentro de una unidad experimental son diferencias de observacin ms que diferencias de unidad experimental.

Un diseo experimental es estndar si en cada unidad experimental se toma slo una observacin al azar; diremos que es con submuestreo si se toma ms de una observacin al azar por unidad experimental.

El submuestreo nos permite, adems de estudiar la variabilidad entre unidades experimentales bajo condiciones similares, estimar la variabilidad de observaciones en las unidades experimentales.

7.1. Modelo lineal para submuestreo El modelo lineal para un diseo completamente al azar con submuestreo es el siguiente:

Yijk donde

eij

ijk

i 1, 2,..., t;

j 1, 2,..., ri ; k 1,2,..., rij

t Nmero de tratamientos.

ri
rij
Yijk

Nmero de repeticiones para el i-simo tratamiento. Nmero de observaciones en la j-sima repeticin del i-simo tratamiento. Respuesta obtenida en la k-sima observacin de la j-sima repeticin del i-simo

tratamiento. Efecto medio general. 42

Efecto atribuido al i-simo tratamiento. Trmino de error experimental. Se supone que eij ~ i. i. d. N(0, Trmino de error observacional. Se supone que
ijk

eij
ijk

2 e)
2

~ i. i. d. N(0,

Los e y los se suponen no correlacionados entre s, o sea que al tomar un valor particular de no se afecta en la probabilidad de tomar un valor particular cualquiera de

e.
7.2. Hiptesis a probar La hiptesis a probar en un diseo completamente al azar con submuestreo es la siguiente:

H0 :

...

vs H a : Al menos el efecto de un tratami ento es diferente de los dems.

Para el anlisis de varianza de un diseo completamente al azar con submuestreo se tienen dos casos, para un nmero igual de submuestras y para un nmero desigual de submuestras. Cuando las muestras tienen un nmero desigual de submuestras, en los clculos, el cuadrado de cualquier total se divide por el nmero de observaciones en el total. 7.3. Anlisis de varianza con submuestreo. Nmero igual de submuestras. El anlisis de varianza para un diseo completamente al azar con submuestreo con igual nmero de submuestras est dado por el Cuadro 9.

43

Cuadro 9. Estructura del anlisis de varianza para un diseo completamente al azar con submuestreo. Nmero igual de submuestras. F de Fuente de Grados de Suma de F calculada Cuadrado Medio tablas Variacin Libertad Cuadrados ( Fcal ) (C.M.) ( Ftab ) (F.V.) (G.L.) (S.C.) S .C. Entre U.E. S.C. Entre Entre U.E. U.E.-1 G.L. Entre U.E. U.E. C.M . Tratamient os F (v1, v2 ) S .C. Tratamientos S.C. Tratamientos t-1 C.M . Error experiment al G.L. Tratamient os Tratamientos Error experimental Error de muestreo Total
i ,k 1

ri
i 1
t ,s

S.C. Error experimental S.C. Error de muestreo S.C. Total

S .C. Error experiment al G.L. Error experiment al


S .C. Error de mustreo G.L. Error de muestreo

ri k
i ,k 1 t ,s

rt

ri k

Donde:

F (v1 , v2 ) v1 v2
FC

Ftab

Cuantil de la distribucin F. (ver Tabla II del Apndice)

Grados de libertad de los tratamien tos. Grados de libertad del error experiment al.
Y 2 ... srt
rij 2 Yijk i 1 j 1 k 1 t t ri

S.C. U.E
i 1 j 1

Yij2 . s

FC

ri

S .C. Total

FC

S.C. Error de muestreo

S.C. Total - S.C.U.E

Y i2 .. S .C. Tratamient os
i 1

sr

S.C. Error experiment al

S.C.U.E - S.C. Tratammien tos

Donde:
FC
s

Factor de correccin. Nmero de submuestras por unidad experimental. Nmero de repeticiones. Suma de todas las observaciones en el experimento. 44

Y ...

Yii .

Suma de todas las observaciones que pertenecen al j-sima repeticin del i-simo

tratamiento.

7.4. Regla de decisin La regla de decisin que se utiliza es la siguiente:


Se rechaza H 0 si Fcal F (v1 , v 2 ) Ftab

Haciendo uso de las hojas de clculo, elaboradas en Calc de Open Office, para resolver diseos experimentales ms comunes, se ilustra la tcnica de diseo completamente al azar con submuestreo con el siguiente ejemplo:

Ejemplo 7.1 Considrense los datos del Cuadro 10 sobre crecimiento en una semana de tallos de plantas de menta cultivadas en una solucin nutritiva (Steel y Torrie, 1988).

Donde un grupo grande de plantas se asignaron aleatoriamente a unas macetas, cuatro por maceta, la unidad experimental; los tratamientos se asignaron al azar a las macetas, tres macetas por tratamiento. Todas las macetas se aleatorizaron completamente con respecto a su localizacin durante el tiempo transcurrido bajo luz del da, y cada grupo de macetas se aleatoriz completamente dentro de los niveles (bajo y alto) de temperatura en invernadero durante el perodo de oscuridad. Las observaciones se hicieron en plantas individuales.

Se desea saber si hay diferencias entre los tratamientos ensayados. Se desea una confiabilidad del 95%.

45

Cuadro 10. Crecimiento en una semana de tallos de plantas de menta cultivadas en una solucin nutritiva. Horas de luz diurna Bajas temperaturas nocturnas Altas temperaturas nocturnas Nmero de 8 12 16 8 12 16 plantas Maceta No. Maceta No. Maceta No. Maceta No. Maceta No. Maceta No. 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 3.5 2.5 3.0 5.0 3.5 4.5 5.0 5.5 5.5 8.5 6.5 7.0 6.0 6.0 6.5 7.0 6.0 11.0 2 4.0 4.5 3.0 5.5 3.5 4.0 4.5 6.0 4.5 6.0 7.0 7.0 5.5 8.5 6.5 9.0 7.0 7.0 3 3.0 5.5 2.5 4.0 3.0 4.0 5.0 5.0 6.5 9.0 8.0 7.0 3.5 4.5 8.5 8.5 7.0 9.0 4 4.5 5.0 3.0 3.5 4.0 5.0 4.5 5.0 5.5 8.5 6.5 7.0 7.0 7.5 7.5 8.5 7.0 8.0 Totales de 15.0 17.5 11.5 18.0 14.0 17.5 19.0 21.5 22.0 32.0 28.0 28.0 22.0 26.5 29.0 33.0 27.0 35.0 maceta Totales de 44.0 49.5 62.5 88.0 77.5 95.0 tratamiento Medias de 3.7 4.1 5.2 7.3 6.5 7.9 tratamiento Fuente: Steel y Torrie (1988).

46

Respuesta Para resolver el ejemplo anterior se hace uso de las hojas de clculo hechas en Calc de Open Office. Al abrir el documento nombrado DISEOS EXPERIMENTALES, en la primera hoja de clculo (Inicio) aparece el Cuadro 6 (mencionado en el captulo 6), en el que se hace clic en el tipo de diseo que se quiera usar y mediante un hiperenlace genera otra hoja donde se deben introducir los datos del experimento. En este caso se hace clic en diseo completamente al azar con submuestreo.

Despus de hacer clic en diseos completamente al azar con submuestreo en el Cuadro 6, aparece el Cuadro 11, en donde se introducen los datos del experimento. El Cuadro 11 slo da la opcin de escribir sobre las celdas donde se introducen los datos del experimento, ya que el resto de las mismas se encuentran protegidas contra escritura. En este ejemplo, se tienen seis tratamientos con cuatro submuestras y tres repeticiones cada una. Para este tipo de diseo se puede introducir hasta 11 tratamientos con diez submuestras y cinco repeticiones cada una.

Una vez introducidos los datos, aparecen en la antepenltima fila del Cuadro 11, los totales por unidades experimentales de cada tratamiento, en la penltima fila aparecen los totales de tratamiento y en la ltima fila tambin aparecen las sumas del cuadrado de observaciones por tratamiento, los cuales se necesitan para el anlisis de varianza.

A la derecha del Cuadro 11 aparecen dos hiperenlaces, uno para ir a la hoja del anlisis de datos y el otro para regresar hasta la hoja de clculo donde se seleccion el tipo de diseo.

47

Cuadro 11. Diseo completamente al azar con submuestreo. DISEO COMPLETAMENTE AL AZAR CON SUBMUESTREO Tratamientos
1 Repeticiones Submuestras 1 1 2 3 4 5 6 7 8 9 10 Tot. de U.E Tot. de trat. Sumas del cuadrado de obs. por trat. 3.5 4.0 3.0 4.5 2 2.5 4.5 5.5 5.0 2 Repeticiones 2 3.5 3.5 3.0 4.0 3 Repeticiones 2 5.5 6.0 5.0 5.0 4 Repeticiones 2 6.5 7.0 8.0 6.5 5 Repeticiones 2 6.0 8.5 4.5 7.5 6 Repeticiones 2 6.0 7.0 7.0 7.0 7 8 9 10 Repeticiones Repeticiones Repeticiones Repeticiones Ir al anlisis

3 45 1 3.0 3.0 2.5 3.0 5.0 5.5 4.0 3.5

3 45 1 4.5 4.0 4.0 5.0 5.0 4.5 5.0 4.5

3 45 1 5.5 4.5 6.5 5.5 8.5 6.0 9.0 8.5

3 45 1 7.0 7.0 7.0 7.0 6.0 5.5 3.5 7.0

3 45 1 6.5 6.5 8.5 7.5 7.0 9.0 8.5 8.5

3 45 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 11.0 7.0 9.0 8.0

Regresar

15.0 17.5 11.5 44.0 172.5

18.0 14.0 17.5 49.5 210.3

19.0 21.5 22.0 62.5 329.8

32.0 28.0 28.0 88.0 655.0

22.0 26.5 29.0 77.5 525.3

33.0 27.0 35.0 95.0 772.5

48

Al hacer clic en el hiperenlace, Ir al anlisis, genera el Cuadro 12 donde aparece el nmero de tratamientos (t), el nmero de submuestras (s), el nmero de repeticiones para cada tratamiento (r), el factor de correccin (FC), as como el anlisis de varianza y la conclusin del juego de hiptesis con respecto a los tratamientos. El valor de alfa est determinado para una confiabilidad del 95% (Alfa = 0.05), pero se puede cambiar para tener la confiabilidad que se desee. Todas las celdas del Cuadro 12, a excepcin del valor de alfa, estn protegidas contra escritura, por lo que no es posible modificar el contenido de las mismas.

A la derecha del Cuadro 12, aparece un hiperenlace para regresar hasta la hoja de clculo donde se introducen los datos del experimento.

Para este ejemplo, mediante el anlisis de varianza y con una confiabilidad del 95% se rechaza la hiptesis nula (H0) para los tratamientos, debido a que Fcal = 16.69 > Ftab = 3.11, lo que indica que al menos el efecto de un tratamiento es diferente al de los dems. Cuadro 12. Anlisis de varianza para el diseo completamente al azar con submuestreo. ANLISIS DE VARIANZA F.V. G.L. S.C. C.M. Fcal Ftab t= 6 Entre U.E 17 205.48 Regresar s= 4 Tratamientos 5 179.64 35.93 16.69 3.11 r= 3 Error experimental 12 25.83 2.15 Error de muestreo 54 50.44 0.93 FC = 2409.34 Total 71 255.91 Alfa 0.05 CONCLUSIN Fcal > Ftab. Se rechaza H0 y hay significancia al 0.05

49

8. DISEO EN BLOQUES COMPLETOS AL AZAR (DBCA)

8.1. Caractersticas En los diseos de bloques completos todos los tratamientos aparecen representados en cada uno de los bloques, en caso contrario, se trata de la clase de diseos de bloques incompletos.

Los diseos de bloques completos al azar y los diseos en cuadro latino, son los principales tipos de arreglo en bloques completos.

Este diseo puede usarse cuando las unidades experimentales pueden agruparse. Se caracteriza porque todos los tratamientos aparecen representados una vez en cada uno de los bloques. Los tratamientos se asignan al azar sobre las unidades experimentales, sorteando los tratamientos independientemente, en cada bloque.

Las unidades experimentales dentro de cada bloque deben ser homogneas, excepto por variaciones aleatorias. Dos unidades experimentales de bloques diferentes pueden exhibir heterogeneidad, siendo de hecho el propsito de los bloques, absorber el mximo de heterogeneidad del material experimental.

8.2. Ventajas El diseo en bloques completos al azar tiene muchas ventajas sobre otros diseos. En general, es posible agrupar las unidades experimentales de modo que se logre mayor precisin que con el diseo completamente al azar. No hay restriccin en cuanto al nmero de tratamientos o de bloques. El anlisis estadstico de los datos es simple. Si como resultado de un contratiempo, los datos de un bloque completo para ciertos tratamientos son inutilizables, estos datos pueden omitirse sin complicacin en el anlisis.

50

8.3. Desventajas La principal desventaja en los bloques completos al azar es que cuando la variacin entre unidades experimentales dentro de un bloque es grande, resulta un trmino de error considerable. Esto ocurre frecuentemente cuando el nmero de tratamientos es grande; as puede no ser posible asegurar grupos de unidades suficientemente uniformes para los bloques. En tales situaciones, se dispone de otros diseos para controlar una mayor proporcin de la variacin.

8.4. Modelo Lineal El modelo lineal para los diseos en bloques completos al azar es el siguiente:

Yij donde

eij j 1, 2,..., t;
2 E( eij ) 0 ; E( eij ) 2

i 1, 2,..., b;
b

Nmero de bloques.

t Nmero de tratamientos.
Yij

Respuesta obtenida en el j-simo tratamiento del i-simo bloque. Efecto medio general.

i i

Efecto atribuido al i-simo bloque. Efecto atribuido al j-simo tratamiento. Trmino de error aleatorio.

eij

8.5. Hiptesis a probar Las hiptesis a probar en este tipo de diseo experimental son sobre los bloques y sobre los tratamientos, que son las siguientes:

1. H 0 :

...

51

vs H a : Al menos el efecto de un bloque es diferente de los dems.


2. H 0 :

...

vs H a : Al menos el efecto de un tratami ento es diferente de los dems.

8.6. Anlisis de varianza El anlisis de varianza para un diseo en bloques completos al azar est dado por el Cuadro 13:

Cuadro 13. Estructura del anlisis de varianza para el diseo en bloques completos al azar. Grados F de Fuente de Suma de Cuadrado F calculada de tablas Variacin Cuadrados Medio ( Fcal ) Libertad ( Ftab ) (F.V.) (S.C.) (C.M.) (G.L.) Bloques Tratamientos
t

b-1 t-1
ri
i 1

S.C. Bloques S.C. Tratamientos


t

SCB G.L. Bloques


SCT G.L. Tratamient os SCE G.L. Error

C .M . Bloques C .M . Error C.M . Tratamient os C.M . Error

F (v1, v2 )
F (v 3 , v 2 )

Error
t

S.C. Error S.C. Total

Total
i 1

ri 1

Donde:

F (v1, v2 ) F (v3 , v2 ) v1 v2 v3

Ftab Blo Ftab Trat

Cuantil de la distribucin F. (Ver Tabla II del Apndice) Cuantil de la distribucin F. (Ver Tabla II del Apndice)

Grados de libertad de los bloques. Grados de libertad del error. Grados de libertad de los tratamien tos.

52

FC

Y .. bt
b t

Yi . S.C. Bloques
i 1

Y j2 . FC S.C. Tratamient os
i 1

FC

S .C. Total
i 1 j 1

Yij2

FC

S.C. Error

S.C. Total - S.C. Bloques - S.C.Tratam ientos

Donde:
FC
Y ..
Yi .

Factor de correccin. Suma de todas las observaciones en el experimento. Suma de todas las observaciones que pertenecen al i-simo bloque. Suma de todas las observaciones que pertenecen al j-simo tratamiento.

Y. j

8.7. Regla de decisin La regla de decisin que se utiliza para los tratamientos y los bloques es la siguiente:

Se rechaza H 0 si Fcal

Ftab

Haciendo uso de las hojas de clculo, elaboradas en Calc de Open Office, para resolver diseos experimentales ms comunes, se ilustra la tcnica de diseo en bloques completos al azar con el siguiente ejemplo:

Ejemplo 8.1 Se desea probar el efecto de cuatro insecticidas sobre el control de gusano Helithis zea en el cultivo del tomate (Castillo, 2003). El terreno donde se implement el experimento presentaba un gradiente de fertilidad a tres niveles por lo que se decidi utilizar un diseo en bloques completos al azar para minimizar el efecto negativo de este factor de confusin. Se dividi el terreno en tres bloques de acuerdo a los niveles de fertilidad detectados. La unidad experimental utilizada fue un cuadro de terreno de 10 x 10 metros. La variable respuesta fue la produccin de tomate en toneladas por hectrea. Los insecticidas a evaluar

53

fueron: Testigo, Basudin, Class, Dimecrn y Agree. Los resultados obtenidos se muestran en el Cuadro 14:

Cuadro 14. Produccin de tomate en toneladas por hectrea con la aplicacin de insecticidas BLOQUE I II III Testigo 3.0 4.2 6.3 Basudin 8.0 10.8 9.4 Class 6.0 7.9 10.6 Dimecrn 8.0 12.8 13.3 Agree 6.7 8.3 10.3 Fuente: Castillo (2003). Existe alguna diferencia significativa entre los insecticidas sobre el control de Heliothis zea?. Se desea obtener una respuesta con una confiabilidad del 95%.

Respuesta Para resolver el ejemplo anterior se hace uso de las hojas de clculo hechas en Calc de Open Office. Al abrir el documento nombrado DISEOS EXPERIMENTALES, en la primera hoja de clculo (Inicio) aparece el Cuadro 6 (mencionado en el captulo 6), en el que se hace clic en el tipo de diseo que se quiera usar y mediante un hiperenlace nos genera otra hoja donde se deben introducir los datos del experimento. En este caso se hace clic en diseo en bloques completos al azar.

Despus de hacer clic en diseo en bloques completos al azar en el Cuadro 6, aparece el Cuadro 15, en donde se introducen los datos del experimento. El Cuadro 15 slo da la opcin de escribir sobre las celdas donde se introducen los datos del experimento, ya que el resto de las mismas se encuentran protegidas contra escritura. En este ejemplo, se tienen cinco tratamientos con tres bloques cada uno. Para este tipo de diseo se puede introducir hasta 15 tratamientos (filas) con 10 bloques (columnas) cada uno.

54

Una vez introducidos los datos, aparecen en la penltima fila del Cuadro 15, los totales por bloque y en la ltima fila aparecen las sumas del cuadrado de tratamientos por bloque; en la ltima columna aparecen los totales por tratamiento, los cuales se necesitan para el anlisis de varianza.

A la derecha del Cuadro 15 aparecen dos hiperenlaces, uno para ir a la hoja de anlisis de datos y el otro para regresar hasta la hoja de clculo donde se seleccion el tipo de diseo.

Cuadro 15. Diseo en bloques completos al azar. DISEO EN BLOQUES COMPLETOS AL AZAR Bloques Totales por Tratamientos 1 2 3 4 5 6 7 8 9 10 Tratamiento 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 3.0 8.0 6.0 10.0 6.7 4.2 10.8 7.9 12.8 8.3 6.3 9.4 10.6 13.3 10.3 13.5 28.2 24.5 36.1 25.3 0 0 0 0 0 0 0 0 0 0

Ir al anlisis

Regresar

Totales por bloque 33.7 44.0 49.9 0 0 0 0 0 0 0 Sumas del cuadrado 253.9 429.4 523.4 0.0 0.0 0.0 0.0 0.0 0.0 0.0 de trat. por bloque

Al hacer clic en el hiperenlace, Ir al anlisis, genera el Cuadro 16 donde mediante frmulas aparecen los valores del nmero de tratamientos (t), el nmero de bloques (b), el factor de correccin (FC), as como el anlisis de varianza y la conclusin del juego de hiptesis con respecto a los bloques y a los tratamientos.

55

El valor de alfa est determinado para una confiabilidad del 95% (Alfa = 0.05), pero se puede cambiar para tener la confiabilidad que se desee. Todas las celdas del Cuadro 16, a excepcin del valor de alfa, estn protegidas contra escritura, por lo que no es posible modificar el contenido de las mismas.

A la derecha del Cuadro 16, aparece un hiperenlace para regresar hasta la hoja de clculo donde se introducen los datos del experimento.

Para este ejemplo, mediante el anlisis de varianza y con una confiabilidad del 95% se rechazan las hiptesis nulas (H0) para los bloques y tratamientos, debido a que Fcal
Blo.

= 17.54 > Ftab

Blo.

= 4.46 y Fcal

Trat.

= 28.78 > Ftab

Trat.

= 3.84,

respectivamente, lo que indica que al menos el efecto de uno de los bloques y uno de los tratamientos es diferente al de los dems, respectivamente.

Cuadro 16. Anlisis de varianza para el diseo en bloques completos al azar. ANLISIS DE VARIANZA F.V. G.L. S.C. C.M. Fcal Ftab Regresar b= 3 Bloques 2 26.89 13.44 17.54 4.46 t= 5 Tratamientos 4 88.23 22.06 28.78 3.84 Error 8 6.13 0.77 FC = 1085.45 Total 14 121.25 Alfa 0.05 CONCLUSIN Fcal Blo > Ftab Blo. Se rechaza H0 y hay significancia al 0.05 Fcal Trat > Ftab Trat. Se rechaza H0 y hay significancia al 0.05 9. COMPARACIONES MLTIPLES DE MEDIAS DE TRATAMIENTOS

Las comparaciones mltiples de medias son tiles para seleccionar l o los tratamientos que sean mejores, segn el inters experimental, y se aplican cuando el anlisis de varianza declara diferencias significativas. Se denominan pruebas de comparaciones mltiples de medias, porque simultneamente se comparan varios promedios de los tratamientos. Las pruebas de comparaciones mltiples de

56

medias de uso ms comn son la Diferencia Mnima Significativa (DMS), Duncan, Tukey, Scheff y Student-Newman-Keuls (S-N-K).

9.1. Hiptesis a probar

En cualquiera de las pruebas de comparaciones mltiples mencionadas, las hiptesis generales a probar son las siguientes:
H0 : Ha : (El tratamien to i es igual en su efecto al tratamien to i) (El tratamien to i tiene un efecto diferente al tratamien to i) i 1,2,..., t i i

de medias

vs
i i

i 1,2,..., t

Las hiptesis de los tratamientos se realizan por pares. Por ejemplo, si se tienen 4 tratamientos entonces se pueden postular t(t-1)/2 pares de hiptesis a probar, es decir se tendran:
t (t 1) 2 (4)(3) 2 6

pares de hiptesis a contrastar, las cuales se muestran a continuacin:

I. H 0 : II. H 0 : III. H 0 : IV. H 0 : V. H 0 : VI. H 0 :

1 1 1 2 2 3

2 3 4 3 4 4

vs vs vs vs vs vs

Ha : Ha : Ha :

1 1 1 2 2 3

2 3 4 3 4 4

Ha : Ha : Ha :

Para ser utilizadas, todas las pruebas de comparaciones mltiples mencionadas requieren de un trmino conocido como diferencia y cuyo clculo general se realiza mediante:

57

Dk Yi Yj

Yi

Yj

donde Media del i - simo tratamien to Media del i-simo tratamien to i 1, 2,..., t k 1, 2,..., t(t - 1) 2 i i

i 1, 2,..., t

Siempre se tendr un nmero igual de diferencias ( Dk ) y de pares de hiptesis a contrastar, ya que estos dos trminos estn relacionados de manera amplia. Las
Dk se

calculan utilizando las medias de los tratamientos que aparecen en la

hiptesis nula correspondiente. Por ejemplo, para los pares de hiptesis del ejemplo anterior, se tendrn 6 diferencias; la D1 se relaciona con la hiptesis nula en I, la D2 se relaciona con la hiptesis nula en II, la D3 se relaciona con la hiptesis nula en III, etc.

Como la hiptesis nula en I involucra el tratamiento 1 y al tratamiento 2, la D1 involucra tambin al tratamiento 1 y al tratamiento 2, es decir:
D1 Y1 Y2

Como la hiptesis nula en II involucra el tratamiento 1 y al tratamiento 3, la D2 involucra tambin al tratamiento 1 y al tratamiento 3, es decir:
D2 Y1 Y3

Las restantes Dk se calculan mediante el mismo proceso.

9.2. Diferencia Mnima Significativa (DMS)

Es la prueba ms sencilla y una de las ms empleadas. Es muy comn su uso en comparaciones simples de medias; es vlida solamente en el caso de una comparacin planeada entre dos medias, en un experimento en particular. 58

Esta prueba determina el valor mnimo necesario para considerar diferentes dos tratamientos y lo utiliza para comparar los diferentes pares de medias que se deseen evaluar. Los pares de medias que se comparan son los que han sido planeados antes de ejecutar el experimento. 9.2.1. Ventajas

1. Fcil de realizar 2. Vlida cuando se han planeado las comparaciones que se van a hacer previamente a la obtencin de los resultados.

9.2.2. Desventajas

1. Puede dar resultados falsamente significativos en un nivel del 0.05 si el experimentador se dedica a hacer comparaciones exclusivamente entre tratamientos de resultados extremos.

2. En el caso de que hubiera que hacer preferentemente comparaciones de resultados extremos, es necesario optar por un nivel de 0.01 en lugar de 0.05, pero si el nmero de tratamientos es elevado debe reemplazarse la DMS por otra prueba.

3. Debido a este uso incorrecto de la DMS se vacila en su recomendacin.

4. El uso incorrecto ms comn es hacer comparaciones sugeridas por los datos.

Esta prueba presenta dos opciones con base en el nmero de repeticiones de los tratamientos involucrados en el experimento: igual y diferente nmero de repeticiones.

59

Igual nmero de repeticion es

DMS

/ 2 (GLErr )

2(CME ) r 2(CME )( ri ri ri ri)

Diferente nmero de repeticion es i 1,2,..., t donde t


/ 2 (GLErr )

(DMS) k i

/ 2 (GLErr )

i 1,2,..., t

k 1,2,...,

t (t 1) 2

Cuantil t de student con un nivel de significan cia /2 y con los grados de libertad del error. (Ver Tabla I del Apndice)

CME r ri ri

Cuadrado medio del error en el anlisis de varianza.

Nmero de repeticion es. Nmero de repeticion es para el i - simo tratamien to. Nmero de repeticion es para el i-simo tratamien to.

9.2.3. Regla de decisin

Igual nmero de repeticion es se rechaza H 0 si D k

DMS (DMS) k

Diferente nmero de repeticion es se rechaza H 0 si D k

Haciendo uso de las hojas de clculo, elaboradas en Calc de Open Office, para resolver diseos experimentales ms comunes, se ilustra la tcnica de comparaciones mltiples de medias para la prueba de la Diferencia Mnima Significativa (DMS) con el siguiente ejemplo:

Ejemplo 9.1 Para el Ejemplo 6.1 (Montgomery, 2007) de los cinco pesos porcentuales del algodn (diseo completamente al azar), diga cul de los tratamientos es el ms efectivo utilizando la prueba de DMS. Se quiere una confiabilidad del 95%.

Respuesta Se utilizan los totales de tratamiento de los datos originales (Cuadro 5) y la informacin del anlisis de varianza correspondiente (Cuadro 8):

60

Observaciones 1 2 3 4 5 Total Media

Peso porcentual del algodn (tratamientos) 15 20 25 30 35 7 12 14 19 7 7 17 18 25 10 15 12 18 22 11 11 18 19 19 15 9 18 19 23 11 49 77 88 108 54 9.8 15.4 17.6 21.6 10.8 ANLISIS DE VARIANZA F.V. G.L. S.C. C.M. Fcal Tratamientos 4 475.76 118.94 14.76 Error 20 161.20 8.06 Total 24 636.96

t= r1 = r2 = r3 = r4 = r5 = r6 = r7 = r8 = r9 = r10 = FC = Alfa

5 5 5 5 5 5

Ftab 2.87

CONCLUSIN Fcal > Ftab. Se rechaza H0 y hay significancia al 0.05

5655 0.05 r=5 t=5 GLError = 20 CME = 8.06

= 0.05

Como hay 5 tratamientos en el experimento se tienen que obtener 10 diferencias:


t (t 1) 2 (5)( 4) 2 10

D1
D7

Y1 Y2 ,
Y2

D2

Y1 Y3 ,

D3

Y1 Y4 ,

D4

Y1 Y5 ,

D5

Y2 Y3 ,

D6

Y2 Y4 ,

Y5 , D8

Y3 Y4 , D9

Y3 Y5 y D10

Y4 Y5 .

61

Para resolver el ejemplo anterior se hace uso de las hojas de clculo hechas en Calc de Open Office. Al abrir el documento nombrado DISEOS EXPERIMENTALES, en la primera hoja de clculo (Inicio) aparece el Cuadro 6 (mencionado en el captulo 6), en el que se hace clic en comparaciones mltiples de medias de tratamientos y mediante un hiperenlace genera otra hoja donde se debe hacer clic en la prueba deseemos usar.

Despus de hacer clic en comparaciones mltiples de medias de tratamientos en el Cuadro 6, genera el Cuadro 17, en donde se hace clic en la prueba que deseemos usar y mediante un hiperenlace genera otra hoja en la cual se introducen los datos del experimento. En este caso se hace clic en la prueba de la Diferencia Mnima Significativa (DMS).

A la derecha del Cuadro 17 aparece un hiperenlace para regresar hasta el inicio de las hojas de clculo donde se hizo clic en comparaciones mltiples de medias de tratamientos. Cuadro 17. Pruebas de comparaciones mltiples de medias

PRUEBAS DE COMPARACIONES MLTIPLES DE MEDIAS Regresar DIFERENCIA MNIMA SIGNIFICATIVA (DMS)

PRUEBA DE TUKEY

PRUEBA DE DUNCAN

PRUEBA DE SCHEFF

PRUEBA DE STUDENT-NEWMAN-KEULS (S-N-K)

62

Despus de hacer clic en la prueba de la Diferencia Mnima Significativa (DMS) en el Cuadro 17, genera el Cuadro 18, en donde se introducen el nmero de tratamientos (t), el nmero de cada repeticin (ri), el valor de alfa, los grados de libertad del error (GLErr), el cuadrado medio del error (CME) y el cuantil de la distribucin t de student con el nivel de significancia /2 y los grados de libertad del error (t/2(GLErr)) aparecen de forma inmediata. Despus se introducen los totales de tratamientos. Las medias de tratamientos y el nmero de tratamiento ordenado aparecen de forma inmediata.

Para este ejemplo tenemos cinco tratamientos y cinco repeticiones para cada tratamiento. Para esta prueba de comparacin mltiple de media se pueden introducir hasta 10 tratamientos.

A la derecha de Cuadro 18, aparece un hiperenlace para regresar hasta donde se seleccion el tipo de prueba de comparacin mltiple de medias.

Cuadro 18. Prueba de la Diferencia Mnima Significativa. DIFERENCIA MNIMA SIGNIFICATIVA (DMS) t= r1 = r2 = r3 = r4 = r4 = r6 = r7 = r8 = r9 = r10 = Alfa = GLErr = CME = 5 5 5 5 5 5 Trat. Tot. de Trat. Medias de Trat. T1 T2 T3 T4 T5 T6 T7 T8 T9 T10 0.05 20.00 8.06 49.00 77.00 88.00 108.00 54.00 9.80 15.40 17.60 21.60 10.80 0.00 0.00 0.00 0.00 0.00 Nm. de Trat. ordenado 1 Regresar 2 3 4 5 0 0 0 0 0

t/2(GLErr) = 2.09

63

Despus de introducir los datos del experimento, hay que ordenar las medias de tratamientos de forma ascendente; el ordenamiento se hace incluyendo todas las columnas excepto, la del nmero de tratamiento ordenado. Este ordenamiento se hace as para que despus el cuadro de diferencias de medias se pueda interpretar ms fcil.

El ordenamiento de las medias de tratamiento del Cuadro 18, queda como en el Cuadro 19: para este ejemplo se modifica el orden de los ltimos cuatro tratamientos originales con respecto a la columna del nmero de tratamiento ordenado; por lo tanto, el tratamiento ordenado dos corresponde al tratamiento original cinco, el tratamiento ordenado tres corresponde al tratamiento original dos, el tratamiento ordenado cuatro corresponde al tratamiento original tres. El tratamiento ordenado uno coincide con el tratamiento original uno.

Ya que se genera el Cuadro 19, con las medias de tratamientos ordenados en forma ascendente, se puede ver abajo del Cuadro 19, en la misma hoja, el Cuadro 20 con las diferencias de medias (Dk) de los tratamientos ordenados y el los valores de la DMS (negrillas). Las celdas del Cuadro 20, encuentran protegidas contra escritura, por lo que no es posible modificarse.

A la derecha del Cuadro 19, aparece un hiperenlace para regresar hasta donde se seleccion el tipo de prueba de comparacin mltiple de medias.

Cuadro 19. Prueba de la Diferencia Mnima Significativa con las medias de tratamientos ordenados DIFERENCIA MNIMA SIGNIFICATIVA (DMS) Medias de Nm. de t= 5 Trat. Tot. de Trat. Trat. Trat. ordenado r1 = 5 T1 49.00 9.80 1 Regresar r5 = 5 T5 54.00 10.80 2 r2 = 5 T2 77.00 15.40 3 r3 = 5 T3 88.00 17.60 4 r4 = 5 T4 108.00 21.60 5

64

r6 = r7 = r8 = r9 = r10 = Alfa = GLErr = CME = t/2(GLErr) =

T6 T7 T8 T9 T10 0.05 20.00 8.06 2.09

0.00 0.00 0.00 0.00 0.00

0 0 0 0 0

Cuadro 20. Diferencias de medias (Dk) de tratamientos ordenados y valores de las DMS Diferencias de medias (Dk) de tratamientos ordenados y valores de las DMS 10 9 8 7 6 5 4 3 2 1 0 0 0 0 0 11.8 7.8 5.6 1 0 1 0 0 0 0 0 3.75 3.75 3.75 3.75 0 0 0 0 0 10.8 6.8 4.6 0 2 0 0 0 0 0 3.75 3.75 3.75 0 0 0 0 0 6.2 2.2 0 3 0 0 0 0 0 3.75 3.75 0 0 0 0 0 4 0 4 0 0 0 0 0 3.75 0 0 0 0 0 0 5 0 0 0 0 0 0 0 0 0 0 6 0 0 0 0 0 0 0 0 7 0 0 0 0 0 0 8 0 0 0 0 9 0 0 10

En el Cuadro 20, se muestran las diferencias de medias (Dk) de los tratamientos ordenados y abajo sus respectivos valores de la DMS, como los tratamientos tienen el mismo nmero de repeticiones, la DMS es la misma para todas las diferencias de medias, para este ejemplo el valor de la DMS = 3.75. En caso de

65

que se tratara de un diseo con diferentes repeticiones por tratamiento, se tendrn diferentes valores de la DMS. El Cuadro 20 se interpreta de la siguiente manera:

En la columna con el nmero cinco, el tratamiento ordenado cinco es diferente significativamente a los tratamientos ordenados uno, dos, tres y cuatro, ya que sus diferencias de medias (Dk) son mayores a su respectivo valor de la DMS. En la columna con el nmero cuatro, el tratamiento ordenado cuatro es diferente significativamente a los tratamientos ordenados uno y dos, ya que sus diferencias de medias (Dk) son mayores a su respectivo valor de la DMS; pero el tratamiento ordenado cuatro y el tratamiento ordenado tres no difieren significativamente, porque su diferencia de medias (Dk) es menor que su valor respectivo de la DMS En la columna con el nmero tres, el tratamiento ordenado tres es diferente significativamente a los tratamientos ordenados uno y dos, ya que sus diferencias de medias (Dk) son mayores a su respectivo valor de la DMS; En la columna con el nmero dos, el tratamiento ordenado dos y el tratamiento ordenado uno no difieren significativamente, porque su diferencia de medias (D k) es menor a su respectivo valor de la DMS.

Por lo tanto, el tratamiento ordenado cinco (tratamiento original cuatro) que corresponde al 30% del peso porcentual del algodn es el mejor porque es diferente a los dems tratamientos y tiene su media de tratamiento ms alta.

9.3. Prueba de Tukey

Este mtodo es muy similar en la aplicacin al de DMS, salvo por el hecho de que en lugar de utilizar las distribuciones de t como base para realizar las comparaciones, se emplea la distribucin del rango estandarizado.

66

Esta prueba presenta dos opciones con base en el nmero de repeticiones de los tratamientos involucrados en el experimento: igual y diferente nmero de repeticiones.

Igual nmero de repeticion es Diferente nmero de repeticion es i 1, 2,..., t donde q (v1 , v 2 ) v1 v2 i 1, 2,..., t i i

q (v1 , v 2 )

CME r CME 1 2 ri 1 ri

q (v1 , v 2 ) k 1, 2,...,

t (t 1) 2 y con v1 y v 2

Cuantil para la prueba de Tukey con un nivel de significan cia los grados de libertad.

Nmero de tratamien tos. Grados de libertad del error en el anlisis de varianza.

CME Cuadrado medio del error en el anlisis de varianza r Nmero de repeticion es. ri ri Nmero de repeticion es para el i - simo tratamien to. Nmero de repeticion es para el i-simo tratamien to.

9.3.1. Regla de decisin

Igual nmero de repeticion es se rechaza H 0 si D k Diferente nmero de repeticion es se rechaza H 0 si D k


k

Haciendo uso de las hojas de clculo, elaboradas en Calc de Open Office, para resolver diseos experimentales ms comunes, se ilustra la tcnica de comparaciones mltiples de medias para la prueba de Tukey con el siguiente ejemplo:

Ejemplo 9.2 Tomando nuevamente los datos del Ejemplo 6.1 (Montgomery, 2007) de los cinco pesos porcentuales del algodn (diseo completamente al azar), diga cul de los

67

tratamientos es el ms efectivo utilizando la prueba de Tukey. Se quiere una confiabilidad del 95%. Respuesta Se utilizan los totales de tratamiento de los datos originales (Cuadro 5) y la informacin de la tabla de anlisis de varianza correspondiente (Cuadro 8):

Observaciones 1 2 3 4 5 Total Media

Peso porcentual del algodn (tratamientos) 15 20 25 30 35 7 12 14 19 7 7 17 18 25 10 15 12 18 22 11 11 18 19 19 15 9 18 19 23 11 49 77 88 108 54 9.8 15.4 17.6 21.6 10.8 ANLISIS DE VARIANZA F.V. G.L. S.C. C.M. Fcal Tratamientos 4 475.76 118.94 14.76 Error 20 161.20 8.06 Total 24 636.96

t= r1 = r2 = r3 = r4 = r5 = r6 = r7 = r8 = r9 = r10 = FC = Alfa

5 5 5 5 5 5

Ftab 2.87

CONCLUSIN Fcal > Ftab. Se rechaza H0 y hay significancia al 0.05

5655 0.05 r=5 v1 = t = 5 v2 = GLError = 20 CME = 8.06

= 0.05

Como hay 5 tratamientos en el experimento se tienen que obtener 10 diferencias:

68

t (t 1) 2
D1
D7

(5)( 4) 2

10
D2 Y1 Y3 , D3 Y1 Y4 , D4 Y1 Y5 , D5 Y2 Y3 , D6 Y2 Y4 ,

Y1 Y2 ,
Y2

Y5 , D8

Y3 Y4 , D9

Y3 Y5 y D10

Y4 Y5 .

Para resolver el ejemplo anterior se hace uso de las hojas de clculo hechas en Calc de Open Office. Al abrir el documento nombrado DISEOS EXPERIMENTALES, en la primera hoja de clculo (Inicio) aparece el Cuadro 6 (mencionado en el captulo 6), en el que se hace clic en comparaciones mltiples de medias de tratamientos y mediante un hiperenlace genera otra hoja donde se debe hacer clic en la prueba deseemos usar.

Despus de hacer clic en comparaciones mltiples de medias de tratamientos en el Cuadro 6, genera el Cuadro 17 (mencionado en la seccin 9.2), en donde se hace clic en la prueba que deseemos usar y mediante un hiperenlace genera otra hoja en donde se introducen los datos del experimento. En este caso se hace clic en la prueba de Tukey.

Despus de hacer clic en la prueba de Tukey en el Cuadro 17, genera el Cuadro 21, en donde se introducen el nmero de tratamientos (t = v1), el nmero de cada repeticin (ri), el valor de alfa, los grados de libertad del error (GLErr = v2), el cuadrado medio del error (CME) y el cuantil para la prueba de Tukey con un nivel de significancia y con v1 y v2 grados de libertad q(v1, v2). Despus se introducen los totales de tratamientos, las medias de tratamientos y el nmero de tratamiento ordenado aparecen de forma inmediata.

Para este ejemplo tenemos cinco tratamientos y cinco repeticiones para cada tratamiento. Para esta prueba de comparacin mltiple de media se puede introducir hasta 10 tratamientos.

69

A la derecha del Cuadro 21 aparece un hiperenlace para regresar hasta donde se seleccion el tipo de prueba de comparacin mltiple de medias. Cuadro 21. Prueba de Tukey. PRUEBA DE TUKEY t = v1 = r1 = r2 = r3 = r4 = r4 = r6 = 5 5 5 5 5 5 Trat. Tot. de Trat. Medias de Trat. T1 T2 T3 T4 T5 T6 49.00 77.00 88.00 108.00 54.00 9.80 15.40 17.60 21.60 10.80 0.00 0.00 0.00 0.00 0.00 Nm. de Trat. ordenado 1 Regresar 2 3 4 5 0 0 0 0 0

r7 = T7 r8 = T8 r9 = T9 r10 = T10 Alfa = 0.05 GLErr = v2 = 20.00 CME = 8.06 q(v1, v2) = 4.23

Despus de introducir los datos del experimento, se tiene que ordenar las medias de tratamientos de forma ascendente; el ordenamiento se hace incluyendo todas las columnas, excepto la del nmero de tratamiento ordenado. Este ordenamiento se hace as para que despus el cuadro de diferencias de medias se pueda interpretar ms fcil.

El ordenamiento de las medias de tratamiento del Cuadro 21, queda como en el Cuadro 22: para este ejemplo se modifica el orden de los ltimos cuatro tratamientos originales con respecto a la columna del nmero de tratamiento ordenado; por lo tanto, el tratamiento ordenado dos corresponde al tratamiento original cinco, el tratamiento ordenado tres corresponde al tratamiento original dos, el tratamiento ordenado cuatro corresponde al tratamiento original tres. El tratamiento ordenado uno coincide con el tratamiento original uno.

70

Ya que se genera el Cuadro 22, con las medias de tratamientos ordenadas en forma ascendente se puede ver abajo del Cuadro 22, en la misma hoja, el Cuadro 23 con las diferencias de medias (Dk) de los tratamientos ordenados y el los valores de la prueba de Tukey (k) (negrillas). Las celdas del Cuadro 23, se encuentran protegidas contra escritura, por lo que no es posible modificarse.

A la derecha del Cuadro 22 aparece un hiperenlace para regresar hasta donde se seleccion el tipo de prueba de comparacin mltiple de medias.

Cuadro 22. Prueba de Tukey con las medias de tratamientos ordenados PRUEBA DE TUKEY Nm. de t = v1 = 5 Trat. Tot. de Trat. Medias de Trat. Trat. ordenado r1 = 5 T1 49.00 9.80 1 Regresar r5 = 5 T5 54.00 10.80 2 r2 = 5 T2 77.00 15.40 3 r3 = 5 T3 88.00 17.60 4 r4 = 5 r6 = r7 = r8 = r9 = r10 = Alfa = 0.05 GLErr = v2 = 20.00 CME = 8.06 q(v1, v2) = 4.23 T4 T6 T7 T8 T9 T10 108.00 21.60 0.00 0.00 0.00 0.00 0.00 5 0 0 0 0 0

Cuadro 23. Diferencias de medias (Dk) de tratamientos ordenados y valores de k Diferencias de medias (Dk) de tratamientos ordenados y valores de k 10 9 8 7 6 5 4 3 2 1 0 0 0 0 0 11.80 7.80 5.60 1.00 0 1 0 0 0 0 0 5.37 5.37 5.37 5.37 0 0 0 0 0 10.80 6.80 4.60 0 2 0 0 0 0 0 5.37 5.37 5.37 3 0 0 0 0 0 6.20 2.20 0

71

4 5 6 7 8 9 10

0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0

0 0 0 0 0 0

5.37 4.00 5.37 0

5.37 0

En el Cuadro 23, se muestran las diferencias de medias (Dk) de tratamientos ordenados y abajo sus respectivos valores de la prueba de Tukey (k), como los tratamientos tienen el mismo nmero de repeticiones, los valores de la prueba de Tukey (k) son los mismos para todas las diferencias de medias, para este ejemplo k = 5.37. En caso de que se tratara de un diseo con diferentes repeticiones por tratamiento, se tendran diferentes valores de la prueba de Tukey (k). El Cuadro 23 se interpreta de la siguiente manera:

En la columna con el nmero cinco, el tratamiento ordenado cinco es diferente significativamente a los tratamientos ordenados uno, dos y tres, ya que sus diferencias de medias (Dk) son mayores a su respectivo valor de k; pero el tratamiento ordenado cinco y el tratamiento ordenado cuatro no difieren significativamente, porque su diferencia de medias (Dk) es menor que su valor respectivo de k. En la columna con el nmero cuatro, el tratamiento ordenado cuatro es diferente significativamente a los tratamientos ordenados uno y dos, ya que sus diferencias de medias (Dk) son mayores a su respectivo valor de k; pero el tratamiento

72

ordenado cuatro y el tratamiento ordenado tres no difieren significativamente, porque su diferencia de medias (Dk) es menor que su valor respectivo de k. En la columna con el nmero tres, el tratamiento ordenado tres es diferente significativamente al tratamiento ordenados uno, ya que su diferencia de medias (Dk) es mayor a su respectivo valor de k; pero el tratamiento ordenado tres y el tratamiento ordenado dos no difieren significativamente, porque su diferencia de medias (Dk) es menor que su valor respectivo de k. En la columna con el nmero dos, el tratamiento ordenado dos y el tratamiento ordenado uno no difieren significativamente, porque su diferencia de medias (D k) es menor a su respectivo valor de k. Por lo tanto, el tratamiento ordenado cinco (tratamiento original cuatro) que corresponde al 30% del peso porcentual del algodn es el mejor porque es diferente significativamente a tres tratamientos ordenados (tratamientos uno, dos y tres) y tiene su media de tratamiento ms alta.

9.4. Prueba de Duncan

Esta prueba no requiere de una prueba previa de F, o sea que aun sin ser significativa la prueba F puede llevarse a cabo.

Esta prueba presenta dos opciones con base en el nmero de repeticiones de los tratamientos involucrados en el experimento: igual y diferente nmero de repeticiones.

73

Igual nmero de repeticion es

Ck

U (v1 , v 2 ) Ck i

CME r
k

Diferente nmero de repeticion es i 1, 2,..., t donde U (v1 , v 2 ) v1 v2 i 1, 2,..., t i

U (v1 , v 2 ) k 1, 2,...,

CME 1 2 ri

1 ri

t (t 1) 2 y con

Cuantil para la prueba de Duncan con un nivel de significan cia v 1 y v 2 grados de libertad.

Distancia acumulada entre las medias de tratamien to involucradas en la D k correspondiente. Grados de libertad del error en el anlisis de varianza.

CME Cuadrado medio del error en el anlisis de varianza r Nmero de repeticion es. ri ri Nmero de repeticion es para el i - simo tratamien to. Nmero de repeticion es para el i-simo tratamien to.

Para aplicar la prueba de Duncan primero se ordenan en forma creciente las medias de tratamientos Y(1) , Y(2) ,..., Y(t) , despus se prueban las diferencias entre las medias (Dk), empezando con la mayor contra la menor. Si esta diferencia (Dk) es no significativa entonces todas las otras diferencias (Dk) con la media mayor son no significativas. Si la diferencia (Dk) es significativa se calcula de la misma forma anterior, la diferencia (Dk) de la mayor y la segunda menor. Este procedimiento contina hasta que un par de medias es no significativo o hasta que todas las medias se han comparado con la media mayor. De la misma forma anterior se calculan las diferencias (Dk) para la segunda media mayor. Este proceso se contina hasta que se han considerado las diferencias (Dk) entre todos los t(t-1)/2 pares de medias posibles ms. Para evitar contradicciones, ninguna de las diferencias (Dk) entre un par de medias se considera significativa si las dos medias en cuestin se localizan entre otras dos medias que no difieren significativamente.

74

9.4.1. Regla de decisin

Igual nmero de repeticion es se rechaza H 0 si D k

Ck Ck

Diferente nmero de repeticion es se rechaza H 0 si D k

Haciendo uso de las hojas de clculo, elaboradas en Calc de Open Office, para resolver diseos experimentales ms comunes, se ilustra la tcnica de comparaciones mltiples de medias para la prueba de Duncan con el siguiente ejemplo:

Ejemplo 9.3 Tomando nuevamente los datos del Ejemplo 6.1 (Montgomery, 2007) de los cinco pesos porcentuales del algodn (diseo completamente al azar), diga cul de los tratamientos es el ms efectivo utilizando la prueba de Duncan. Se quiere una confiabilidad del 95%.

Respuesta Se utilizan los totales de tratamiento de los datos originales (Cuadro 5) y la informacin de la tabla de anlisis de varianza correspondiente (Cuadro 8):

Observaciones 1 2 3 4 5 Total Media

Peso porcentual del algodn (tratamientos) 15 20 25 30 35 7 12 14 19 7 7 17 18 25 10 15 12 18 22 11 11 18 19 19 15 9 18 19 23 11 49 77 88 108 54 9.8 15.4 17.6 21.6 10.8 ANLISIS DE VARIANZA F.V. G.L. S.C. C.M. Fcal Tratamientos 4 475.76 118.94 14.76 Error 20 161.20 8.06 Total 24 636.96

t= r1 = r2 = r3 =

5 5 5 5

Ftab 2.87

75

r4 = r5 = r6 = r7 = r8 = r9 = r10 = FC = Alfa

5 5

CONCLUSIN Fcal > Ftab. Se rechaza H0 y hay significancia al 0.05

5655 0.05 r=5 t=5 v2 = GLError = 20 CME = 8.06

= 0.05

Para resolver el ejemplo anterior se hace uso de las hojas de clculo hechas en Calc de Open Office. Al abrir el documento nombrado DISEOS EXPERIMENTALES, en la primera hoja de clculo (Inicio) aparece el Cuadro 6 (mencionado en el captulo 6), en el que se hace clic en comparaciones mltiples de medias de tratamientos y mediante un hiperenlace genera otra hoja donde se debe hacer clic en la prueba deseemos usar.

Despus de hacer clic en comparaciones mltiples de medias de tratamientos en el Cuadro 5, aparece el Cuadro 17 (mencionado en la seccin 9.2), en donde se hace clic en la prueba que deseemos usar y mediante un hiperenlace genera otra hoja en donde se introducen los datos del experimento. En este caso se hace clic en la prueba de Duncan.

Despus de hacer clic en la prueba de Duncan en el Cuadro 17, aparece el Cuadro 24, en donde se introducen el nmero de tratamientos (t), el nmero de cada repeticin (ri), el valor de alfa, los grados de libertad del error (GLErr = v2), el cuadrado medio del error (CME) y los cuantiles para la prueba de Duncan con un nivel de significancia y con v1 y v2 grados de libertad U(v1, v2); donde v1 es la distancia acumulada entre las medias de tratamiento involucradas en la Dk

76

correspondiente. Despus se introducen los totales de tratamientos, las medias de tratamientos y el nmero de tratamiento ordenado aparecen de forma inmediata.

Para este ejemplo tenemos cinco tratamientos y cinco repeticiones para cada tratamiento. Para esta prueba de comparacin mltiple de media se puede introducir hasta 10 tratamientos.

A la derecha del Cuadro 24, aparece un hiperenlace para regresar hasta donde se seleccion el tipo de prueba de comparacin mltiple de medias.

Cuadro 24. Prueba de Duncan PRUEBA DE DUNCAN t= r1 = r2 = r3 = r4 = r5 = r6 = r7 = r8 = r9 = r10 = Alfa = GLErr = v2 = CME = U(v1, v2) = 5 5 5 5 5 5 Trat. Tot. de Trat. Medias de Trat. T1 T2 T3 T4 T5 T6 T7 T8 T9 T10 49.00 77.00 88.00 108.00 54.00 9.80 15.40 17.60 21.60 10.80 0.00 0.00 0.00 0.00 0.00 Nm. de Trat. ordenado 1 Regresar 2 3 4 5 0 0 0 0 0

0.05 20.00 8.06 2.95 3.10 3.18

3.25

Despus de introducir los datos del experimento, se tiene que ordenar las medias de tratamientos de forma ascendente; el ordenamiento se hace incluyendo todas las columnas, excepto la del nmero de tratamiento ordenado. Este ordenamiento se hace as para que despus el cuadro de diferencias de medias se pueda interpretar ms fcil.

77

El ordenamiento de las medias de tratamiento del Cuadro 24 queda como en el Cuadro 25: para este ejemplo se modifica el orden de los ltimos cuatro tratamientos originales con respecto a la columna del nmero de tratamiento ordenado; por lo tanto, el tratamiento ordenado dos corresponde al tratamiento original cinco, el tratamiento ordenado tres corresponde al tratamiento original dos, el tratamiento ordenado cuatro corresponde al tratamiento original tres. El tratamiento ordenado uno coincide con el tratamiento original uno.

Ya que se tiene el Cuadro 25, con las medias de tratamientos ordenadas en forma ascendente, se puede ver abajo del Cuadro 25, en la misma hoja, el Cuadro 26 con las diferencias de medias (Dk) de los tratamientos ordenados y el los valores de la prueba de Duncan (Ck) (negrillas). Las celdas del Cuadro 26, se encuentran protegidas contra escritura, por lo que no es posible modificarse.

A la derecha del Cuadro 25 aparece un hiperenlace para regresar hasta donde se seleccion el tipo de prueba de comparacin mltiple de medias. Cuadro 25. Prueba de Duncan con las medias de tratamientos ordenados PRUEBA DE DUNCAN Nm. de t= 5 Trat. Tot. de Trat. Medias de Trat. Trat. ordenado r1 = 5 T1 49.00 9.80 1 Regresar r5 = 5 T5 54.00 10.80 2 r2 = 5 T2 77.00 15.40 3 r3 = 5 T3 88.00 17.60 4 r4 = 5 T4 108.00 21.60 5 r6 = r7 = r8 = r9 = r10 = Alfa = GLErr = v2 = CME = U(v1, v2) = T6 T7 T8 T9 T10 0.05 20.00 8.06 2.95 3.10 3.18 0.00 0.00 0.00 0.00 0.00 0 0 0 0 0

3.25

78

Cuadro 26. Diferencias de medias (Dk) de tratamientos ordenados y valores de Ck Diferencias de medias (Dk) de tratamientos ordenados y valores de Ck 10 9 8 7 6 5 4 3 2 1 0 0 0 0 0 11.8 7.8 5.6 1 0 1 0 0 0 0 0 4.13 4.04 3.94 3.75 0 0 0 0 0 10.8 6.8 4.6 0 2 0 0 0 0 0 4.04 3.94 3.75 0 0 0 0 0 6.2 2.2 0 3 0 0 0 0 0 3.94 3.75 0 0 0 0 0 4 0 4 0 0 0 0 0 3.75 0 0 0 0 0 0 5 0 0 0 0 0 0 0 0 0 0 6 0 0 0 0 0 0 0 0 7 0 0 0 0 0 0 8 0 0 0 0 9 0 0 10

En el Cuadro 26, se muestran las diferencias de medias (Dk) de tratamientos ordenados y abajo sus respectivos valores de la prueba de Duncan (Ck). El Cuadro 26 se interpreta de la siguiente manera:

En la columna con el nmero cinco, el tratamiento ordenado cinco es diferente significativamente a los tratamientos ordenados uno, dos, tres y cuatro, ya que sus diferencias de medias (Dk) son mayores a su respectivo valor de Ck. En la columna con el nmero cuatro, podemos ver que el tratamiento ordenado cuatro es diferente significativamente a los tratamientos ordenados uno y dos, ya que sus diferencias de medias (Dk) son mayores a su respectivo valor de Ck; pero el tratamiento ordenado cuatro y el tratamiento ordenado tres no difieren

79

significativamente, porque su diferencia de medias (Dk) es menor que su valor respectivo de Ck. En la columna con el nmero tres, el tratamiento ordenado tres es diferente significativamente a los tratamientos ordenados uno y dos, ya que sus diferencias de medias (Dk) son mayores a su respectivo valor de Ck. En la columna con el nmero dos, el tratamiento ordenado dos y el tratamiento ordenado uno no difieren significativamente, porque su diferencia de medias (D k) es menor a su respectivo valor de Ck. Por lo tanto, el tratamiento ordenado cinco (tratamiento original cuatro) que corresponde al 30% del peso porcentual del algodn es el mejor porque es diferente significativamente a todos los dems tratamientos y tiene su media de tratamiento ms alta.

9.5. Prueba de Scheff

En algunas situaciones no es fcil conocer las comparaciones que se deben realizar o es posible realizar ms de t-1 comparaciones. En los experimentos exploratorios las comparaciones de inters se descubren slo despus de examinar los resultados. El mtodo de Scheff para probar cualquier contraste es muy general en el sentido de que todas las posibles comparaciones pueden probarse en cuanto a significancia.

Esta prueba presenta dos opciones con base en el nmero de repeticiones de los tratamientos involucrados en el experimento: igual y diferente nmero de repeticiones.

80

Igual nmero de repeticion es Diferente nmero de repeticion es i 1, 2,..., t donde F (v1 , v 2 ) v1 v2 CME r ri ri t -1 i 1, 2,..., t i i

2(t 1) F (v1 , v 2 ) (CME ) r


k

(t 1) F (v1 , v 2 ) (CME )( ri (ri )( ri ) k 1, 2,..., t (t 1) 2

ri )

Cuantil para la distribucin F con un nivel de significan cia v 1 y v 2 grados de libertad. (Ver Tabla II del Apndice)

y con

Grados de libertad del error en el anlisis de varianza. Cuadrado medio del error en el anlisis de varianza Nmero de repeticion es. Nmero de repeticion es para el i - simo tratamien to. Nmero de repeticion es para el i-simo tratamien to.

9.5.1 Regla de decisin


Igual nmero de repeticion es se rechaza H 0 si D k Diferente nmero de repeticion es se rechaza H 0 si D k
k

Haciendo uso de las hojas de clculo, elaboradas en Calc de Open Office, para resolver diseos experimentales ms comunes, se ilustra la tcnica de comparaciones mltiples de medias para la prueba de Scheff con el siguiente ejemplo:

Ejemplo 9.4 Tomando nuevamente los datos del Ejemplo 6.1 (Montgomery, 2007) de los cinco pesos porcentuales del algodn (diseo completamente al azar), diga cul de los tratamientos es el ms efectivo utilizando la prueba de Scheff. Se quiere una confiabilidad del 95%.

81

Respuesta Se utilizan los totales de tratamiento de los datos originales (Cuadro 5) y la informacin de la tabla de anlisis de varianza correspondiente (Cuadro 8):

Observaciones 1 2 3 4 5 Total Media

Peso porcentual del algodn (tratamientos) 15 20 25 30 35 7 12 14 19 7 7 17 18 25 10 15 12 18 22 11 11 18 19 19 15 9 18 19 23 11 49 77 88 108 54 9.8 15.4 17.6 21.6 10.8 ANLISIS DE VARIANZA F.V. G.L. S.C. C.M. Fcal Tratamientos 4 475.76 118.94 14.76 Error 20 161.20 8.06 Total 24 636.96

t= R1 = R2 = R3 = R4 = R5 = R6 = R7 = R8 = R9 = R10 = FC = Alfa

5 5 5 5 5 5

Ftab 2.87

CONCLUSIN Fcal > Ftab. Se rechaza H0 y hay significancia al 0.05

5655 0.05 r=5 v1 = t-1 = 4 v2 = GLError = 20 CME = 8.06

= 0.05

Como hay 5 tratamientos en el experimento se tienen que obtener 10 diferencias:


t (t 1) 2 (5)( 4) 2 10

82

D1
D7

Y1 Y2 ,
Y2

D2

Y1 Y3 , Y3 Y4 , D9

D3

Y1 Y4 ,

D4

Y1 Y5 ,

D5

Y2 Y3 ,

D6

Y2 Y4 ,

Y5 , D8

Y3 Y5 y D10

Y4 Y5 .

Para resolver el ejemplo anterior se hace uso de las hojas de clculo hechas en Calc de Open Office. Al abrir el documento nombrado DISEOS EXPERIMENTALES, en la primera hoja de clculo (Inicio) aparece el Cuadro 6 (mencionado en el captulo 6), en el que se hace clic en comparaciones mltiples de medias de tratamientos y mediante un hiperenlace genera otra hoja donde se tiene que hacer clic en la prueba deseemos usar.

Despus de hacer clic en comparaciones mltiples de medias de tratamientos en el Cuadro 6, aparece el Cuadro 17 (mencionado en la seccin 9.2), en donde se tiene que hacer clic en la prueba que deseemos usar y mediante un hiperenlace genera otra hoja en donde se introducen los datos del experimento. En este caso se hace clic en la prueba de Scheff.

Despus de hacer clic en la prueba de Scheff en el Cuadro 17, aparece el Cuadro 27, en donde se introducen el nmero de tratamientos (t), el nmero de cada repeticin (ri), el valor de alfa, los grados de libertad del error (GLErr = v2), el cuadrado medio del error (CME) y el cuantil para la distribucin F con un nivel de significancia y con v1 y v2 grados de libertad F(v1, v2); donde v1 = t-1 aparece de forma inmediata. Despus se introducen los totales de tratamientos, las medias de tratamientos y el nmero de tratamiento ordenado aparece de forma inmediata.

Para este ejemplo tenemos cinco tratamientos y cinco repeticiones para cada tratamiento. Para esta prueba de comparacin mltiple de media se puede introducir hasta 10 tratamientos.

A la derecha del Cuadro 27 aparece un hiperenlace para regresar hasta donde se seleccion el tipo de prueba de comparacin mltiple de medias.

83

Cuadro 27. Prueba de Scheff PRUEBA DE SCHEFF t= r1 = r2 = r3 = r4 = r4 = r6 = 5 5 5 5 5 5 Trat. Tot. de Trat. Medias de Trat. T1 T2 T3 T4 T5 T6 49.00 77.00 88.00 108.00 54.00 9.80 15.40 17.60 21.60 10.80 0.00 0.00 0.00 0.00 0.00 Nm. de Trat. ordenado 1 Regresar 2 3 4 5 0 0 0 0 0

r7 = T7 r8 = T8 r9 = T9 r10 = T10 Alfa = 0.05 GLErr = v2 = 20.00 CME = 8.06 F(v1, v2) = 2.71

Despus de introducir los datos del experimento, se tiene que de ordenar las medias de tratamientos de forma ascendente; el ordenamiento se hace incluyendo todas las columnas, excepto la del nmero de tratamiento ordenado. Este ordenamiento se hace as para que despus el cuadro de diferencias de medias se pueda interpretar ms fcil.

El ordenamiento de las medias de tratamiento del Cuadro 27 queda de la siguiente manera en el Cuadro 28: para este ejemplo se modifica el orden de los ltimos cuatro tratamientos originales con respecto a la columna del nmero de tratamiento ordenado; por lo tanto, el tratamiento ordenado dos corresponde al tratamiento original cinco, el tratamiento ordenado tres corresponde al tratamiento original dos, el tratamiento ordenado cuatro corresponde al tratamiento original tres. El tratamiento ordenado uno coincide con el tratamiento original uno.

Ya que se tiene el Cuadro 28, con las medias de tratamientos ordenadas en forma ascendente se puede ver abajo del Cuadro 28, en la misma hoja, el Cuadro 29 con 84

las diferencias de medias (Dk) de los tratamientos ordenados y el los valores de la prueba de Scheffe (k) (negrillas). Las celdas del Cuadro 29, se encuentran protegidas contra escritura, por lo que no es posible modificarse.

A la derecha del Cuadro 28 aparece un hiperenlace para regresar hasta donde se seleccion el tipo de prueba de comparacin mltiple de medias.

Cuadro 28. Prueba de Scheff con las medias de tratamientos ordenados PRUEBA DE SCHEFF Nm. de t= 5 Trat. Tot. de Trat. Medias de Trat. Trat. ordenado r1 = 5 T1 49.00 9.80 1 Regresar r5 = 5 T5 54.00 10.80 2 r2 = 5 T2 77.00 15.40 3 r3 = 5 T3 88.00 17.60 4 r4 = 5 T4 108.00 21.60 5 r6 = T6 0.00 0 r7 = T7 0.00 0 r8 = r9 = r10 = Alfa = GLErr = v2 = CME = F(v1, v2) = T8 T9 T10 0.05 20.00 8.06 2.71 0.00 0.00 0.00 0 0 0

Cuadro 29. Diferencias de medias (Dk) de tratamientos ordenados y valores de K Diferencias de medias (Dk) de tratamientos ordenados y valores de K 10 9 8 7 6 5 4 3 2 1 0 0 0 0 0 11.8 7.8 5.6 1 0 1 0 0 0 0 0 6.08 6.08 6.08 6.08 0 0 0 0 0 10.8 6.8 4.6 0 2 0 0 0 0 0 6.08 6.08 6.08 0 0 0 0 0 6.2 2.2 0 3 0 0 0 0 0 6.08 6.08 0 0 0 0 0 4 0 4 0 0 0 0 0 6.08

85

5 6 7 8 9 10

0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0

0 0 0 0 0

0 0 0

En el Cuadro 29, se muestran las diferencias de medias (Dk) de tratamientos ordenados y abajo sus respectivos valores de la prueba de Scheffe (k), como los tratamientos tienen el mismo nmero de repeticiones, los valores de la prueba de Scheffe (k) son los mismos para todas las diferencias de medias, que para este ejemplo k = 6.08. En caso de que se tratara de un diseo con diferentes repeticiones por tratamiento, se tendran diferentes valores de la prueba de Scheffe (k). El Cuadro 29 se interpreta de la siguiente manera: En la columna con el nmero cinco, el tratamiento ordenado cinco es diferente significativamente a los tratamientos ordenados uno, dos y tres, ya que sus diferencias de medias (Dk) son mayores a su respectivo valor de k; pero el tratamiento ordenado cinco y el tratamiento ordenado cuatro no difieren significativamente, porque su diferencia de medias (Dk) es menor que su valor respectivo de k. En la columna con el nmero cuatro, el tratamiento ordenado cuatro es diferente significativamente a los tratamientos ordenados uno y dos, ya que sus diferencias de medias (Dk) son mayores a su respectivo valor de k; pero el tratamiento ordenado cuatro y el tratamiento ordenado tres no difieren significativamente, porque su diferencia de medias (Dk) es menor que su valor respectivo de k.

86

En la columna con el nmero tres, el tratamiento ordenado tres no es diferente significativamente a los tratamientos ordenados uno y dos, ya que sus diferencias de medias (Dk) no son mayores a su respectivo valor de k. En la columna con el nmero dos, el tratamiento ordenado dos y el tratamiento ordenado uno no difieren significativamente, porque su diferencia de medias (Dk) es menor a su respectivo valor de k. Por lo tanto, el tratamiento ordenado cinco (tratamiento original cuatro) que corresponde al 30% del peso porcentual del algodn es el mejor porque es diferente significativamente a tres tratamientos ordenados (tratamientos uno, dos y tres) y tiene su media de tratamiento ms alta.

9.6. Prueba de Student-Newman-Keuls (S-N-K)

Cada una de las tres personas mencionadas contribuy al desarrollo de esta prueba. Tambin llamada prueba de Newman-Keuls, o simplemente mtodo de Keuls. Esta prueba es una modificacin de la prueba Tukey.

Esta prueba presenta dos opciones con base en el nmero de repeticiones de los tratamientos involucrados en el experimento: igual y diferente nmero de repeticiones.

Igual nmero de repeticion es

(S

K )k

q (v1 , v2 ) k

CME r CME 1 2 ri v1 1 ri

Diferente nmero de repeticion es i 1, 2,..., t i 1, 2,..., t i i

(S - N - K)k

q (v1 , v2 ) k

t (t 1) 2 Nmero de repeticion es para el i-simo tratamien to. k 1, 2,...,

2, 3, ..., t

87

donde q (v1 , v2 ) Cuantil para la prueba de S - N - K con un nivel de significan cia v1 y v 2 grados de libertad. v2 r ri ri
Para aplicar la prueba de S-N-K, al igual que en la prueba de Duncan, primero se ordenan en forma creciente las medias de tratamientos Y(1) , Y(2) ,..., Y(t) , despus se prueban las diferencias entre las medias (Dk), empezando con la mayor contra la menor. Si esta diferencia (Dk) es no significativa entonces todas las otras diferencias (Dk) con la media mayor son no significativas. Si la diferencia (Dk) es significativa se calcula de la misma forma anterior, la diferencia (Dk) de la mayor y la segunda menor. Este procedimiento contina hasta que un par de medias es no significativo o hasta que todas las medias se han comparado con la media mayor. De la misma forma anterior se calculan las diferencias (D k) para la segunda media mayor. Este proceso se contina hasta que se han considerado las diferencias (Dk) entre todos los t(t-1)/2 pares de medias posibles ms. 9.6.1. Regla de decisin

y con

Grados de libertad del error en el anlisis de varianza. Cuadrado medio del error en el anlisis de varianza Nmero de repeticion es. Nmero de repeticion es para el i - simo tratamien to.

CME

Igual nmero de repeticion es se rechaza H 0 si D k

(S

N (S

K)k N K)k

Diferente nmero de repeticion es se rechaza H 0 si D k

Haciendo uso de las hojas de clculo, elaboradas en Calc de Open Office, para resolver diseos experimentales ms comunes, se ilustra la tcnica de comparaciones mltiples de medias para la prueba de S-N-K con el siguiente ejemplo:

88

Ejemplo 9.5 Tomando nuevamente los datos del Ejemplo 6.3 (Montgomery, 2007) de los cinco pesos porcentuales del algodn (diseo completamente al azar), diga cul de los tratamientos es el ms efectivo utilizando la prueba de S-N-K. Se quiere una confiabilidad del 95%.

Respuesta Se utilizan los totales de tratamiento de los datos originales (Cuadro 5) y la informacin de la tabla de anlisis de varianza correspondiente (Cuadro 8):

Observaciones 1 2 3 4 5 Total Media

Peso porcentual del algodn (tratamientos) 15 20 25 30 35 7 12 14 19 7 7 17 18 25 10 15 12 18 22 11 11 18 19 19 15 9 18 19 23 11 49 77 88 108 54 9.8 15.4 17.6 21.6 10.8 ANLISIS DE VARIANZA F.V. G.L. S.C. C.M. Fcal Tratamientos 4 475.76 118.94 14.76 Error 20 161.20 8.06 Total 24 636.96

t= r1 = r2 = r3 = r4 = r5 = r6 = r7 = r8 = r9 = r10 = FC = Alfa

5 5 5 5 5 5

Ftab 2.87

CONCLUSIN Fcal > Ftab. Se rechaza H0 y hay significancia al 0.05

5655 0.05

89

= 0.05

r=5

t=5

v1 = 2, 3,, t

v2 = GLError = 20

CME = 8.06

Para resolver el ejemplo anterior se hace uso de las hojas de clculo hechas en Calc de Open Office. Al abrir el documento nombrado DISEOS EXPERIMENTALES, en la primera hoja de clculo (Inicio) aparece el Cuadro 6 (mencionado en el captulo 6), en el que se hace clic en comparaciones mltiples de medias de tratamientos y mediante un hiperenlace genera otra hoja donde se tiene que hacer clic en la prueba deseemos usar.

Despus de hacer clic en comparaciones mltiples de medias de tratamientos en el Cuadro 6, aparece el Cuadro 17 (mencionado en la seccin 9.2), en donde se tiene que hacer clic en la prueba que deseemos usar y mediante un hiperenlace genera otra hoja en donde debemos de introducir los datos del experimento. En este caso se hace clic en la prueba de S-N-K.

Despus de hacer clic en la prueba de S-N-K en el Cuadro 17, aparece el Cuadro 30, en donde se introducen el nmero de tratamientos (t), el nmero de cada repeticin (ri), el valor de alfa, los grados de libertad del error (GLErr = v2), el cuadrado medio del error (CME) y los cuantiles para la prueba de S-N-K con un nivel de significancia y con v1 y v2 grados de libertad q(v1, v2); donde v1 = 2, 3, , t. Despus se introducen los totales de tratamientos, las medias de tratamientos y el nmero de tratamiento ordenado aparecen de forma inmediata.

Para este ejemplo tenemos cinco tratamientos y cinco repeticiones para cada tratamiento. Para esta prueba de comparacin mltiple de media se puede introducir hasta 10 tratamientos.

A la derecha del Cuadro 30 aparece un hiperenlace para regresar hasta donde se seleccion el tipo de prueba de comparacin mltiple de medias.

90

Cuadro 30. Prueba de Student-Newman-Keuls (S-N-K) PRUEBA DE STUDENT-NEWMAN-KEULS (S-N-K) Nm. de t= 5 Trat. Tot. de Trat. Medias de Trat. Trat. ordenado r1 = 5 T1 49.00 9.80 1 Regresar r2 = 5 T2 77.00 15.40 2 r3 = 5 T3 88.00 17.60 3 r4 = 5 T4 108.00 21.60 4 r5 = 5 T5 54.00 10.80 5 r6 = 5 T6 0.00 6 r7 = r8 = r9 = r10 = Alfa = GLErr = v2 = CME = q(v1, v2) = T7 T8 T9 T10 0.05 20.00 8.06 2.95 3.58 3.96 0.00 0.00 0.00 0.00 0 0 0 0

4.23

Despus de introducir los datos del experimento, se tiene que ordenar las medias de tratamientos de forma ascendente; el ordenamiento se hace incluyendo todas las columnas, excepto la del nmero de tratamiento ordenado. Este ordenamiento se hace as para que despus el cuadro de diferencias de medias se pueda interpretar ms fcil.

El ordenamiento de las medias de tratamiento del Cuadro 30 queda como en el Cuadro 31: para este ejemplo, se modifica el orden de los ltimos cuatro tratamientos originales con respecto a la columna del nmero de tratamiento ordenado; por lo tanto, el tratamiento ordenado dos corresponde al tratamiento original cinco, el tratamiento ordenado tres corresponde al tratamiento original dos, el tratamiento ordenado cuatro corresponde al tratamiento original tres. El tratamiento ordenado uno coincide con el tratamiento original uno.

Ya que se tiene el Cuadro 31, con las medias de tratamientos ordenadas en forma ascendente se puede ver abajo del Cuadro 31, en la misma hoja, el Cuadro 32 con 91

las diferencias de medias (Dk) de los tratamientos ordenados y el los valores de la prueba de Student-Newman-Keuls ((S-N-K)K) (negrillas). Las celdas del Cuadro 32 se encuentran protegidas contra escritura, por lo que no es posible modificarse.

A la derecha del Cuadro 31 aparece un hiperenlace para regresar hasta donde se seleccion el tipo de prueba de comparacin mltiple de medias.

Cuadro 31. Prueba de Student-Newman-Keuls (S-N-K) con las medias de tratamientos ordenados PRUEBA DE STUDENT-NEWMAN-KEULS (S-N-K) Nm. de t= 5 Trat. Tot. de Trat. Medias de Trat. Trat. ordenado r1 = 5 T1 49.00 9.80 1 Regresar r5 = 5 T5 54.00 10.80 2 r2 = 5 T2 77.00 15.40 3 r3 = 5 T3 88.00 17.60 4 r4 = 5 T4 108.00 21.60 5 r6 = 5 T6 0.00 6 r7 = r8 = r9 = r10 = Alfa = GLErr = v2 = CME = q(v1, v2) = T7 T8 T9 T10 0.05 20.00 8.06 2.95 3.58 3.96 0.00 0.00 0.00 0.00 0 0 0 0

4.23

Cuadro 32. Diferencias de medias (Dk) de tratamientos ordenados y valores de (S-N-K)K Diferencias de medias (Dk) de tratamientos ordenados y valores de (S-N-K)K 10 9 8 7 6 5 4 3 2 1 0 0 0 0 0 11.8 7.8 5.6 1 0 1 0 0 0 0 0 5.37 5.03 4.55 3.75 0 0 0 0 0 10.8 6.8 4.6 0 2 0 0 0 0 0 5.03 4.55 3.75 0 0 0 0 0 6.2 2.2 0 3 0 0 0 0 0 4.55 3.75 4 0 0 0 0 0 4 0 92

5 6 7 8 9 10

0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0

0 0 0 0 0 0

0 0 0 0

3.75 0

En el Cuadro 32, se muestran las diferencias de medias (Dk) de tratamientos ordenados y abajo sus respectivos valores de la prueba de Student-NewmanKeuls ((S-N-K)K). El Cuadro 32 se interpreta de la siguiente manera: En la columna con el nmero cinco, el tratamiento ordenado cinco es diferente significativamente a los tratamientos ordenados uno, dos, tres y cuatro, ya que sus diferencias de medias (Dk) son mayores a su respectivo valor de (S-N-K)K. En la columna con el nmero cuatro, el tratamiento ordenado cuatro es diferente significativamente a los tratamientos ordenados uno y dos, ya que sus diferencias de medias (Dk) son mayores a su respectivo valor de (S-N-K)K; pero el tratamiento ordenado cuatro y el tratamiento ordenado tres no difieren significativamente, porque su diferencia de medias (Dk) es menor que su valor respectivo de (S-N-K)K. En la columna con el nmero tres, el tratamiento ordenado tres es diferente significativamente a los tratamientos ordenados uno y dos, ya que sus diferencias de medias (Dk) son mayores a su respectivo valor de (S-N-K)K. En la columna con el nmero dos, el tratamiento ordenado dos y el tratamiento ordenado uno no difieren significativamente, porque su diferencia de medias (D k) es menor a su respectivo valor de (S-N-K)K. 93

Por lo tanto, el tratamiento ordenado cinco (tratamiento original cuatro) que corresponde al 30% del peso porcentual del algodn es el mejor porque es diferente significativamente a todos los dems tratamientos y tiene su media de tratamiento ms alta.

10. DISEO EN CUADRO LATINO

10.1. Caractersticas Este tipo de diseo se utiliza cuando la variabilidad del material experimental ocurre en dos sentidos, es decir, se presentan simultneamente dos posibles fuentes de variabilidad. Se construye al distribuir los tratamientos en un arreglo de hileras y columnas. Las hileras presentan el efecto de una de las fuentes de variabilidad y las columnas el efecto de la otra fuente de variabilidad. Se tiene igual nmero de columnas y de hileras. Cada hilera o columna constituye una repeticin completa de los tratamientos, es decir un bloque completo. El nmero de hileras o columnas es igual al nmero de tratamientos. Un tratamiento cualquiera aparece representado slo una vez en la misma hilera y en la misma columna. El nmero total de unidades experimentales a utilizar es t2. La disposicin de las hileras o columnas se realiza mediante un mecanismo aleatorio. Cuando el nmero de tratamientos a probar es grande se vuelve poco prctico la utilizacin de este diseo.

La principal desventaja del cuadrado latino es que el nmero de filas, columnas y tratamientos debe ser el mismo. As, si hay muchos tratamientos, el nmero de parcelas pronto se hace impracticable. En los cuadrados latinos, como en los bloques al azar, a medida que aumenta el tamao del bloque, el error experimental por unidad probablemente aumente. Los cuadros latinos pequeos proporcionan pocos grados de libertad para estimar el error experimental, y as debe lograrse una disminucin sustancial en el error para compensar el corto nmero de grados de libertad.

94

10.2. Modelo Lineal

El modelo lineal para los diseos en cuadro latino es el siguiente:

Yijk donde

Hi

Cj

(ij ) k

eijk k 1, 2,..., t; E( eijk )


2 0 ; E( eijk ) 2

i 1, 2,..., t;
t
Yijk

j 1, 2,..., t;

Nmero de tratamientos. Respuesta obtenida en la j-sima tratamiento del i-simo bloque. Efecto medio general.

Hi

Efecto de la i-sima hilera. Efecto de la j-sima columna. Efecto de la k-simo tratamiento (siendo una funcin de i y de j) Trmino de error aleatorio.

Cj
(ij) k

eijk

10.3. Construccin de un cuadro latino bsico

Para formar un cuadro latino bsico se deben tomar en cuenta el nmero de tratamientos en el experimento. As, el nmero de columnas y de hileras ser igual al nmero de tratamientos.

Construiremos el siguiente cuadro latino bsico de 4 x 4 (4 tratamientos, 4 hileras y 4 columnas) (ver Cuadro 33). Cuadro 33. Cuadro latino bsico 1 1 2 3 4 T1 T2 T3 T4 2 T2 T3 T4 T1 3 T3 T4 T1 T2 4 T4 T1 T2 T3

95

Observe que en el Cuadro 33 la hilera 1 del cuadro latino se forma al disponer los tratamientos en orden de aparicin, la hilera 2 se forma al recorrer los tratamientos de la hilera 1 una posicin hacia la izquierda, la hilera 3 se forma al recorrer los tratamientos de la hilera 2 una posicin hacia la izquierda y la hilera 4 se forma al recorrer los tratamientos de la hilera 3 una posicin hacia la izquierda.

El mecanismo anterior es aplicable a un cuadro latino bsico de cualquier dimensin y asegura que los tratamientos en el experimento aparecern una sola vez en cada hilera y una sola vez en cada columna del cuadro latino bsico.

10.4. Hiptesis a probar

Las hiptesis a probar en este tipo de diseos experimentales son sobre las hileras, sobre las columnas y sobre los tratamientos, y son las siguientes: 1. H 0 : H1
H2 ... Ht

vs H a : Al menos una H i (hilera) produce un efecto diferente de las dems.

2. H 0 : C1

C2

...

Ct

vs H a : Al menos una C j (columna) produce un efecto diferente de las dems.

3. H 0 : T1

T2

... Tt

vs H a : Al menos un Tk (tratamien to) produce un efecto diferente de las dems.


10.5. Anlisis de varianza

El anlisis de varianza para el diseo en cuadro latino est dado por el Cuadro 34:

96

Cuadro 34. Estructura del anlisis de varianza para un diseo en cuadro latino Grados Fuente de Suma de Cuadrado F calculada de Variacin Cuadrados Medio ( Fcal ) Libertad (F.V.) (S.C.) (C.M.) (G.L.) Hileras Columnas Tratamientos Error Total Donde: t-1 t-1 t-1
(t 1)(t 2)
(t 2 1

F de tablas
( Ftab )

S.C. Hileras S.C. Columnas S.C. Tratamientos S.C. Error S.C. Total

S.C. Hileras G.L. Hileas S.C. Columnas G.L. Columnas S.C. Tratamient os G.L. Tratamient os S.C. Error G.L. Error

C.M . Hileras C.M . Error C.M . Columnas C.M . Error C.M . Tratamient os C.M . Error

F (v1, v2 )

F (v 3 , v 2 )
F (v 4 , v 2 )

F (v1 , v 2 ) F (v 3 , v 2 ) F (v 4 , v 2 ) v1 v2 v3 v4

Ftab Hil Ftab Col Ftab Trat

Cuantil de la distribucin F. (Ver Tabla II del Apndice) Cuantil de la distribucin F. (Ver Tabla II del Apndice) Cuantil de la distribucin F. (Ver Tabla II del Apndice)

Grados de libertad de las hileras. Grados de libertad del error. Grados de libertad de las columnas. Grados de libertad de los tratamien tos.
t t 2 Yi..

FC

Y ... t2
t

Y. 2. j FC S.C. Columnas
j 1

S.C. Hileras

i 1

FC

Y..2 k S.C. Tratamient os


k 1

FC

S .C. Total
i 1 j 1 k 1

Y(2 ) k ij

FC

S.C. Error

S.C. Total - S.C. Hileras - S.C. columnas - S.C.Tratam ientos

Donde:
FC Y ...
Yi ..

Factor de correccin. Suma de todas las observaciones en el experimento. Suma de todas las observaciones que pertenecen a la i-sima hilera.

Y . j. Suma de todas las observaciones que pertenecen a la j-sima columna.

97

Y..k

Suma de todas las observaciones que pertenecen al k-simo tratamiento.

10.6. Regla de decisin

La regla de decisin que se utiliza para las hileras, columnas y tratamientos es la siguiente:

Se rechaza H 0 si Fcal

Ftab

Haciendo uso de las hojas de clculo, elaboradas en Calc de Open Office, para resolver diseos experimentales ms comunes, se ilustra la tcnica de diseo en cuadro latino con el siguiente ejemplo:

Ejemplo 10.1 Se tiene un experimento en donde un bacterilogo estudia el efecto del oxgeno sobre el desarrollo de la bacteria Bacillus popilliiae que ejerce un control sobre el escarabajo japons Popillia japonica producindole la enfermedad lechosa de las larvas (Castillo, 2003).

El bacterilogo desea saber en cul de las condiciones de oxigenacin se da el mejor desarrollo de la bacteria con el fin de reproducirla en forma masiva y liberarla en el campo. El medio donde se reproducir la bacteria es BK, el cual proviene de cuatro lotes diferentes y es preparado por cuatro diferentes ayudantes de laboratorio. Al parecer hay dos factores de confusin cuyos efectos se deben cancelar: los lotes de BK y los ayudantes de laboratorio, los cuales pueden influir de manera negativa sobre los resultados del experimento. Por esta razn se decidi emplear un diseo en cuadro latino para este experimento.

Las condiciones de oxigenacin que se probaron fueron: Supraerbica (T1), Anaerbica (T2), Aerbica (T3) y Semianaerbica (T4). La unidad experimental consisti en un conjunto de 5 cajas de petri con BK. La variable respuesta fue la

98

concentracin bacteriana promedio por unidad experimental. La concentracin bacteriana se midi como: n de clulas / ml (segn la escala de Mc Farland 1 x 109).

A partir de un cuadro latino bsico de cuatro tratamientos se aleatorizaron las hileras para asignar los tratamientos a las unidades experimentales. Las hileras representan los efectos de los lotes de BK y las columnas los efectos de los ayudantes de laboratorio. La disposicin final de los tratamientos para los lotes de BK y los ayudantes de laboratorio se muestra en el Cuadro 35: Cuadro 35. Cuadro latino aleatorizado (en base a las hileras). Lotes de BK I II III IV Ayudantes de laboratorio 1 T4 T2 T3 T1 2 T1 T3 T4 T2 3 T2 T4 T1 T3 4 T3 T1 T2 T4

Se obtuvieron los siguientes valores de concentracin bacteriana que se muestran en el Cuadro 36:

Cuadro 36. Concentracin bacteriana (n de clulas / ml (segn la escala de Mc Farland 1 x 109)). Lotes de BK I II III IV 1 T4 2.0 T2 1.4 T3 2.0 T1 1.3 T1 T3 T4 Ayudantes de laboratorio 2 1.2 1.9 1.5 T2 T4 T1 T3 3 1.5 1.6 1.1 2.4 T3 T1 T2 T4 4 2.2 0.9 1.7 1.7

T2 1.7

Fuente: Castillo (2003).

99

Existe diferencias entre las cuatro condiciones de oxigenacin en el desarrollo de Bacillus popilliae?. Se desea una respuesta con una confiabilidad del 95%

Respuesta Para resolver el ejemplo anterior se hace uso de las hojas de clculo hechas en Calc de Open Office. Al abrir el documento nombrado DISEOS EXPERIMENTALES, en la primera hoja de clculo (Inicio) aparece el Cuadro 6 (mencionado en el captulo 6), en el que se hace clic en el tipo de diseo que se quiera usar y mediante un hiperenlace genera otra hoja donde se deben introducir los datos del experimento. En este caso se hace clic en diseo en cuadro latino.

Despus de hacer clic en diseo en cuadro latino en el Cuadro 6, aparece el Cuadro 37, en donde se introducen los datos del experimento. El Cuadro 37 slo da la opcin de escribir sobre las celdas donde se deben de introducir los datos del experimento, ya que el resto de la tabla se encuentra protegida contra escritura. En este ejemplo, se tiene cuatro tratamientos, por lo que el cuadro latino tendr 4 hileras y 4 columnas. Para este tipo de diseo se puede introducir hasta 10 tratamientos.

Una vez introducidos los datos, aparecen en la ltima columna del Cuadro 37, los totales por hilera; en la antepenltima fila se debe de introducir los totales por tratamiento de forma manual, ya que para stos no se puede introducir una formula porque estn en forma aleatoria; en la penltima fila aparecen los totales por columna y en la ltima fila aparecen las sumas del cuadrado de observaciones por columna, los cuales se necesitan para el anlisis de varianza.

A la derecha del Cuadro 37 aparecen dos hiperenlaces, uno para ir a la hoja de anlisis de datos y el otro para regresar hasta la hoja de clculo donde se seleccion el tipo de diseo.

100

Cuadro 37. Diseo en cuadro latino DISEO EN CUADRO LATINO Columnas Hileras 1 2 3 4 5 6 7 8 1 2 3 4 5 6 7 8 9 10 Tot. por trat. Tot. por col. Sumas del cuadrado de obs. por col. 2.0 1.4 2.0 1.3 1.2 1.9 1.5 1.7 1.5 1.6 1.1 2.4 2.2 0.9 1.7 1.7

Totales por 9 10 Hilera 6.9 5.8 6.3 7.1 Ir al anlisis

Regresar

4.5 6.3 8.5 6.8 6.7 6.3 6.6 6.5 0.0 0.0 0.0 0.0 0.0 0.0 11.7 10.2 11.8 11.4 0.0 0.0 0.0 0.0 0.0 0.0

Al hacer clic en el hiperenlace, Ir al anlisis, genera el Cuadro 38 donde mediante frmulas aparecen el nmero de tratamientos (t), el nmero de columnas (c), el nmero de hileras (h), el factor de correccin (FC), as como el anlisis de varianza y la conclusin del juego de hiptesis con respecto a las hileras, columnas y tratamientos. El valor de alfa est determinado para una confiabilidad del 95% (Alfa = 0.05), pero se puede cambiar para tener la confiabilidad que se desee. Todas las celdas del Cuadro 38, a excepcin del valor de alfa, estn protegidas contra escritura, por lo que no es posible modificar el contenido de las mismas.

A la derecha del Cuadro 38, aparece un hiperenlace para regresar hasta la hoja de clculo donde se introducen los datos del experimento.

Para este ejemplo, mediante el anlisis de varianza y con una confiabilidad del 95% no se rechazan las hiptesis nulas (H0) de las hileras y de las columnas, debido a que Fcal
Hil

= 3.3 Ftab

Hil

= 4.76 y Fcal 101

Col

= 0.28 Ftab

Col

= 4.76,

respectivamente, lo que indica que el efecto de las hileras es igual y el efecto de las columnas es igual, respectivamente; mientras que la hiptesis nula (H0) para los tratamientos se rechaza, debido que Fcal
Trat

= 25.6 > Ftab

Trat

= 4.76, lo que

indica que al menos el efecto de un tratamiento es diferente de los dems

Cuadro 38. Anlisis de varianza para el diseo en cuadro latino. ANLISIS DE VARIANZA F.V. G.L. S.C. C.M. Fcal Ftab t= 4 Hileras 3 0.262 0.09 3.30 4.76 c= 4 Columnas 3 0.022 0.01 0.28 4.76 h= 4 Tratamientos 3 2.032 0.68 25.6 4.76 Error 6 0.159 0.03 FC = 42.58 Total 15 2.47 Alfa 0.05 CONCLUSIN Fcal Hil Ftab Hil. No se rechaza H0 y no hay significancia al 0.05 Fcal Col Ftab Col. No se rechaza H0 y no hay significancia al 0.05 Fcal Trat > Ftab Trat. Se rechaza H0 y hay significancia al 0.05 11. DISEO FACTORIAL

Regresar

El diseo factorial se emplea en la planeacin, ejecucin y anlisis de experimentos que pretendan evaluar el efecto producido por dos o ms factores que actan simultneamente en un experimento. Un factor es una clase de tratamiento, y en diseos factoriales, todo factor proporciona varios tratamientos. El trmino nivel se refiere a los diferentes tratamientos dentro de un factor.

11.1. Caractersticas

Los diseos factoriales se usan prcticamente en todos los campos de investigacin. Son de gran valor en trabajo exploratorio cuando se sabe poco sobre niveles ptimos de los factores, o ni siquiera cuales son importantes.

Este tipo de diseo se utiliza cuando se desea conocer los efectos producidos por dos o ms factores controlados que actan simultneamente en un experimento. 102

Cada uno de los factores que intervienen en el experimento se estudia a diferentes niveles. Los tratamientos se forman por la combinacin de todos los niveles de los diferentes factores que intervienen en el experimento. El nmero total de tratamientos a evaluar se origina por la multiplicacin del nmero de niveles de los diferentes factores que intervienen en el experimento. El modelo lineal y en anlisis de varianza se modifica dependiendo del nmero de factores que intervienen en el experimento. Es comn nombrar a los factores presentes en el experimento con las primeras letras maysculas del abecedario (A, B, C, etc.). Es comn nombrar a los niveles de los factores presentes en el experimento con las primeras letras minsculas y con subndices que dependen del nmero de niveles de cada factor (a0, a1, a2, a3, b0, b1, c0, c1, c2, etc.). En estos experimentos se toman en cuenta los efectos de todas las posibles interacciones entre los diferentes factores que intervienen.

11.2. Nomenclatura

Para denominar los diferentes tipos de diseos factoriales se utiliza la siguiente nomenclatura base: nk: Factorial con k factores a n niveles (la base representa a los niveles y la potencia representa a los factores).

11.3. Tipos de diseos factoriales

En un diseo factorial los tratamientos se forman por la combinacin de todos los niveles de los diferentes factores que intervienen en el experimento. Es posible realizar la disposicin de los tratamientos bajo los esquemas de los diseos experimentales completamente al azar, en bloques completos al azar o en un cuadro latino. Por lo tanto, se puede tener un diseo factorial completamente al azar, un diseo factorial en bloques completos al azar o un diseo factorial en cuadro latino. En este captulo no se trabaja con diseos factoriales en cuadro latino, ya que no son muy prcticos.

103

11.4. Modelo lineal

Anteriormente se mencion que en los experimentos factoriales no existe un modelo lineal nico, el modelo lineal est en funcin del nmero de factores que intervienen en el experimento.

Si en un experimento se prueban dos factores bajo un arreglo completamente al azar se tiene entonces el modelo lineal de la siguiente forma:

Yijk donde i
a

Ai 0, 1,..., a;

Bj

( AB ) ij

eijk k 0, 1,..., r; E( eijk )


2 0 ; E( eijk ) 2

j 0, 1,..., b;

Nmero de niveles del factor A. Nmero de niveles del factor B. Nmero de repeticiones. Respuesta obtenida en la k-sima repeticin del i-simo nivel del factor A y el j-simo nivel del factor B. Efecto medio general.

b
r

Yijk

Ai

Efecto atribuido al i-simo nivel del factor A. Efecto atribuido al j-simo nivel del factor B. Efecto atribuido a la interaccin entre el i-simo nivel del factor A y el jsimo nivel del factor B.

Bj

( AB)ij

eijk

Trmino de error aleatorio.

Si en un experimento se prueban tres factores bajo un arreglo completamente al azar se tiene entonces el modelo lineal de la siguiente forma:

104

Yijkl donde i

Ai 0, 1,..., a;

Bj

Ck

( AB) ij k

( AC ) ik

( BC ) jk

( ABC ) ijk

eijkl E( eijk ) 0 ; E( e 2 )
ijk 2

j 0, 1,..., b;

0, 1,..., c;

l 1, 2,..., r;

Nmero de niveles del factor A. Nmero de niveles del factor B. Nmero de niveles del factor C. Nmero de repeticiones. Respuesta obtenida en la l-sima repeticin del i-simo nivel del factor A, el j-simo nivel del factor B y el k-simo nivel del factor C. Efecto medio general.

b
c

Yijkl

Ai

Efecto atribuido al i-simo nivel del factor A. Efecto atribuido al j-simo nivel del factor B. Efecto atribuido al k-simo nivel del factor C. Efecto atribuido a la interaccin entre el i-simo nivel del factor A y el jsimo nivel del factor B.

Bj
Ck

( AB)ij

( AC)ik

Efecto atribuido a la interaccin entre el i-simo nivel del factor A y el ksimo nivel del factor C.

( BC) jk

Efecto atribuido a la interaccin entre el j-simo nivel del factor B y el ksimo nivel del factor C.

( ABC)ijk

Efecto atribuido a la interaccin entre el i-simo nivel del factor A, el jsimo nivel del factor B y el k-simo nivel del factor C.

eijk

Trmino de error aleatorio.

Note que en ambos modelos lineales se toman en cuenta los efectos de las interacciones entre los diferentes factores. Para el caso de dos factores slo se toma en cuenta la interaccin doble (AB) entre factores. Para el caso de tres factores se toman en cuenta todas las interacciones dobles (AB, AC, BC) y la interaccin triple (ABC) entre factores. Si se tuvieran cuatro factores (A, B, C, D),

105

bajo un arreglo completamente al azar, se tomarn en cuenta las interacciones dobles (AB, AC, AD, BC, BD, CD), las interacciones triples (ABC, ABD, ACD, BCD) y la interaccin cudruple (ABCD) entre factores. Para distribuir los diferentes subndices en el modelo lineal slo sera necesario recorrer el subndice l al factor D, asignar el subndice m (el subndice m representar a las repeticiones) al trmino del error aleatorio y colocar los subndices para las diferentes interacciones, dependiendo de los factores involucrados en la interaccin correspondiente. Para experimentos factoriales con ms factores, en un arreglo completamente al azar, se procede a obtener el modelo lineal bajo el esquema anterior.

Para el caso de dos factores en un arreglo de bloques completos al azar el modelo lineal es muy semejante al de un arreglo completamente al azar, solamente se introduce el trmino que representa el efecto de los bloques (Blo), el cual tiene el subndice k (asignado a las repeticiones), ya que un bloque es equivalente a una repeticin del experimento. El modelo lineal correspondiente es:

Yijk donde i
a

Blo k 0, 1,..., a;

Ai

Bj

( AB ) ij

eijk k 1, 2,..., r; E( eijk )


2 0 ; E( eijk ) 2

j 0, 1,..., b;

Nmero de niveles del factor A. Nmero de niveles del factor B. Nmero de bloques (repeticiones). Respuesta obtenida en el i-simo nivel del factor A y el j-simo nivel del factor B, ubicados en el k-simo bloque. Efecto medio general.

b
r

Yijk

Blok Ai

Efecto atribuido al k-simo bloque. Efecto atribuido al i-simo nivel del factor A. Efecto atribuido al j-simo nivel del factor B.

Bj

106

( AB)ij

Efecto atribuido a la interaccin entre el i-simo nivel del factor A y el jsimo nivel del factor B.

eijk

Trmino de error aleatorio.

Para el caso de tres factores en un arreglo de bloques completos al azar el modelo lineal es muy semejante al del arreglo completamente al azar, solamente se introduce el trmino que representa el efecto de los bloques (Blo), el cual tiene el subndice l (asignado a las repeticiones), ya que un bloque es equivalente a una repeticin del experimento. El modelo lineal correspondiente es el siguiente:

Yijkl donde i

Blol 0, 1,..., a;

Ai

Bj

Ck

( AB ) ij k

( AC ) ik

( BC ) jk

( ABC ) ijk

eijkl
2 0 ; E( eijk ) 2

j 0, 1,..., b;

0, 1,..., c;

l 1, 2,..., r;

E( eijk )

Nmero de niveles del factor A. Nmero de niveles del factor B. Nmero de niveles del factor C. Nmero de bloques (repeticiones). Respuesta obtenida en el i-simo nivel del factor A, el j-simo nivel del factor B y el k-simo nivel del factor C, ubicados en el l-simo bloque. Efecto medio general.

b
c

Yijkl

Blol Ai

Efecto atribuido al l-simo bloque. Efecto atribuido al i-simo nivel del factor A. Efecto atribuido al j-simo nivel del factor B. Efecto atribuido al k-simo nivel del factor C. Efecto atribuido a la interaccin entre el i-simo nivel del factor A y el jsimo nivel del factor B.

Bj
Ck

( AB)ij

( AC)ik

Efecto atribuido a la interaccin entre el i-simo nivel del factor A y el ksimo nivel del factor C.

107

( BC) jk

Efecto atribuido a la interaccin entre el j-simo nivel del factor B y el ksimo nivel del factor C.

( ABC)ijk

Efecto atribuido a la interaccin entre el i-simo nivel del factor A, el jsimo nivel del factor B y el k-simo nivel del factor C.

eijk

Trmino de error aleatorio.

11.5. Anlisis de varianza

La tabla de anlisis de varianza tiene una estructura diferente, dependiendo del nmero de factores en el experimento. Para poder determinar la estructura de la tabla de anlisis de varianza es necesario tomar en cuenta el modelo lineal del experimento que se lleva a cabo.

Tomando en cuenta el siguiente modelo lineal:

Yijk

Ai

Bj

( AB) ij

eijk

Las fuentes de variacin del anlisis de varianza son: F.V A B AB Error Total

Tomando en cuenta el siguiente modelo lineal:

Yijkl

Blol

Ai

Bj

Ck

( AB) ij

( AC) ik

( BC) jk

( ABC) ijk

eijkl

Las fuentes de variacin del anlisis de varianza son: F.V Bloques

108

A B AB C AC BC ABC Error Total

En los dos casos anteriores, las fuentes de variacin corresponden a los trminos del lado derecho del modelo lineal (a excepcin de ) agregando el trmino que

representa al Total. Conociendo el modelo lineal del experimento a desarrollar se deducen, mediante el mecanismo anterior, las fuentes de variacin de la tabla del anlisis de varianza correspondiente. El clculo de los grados de libertad y de las sumas de cuadrados tambin vara dependiendo del experimento factorial desarrollado.

11.6. Diseo factorial 2k

El tipo de diseo ms importante de los diseos factoriales es el de k factores, cada uno con slo dos niveles. Una rplica completa de este diseo requiere 2 x 2 x x 2 = 2k observaciones y se le llama diseo factorial 2k. El diseo factorial 2k es de particular utilidad en las etapas iniciales del trabajo experimental, cuando probablemente se estn investigando muchos factores. El primer diseo de la serie 2k es el que slo tiene dos factores, por ejemplo, A y B; cada uno se corre a dos niveles. A este diseo se le llama diseo factorial 2 2. Los niveles de los factores pueden denominarse arbitrariamente bajo y alto. Por

109

convencin, el efecto de un factor se denota con la letra mayscula latina. Por lo tanto, A se refiere al efecto del factor A, B al efecto del factor B, y AB a la interaccin AB. Los niveles bajo y alto de A y B se denotan por - y + respectivamente o por 0 y 1. Las cuatro combinaciones de tratamientos para un diseo factorial 2 2 suelen representarse con letras minsculas, o sea, que el nivel alto de cualquiera de los factores en una combinacin de tratamientos se denota por la letra minscula correspondiente y el nivel bajo de un factor en una combinacin de tratamientos se denota por la ausencia de la letra respectiva. Por lo tanto, a representa la combinacin de tratamientos con A en el nivel alto y B en el nivel bajo, b representa A en el nivel bajo y B en el nivel alto, ab representan ambos factores en el nivel alto. Por convencin, se usa (1) para denotar que ambos factores estn en el nivel bajo. En el Cuadro 39 se muestran las diferentes notaciones mencionadas anteriormente para el diseo 2 2. Esta notacin se utiliza en todas las series 2k. Cuadro 39. Notaciones para el diseo factorial 22. Corrida A B Tratamiento A 1 (1) 0 2 + A 1 3 + B 0 4 + + ab 1 B 0 0 1 1

Para el anlisis de experimentos factoriales 2k utilizaremos el algoritmo de Yates. Yates describe este mtodo para los diseos factoriales 2 k, que consiste en un proceso de sumas y restas como se muestra en el siguiente cuadro para el caso de un diseo factorial 22. Cuadro 40. Mtodo de Yates para el anlisis de experimentos factoriales 2 2. Total de Tratamientos 1 2 Efecto (1) +(1)+a +(1)+a+b+ab Total A +b+ab -(1)+a-b+ab A B -(1)+a -(1)-a+b+ab B Ab -b+ab +(1)-a-b+ab AB Fuente: Martnez (1983).

110

Para la caracterstica en estudio se escriben verticalmente los totales de tratamientos, con las letras minsculas mencionadas anteriormente. Con estos totales se forman dos grupos, componindose cada grupo, de dos totales consecutivos. El primer grupo contiene los totales correspondientes a los tratamientos (1) y a; el segundo grupo comprende los totales correspondientes a los tratamientos b y ab. Para generar la columna 1, procediendo por grupos se suman los totales de los dos tratamientos que los componen. Las dos sumas obtenidas constituyen los dos primeros elementos de la propia columna, los cuales se colocan ordenadamente; as por ejemplo, el primer elemento de la columna 1 es la suma de los totales de los tratamientos (1) y a. Los dos elementos restantes de la columna 1 se obtienen por diferencia, restando en cada grupo el total del tratamiento de arriba del de abajo; as por ejemplo, el tercer elemento de la columna 1 ser a (1), diferencia que se ha escrito (1) +a para conservar el orden estndar de presentar las combinaciones de tratamiento. La columna 2 del cuadro se obtiene de la 1 por un proceso similar al descrito.

Los elementos de la columna 2 son, sucesivamente, el gran total y los efectos totales de A, B Y AB. El algoritmo de yates se puede generalizar para todas las series 2k.

Para pasar de aqu a las estimaciones de las sumas de cuadrados se usa la siguiente frmula:

SC ( ABC ...)

ABC ... 1

ABC ... r 2n

2 0

ABC ...

2 0

2 ABC ... 1 1

G2 r 2n

r 2n

donde G es el gran total

En el caso general, el mtodo se termina de aplicar despus de n pasos.

Los mtodos de anlisis que se han presentado hasta este punto pueden generalizarse para el caso de un diseo factorial 2 k, es decir, un diseo con k factores que tienen dos niveles cada uno. El modelo estadstico par un modelo 2 k

111

incluira k efectos principales,

k 2

interacciones de dos factores,

k 3

interacciones

de tres factores,, y una interaccin de k factores. Es decir, para un diseo 2k el modelo completo contendra 2k-1 efectos. Tambin se usa aqu la notacin introducida anteriormente para las combinaciones de los tratamientos. Por ejemplo, en un diseo 25, abd denota la combinacin de tratamientos con los factores A, B y D en el nivel alto y los factores C y E en el nivel bajo. Las combinaciones de tratamientos pueden escribirse en orden estndar introduciendo los factores uno a la vez y combinando sucesivamente cada nuevo factor con los que proceden. Por ejemplo, el orden estndar en un diseo 24 es (1), a, b, ab, c, ac, bc, abc, d, ad, bd, abd, cd, acd, bcd y abcd.

Ejemplo 11.1 Haciendo uso de las hojas de clculo, elaboradas en Calc de Open Office, para resolver diseos experimentales ms comunes, se ilustra la tcnica de diseo factorial 2k con el siguiente ejemplo:

Consideremos parte de los resultados de un experimento caero de dosis de fertilizantes, (Martnez, 1983) el cual comprendi los 8 tratamientos de un factorial 23, en un diseo en bloques completos al azar. Se obtienen los rendimientos de caa de la plantilla, en toneladas por hectrea en el Cuadro 41: cada uno de los nutrientes mayores: nitrgeno, fsforo y potasio, se ensay en dos niveles, 0 y 200 kilogramos por hectrea. Cuadro 41. Experimento factorial 23. Rendimientos de Caa en Toneladas por Hectrea. Fertilizantes Bloque Tratamiento Suma N P K I II III IV 1 0 0 0 125.6 98.2 110.6 130.1 464.5= T000 2 200 0 0 112.1 101.5 147.4 135.9 496.9= T100 3 0 200 0 150.8 154.8 175.0 185.0 665.6= T010 4 200 200 0 167.1 185.0 174.4 151.5 678.0= T110 5 0 0 200 121.0 100.6 134.8 134.4 490.8= T001 6 200 0 200 149.2 131.1 118.3 161.3 559.9= T101 7 0 200 200 181.1 174.3 137.0 161.5 653.9= T011 8 200 200 200 145.1 201.0 188.8 201.5 736.4= T111 112

Suma Fuente: Martnez (1983).

1152.0 = B1

1146.5 1186.3 1261.2 = B2 = B3 = B4

4764.0 = G

Existe diferencia entre las combinaciones de nitrgeno, fsforo y potasio? Responda al cuestionamiento anterior con una confiabilidad del 95%.

Respuesta Se tienen tres factores nitrgeno (N), fsforo (P) y potasio (K); para seguir con la notacin usual nombraremos a los tres factores anteriores como A, B y C respectivamente; cada uno de los factores anteriores tiene dos niveles (0 y 1). Los tratamientos a probar son:

0 Kg. 200 Kg. 0 Kg. 200 Kg. 0 Kg. 200 Kg. 0 Kg. 200 Kg.

0 Kg. 0 Kg. 200 Kg. 200 Kg. 0 Kg. 0 Kg. 200 Kg. 200 Kg.

0 Kg. 0 Kg. 0 Kg. 0 Kg. 200 Kg. 200 Kg. 200 Kg. 200 Kg.

(a0b0c0) (a1b0c0) (a0b1c0) (a1b1c0) (a0b0c1) (a1b0c1) (a0b1c1) (a1b1c1)

(1) (a) (b) (ab) (c) (ac) (bc) (abc)

El modelo lineal correspondiente al factorial en bloques completos al azar es:


Yijkl donde i 0, 1,..., a; j 0, 1,..., b; k 0, 1,..., c; l 1, 2,..., r; E( eijk )
2 0 ; E( eijk ) 2

Blol

Ai

Bj

Ck

( AB ) ij

( AC ) ik

( BC ) jk

( ABC ) ijk

eijkl

Nmero de niveles del factor A. Nmero de niveles del factor B. Nmero de niveles del factor C. Nmero de bloques (repeticiones).

b
c

113

Yijkl

Respuesta obtenida en el i-simo nivel del factor A, el j-simo nivel del factor B y el k-simo nivel del factor C, ubicados en el l-simo bloque. Efecto medio general.

Blol Ai

Efecto atribuido al l-simo bloque. Efecto atribuido al i-simo nivel del factor A. Efecto atribuido al j-simo nivel del factor B. Efecto atribuido al k-simo nivel del factor C. Efecto atribuido a la interaccin entre el i-simo nivel del factor A y el jsimo nivel del factor B.

Bj
Ck

( AB)ij

( AC)ik

Efecto atribuido a la interaccin entre el i-simo nivel del factor A y el ksimo nivel del factor C.

( BC) jk

Efecto atribuido a la interaccin entre el j-simo nivel del factor B y el ksimo nivel del factor C.

( ABC)ijk

Efecto atribuido a la interaccin entre el i-simo nivel del factor A, el jsimo nivel del factor B y el k-simo nivel del factor C.

eijk

Trmino de error aleatorio.

Las hiptesis a probar son: 1. H 0 : a0


a1 vs H a : a0 a1

2. H 0 : b0

b1 vs

H a : b0

b 1 bi

nes 3. H 0 : Todas las interaccio a i b j tienen el mismo efecto


vs H a : Al menos una interaccin ai b j produce un efecto diferente de los dems

4. H 0 : c0

c1 vs

H a : c0

c1

114

5. H 0 : Todas las interaccio nes a i c k tienen el mismo efecto

vs H a : Al menos una interacci n a i c k produce un efecto diferente de los dems

nes 6. H 0 : Todas las interaccio b j ck tienen el mismo efecto


vs H a : Al menos una interacci n b j c k produce un efecto diferente de los dems

7. H 0 : Todas las interaccio nes a i b j c k tienen el mismo efecto

vs H a : Al menos una interaccin ai b j c k produce un efecto diferente de los dems

El anlisis de varianza correspondiente es el Cuadro 42: Cuadro 42. Estructura del anlisis de varianza para el diseo factorial 23 en bloques completos al azar. Fuente F de Grados de Suma de Cuadrado F calculada de tablas Libertad Cuadrados Medio ( Fcal ) Variacin ( Ftab ) (G.L.) (S.C.) (C.M.) (F.V.) Bloques A B AB C AC BC ABC r-1 a-1 b-1 (a-1)(b-1) c-1 (a-1)(c-1) (b-1)(c-1) (a-1)(b-1)(c-1) S.C. Bloques S.C. A S.C. B S.C. AB S.C. C S.C. AC S.C. BC S.C. ABC
S.C. Bloques G.L. Bloques
S.C. A G.L. A S.C. B G.L. B S.C. AB G.L. AB S.C. C G.L. C S.C. AC G.L. AC S.C. BC G.L. BC S.C. ABC G.L. ABC
C.M . Bloques C.M . Error

F (v1, v2 )
F (v 3 , v 2 )

C.M . A C.M . Error C .M . B C .M . Error C.M . BC C.M . Error C .M . C C .M . Error C.M . AC C.M . Error C.M . AB C.M . Error C.M . ABC C.M . Error

F (v 4 , v 2 )
F (v 5 , v 2 )

F (v 6 , v 2 ) F (v 7 , v 2 ) F (v 8 , v 2 )
F (v 9 , v 2 )

115

Error Total Donde:


F (v1 , v 2 ) F (v 3 , v 2 ) F (v 4 , v 2 ) F (v 5 , v 2 ) F (v 6 , v 2 ) F (v 7 , v 2 ) F (v 8 , v 2 ) F (v 9 , v 2 )

(abc-1)(r-1) abcr-1

S.C. Error S.C. Total

S.C. Error G.L. Error

Ftab Bloques Ftab A Ftab B Ftab AB Ftab C Ftab AC Ftab BC Ftab ABC

Cuantil de la distribucin F. (Ver Tabla II del Apndice)

Cuantil de la distribucin F. (Ver Tabla II del Apndice) Cuantil de la distribucin F. (Ver Tabla II del Apndice) Cuantil de la distribucin F. (Ver Tabla II del Apndice) Cuantil de la distribucin F. (Ver Tabla II del Apndice) Cuantil de la distribucin F. (Ver Tabla II del Apndice) Cuantil de la distribucin F. (Ver Tabla II del Apndice) Cuantil de la distribucin F. (Ver Tabla II del Apndice)

v1 v2 v3 v4 v5 v6 v7 v8 v9

Grados de libertad de los bloques. Grados de libertad del error. Grados de libertad del factor A. Grados de libertad del factor B. Grados de libertad del interacci n AB. Grados de libertad de la interacci n C. Grados de libertad de la interacci n AC. Grados de libertad de la interacci n BC. Grados de libertad de la interacci n ABC.

La regla de decisin que se utiliza para cualquier factor o interaccin es la siguiente:

Se rechaza H 0 si Fcal

Ftab

Para resolver el ejemplo anterior haremos uso de las hojas de clculo hechas en Calc de Open Office. Al abrir el documento nombrado DISEOS EXPERIMENTALES, en la primera hoja de clculo (Inicio) aparece el Cuadro 6 (mencionado en el captulo 6), en el que se hace hacer clic en el tipo de diseo que se quiera usar y mediante un hiperenlace genera otra hoja donde se debe

116

escoger el tipo de diseo experimental que se va a usar. En este caso se hace clic en diseos factoriales.

Despus de hacer clic en diseos factoriales en el Cuadro 6, aparece el Cuadro 43, con hiperenlaces para diferentes tipos de diseos factoriales ms comunes en donde se debe seleccionar el tipo de diseo factorial que se va a emplear, ya sea completamente al azar o en bloques completos al azar y genera un formato para ese tipo de diseo para introducir los datos del experimento. Para este ejemplo, se selecciona en diseos factoriales en bloques completos al azar, el diseo factorial 2k.

A la derecha del Cuadro 43 aparece un hiperenlace para regresar hasta la hoja de clculo donde se seleccion el tipo de diseo experimental.

Cuadro 43. Tipos de diseos factoriales ms comunes TIPOS DE DISEOS FACTORIALES MS COMUNES DISEOS FACTORIALES EN COMPLETAMENTE AL AZAR Diseo factorial 2^k Diseo factorial 3^k Diseo factorial 3^k x 2^l Regresar

DISEOS FACTORIALES EN BLOQUES COMPLETOS AL AZAR Diseo factorial 2^k Diseo factorial 3^k Diseo factorial 3^k x 2^l

117

Despus de seleccionar el tipo de diseo factorial 2k, en diseos factoriales en bloques completos al azar en el Cuadro 43, aparece el Cuadro 44, en donde se introducen los datos del ejercicio. El Cuadro 44 slo da la opcin de escribir sobre las celdas donde se deben de introducir los datos del experimento, ya que el resto de las celdas se encuentran protegidas contra escritura. Para este tipo de diseo se puede introducir un mximo de cinco factores y cinco bloques. Para este ejemplo se tienen tres factores con dos niveles cada uno y cuatro boques.

Una vez introducidos los datos, aparecen en las ltimas columnas del Cuadro 44, los totales de tratamiento, las sumas del cuadrado de observaciones por tratamiento, el efecto y los totales de efectos. En la ltima fila aparecen el total por bloques y el total de las sumas del cuadrado de observaciones por tratamiento.

A la derecha del Cuadro 44 aparecen dos hiperenlaces, uno para ir a la hoja de anlisis de datos y el otro para regresar hasta la hoja de clculo donde se seleccion el tipo de diseo factorial. Cuadro 44. Diseo factorial 2k en bloques completos al azar.
DISEO FACTORIAL 2k EN BLOQUES COMPLETOS AL AZAR Sumas del Totales Bloques Totales de cuadrado de Tratamientos Efecto de obs. por I II III IV V Tratamiento efectos Trat. Gran (1) 125.6 98.2 110.6 130.1 464.5 54577.0 4746 total A 112.1 101.5 147.4 135.9 496.9 63064.2 A 196.4 B Ab C Ac Bc Abc Total 150.8 154.8 175.0 185.0 167.1 185.0 174.4 151.5 121.0 100.6 134.8 134.4 149.2 131.1 118.3 161.3 181.1 174.3 137.0 161.5 145.1 201.0 188.8 201.5 1152.0 1146.5 1186.3 1261.2 0.0 665.6 678.0 490.8 559.9 653.9 736.4 111553.7 115515.0 60995.8 79460.4 108029.0 137702.7 730897.7 B AB C AC BC ABC 721.8 Ir al anlisis

-6.6 136.0 106.8 Regresar -42.6 33.4

118

Al hacer clic en el hiperenlace, Ir al anlisis, en el Cuadro 44, genera al Cuadro 45 donde aparecen el factor A (a), el factor B (b), el factor C (c), el factor D (d) y el factor E (e) con sus respectivos nmeros de niveles; el nmero de bloques (r), y el factor de correccin (FC), as como el anlisis de varianza y la conclusin del juego de hiptesis con respecto sus factores y a sus interacciones. El valor de alfa est determinado para una confiabilidad del 95% (Alfa = 0.05), pero se puede cambiar para tener la confiabilidad que se desee. Todas las celdas del Cuadro 45, a excepcin del valor de alfa, estn protegidas contra escritura, por lo que no es posible modificar el contenido de las mismas.

A la derecha del Cuadro 45 aparece un hiperenlace para regresar hasta la hoja de clculo donde se introducen los datos del experimento.

Para este ejemplo, mediante el anlisis de varianza y con una confiabilidad del 95% slo se rechaza las hiptesis nula (H0) del factor B, lo que indica que existen diferencias entre los niveles de ese factor; mientras que las hiptesis nulas (H 0) para el factor A, el factor C, las interacciones AB, AC, BC y ABC no se rechazan, lo que indica que no existen diferencias entre los niveles de esos factores y de esas interacciones. Cuadro 45. Anlisis de varianza para el diseo factorial 23 en bloques completos al azar. ANLISIS DE VARIANZA F.V. G.L. S.C. C.M. Fcal Ftab Bloques 3 1046.30 348.77 0.98 3.07 a= 2 A 1 1205.41 1205.41 3.40 4.32 b= 2 B 1 16281.10 16281.10 45.92 4.32 c= 2 AB 1 1.36 1.36 0.004 4.32 Regresar d= 0 C 1 578.00 578.00 1.63 4.32 e= 0 AC 1 356.44 356.44 1.01 4.32 r= 4 BC 1 56.71 56.71 0.16 4.32 ABC 1 34.86 34.86 0.10 4.32 FC = 703891.13 Alfa 0.05 Error 21 7446.43 354.59

119

Total

31

27006.62

CONCLUSIN Fcal A Ftab A. No se rechaza H0 y no hay significancia al 0.05 Fcal B > Ftab B. Se rechaza H0 y hay significancia al 0.05 Fcal AB Ftab AB. No se rechaza H0 y no hay significancia al 0.05 Fcal C Ftab C. No se rechaza H0 y no hay significancia al 0.05 Fcal AC Ftab A. No se rechaza H0 y no hay significancia al 0.05 Fcal BC Ftab BC. No se rechaza H0 y no hay significancia al 0.05 Fcal ABC Ftab ABC. No se rechaza H0 y no hay significancia al 0.05 11.7. Diseo factorial 3k El diseo factorial 3k es un arreglo factorial de k factores que tienen tres niveles cada uno. Se usan letras maysculas para denotar los factores y las interacciones. Se hace referencia a los tres niveles de los factores como bajo, intermedio y alto. Hay varias notaciones diferentes que se usan para representar estos niveles de los factores; una posibilidad es representar los niveles de los factores con los dgitos 0 (bajo), 1 (intermedio) y 2 (alto). Cada combinacin de tratamientos del diseo 3k se denota por k dgitos, donde el primer dgito denota el nivel del factor A, el segundo digito indica el nivel del factor B,, y el dgito k-simo indica el nivel del factor k. Por ejemplo, en un diseo 3 2, 00 denota la combinacin de tratamientos correspondientes a A y B ambos en el nivel bajo, y 01 denota la combinacin de tratamientos correspondiente a A en el nivel bajo y B en el nivel intermedio. El diseo ms simple del sistema 3k es el diseo 32, el cual tiene dos factores, cada uno con tres niveles. Las combinaciones de tratamientos de este diseo son 32 = 9, hay 32-1 = 8 grados de libertad entre estas combinaciones de tratamientos y se pueden definir 32-1/3-1 = 4 grupos ortogonales con dos grados de libertad cada uno, que en trminos de los efectos factoriales, tales grupos son:

A: efecto principal de A B: efecto principal de B

120

AB: primera componente de la interaccin AB AB2: segunda componente de la interaccin AB Por lo tanto, AB AB AB 2 Las componentes AB y AB2 de la interaccin AB no tienen significado real y por lo general no se incluyen en el anlisis de varianza. Por lo tanto, los efectos principales de A y B tienen dos grados de libertad cada uno, y la interaccin AB tiene cuatro grados de libertad.

Suponga ahora que hay tres factores (A, B y C) bajo estudio y que cada factor tiene tres niveles dispuestos en un experimento factorial. Se trata de un diseo factorial 33, y la notacin de las combinaciones de tratamientos se mencionaron anteriormente en el diseo factorial 32. Las 27 combinaciones de tratamientos tienen 26 grados de libertad y se pueden definir 3 3-1/3-1 = 13 grupos ortogonales con dos grados de libertad cada uno, que en trminos de los efectos factoriales, tales grupos son:

A: efecto principal de A. B: efecto principal de B. AB: primera componente de la interaccin AB. AB2: segunda componente de la interaccin AB. C: efecto principal de C. AC: primera componente de la interaccin AC. AC2: segunda componente de la interaccin AC. BC: primera componente de la interaccin BC. BC2: segunda componente de la interaccin BC. ABC: primera componente de la interaccin ABC. ABC2: segunda componente de la interaccin ABC. AB2C: tercera componente de la interaccin ABC. AB2C2: cuarta componente de la interaccin ABC. Por lo tanto,

121

AB AC

AB AB 2 AC AC 2

BC
ABC

BC BC 2
ABC ABC 2 AB 2C AB 2C 2

Como en el diseo 32, estos componentes no tienen significacin fsica. Por lo tanto, los efectos principales de A, B y C tienen dos grados de libertad cada uno; las interacciones AB, AC, BC tienen cuatro grados de libertad y la interaccin ABC tiene 8 grados de libertad. Los conceptos utilizados en los diseos 32 y 33 pueden extenderse de inmediato al caso de k factores, cada uno con tres niveles, es decir, a un diseo factorial 3k. Se emplea la notacin digital usual para las combinaciones de tratamientos, por lo que 0120 representa una combinacin de tratamientos en un diseo 3 4 con A y D en los niveles bajos, B en el nivel intermedio y C en el nivel alto. Hay 3k combinaciones de tratamientos, con 3k-1 grados de libertad entre ellos y se pueden definir 3k-1/3-1 grupos ortogonales con dos grados de libertad cada uno. Estas combinaciones de tratamientos permiten determinar las sumas de cuadrados de k efectos principales, cada uno con dos grados de libertad;
k 2

interacciones de dos factores, cada una con cuatro grados de libertad;; y una interaccin de k factores, con 2k grados de libertad. En general, una interaccin de h factores tiene 2h grados de libertad.

Ejemplo 11.2 Haciendo uso de las hojas de clculo, elaboradas en Calc de Open Office, para resolver diseos experimentales ms comunes, se ilustra la tcnica de diseo factorial 3k con el siguiente ejemplo:

Se usa una mquina para llenar contenedores metlicos de cinco galones con jarabe para una bebida gaseosa (Montgomery, 2007). La variable de inters es la cantidad de jarabe perdida debido al espumeo. Se piensa que tres factores 122

influyen en el espumeo: el diseo de la boquilla (A), la velocidad del llenado (B) y la presin de operacin (C). Se seleccionaron tres boquillas, tres velocidades de llenado y tres presiones, y se corren dos rplicas de un experimento factorial 3 3. En el Cuadro 46 se muestran los datos codificados.

Cuadro 46. Datos de la prdida de jarabe (las unidades son centmetros cbicos70) Tipo de boquilla (A) 1 2 3 Velocidad (en rpm) (B) Presin (en psi) 100 120 140 100 120 140 100 120 140 (C) -35 -45 -40 17 -65 20 -39 -55 15 10 -25 -60 15 24 -58 4 -35 -67 -30 110 -10 80 55 -55 110 90 -28 110 15 75 30 54 120 -44 44 113 -26 135 4 -40 31 -23 -64 -20 -30 -61 54 20 5 -30 36 -5 -62 -31 -55 -52 4 Fuente: Montgomery (2007).

Existen diferencias entre las combinaciones del tipo de boquilla (A), la velocidad del llenado (B) y la presin de operacin (C)?. Responda a la pregunta anterior con una confiabilidad del 95%.

Respuesta: Se tienen tres factores: el diseo de la boquilla (A), la velocidad del llenado (B) y la presin de operacin (C), bajo un experimento factorial 3 3 completamente al azar. Cada uno de los factores A, B y C con tres niveles: 1 (0), 2 (1) y 3 (2); 100 rpm (0), 120 rpm (1) y 140 rpm (2) y 10 psi (0), 15 psi (1) y 20 psi (2), respectivamente. Los tratamientos a probar son:

A 1 2 3

B 100 rpm 100 rpm 100 rpm

C 10 psi 10psi 10 psi

Tratamiento (000) (100) (200)

123

1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3

120 rpm 120 rpm 120 rpm 140 rpm 140 rpm 140 rpm 100 rpm 100 rpm 100 rpm 120 rpm 120 rpm 120 rpm 140 rpm 140 rpm 140 rpm 100 rpm 100 rpm 100 rpm 120 rpm 120 rpm 120 rpm 140 rpm 140 rpm 140 rpm

10 psi 10psi 10 psi 10 psi 10psi 10 psi 15 psi 15psi 15 psi 15 psi 15psi 15 psi 15 psi 15psi 15 psi 20 psi 20psi 20 psi 20 psi 20psi 20 psi 20 psi 20psi 20 psi

(010) (110) (210) (020) (120) (220) (001) (101) (201) (011) (111) (211) (021) (121) (221) (002) (102) (202) (012) (112) (212) (022) (122) (222)

El modelo lineal correspondiente al factorial completamente al azar es:


Yijkl donde i
a

Ai 0, 1,..., a;

Bj

Ck

( AB) ij k

( AC ) ik

( BC ) jk

( ABC ) ijk

eijkl E( eijk ) 0 ; E( e 2 )
ijk 2

j 0, 1,..., b;

0, 1,..., c;

l 1, 2,..., r;

Nmero de niveles del factor A. Nmero de niveles del factor B.

124

Nmero de niveles del factor C. Nmero de repeticiones. Respuesta obtenida en la l-sima repeticin del i-simo nivel del factor A, el j-simo nivel del factor B y el k-simo nivel del factor C. Efecto medio general.

Yijkl

Ai

Efecto atribuido al i-simo nivel del factor A. Efecto atribuido al j-simo nivel del factor B. Efecto atribuido al k-simo nivel del factor C. Efecto atribuido a la interaccin entre el i-simo nivel del factor A y el jsimo nivel del factor B.

Bj
Ck

( AB)ij

( AC)ik

Efecto atribuido a la interaccin entre el i-simo nivel del factor A y el ksimo nivel del factor C.

( BC) jk

Efecto atribuido a la interaccin entre el j-simo nivel del factor B y el ksimo nivel del factor C.

( ABC)ijk

Efecto atribuido a la interaccin entre el i-simo nivel del factor A, el jsimo nivel del factor B y el k-simo nivel del factor C.

eijk

Trmino de error aleatorio.

Las hiptesis a probar son: 1. H 0 : a 0


a1 a 2 vs H a : a0 a1 a2

2. H 0 : b0

b1

b2

vs

H a : b0

b1

b2

nes 3. H 0 : Todas las interaccio a i b j tienen el mismo efecto

vs H a : Al menos una interacci n ai b j produce un efecto diferente de los dems

4. H 0 : c0

c1

c2

vs

H a : c0

c1

c2

125

5. H 0 : Todas las interaccio nes a i c k tienen el mismo efecto

vs H a : Al menos una interacci n a i c k produce un efecto diferente de los dems

nes 6. H 0 : Todas las interaccio b j ck tienen el mismo efecto

vs H a : Al menos una interacci n b j c k produce un efecto diferente de los dems

nes 7. H 0 : Todas las interaccio a i b j ck tienen el mismo efecto

vs H a : Al menos una interacci n ai b j ck produce un efecto diferente de los dems


El anlisis de varianza correspondiente est dado por el Cuadro 47: Cuadro 47. Estructura del anlisis de varianza para el diseo factorial 3 3 completamente al azar. Fuente F F de Grados de Suma de Cuadrado de calculada tablas Libertad Cuadrados Medio Variacin ( Fcal ) ( Ftab ) (G.L.) (S.C.) (C.M.) (F.V.) A B AB C AC BC ABC Error a-1 b-1 (a-1)(b-1) c-1 (a-1)(c-1) (b-1)(c-1) (a-1)(b-1)(c-1) (abc-1)(r-1) S.C. A S.C. B S.C. AB S.C. C S.C. AC S.C. BC S.C. ABC S.C. Error
S.C. A G.L. A S.C. B G.L. B S.C. AB G.L. AB S.C. C G.L. C S.C. AC G.L. AC S.C. BC G.L. BC S.C. ABC G.L. ABC S.C. Error G.L. Error
C.M . A C.M . Error C .M . B C .M . Error C.M . BC C.M . Error C .M . C C .M . Error C .M . AC C.M . Error C.M . AB C.M . Error C.M . ABC C.M . Error

F (v1, v2 )
F (v 3 , v 2 )

F (v 4 , v 2 )
F (v 5 , v 2 )

F (v 6 , v 2 )
F (v 7 , v 2 )

F (v 8 , v 2 )
F (v 9 , v 2 )

126

Total Donde:
F (v1 , v 2 ) F (v 3 , v 2 ) F (v 4 , v 2 ) F (v 5 , v 2 ) F (v 6 , v 2 ) F (v 7 , v 2 ) F (v 8 , v 2 )

abcr-1

S.C. Total

Ftab A Ftab B Ftab AB Ftab C Ftab AC Ftab BC Ftab ABC

Cuantil de la distribucin F. (Ver Tabla II del Apndice) Cuantil de la distribucin F. (Ver Tabla II del Apndice) Cuantil de la distribucin F. (Ver Tabla II del Apndice) Cuantil de la distribucin F. (Ver Tabla II del Apndice) Cuantil de la distribucin F. (Ver Tabla II del Apndice) Cuantil de la distribucin F. (Ver Tabla II del Apndice) Cuantil de la distribucin F. (Ver Tabla II del Apndice)

v2 v1 v3 v4 v5 v6 v7 v8

Grados de libertad del error. Grados de libertad del factor A. Grados de libertad del factor B. Grados de libertad de la interacci n AB. Grados de libertad del factor C. Grados de libertad de la interacci n AC. Grados de libertad de la interacci n BC. Grados de libertad de la interacci n ABC.
a b 2 Yi...

FC

Y .... abcr
c

Y. 2.. j FC S.C. B
j 0

S.C. A

i 0

bcr
a

acr

FC

Y..2 . k S.C. C
k 0

Yij2.. FC S.C. AB
i 0 j 0

abr
a i 0 c

cr

S .C. A S .C.B FC

Yi.2k . S.C. AC
k 0

Y. 2 . jk S .C. A S .C.C FC S.C. BC


j 0 k 0

br

ar

S .C.B S .C.C

FC

127

a i 0

b j 0

c 2 Yijk. k 0

S.C. ABC

r
a b j 0 c r

S .C. A S .C.B S .C.C S .C. AB S .C. AC S .C.BC FC

S .C. Total
i 0 k 0 l 1

2 Yijkl

F .C

S .C. Error

S.C. Total - S .C. A S .C.B S .C.C S .C. AB S .C. AC S .C.BC S .C. ABC

Donde:
FC
Y ....
Yi ...

Factor de correccin. Suma de todas las observaciones en el experimento. Suma de todas las observaciones que pertenecen al i-simo nivel del factor

A.
Y . j.. Suma de todas las observaciones que pertenecen al j-simo nivel del factor

B.
Y ..k.

Suma de todas las observaciones que pertenecen al k-simo nivel del factor

C.
Yij .. Suma de todas las observaciones que pertenecen al i-simo nivel del factor A

y al j-simo nivel del factor B.


Yi . k . Suma de todas las observaciones que pertenecen al i-simo nivel del factor

A y al k-simo nivel del factor C.


Y . jk. Suma de todas las observaciones que pertenecen al j-simo nivel del factor

B y al k-simo nivel del factor C.


Yijk . Suma de todas las observaciones que pertenecen al i-simo nivel del factor

A, al j-simo nivel del factor B y al k-simo nivel del factor C.


Y...l
Yijkl

Suma de todas las observaciones que pertenecen al l-simo bloque. Respuesta para la l-sima repeticin perteneciente al i-simo nivel del factor

A, al j-simo nivel del factor B y al k-simo nivel del factor C.

128

La regla de decisin que se utiliza para cualquier factor o interaccin es la siguiente:

Se rechaza H 0 si Fcal

Ftab

Para resolver el ejemplo anterior se hace uso de las hojas de clculo hechas en Calc de Open Office. Al abrir el documento nombrado DISEOS EXPERIMENTALES, en la primera hoja de clculo (Inicio) aparece el Cuadro 6 (mencionado en el captulo 6), en el que se debe de hacer clic en el tipo de diseo que se quiera usar y mediante un hiperenlace genera otra hoja donde se escoge el tipo de diseo experimental que se va a usar. En este caso se hace clic en diseos factoriales.

Despus de hacer clic en diseos factoriales en el Cuadro 6, aparece el Cuadro 43, con hiperenlaces para diferentes tipos de diseos factoriales ms comunes (mencionado en la seccin 11.7) en donde se selecciona el tipo de diseo factorial que se va a emplear, ya sea completamente al azar o en bloques completos al azar y genera un formato para ese tipo de diseo para introducir los datos del experimento. Para este ejemplo, se va a seleccionar en diseos factoriales completamente al azar, el diseo factorial 3k. Despus de seleccionar el tipo de diseo factorial 3 k, en diseos factoriales completamente al azar en el cuadro 43, genera el Cuadro 48, en donde se deben introducir los datos del ejercicio. El Cuadro 48 slo da la opcin de escribir sobre las celdas donde se introducen los datos del experimento, ya que el resto de las celdas se encuentran protegidas contra escritura. Para este tipo de diseo se puede introducir un mximo de tres factores y cinco repeticiones. Para este ejemplo se tienen tres factores con tres niveles cada uno y dos repeticiones.

Una vez introducidos los datos, aparecen en las ltimas columnas del Cuadro 48, los totales de tratamiento, las sumas del cuadrado de observaciones por tratamiento, y los totales de los niveles de los factores y de las interacciones. En la

129

ltima fila aparecen el total de las sumas del cuadrado de observaciones por tratamiento y la suma de los totales de los niveles de los factores y de las interacciones . A la derecha del Cuadro 48 aparecen dos hiperenlaces, uno para ir a la hoja de anlisis de datos y el otro para regresar hasta la hoja de clculo donde se seleccion el tipo de diseo factorial. Cuadro 48. Diseo factorial 3k completamente al azar.
DISEO FACTORIAL 3k COMPLETAMENTE AL AZAR Tot. Sumas del Totales de los niveles de los factores y de las Repeticiones de cuadrado interacciones Tratamientos de obs. por 1 2 3 4 5 Trat. A B AB C AC BC ABC Trat. 000 -35 -25 -60 1850 155 366 134 -459 -190 -93 -60 100 200 010 110 210 020 120 220 001 101 201 011 111 211 021 121 221 002 102 202 012 112 212 022 17 24 -39 -35 -45 -60 -65 -58 -55 -67 -40 15 20 4 15 -30 110 75 55 120 90 113 -10 30 -55 -44 -28 -26 80 54 110 44 110 135 4 5 -23 -5 -30 -55 -40 -30 -64 -62 -61 -52 31 36 41 -74 -105 -123 -122 -25 24 -15 185 175 203 20 -99 -54 134 154 245 9 -28 -85 -70 -126 -113 67 865 2746 5625 7589 7514 1825 416 1125 17725 17425 20869 1000 4961 1460 9316 14036 30325 41 554 3925 2500 7940 6425 2257 -33 43 -792 591 188 44 -155 -348 -289 176 127 288 963 -339 -58 -211 339 230 394 6 -205 -140 -350 -16 563 -133 533 -104 -309 74 41 Ir al anlisis

-74 -105 -123 Regresar -122 -25 24 -15 185 175 203 20 -99 -54 134 154 245 9 -28 -85 -70 -126 -113 67

130

122 222 Totales

-20 -31 54 4

-51 58 165

1361 -51 2932 58 174607 26963 1110501 413935 1252971 468703 861925 326183

Al hacer clic en el hiperenlace, Ir al anlisis, genera el Cuadro 49, donde aparecen el factor A (a), el factor B (b) y el factor C (c) con sus respectivos nmeros de niveles; el nmero de repeticiones (r), y el factor de correccin (FC), as como el anlisis de varianza y la conclusin del juego de hiptesis con respecto sus factores y a sus interacciones. El valor de alfa est determinado para una confiabilidad del 95% (Alfa = 0.05), pero se puede cambiar para tener la confiabilidad que se desee. Todas las celdas del Cuadro 49, a excepcin del valor de alfa, estn protegidas contra escritura, por lo que no es posible modificar el contenido de las mismas.

A la derecha del Cuadro 49 aparece un hiperenlace que para regresar hasta la hoja de clculo donde se introducen los datos del experimento.

Para este ejemplo, mediante el anlisis de varianza y con una confiabilidad del 95% se rechazan las hiptesis nulas (H0) de los factores B y C y de las interacciones AB, AC y BC lo que indica que existen diferencias entre los niveles de esos factores y entre los niveles de esas interacciones; mientras que las hiptesis nulas (H0) para el factor A, y la interaccin ABC no se rechazan lo que indica que existen diferencias entre los niveles de ese factor y entre los niveles de esa interaccin. Cuadro 49. Anlisis de varianza para el diseo factorial 33 completamente al azar. ANLISIS DE VARIANZA F.V. G.L. S.C. C.M. Fcal Ftab Regresar a= 3 A 2 993.78 496.89 1.17 3.35 b= 3 BB 2 61190.33 30595.17 71.74 3.35 c= 3 AB 4 6300.89 1575.22 3.69 2.73 r= 2 C 2 69105.33 34552.67 81.01 3.35 AC 4 7513.89 1878.47 4.40 2.73 FC = 504.17 BC 4 12854.33 3213.58 7.53 2.73

131

Alfa

0.05

ABC Error Total

8 27 53

4628.78 11515.50 174102.83

578.60 426.50

1.36

2.31

CONCLUSIN Fcal A Ftab A. No se rechaza H0 y no hay significancia al 0.05 Fcal B > Ftab B. Se rechaza H0 y hay significancia al 0.05 Fcal AB > Ftab AB. Se rechaza H0 y hay significancia al 0.05 Fcal C > Ftab C. Se rechaza H0 y hay significancia al 0.05 Fcal AC > Ftab AC. Se rechaza H0 y hay significancia al 0.05 Fcal BC > Ftab BC. Se rechaza H0 y hay significancia al 0.05 Fcal ABC Ftab ABC. No se rechaza H0 y no hay significancia al 0.05 11.8. Diseo factorial 3k x 2l

Se han resaltado los diseos factoriales en los que todos los factores tienen el mismo nmero de niveles. El sistema con dos niveles mencionado anteriormente es de particular utilidad. El sistema de tres niveles tambin mencionado antes es de utilidad mucho menor debido a que los diseos son relativamente grandes incluso para un nmero modesto de factores. En ocasiones, en los diseos factoriales con dos niveles existen situaciones en las que es necesario incluir un factor (o algunos factores) que tienen ms de dos niveles. La notacin para las combinaciones de tratamientos es la notacin digital usual.

Ejemplo 11.3 Haciendo uso de las hojas de clculo, elaboradas en Calc de Open Office, para resolver diseos experimentales ms comunes, se ilustra la tcnica de diseo factorial 3k x 2l con el siguiente ejemplo:

La cobertura de un equipo de aplicacin manual de herbicidas se define como la superficie mxima en la cual se logra distribuir el herbicida de forma uniforme sobre la maleza al operar el equipo a una velocidad constante (Castillo, 2003).

132

Los factores que determinan en gran medida la cobertura de un equipo aspersor de mochila son la aspersin de presin, el tamao de boquilla y la velocidad de recorrido al momento de aplicar el herbicida. Un experto en malezas desea probar bajo qu condicin de presin, tipo de boquilla y velocidad de recorrido se obtiene una mejor cobertura de herbicida. El herbicida seleccionado para la aplicacin fue el Gesaprim. El experto en maleza decidi utilizar boquillas de abanico plano de diferentes tamaos para la aplicacin de Gesaprim. Los tamaos de boquillas seleccionados fueron 6150, 6515 y 6520. Las presiones de aspersin utilizadas fueron 25 y 30 libras / pulgada2 y las velocidades de recorrido fueron 2 y 3 metros / segundo.

La unidad experimental consisti en dos hileras con estacas colectoras de kromekotes cada una con 25 metros de largo. El kromekotes es un tipo de papel especial que cambia de coloracin al contacto con las gotas de un lquido. La variable respuesta fue el nmero de gotas por centmetro cuadrado presentes en el papel kromekotes.

El terreno donde se ejecut el experimento se encuentra en las faldas de un cerro y la forma en que se dispersa el viento no es uniforme sobre todo el terreno. Como el viento es un factor que puede alterar la cobertura de un equipo de aplicacin manual, es decir, se constituye de confusin, se decidi la utilizacin de un factorial en bloques completos al azar con dos bloques. Los resultados del experimento se encuentran en el Cuadro 50:

Cuadro 50. Nmero de gotas por centmetro cuadrado presentes en el papel kromekotes. PRESIN (psi) TAMAO 25 30 DE BLOQUE VELOCIDAD (m / seg) VELOCIDAD (m / seg) BOQUILLA 2 3 2 3 I 15 25 25 35 6510 II 25 30 30 35 6515 I 30 40 40 60

133

II I 6520 II Fuente: Castillo (2003).

35 55 50

35 65 60

45 65 75

55 80 85

Existe diferencias entre las combinaciones de tamao de boquilla, presin y velocidad de recorrido? Responda al cuestionamiento anterior con una confiabilidad del 95%

Respuesta Se tienen tres factores: tamao de boquilla (A), presin (B) y velocidad de recorrido (C), bajo un experimento factorial 3 x 2 2 en bloques completos al azar. El factor A con tres niveles: 6510 (0), 6515 (1) y 6520 (2); el factor B y el factor C cada uno con dos niveles: 25 psi (0) y 30 psi (1) y 2 m / seg (0) y 3 m / seg (1), respectivamente. Los tratamientos a probar son:

Tratamiento (000) (100) (200) (010) (110) (210) (001) (101) (201) (011) (111) (211)

6510 25 psi 2 m / seg 6515 25 psi 6520 25 psi 6510 30 psi 6515 30 psi 6520 30 psi 6510 25 psi 6515 25 psi 6520 25 psi 6510 30 psi 6515 30 psi 6520 30 psi 2 m / seg 2 m / seg 2 m / seg 2 m / seg 2 m / seg 3 m / seg 3 m / seg 3 m / seg 3 m / seg 3 m / seg 3 m / seg

Se tienen un total de 12 tratamientos.

134

El modelo lineal correspondiente al factorial en bloques completos al azar es:


Yijkl donde i 0, 1,..., a; j 0,1, ..., b; k 0, 1,..., c; l 1, 2,..., r; E( eijk )
2 0 ; E( eijk ) 2

Blol

Ai

Bj

Ck

( AB ) ij

( AC ) ik

( BC ) jk

( ABC ) ijk

eijkl

Nmero de niveles del factor A. Nmero de niveles del factor B. Nmero de niveles del factor C. Nmero de bloques (repeticiones). Respuesta obtenida en el i-simo nivel del factor A, el j-simo nivel del factor B y el k-simo nivel del factor C, ubicados en el l-simo bloque. Efecto medio general.

b
c

Yijkl

Blol Ai

Efecto atribuido al l-simo bloque. Efecto atribuido al i-simo nivel del factor A. Efecto atribuido al j-simo nivel del factor B. Efecto atribuido al k-simo nivel del factor C. Efecto atribuido a la interaccin entre el i-simo nivel del factor A y el jsimo nivel del factor B.

Bj
Ck

( AB)ij

( AC)ik

Efecto atribuido a la interaccin entre el i-simo nivel del factor A y el ksimo nivel del factor C.

( BC) jk

Efecto atribuido a la interaccin entre el j-simo nivel del factor B y el ksimo nivel del factor C.

( ABC)ijk

Efecto atribuido a la interaccin entre el i-simo nivel del factor A, el jsimo nivel del factor B y el k-simo nivel del factor C.

eijk

Trmino de error aleatorio.

Las hiptesis a probar son: 1. H 0 : a0

a1

a2

135

vs H a : Al menos un nivl ai produce un efecto diferente de los dems

2. H 0 : b0

b1 vs

H a : b0

b1

5. H 0 : Todas las interacciones a i b j tienen el mismo efecto

vs H a : Al menos una interacci n ai b j produce un efecto diferente de los dems

4. H 0 : c0

c1

vs

H a : c0

c1

5. H 0 : Todas las interacciones a i ck tienen el mismo efecto

vs H a : Al menos una interacci n ai c k produce un efecto diferente de los dems

nes 6. H 0 : Todas las interaccio b jck tienen el mismo efecto

vs H a : Al menos una interacci n b jc k produce un efecto diferente de los dems

nes 7. H 0 : Todas las interaccio a i b jck tienen el mismo efecto


vs H a : Al menos una interacci n ai b j c k produce un efecto diferente de los dems

El anlisis de varianza correspondiente est dado por el Cuadro 51: Cuadro 51. Estructura del anlisis de varianza para el diseo factorial 3 x 2 2 en bloques completos al azar. F de Fuente Suma de Cuadrado F calculada Grados de tablas de Cuadrados Medio ( Fcal ) Libertad (G.L.) ( Ftab ) Variacin (S.C.) (C.M.)

136

(F.V.) Bloques A B AB C AC BC ABC Error Total Donde:


F (v1 , v 2 ) F (v 3 , v 2 ) F (v 4 , v 2 ) F (v 5 , v 2 ) F (v 6 , v 2 ) F (v 7 , v 2 ) F (v 8 , v 2 ) F (v 9 , v 2 ) Ftab Bloques Ftab A Ftab B Ftab AB Ftab C Ftab AC Ftab BC Ftab ABC Cuantil de la distribucin F. (Ver Tabla II del Apndice)

r-1 a-1 b-1 (a-1)(b-1) c-1 (a-1)(c-1) (b-1)(c-1) (a-1)(b-1)(c-1) (abc-1)(r-1) Abcr-1

S.C. Bloques S.C. A S.C. B S.C. AB S.C. C S.C. AC S.C. BC S.C. ABC S.C. Error S.C. Total

S.C. Bloques G.L. Bloques


S.C. A G.L. A S.C. B G.L. B S.C. AB G.L. AB S.C. C G.L. C S.C. AC G.L. AC S.C. BC G.L. BC S.C. ABC G.L. ABC S.C. Error G.L. Error

C.M . Bloques C.M . Error

F (v1, v2 ) F (v 3 , v 2 )

C.M . A C.M . Error C .M . B C .M . Error C.M . BC C.M . Error C .M . C C .M . Error C.M . AC C.M . Error C.M . AB C.M . Error C.M . ABC C.M . Error

F (v 4 , v 2 )
F (v 5 , v 2 )

F (v 6 , v 2 )
F (v 7 , v 2 )

F (v 8 , v 2 )
F (v 9 , v 2 )

Cuantil de la distribucin F. (Ver Tabla II del Apndice) Cuantil de la distribucin F. (Ver Tabla II del Apndice) Cuantil de la distribucin F. (Ver Tabla II del Apndice) Cuantil de la distribucin F. (Ver Tabla II del Apndice) Cuantil de la distribucin F. (Ver Tabla II del Apndice) Cuantil de la distribucin F. (Ver Tabla II del Apndice) Cuantil de la distribucin F. (Ver Tabla II del Apndice)

137

v1 v2 v3 v4 v5 v6 v7 v8 v9

Grados de libertad de los bloques. Grados de libertad del error. Grados de libertad del factor A. Grados de libertad del factor B. Grados de libertad de la interacci n AB. Grados de libertad del factor C. Grados de libertad de la interacci n AC. Grados de libertad de la interacci n BC. Grados de libertad de la interacci n ABC.
r a 2 Y... l 2 Yi... i 0

FC

Y .... abcr
b

S.C. Bloques

l 1

abc
c

FC

S.C. A

bcr
a b

FC

Y. 2.. j S.C. B
j 0

Y..2 . k FC S.C. C
k 0

Yij2.. FC S.C. AB
i 0 j 0

acr
a i 0 c

abr

cr
b c

S .C. A S .C.B FC

Yi.2k . S.C. AC
k 0

Y. 2 . jk S .C. A S .C.C FC S.C. BC


j 0 k 0

br
a i 0 b j 0 c

ar

S .C.B S .C.C

FC

2 Yijk.

S.C. ABC

k 0

r
a b j 0 c r

S .C. A S .C.B S .C.C S .C. AB S .C. AC S .C.BC FC

S .C. Total
i 0 k 0 l 1

2 Yijkl

F .C

S .C. Error

S.C. Total - S .C. A S .C.B S .C.C S .C. AB S .C. AC S .C.BC S .C. ABC

Donde:
FC
Y ....

Factor de correccin. Suma de todas las observaciones en el experimento.

138

Yi ...

Suma de todas las observaciones que pertenecen al i-simo nivel del factor

A.
Y . j.. Suma de todas las observaciones que pertenecen al j-simo nivel del factor

B.
Y ..k.

Suma de todas las observaciones que pertenecen al k-simo nivel del factor

C.
Yij .. Suma de todas las observaciones que pertenecen al i-simo nivel del factor A

y al j-simo nivel del factor B.


Yi . k . Suma de todas las observaciones que pertenecen al i-simo nivel del factor

A y al k-simo nivel del factor C.


Y . jk. Suma de todas las observaciones que pertenecen al j-simo nivel del factor

B y al k-simo nivel del factor C.


Yijk . Suma de todas las observaciones que pertenecen al i-simo nivel del factor

A, al j-simo nivel del factor B y al k-simo nivel del factor C.


Y...l
Yijkl

Suma de todas las observaciones que pertenecen al l-simo bloque. Respuesta para la l-sima repeticin perteneciente al i-simo nivel del factor

A, al j-simo nivel del factor B y al k-simo nivel del factor C.

La regla de decisin que se utiliza para cualquier factor o interaccin es la siguiente:

Se rechaza H 0 si Fcal

Ftab

Para resolver el ejemplo anterior se hace uso de las hojas de clculo hechas en Calc de Open Office. Al abrir el documento nombrado DISEOS EXPERIMENTALES, en la primera hoja de clculo (Inicio) aparece el Cuadro 6 (mencionado en el captulo 6), en el que se debe de hacer clic en el tipo de diseo que se quiera usar y mediante un hiperenlace genera otra hoja donde se escoge el tipo de diseo experimental que se va a usar. En este caso se hace clic en diseos factoriales.

139

Despus de hacer clic en diseos factoriales en el Cuadro 6, aparece el Cuadro 43 con hiperenlaces para diferentes tipos de diseos factoriales ms comunes (mencionado en la seccin 11.7) en donde se debe seleccionar el tipo de diseo factorial que vamos a emplear, ya sea completamente al azar o en bloques completos al azar y genera un formato para ese tipo de diseo para introducir los datos del experimento. Para este ejemplo, se selecciona en diseos factoriales en bloques completos al azar, el diseo factorial 3k x 2l. Despus de seleccionar el tipo de diseo factorial 3k x 2l, en diseos factoriales en bloques completos al azar en el cuadro 43, aparece el Cuadro 52, en donde se introducen los datos del ejercicio. El Cuadro 52 slo da la opcin de escribir sobre las celdas donde se deben de introducir los datos del experimento, ya que el resto de las celdas se encuentran protegidas contra escritura. Para este tipo de diseo se puede introducir un mximo de tres factores y un mximo de 18 tratamientos y cinco bloques. Para este ejemplo se tienen tres factores, uno con tres niveles y dos con dos niveles cada uno para formar en total 12 tratamientos en dos bloques.

Una vez introducidos los datos, aparecen en las ltimas columnas del Cuadro 52, los totales de tratamiento, las sumas del cuadrado de observaciones por tratamiento, el efecto y los totales de efectos. En la ltima fila aparecen el total por bloques y el total de las sumas del cuadrado de observaciones por tratamiento.

A la derecha del Cuadro 52 aparecen dos hiperenlaces, uno para ir a la hoja de anlisis de datos y el otro para regresar hasta la hoja de clculo donde se seleccion el tipo de diseo factorial. Cuadro 52. Diseo factorial 3k x 2l en bloques completos al azar
DISEO FACTORIAL 3 x 2 EN BLOQUES COMPLETOS AL AZAR Tratamientos I 000 Bloques Sumas del cuadrado II III IV V Trat. de obs. por Trat. Tot. de 40 850 Totales de los niveles de los factores y de las interacciones A B AB C AC BC ABC 220 465 95 490 95 210 40
k l

15 25

140

100 200 010 110 210 020 120 220 001 101 201 011 111 211 021 121 221 Totales

30 35 55 50 25 30 40 45 65 75

65 105 55 85 140 0 0 0

2125 5525 1525 3625 9850 0 0 0 1525 2825 7825 2450 6625 13625 0 0 0 58375

340 535

630 0

140 230 125 200 305 0 0 0

605

150 245 125 190 290

280 0 255 350 0

65 105 55 85 140 0 0 0 55 75 125 70 115 165 0 0 0

Ir al anlisis

Regresar

25 30 40 35 65 60 35 35 60 55 80 85

55 75 125 70 115 165 0 0 0

535 560 0 0 0 1095

450225 613125 230175 606125 227375 310025 116325

Al hacer clic en el hiperenlace, Ir al anlisis, genera el Cuadro 53, donde aparecen el factor A (a), el factor B (b) y el factor C (c) con sus respectivos nmeros de niveles; el nmero de bloques (r), y el factor de correccin (FC), as como el anlisis de varianza y la conclusin del juego de hiptesis con respecto sus factores y a sus interacciones. El valor de alfa est determinado para una confiabilidad del 95% (Alfa = 0.05), pero se puede cambiar para tener la confiabilidad que se desee. Todas las celdas del Cuadro 53, a excepcin del valor de alfa, estn protegidas contra escritura, por lo que no es posible modificar el contenido de las mismas.

A la derecha del Cuadro 53 aparece un hiperenlace que para regresar hasta la hoja de clculo donde se introducen los datos del experimento.

Para este ejemplo, mediante el anlisis de varianza y con una confiabilidad del 95% se rechazan las hiptesis nulas (H0) de los factores A, B y C, lo que indica que existen diferencias entre los niveles de esos factores; mientras que las

141

hiptesis nulas (H0) para las interacciones AB, AC, BC y ABC no se rechazan, lo que indica que existen diferencias entre los niveles de esas interacciones. Cuadro 53. Anlisis de varianza para el diseo factorial 3 x 2 2 en bloques completos al azar. ANLISIS DE VARIANZA F.V. G.L. S.C. C.M. Fcal Ftab Bloques 1 26.04 26.04 1.54 4.84 Regresar 3 A 2 6318.75 3159.38 186.39 3.98 2 B 1 1134.38 1134.38 66.92 4.84 2 AB 2 131.25 65.63 3.87 3.98 2 C 1 551.04 551.04 32.51 4.84 AC 2 14.58 7.29 0.43 3.98 49959.38 BC 1 26.04 26.04 1.54 4.84 0.05 ABC 2 27.08 13.54 0.80 3.98 Error 11 186.46 16.95 Total 23 8415.63 CONCLUSIN Fcal A > Ftab A. Se rechaza H0 y hay significancia al 0.05 Fcal B > Ftab B. Se rechaza H0 y hay significancia al 0.05 Fcal AB Ftab AB. No se rechaza H0 y no hay significancia al 0.05 Fcal C > Ftab C. Se rechaza H0 y hay significancia al 0.05 Fcal AC Ftab AC. No se rechaza H0 y no hay significancia al 0.05 Fcal BC F tab BC. No se rechaza H0 y no hay significancia al 0.05 Fcal ABC F tab ABC. No se rechaza H0 y no hay significancia al 0.05 12. DISEO EN PARCELAS DIVIDIDAS

a= b= c= Blo = FC = Alfa

En algunos experimentos que involucran dos factores dispuestos en bloques completos al azar, es imprctico, por cuestiones econmicas u operacionales, aleatorizar de forma clsica las diferentes combinaciones de los niveles de los factores bajo estudio. Cuando esto sucede, es recomendable utilizar el diseo en parcelas divididas.

12.1. Caractersticas

142

Se emplea cuando se prueban dos factores a diferentes niveles en bloques completos al azar y es imprctico aplicar las diferentes combinaciones de los niveles de los factores a las unidades experimentales, ya sea por el tamao de stas, por restricciones econmicas o por restricciones operativas.

Es necesario utilizar extensiones grandes de terrenos para el ensayo de las combinaciones de los niveles de los factores.

Las extensiones grandes de terreno son conocidas como las parcelas grandes. Cada parcela grande se divide en unidades menores llamadas parcelas chicas. Los niveles de un factor se prueban sobre las parcelas grandes y los niveles del otro factor sobre las parcelas chicas.

Los niveles del factor que se ubica sobre las parcelas grandes son considerados como los tratamientos, mientras que los niveles que se ubica sobre las parcelas chicas son considerados como subtratamientos.

Los efectos de los tratamientos en la parcela grande estn completamente confundidos con los efectos de los subtratamientos en la parcela chica, por lo que el modelo lineal y el anlisis de varianza sufren algunas modificaciones con respecto a los otros diseos estudiados.

12.2. Modelo lineal

El modelo lineal para el diseo en parcelas divididas es el siguiente:


Yijk donde i 1, 2,..., b;
b
i j ij

Sk

( S ) jk

eij

j 1, 2,..., t;

k 1,2,..., s;

Nmero de bloques. Nmero de tratamientos. Nmero de subtratamientos.

t
s

143

Yijk

Respuesta obtenida en el j-simo tratamiento y el k-simo subtratamiento ubicado en el i-simo bloque. Efecto medio general.

i i

Efecto atribuido al i-simo bloque. Efecto atribuido al j-simo tratamiento. Error aleatorio en la parcela grande. Efecto del k-simo subtratamiento. Efecto de la interaccin entre el j-simo tratamiento y el k-simo

ij

Sk

(TS) jk

subtratamiento.
eij

Error aleatorio en la parcela chica.

12.3. Hiptesis a probar

Las hiptesis a probar en este tipo de diseos experimentales son sobre los bloques, sobre los tratamientos, sobre los subtratamientos y sobre las interacciones entre los tratamientos y los subtratamientos, que son las siguientes: 1. H 0 :
1 2

...

vs H a : Al menos en uno de los bloques se tiene un efecto diferente de los dems.

2. H 0 : T1

T2

... Tt

vs H a : Al menos en uno de los tratamien tos se tiene un efecto diferente de los dems.

3. H 0 : S1

S2

...

Ss

vs H a : Al menos en uno de los subtratamientos se tiene un efecto diferente de los dems.

4. H 0 : (TS )11

(TS )12

...

(TS )ts

144

vs H a : Al menos en una interaccin entre tratamiento y subtratami ento tiene un efectodiferente de los dems.
12.4. Anlisis de varianza

El anlisis de varianza para el diseo en parcelas divididas est dado por el Cuadro 54: Cuadro 54. Estructura del anlisis de varianza para el diseo en parcelas divididas. F de Cuadrado Grados de Suma de F calculada Fuente de tablas Libertad Cuadrados Medio ( Fcal ) Variacin (F.V.) ( Ftab ) (G.L.) (S.C.) (C.M.) S .C. Bloques F (v1, v2 ) C.M . Bloques
Bloques b-1 t-1 (b-1)(t-1) bt-1 s-1 S.C. Bloques
G.L. Bloques
S .C. Tratamientos G.L. Tratamient os S .C. Error PG G.L. Error PG
C.M . Error PG

Tratamientos Error en Parcela grande Subtotal

S.C. Tratamientos S.C. Error PG S.C. Subtotal S.C. Subtratamientos S.C. TS S.C. Error PCh S.C. Total

C.M . Tratamient os C.M . Error PG

F (v 3 , v 2 )

Subtratamientos

S .C. Subtratamientos G.L. Subtratami entos

C.M . Subtratami entos F (v 4 , v 5 ) C.M . Error PCh


F (v 3 , v 2 ) F (v 3 , v 2 )

TS Error en parcela chica Total

(t-1)(s-1) (b-1)(s-1)t bts-1

S .C. TS G.L. TS S .C. Error PCh G.L. Error PCh

C.M . TS C.M . Error PCh

F (v 6 , v 5 )

Donde:

145

F (v1 , v 2 ) F (v 3 , v 2 ) F (v 4 , v 5 ) F (v 6 , v 5 ) v1 v2 v3 v4 v5 v6

Ftab Blo Ftab Trat Ftab Subtr Ftab TS

Cuantil de la distribucin F. (Ver Tabla II del Apndice) Cuantil de la distribucin F. (Ver Tabla II del Apndice) Cuantil de la distribucin F. (Ver Tabla II del Apndice) Cuantil de la distribucin F. (Ver Tabla II del Apndice)

Grados de libertad de los bloques. Grados de libertad del error en parcela grande. Grados de libertad de los tratamien tos. Grados de libertad de los subtratamientos. Grados de libertad del error en parcela chica. Grados de libertad de la interacci n entre los tratamien tos y subtratamientos.

t 2 Yi..

FC

Y 2 ... bts
b t

Y. 2. j FC S.C. Tratamient os
i 1

S.C. Bloques

i 1

ts

bs

FC

Yij2. S .C. Total


i 1 j 1

- FC

S.C. Error PG

S.C. Subtotal - S.C. Bloques - S.C.Tratam ientos

Y..2 k S.C. Subtratami entos


k 1

Y. 2 jk FC S .C. TS
j 1k 1

bt

- S.C. Trataminet os - S.C. Subtratami entos - FC

s 2 Yijk

S .C. Total
i 1 j 1k 1

FC

S.C. Error PCh

S.C. Total - S.C. Subtotal - S.C.Subtra tamientos - S.C. TS

146

Donde Y ... Suma de todas las observaciones en el experiment o. Yi .. Y. j. Yi j . Y .. k Y. j k Yijk Suma de las observaciones que pertenecen al i - simo bloque. Suma de las observaciones que pertenecen al j - simo tratamien to. Suma de las observaciones que pertenecen al subtotalformado por la interacci n entre el i - simo bloque y el j - simo tratamien to. Suma de las observaciones que pertenecen al k - simo tratamien to. Suma de las observaciones que pertenecen a la interacci n entre el j - simo tratamien to y el k - simo subtratamiento. Valor que se registra para el j - simo tratamien to y el k - simo subtratamiento en el i - simo bloque.

12.5. Regla de decisin

La regla de decisin que se utiliza para el caso de los bloques, tratamientos, subtratamientos y la interaccin entre los tratamientos y subtratamientos es la siguiente:

Se rechaza H 0 si Fcal
Ejemplo 12.1:

Ftab

Haciendo uso de las hojas de clculo, elaboradas en Calc de Open Office, para resolver diseos experimentales ms comunes, se ilustra la tcnica de diseo en parcelas divididas con el siguiente ejemplo:

En un experimento se prob el efecto combinado de dos factores (lminas de riego e insecticidas) en el control del barrenador del tallo (Diatraea spp.) que ataca al cultivo de caa de azcar (Castillo, 2003). Se esperaba que las lminas de riego lograran eliminar a las pupas del barrenador del tallo que se depositaban en el suelo, lo que combinado con el control qumico redituara quizs en un mayor rendimiento en la caa de azcar. Se probaron 3 lminas de riego (10,15, 20 cm), con tres insecticidas sistemticos (Nuvacron, Monocron y Furadan) y un testigo sin aplicar. 147

La unidad experimental consisti en un cuadro de terreno de 10 x 10 metros y la variable respuesta fue la produccin de caa en toneladas por hectrea.

Se detect un gradiente de fertilidad a 3 niveles, por lo que se decidi utilizar 3 bloques en el experimento.

El factor que es limitante en la implementacin del experimento es la lmina de riego, cuyos tres tipos fueron considerados como los tratamientos y se aplicaron sobre las parcelas grandes. Los insecticidas fueron considerados como los subtratamientos y se aplicaron sobre las parcelas chicas. Cada parcela grande estuvo formada por cuatro parcelas chicas y cada bloque estuvo conformado por tres parcelas grandes. Los resultados del experimento se muestran en el Cuadro 55: Cuadro 55. Produccin de caa en toneladas por hectrea. Bloques I II III Insecticidas Lminas de riego Lminas de riego Lminas de riego 10 15 20 10 15 20 10 15 20 Nuvacron 60 66 70 50 56 60 40 47 52 Monocron 100 105 110 80 87 90 67 67 70 Furadan 70 80 83 50 54 58 37 38 40 Sin aplicar 21 30 39 18 16 16 15 15 14 Fuente: Castillo (2003)

Existen diferencias entre las combinaciones de lminas de riego e insecticidas en la produccin de caa de azcar? Responda a la pregunta anterior con una confiabilidad del 95%.

Respuesta Para resolver el ejemplo anterior se hace uso de las hojas de clculo hechas en Calc de Open Office. Al abrir el documento nombrado DISEOS EXPERIMENTALES, en la primera hoja de clculo (Inicio) aparece el Cuadro 6 (mencionado en el captulo 6), en el que se debe de hacer clic en el tipo de diseo

148

que se quiera usar y mediante un hiperenlace genera otra hoja donde se introducen los datos del experimento. En este caso se hace clic en diseo en parcelas divididas.

Despus de hacer clic en diseo en parcelas divididas el Cuadro 6, aparece el Cuadro 56, en donde se introducen los datos del experimento. El Cuadro 56 slo da la opcin de escribir sobre las celdas donde se deben de introducir los datos del experimento, ya que el resto de las celdas se encuentran protegidas contra escritura. En este ejemplo, hay cuatro tratamientos, por lo que el cuadro latino tendr 4 hileras y 4 columnas. Para este tipo de diseo se pueden introducir hasta 10 tratamientos.

Una vez introducidos los datos, aparece en la ltima columna del Cuadro 56, los totales de subtratamiento, en las ltimas filas aparecen el subtotal, los totales de bloque, las sumas del cuadrado de observaciones de bloque, los totales de tratamiento y las interacciones entre tratamientos y subtratamientos, los cuales se necesitan para el anlisis de varianza.

A la derecha del Cuadro 56 aparecen dos hiperenlaces, uno para ir a la hoja de anlisis de datos y el otro para regresar hasta la hoja de clculo donde se seleccion el tipo de diseo.

Cuadro 56. Diseo en parcelas divididas.


DISEO EN PARCELAS DIVIDIDAS Bloques I II III IV V Tratamientos Tratamientos Tratamientos Tratamientos Tratamientos tot. de Subtrat. 1 2 3 4 5
Subtot.

3 45 1 50 80 50 18

2 56 87 54 16

3 45 1 60 90 58 16 40 67 37 15

2 47 67 38 15

3 4 5 1 2 3 4 5 1 2 3 4 5 subtrat. 52 70 40 14

Ir al anlisis

60 66 70 100 105 110 70 80 83 21 30 39 251 281 302

501 776 510 Regresar 184

198 213 224

159 167 176

149

Tot.de blo. 834 Sumas del cuadrado 67032 de obs. de Bloque. Tot. de Trat. 608 661 702 Interacc.

635 40921

502 25450

150 169 182

247 259 270

157 172 181

54 61 69

Al hacer clic en el hiperenlace, Ir al anlisis, en el Cuadro 56, genera el Cuadro 57, donde mediante frmulas aparecen el numero de bloques (b), el nmero de tratamientos (t), el nmero de subtratamientos (s), y el factor de correccin (FC), as como el anlisis de varianza y la conclusin del juego de hiptesis con respecto a los bloques, tratamientos, subtratamientos e interaccin tratamiento subtratamiento. El valor de alfa est determinado para una confiabilidad del 95% (Alfa = 0.05), pero se puede cambiar para tener la confiabilidad que se desee. Todas las celdas del Cuadro 57, a excepcin del valor de alfa, estn protegidas contra escritura, por lo que no es posible modificar el contenido de las mismas.

A la derecha del Cuadro 57 aparece un hiperenlace que para regresar hasta la hoja de clculo donde se introducen los datos del experimento.

Para este ejemplo, mediante el anlisis de varianza y con una confiabilidad del 95% se rechazan las hiptesis nulas (H0) de los bloques, los tratamientos y los subtratamientos, debido a que Fcal Blo. = 116.82 > Ftab Blo. = 6.94, Fcal Trat. = 9.29 > Ftab
Trat.

= 6.94 y Fcal

Subtrat.

= 143.99 > Ftab

Subtrat.

= 3.16, respectivamente, lo que

indica que al menos el efecto de un bloque, un tratamiento y un subtratamiento es diferente al de los dems, respectivamente; mientras que la hiptesis nula (H0) para la interaccin tratamiento subtratamiento no se rechaza, debido a que Fcal TS = 0.10 Ftab
TS

= 2.66, lo que indica que el efecto las interacciones tratamiento

subtratamiento son iguales.

150

Cuadro 57. Anlisis de varianza para el diseo en parcelas divididas. B= 3 ANLISIS DE VARIANZA T= 3 F.V. G.L. S.C. C.M. Fcal S= 4 Bloques 2 4653.167 2326.58 116.82 Tratamientos 2 370.167 185.08 9.29 Error en parcela FC = 107912.25 4 79.667 19.92 grande Alfa 0.05 Subtotal 8 5103.000 Subtratamientos 3 19546.97 6515.66 143.99 TS 6 26.278 4.38 0.10 Error en parcela 18 814.50 45.25 chica Total 35 25490.75

Ftab 6.94 6.94

Regresar

3.16 2.66

CONCLUSIN Fcal Blo. > Ftab Blo. Se rechaza H0 y hay significancia al 0.05 Fcal Trat. > Ftab Trat. Se rechaza H0 y hay significancia al 0.05 Fcal Subtrat. > Ftab Subtrat. Se rechaza H0 y hay significancia al 0.05 Fcal TS Ftab TS. No se rechaza H0 y no hay significancia al 0.05

13. CONCLUSIONES

Las hojas de clculo, de Calc de Open Office, son muy fcil de usar debido a su enorme similitud con Excel de Microsoft, que hace que el usuario tenga una rpida familiarizacin con esta herramienta para trabajar con hojas de clculo.

En los diseos experimentales ms comunes, el uso de Calc de Open Office como herramienta para trabajar con hojas de clculo es de gran utilidad, ya que se puede llegar a resolver problemas de tratamientos o comparacin de medias de tratamientos en algn tipo de diseo experimental sin tener que recurrir a otros tipos de software que son ms complicados de usar o no son libres.

El uso de la herramienta para trabajar con hojas de clculo, Calc de Open Office, es una alternativa ms para utilizar un software que sea gratuito y fcil de usar y no depender tanto de algn software que no sea libre.

151

Con el uso de Calc de Open Office para resolver diseos experimentales ms comunes, se lleg a obtener una alternativa ms para resolver algunos diseos experimentales mediante las hojas de clculo generadas en este trabajo.

14. BIBLIOGRAFA Castillo, L. (2003). UACH. Introduccin a la estadstica experimental. Segunda Edicin, Chapingo, Mx.: UACH. Departamento de Parasitologa Agrcola. 277 p. Cochran, W. y Cox, G. (1980). Diseos experimentales. Sexta reimpresin, Editorial Trillas. 661 p. Cramer, H. (1960). Mtodos matemticos de estadstica. Segunda Edicin, Editorial Aguilar, Madrid, Espaa. 660 p. Fernndez T., J. A. Tutorial de openoffice.org. Mayo de 2004. http://mnm.uib.es/gallir/curspl2005/material/tutorial-ooo/calc.html (29 de septiembre de 2009) Fisher, R. (1960). The Design of experiments. Seventh Edition. Oliver and Boyd, Edinburgh. 248 p. Infante, S. Y Zarate,G. (1990). Mtodos estadsticos. Segunda Edicin, Editorial trillas, Mxico. 643 p. Martnez, A. (1983). Diseos experimentales. Colegio de Postgraduados, Chapingo, Mx. 483 p. Montgomery, D. (2007). Diseo y anlisis de experimentos. Segunda Edicin, Limusa-Wiley, Mxico. 686 p. Palma, A. y Snchez, S. (2004). Proceso de titulacin por tesis en la Divisin de Ciencias Forestales. U.A.Ch. 91 p. Scheff, H. (1959). Analysis of variante. John Willey & Sons, Inc. 477 p Steel, R. y Torrie, J. (1988). Bioestadstica. Principios y procedimientos. Segunda Edicin (primera en espaol). Editorial McGraw-Hill, Mx. 622 p. http://es.openoffice.org/ (29 de septiembre de 2009) Wikimedia Foundation, Inc. http://es.wikipedia.org/wiki/openoffice.org (29 de septiembre de 2009) 152

15. APNDICE Tabla I. Cuantiles para la distribucin t de Student. Tabla II. Cuantiles de la distribucin F.

Tabla I. Cuantiles para la distribucin t de Student.


gl = v 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 40 50 60 70 80 90 100 0.005 63.66 9.92 5.84 4.60 4.03 3.71 3.50 3.36 3.25 3.17 3.11 3.05 3.01 2.98 2.95 2.92 2.90 2.88 2.86 2.85 2.83 2.82 2.81 2.80 2.79 2.78 2.77 2.76 2.76 2.75 2.70 2.68 2.66 2.65 2.64 2.63 2.63 0.01 31.82 6.96 4.54 3.75 3.36 3.14 3.00 2.90 2.82 2.76 2.72 2.68 2.65 2.62 2.60 2.58 2.57 2.55 2.54 2.53 2.52 2.51 2.50 2.49 2.49 2.48 2.47 2.47 2.46 2.46 2.42 2.40 2.39 2.38 2.37 2.37 2.36 Valores de 0.025 12.71 4.30 3.18 2.78 2.57 2.45 2.36 2.31 2.26 2.23 2.20 2.18 2.16 2.14 2.13 2.12 2.11 2.10 2.09 2.09 2.08 2.07 2.07 2.06 2.06 2.06 2.05 2.05 2.05 2.04 2.02 2.01 2.00 1.99 1.99 1.99 1.98 0.05 6.31 2.92 2.35 2.13 2.02 1.94 1.89 1.86 1.83 1.81 1.80 1.78 1.77 1.76 1.75 1.75 1.74 1.73 1.73 1.72 1.72 1.72 1.71 1.71 1.71 1.71 1.70 1.70 1.70 1.70 1.68 1.68 1.67 1.67 1.66 1.66 1.66 0.10 3.08 1.89 1.64 1.53 1.48 1.44 1.41 1.40 1.38 1.37 1.36 1.36 1.35 1.35 1.34 1.34 1.33 1.33 1.33 1.33 1.32 1.32 1.32 1.32 1.32 1.31 1.31 1.31 1.31 1.31 1.30 1.30 1.30 1.29 1.29 1.29 1.29

153

Tabla II. Cuantiles de la distribucin F.


v2 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 v1 1 39.86 161.45 647.79 4052.18 8.53 18.51 38.51 98.50 5.54 10.13 17.44 34.12 4.54 7.71 12.22 21.20 4.06 6.61 10.01 16.26 3.78 5.99 8.81 13.75 3.59 5.59 8.07 12.25 3.46 5.32 7.57 11.26 3.36 5.12 7.21 10.56 3.29 4.96 6.94 10.04 3.23 4.84 6.72 9.65 2 49.50 199.50 799.50 4999.50 9.00 19.00 39.00 99.00 5.46 9.55 16.04 30.82 4.32 6.94 10.65 18.00 3.78 5.79 8.43 13.27 3.46 5.14 7.26 10.92 3.26 4.74 6.54 9.55 3.11 4.46 6.06 8.65 3.01 4.26 5.71 8.02 2.92 4.10 5.46 7.56 2.86 3.98 5.26 7.21 3 53.59 215.71 864.16 5403.35 9.16 19.16 39.17 99.17 5.39 9.28 15.44 29.46 4.19 6.59 9.98 16.69 3.62 5.41 7.76 12.06 3.29 4.76 6.60 9.78 3.07 4.35 5.89 8.45 2.92 4.07 5.42 7.59 2.81 3.86 5.08 6.99 2.73 3.71 4.83 6.55 2.66 3.59 4.63 6.22 4 55.83 224.58 899.58 5624.58 9.24 19.25 39.25 99.25 5.34 9.12 15.10 28.71 4.11 6.39 9.60 15.98 3.52 5.19 7.39 11.39 3.18 4.53 6.23 9.15 2.96 4.12 5.52 7.85 2.81 3.84 5.05 7.01 2.69 3.63 4.72 6.42 2.61 3.48 4.47 5.99 2.54 3.36 4.28 5.67 5 57.24 230.16 921.85 5763.65 9.29 19.30 39.30 99.30 5.31 9.01 14.88 28.24 4.05 6.26 9.36 15.52 3.45 5.05 7.15 10.97 3.11 4.39 5.99 8.75 2.88 3.97 5.29 7.46 2.73 3.69 4.82 6.63 2.61 3.48 4.48 6.06 2.52 3.33 4.24 5.64 2.45 3.20 4.04 5.32 6 58.20 233.99 937.11 5858.99 9.33 19.33 39.33 99.33 5.28 8.94 14.73 27.91 4.01 6.16 9.20 15.21 3.40 4.95 6.98 10.67 3.05 4.28 5.82 8.47 2.83 3.87 5.12 7.19 2.67 3.58 4.65 6.37 2.55 3.37 4.32 5.80 2.46 3.22 4.07 5.39 2.39 3.09 3.88 5.07 7 58.91 236.77 948.22 5928.36 9.35 19.35 39.36 99.36 5.27 8.89 14.62 27.67 3.98 6.09 9.07 14.98 3.37 4.88 6.85 10.46 3.01 4.21 5.70 8.26 2.78 3.79 4.99 6.99 2.62 3.50 4.53 6.18 2.51 3.29 4.20 5.61 2.41 3.14 3.95 5.20 2.34 3.01 3.76 4.89 8 59.44 238.88 956.66 5981.07 9.37 19.37 39.37 99.37 5.25 8.85 14.54 27.49 3.95 6.04 8.98 14.80 3.34 4.82 6.76 10.29 2.98 4.15 5.60 8.10 2.75 3.73 4.90 6.84 2.59 3.44 4.43 6.03 2.47 3.23 4.10 5.47 2.38 3.07 3.85 5.06 2.30 2.95 3.66 4.74 9 59.86 240.54 963.28 6022.47 9.38 19.38 39.39 99.39 5.24 8.81 14.47 27.35 3.94 6.00 8.90 14.66 3.32 4.77 6.68 10.16 2.96 4.10 5.52 7.98 2.72 3.68 4.82 6.72 2.56 3.39 4.36 5.91 2.44 3.18 4.03 5.35 2.35 3.02 3.78 4.94 2.27 2.90 3.59 4.63 10 60.19 241.88 968.63 6055.85 9.39 19.40 39.40 99.40 5.23 8.79 14.42 27.23 3.92 5.96 8.84 14.55 3.30 4.74 6.62 10.05 2.94 4.06 5.46 7.87 2.70 3.64 4.76 6.62 2.54 3.35 4.30 5.81 2.42 3.14 3.96 5.26 2.32 2.98 3.72 4.85 2.25 2.85 3.53 4.54

10

11

154

Tabla II. Cuantiles de la distribucin F (continuacin)


v2 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 v1 1 3.18 4.75 6.55 9.33 3.14 4.67 6.41 9.07 3.10 4.60 6.30 8.86 3.07 4.54 6.20 8.68 3.05 4.49 6.12 8.53 3.03 4.45 6.04 8.40 3.01 4.41 5.98 8.29 2.99 4.38 5.92 8.18 2.97 4.35 5.87 8.10 2.96 4.32 5.83 8.02 2.95 4.30 5.79 7.95 2 2.81 3.89 5.10 6.93 2.76 3.81 4.97 6.70 2.73 3.74 4.86 6.51 2.70 3.68 4.77 6.36 2.67 3.63 4.69 6.23 2.64 3.59 4.62 6.11 2.62 3.55 4.56 6.01 2.61 3.52 4.51 5.93 2.59 3.49 4.46 5.85 2.57 3.47 4.42 5.78 2.56 3.44 4.38 5.72 3 2.61 3.49 4.47 5.95 2.56 3.41 4.35 5.74 2.52 3.34 4.24 5.56 2.49 3.29 4.15 5.42 2.46 3.24 4.08 5.29 2.44 3.20 4.01 5.18 2.42 3.16 3.95 5.09 2.40 3.13 3.90 5.01 2.38 3.10 3.86 4.94 2.36 3.07 3.82 4.87 2.35 3.05 3.78 4.82 4 2.48 3.26 4.12 5.41 2.43 3.18 4.00 5.21 2.39 3.11 3.89 5.04 2.36 3.06 3.80 4.89 2.33 3.01 3.73 4.77 2.31 2.96 3.66 4.67 2.29 2.93 3.61 4.58 2.27 2.90 3.56 4.50 2.25 2.87 3.51 4.43 2.23 2.84 3.48 4.37 2.22 2.82 3.44 4.31 5 2.39 3.11 3.89 5.06 2.35 3.03 3.77 4.86 2.31 2.96 3.66 4.69 2.27 2.90 3.58 4.56 2.24 2.85 3.50 4.44 2.22 2.81 3.44 4.34 2.20 2.77 3.38 4.25 2.18 2.74 3.33 4.17 2.16 2.71 3.29 4.10 2.14 2.68 3.25 4.04 2.13 2.66 3.22 3.99 6 2.33 3.00 3.73 4.82 2.28 2.92 3.60 4.62 2.24 2.85 3.50 4.46 2.21 2.79 3.41 4.32 2.18 2.74 3.34 4.20 2.15 2.70 3.28 4.10 2.13 2.66 3.22 4.01 2.11 2.63 3.17 3.94 2.09 2.60 3.13 3.87 2.08 2.57 3.09 3.81 2.06 2.55 3.05 3.76 7 2.28 2.91 3.61 4.64 2.23 2.83 3.48 4.44 2.19 2.76 3.38 4.28 2.16 2.71 3.29 4.14 2.13 2.66 3.22 4.03 2.10 2.61 3.16 3.93 2.08 2.58 3.10 3.84 2.06 2.54 3.05 3.77 2.04 2.51 3.01 3.70 2.02 2.49 2.97 3.64 2.01 2.46 2.93 3.59 8 2.24 2.85 3.51 4.50 2.20 2.77 3.39 4.30 2.15 2.70 3.29 4.14 2.12 2.64 3.20 4.00 2.09 2.59 3.12 3.89 2.06 2.55 3.06 3.79 2.04 2.51 3.01 3.71 2.02 2.48 2.96 3.63 2.00 2.45 2.91 3.56 1.98 2.42 2.87 3.51 1.97 2.40 2.84 3.45 9 2.21 2.80 3.44 4.39 2.16 2.71 3.31 4.19 2.12 2.65 3.21 4.03 2.09 2.59 3.12 3.89 2.06 2.54 3.05 3.78 2.03 2.49 2.98 3.68 2.00 2.46 2.93 3.60 1.98 2.42 2.88 3.52 1.96 2.39 2.84 3.46 1.95 2.37 2.80 3.40 1.93 2.34 2.76 3.35 10 2.19 2.75 3.37 4.30 2.14 2.67 3.25 4.10 2.10 2.60 3.15 3.94 2.06 2.54 3.06 3.80 2.03 2.49 2.99 3.69 2.00 2.45 2.92 3.59 1.98 2.41 2.87 3.51 1.96 2.38 2.82 3.43 1.94 2.35 2.77 3.37 1.92 2.32 2.73 3.31 1.90 2.30 2.70 3.26

12

13

14

15

16

17

18

19

20

21

22

155

Tabla II. Cuantiles de la distribucin F (continuacin)


v2 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 v1 1 2.94 4.28 5.75 7.88 2.93 4.26 5.72 7.82 2.92 4.24 5.69 7.77 2.91 4.23 5.66 7.72 2.90 4.21 5.63 7.68 2.89 4.20 5.61 7.64 2.89 4.18 5.59 7.60 2.88 4.17 5.57 7.56 2.84 4.08 5.42 7.31 2.79 4.00 5.29 7.08 2.75 3.92 5.15 6.85 2 2.55 3.42 4.35 5.66 2.54 3.40 4.32 5.61 2.53 3.39 4.29 5.57 2.52 3.37 4.27 5.53 2.51 3.35 4.24 5.49 2.50 3.34 4.22 5.45 2.50 3.33 4.20 5.42 2.49 3.32 4.18 5.39 2.44 3.23 4.05 5.18 2.39 3.15 3.93 4.98 2.35 3.07 3.80 4.79 3 2.34 3.03 3.75 4.76 2.33 3.01 3.72 4.72 2.32 2.99 3.69 4.68 2.31 2.98 3.67 4.64 2.30 2.96 3.65 4.60 2.29 2.95 3.63 4.57 2.28 2.93 3.61 4.54 2.28 2.92 3.59 4.51 2.23 2.84 3.46 4.31 2.18 2.76 3.34 4.13 2.13 2.68 3.23 3.95 4 2.21 2.80 3.41 4.26 2.19 2.78 3.38 4.22 2.18 2.76 3.35 4.18 2.17 2.74 3.33 4.14 2.17 2.73 3.31 4.11 2.16 2.71 3.29 4.07 2.15 2.70 3.27 4.04 2.14 2.69 3.25 4.02 2.09 2.61 3.13 3.83 2.04 2.53 3.01 3.65 1.99 2.45 2.89 3.48 5 2.11 2.64 3.18 3.94 2.10 2.62 3.15 3.90 2.09 2.60 3.13 3.85 2.08 2.59 3.10 3.82 2.07 2.57 3.08 3.78 2.06 2.56 3.06 3.75 2.06 2.55 3.04 3.73 2.05 2.53 3.03 3.70 2.00 2.45 2.90 3.51 1.95 2.37 2.79 3.34 1.90 2.29 2.67 3.17 6 2.05 2.53 3.02 3.71 2.04 2.51 2.99 3.67 2.02 2.49 2.97 3.63 2.01 2.47 2.94 3.59 2.00 2.46 2.92 3.56 2.00 2.45 2.90 3.53 1.99 2.43 2.88 3.50 1.98 2.42 2.87 3.47 1.93 2.34 2.74 3.29 1.87 2.25 2.63 3.12 1.82 2.18 2.52 2.96 7 1.99 2.44 2.90 3.54 1.98 2.42 2.87 3.50 1.97 2.40 2.85 3.46 1.96 2.39 2.82 3.42 1.95 2.37 2.80 3.39 1.94 2.36 2.78 3.36 1.93 2.35 2.76 3.33 1.93 2.33 2.75 3.30 1.87 2.25 2.62 3.12 1.82 2.17 2.51 2.95 1.77 2.09 2.39 2.79 8 1.95 2.37 2.81 3.41 1.94 2.36 2.78 3.36 1.93 2.34 2.75 3.32 1.92 2.32 2.73 3.29 1.91 2.31 2.71 3.26 1.90 2.29 2.69 3.23 1.89 2.28 2.67 3.20 1.88 2.27 2.65 3.17 1.83 2.18 2.53 2.99 1.77 2.10 2.41 2.82 1.72 2.02 2.30 2.66 9 1.92 2.32 2.73 3.30 1.91 2.30 2.70 3.26 1.89 2.28 2.68 3.22 1.88 2.27 2.65 3.18 1.87 2.25 2.63 3.15 1.87 2.24 2.61 3.12 1.86 2.22 2.59 3.09 1.85 2.21 2.57 3.07 1.79 2.12 2.45 2.89 1.74 2.04 2.33 2.72 1.68 1.96 2.22 2.56 10 1.89 2.27 2.67 3.21 1.88 2.25 2.64 3.17 1.87 2.24 2.61 3.13 1.86 2.22 2.59 3.09 1.85 2.20 2.57 3.06 1.84 2.19 2.55 3.03 1.83 2.18 2.53 3.00 1.82 2.16 2.51 2.98 1.76 2.08 2.39 2.80 1.71 1.99 2.27 2.63 1.65 1.91 2.16 2.47

23

24

25

26

27

28

29

30

40

60

120

156

Tabla II. Cuantiles de la distribucin F (continuacin)


v2 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 11 60.47 242.98 973.03 6083.32 9.40 19.40 39.41 99.41 5.22 8.76 14.37 27.13 3.91 5.94 8.79 14.45 3.28 4.70 6.57 9.96 2.92 4.03 5.41 7.79 2.68 3.60 4.71 6.54 2.52 3.31 4.24 5.73 2.40 3.10 3.91 5.18 2.30 2.94 3.66 4.77 2.23 2.82 3.47 4.46 12 60.71 243.91 976.71 6106.32 9.41 19.41 39.41 99.42 5.22 8.74 14.34 27.05 3.90 5.91 8.75 14.37 3.27 4.68 6.52 9.89 2.90 4.00 5.37 7.72 2.67 3.57 4.67 6.47 2.50 3.28 4.20 5.67 2.38 3.07 3.87 5.11 2.28 2.91 3.62 4.71 2.21 2.79 3.43 4.40 15 61.22 245.95 984.87 6157.28 9.42 19.43 39.43 99.43 5.20 8.70 14.25 26.87 3.87 5.86 8.66 14.20 3.24 4.62 6.43 9.72 2.87 3.94 5.27 7.56 2.63 3.51 4.57 6.31 2.46 3.22 4.10 5.52 2.34 3.01 3.77 4.96 2.24 2.85 3.52 4.56 2.17 2.72 3.33 4.25 20 61.74 248.01 993.10 6208.73 9.44 19.45 39.45 99.45 5.18 8.66 14.17 26.69 3.84 5.80 8.56 14.02 3.21 4.56 6.33 9.55 2.84 3.87 5.17 7.40 2.59 3.44 4.47 6.16 2.42 3.15 4.00 5.36 2.30 2.94 3.67 4.81 2.20 2.77 3.42 4.41 2.12 2.65 3.23 4.10 v1 24 62.00 249.05 997.25 6234.63 9.45 19.45 39.46 99.46 5.18 8.64 14.12 26.60 3.83 5.77 8.51 13.93 3.19 4.53 6.28 9.47 2.82 3.84 5.12 7.31 2.58 3.41 4.41 6.07 2.40 3.12 3.95 5.28 2.28 2.90 3.61 4.73 2.18 2.74 3.37 4.33 2.10 2.61 3.17 4.02 30 62.26 250.10 1001.41 6260.65 9.46 19.46 39.46 99.47 5.17 8.62 14.08 26.50 3.82 5.75 8.46 13.84 3.17 4.50 6.23 9.38 2.80 3.81 5.07 7.23 2.56 3.38 4.36 5.99 2.38 3.08 3.89 5.20 2.25 2.86 3.56 4.65 2.16 2.70 3.31 4.25 2.08 2.57 3.12 3.94 40 62.53 251.14 1005.60 6286.78 9.47 19.47 39.47 99.47 5.16 8.59 14.04 26.41 3.80 5.72 8.41 13.75 3.16 4.46 6.18 9.29 2.78 3.77 5.01 7.14 2.54 3.34 4.31 5.91 2.36 3.04 3.84 5.12 2.23 2.83 3.51 4.57 2.13 2.66 3.26 4.17 2.05 2.53 3.06 3.86 60 62.79 252.20 1009.80 6313.03 9.47 19.48 39.48 99.48 5.15 8.57 13.99 26.32 3.79 5.69 8.36 13.65 3.14 4.43 6.12 9.20 2.76 3.74 4.96 7.06 2.51 3.30 4.25 5.82 2.34 3.01 3.78 5.03 2.21 2.79 3.45 4.48 2.11 2.62 3.20 4.08 2.03 2.49 3.00 3.78 120 63.06 253.25 1014.02 6339.39 9.48 19.49 39.49 99.49 5.14 8.55 13.95 26.22 3.78 5.66 8.31 13.56 3.12 4.40 6.07 9.11 2.74 3.70 4.90 6.97 2.49 3.27 4.20 5.74 2.32 2.97 3.73 4.95 2.18 2.75 3.39 4.40 2.08 2.58 3.14 4.00 2.00 2.45 2.94 3.69

10

11

157

Tabla II. Cuantiles de la distribucin F (continuacin)


v2 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 11 2.17 2.72 3.32 4.22 2.12 2.63 3.20 4.02 2.07 2.57 3.09 3.86 2.04 2.51 3.01 3.73 2.01 2.46 2.93 3.62 1.98 2.41 2.87 3.52 1.95 2.37 2.81 3.43 1.93 2.34 2.76 3.36 1.91 2.31 2.72 3.29 1.90 2.28 2.68 3.24 1.88 2.26 2.65 3.18 12 2.15 2.69 3.28 4.16 2.10 2.60 3.15 3.96 2.05 2.53 3.05 3.80 2.02 2.48 2.96 3.67 1.99 2.42 2.89 3.55 1.96 2.38 2.82 3.46 1.93 2.34 2.77 3.37 1.91 2.31 2.72 3.30 1.89 2.28 2.68 3.23 1.87 2.25 2.64 3.17 1.86 2.23 2.60 3.12 15 2.10 2.62 3.18 4.01 2.05 2.53 3.05 3.82 2.01 2.46 2.95 3.66 1.97 2.40 2.86 3.52 1.94 2.35 2.79 3.41 1.91 2.31 2.72 3.31 1.89 2.27 2.67 3.23 1.86 2.23 2.62 3.15 1.84 2.20 2.57 3.09 1.83 2.18 2.53 3.03 1.81 2.15 2.50 2.98 20 2.06 2.54 3.07 3.86 2.01 2.46 2.95 3.66 1.96 2.39 2.84 3.51 1.92 2.33 2.76 3.37 1.89 2.28 2.68 3.26 1.86 2.23 2.62 3.16 1.84 2.19 2.56 3.08 1.81 2.16 2.51 3.00 1.79 2.12 2.46 2.94 1.78 2.10 2.42 2.88 1.76 2.07 2.39 2.83 v1 24 2.04 2.51 3.02 3.78 1.98 2.42 2.89 3.59 1.94 2.35 2.79 3.43 1.90 2.29 2.70 3.29 1.87 2.24 2.63 3.18 1.84 2.19 2.56 3.08 1.81 2.15 2.50 3.00 1.79 2.11 2.45 2.92 1.77 2.08 2.41 2.86 1.75 2.05 2.37 2.80 1.73 2.03 2.33 2.75 30 2.01 2.47 2.96 3.70 1.96 2.38 2.84 3.51 1.91 2.31 2.73 3.35 1.87 2.25 2.64 3.21 1.84 2.19 2.57 3.10 1.81 2.15 2.50 3.00 1.78 2.11 2.44 2.92 1.76 2.07 2.39 2.84 1.74 2.04 2.35 2.78 1.72 2.01 2.31 2.72 1.70 1.98 2.27 2.67 40 1.99 2.43 2.91 3.62 1.93 2.34 2.78 3.43 1.89 2.27 2.67 3.27 1.85 2.20 2.59 3.13 1.81 2.15 2.51 3.02 1.78 2.10 2.44 2.92 1.75 2.06 2.38 2.84 1.73 2.03 2.33 2.76 1.71 1.99 2.29 2.69 1.69 1.96 2.25 2.64 1.67 1.94 2.21 2.58 60 1.96 2.38 2.85 3.54 1.90 2.30 2.72 3.34 1.86 2.22 2.61 3.18 1.82 2.16 2.52 3.05 1.78 2.11 2.45 2.93 1.75 2.06 2.38 2.83 1.72 2.02 2.32 2.75 1.70 1.98 2.27 2.67 1.68 1.95 2.22 2.61 1.66 1.92 2.18 2.55 1.64 1.89 2.14 2.50 120 1.93 2.34 2.79 3.45 1.88 2.25 2.66 3.25 1.83 2.18 2.55 3.09 1.79 2.11 2.46 2.96 1.75 2.06 2.38 2.84 1.72 2.01 2.32 2.75 1.69 1.97 2.26 2.66 1.67 1.93 2.20 2.58 1.64 1.90 2.16 2.52 1.62 1.87 2.11 2.46 1.60 1.84 2.08 2.40

12

13

14

15

16

17

18

19

20

21

22

158

Tabla II. Cuantiles de la distribucin F (continuacin)


v2 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 0.1 0.05 0.025 0.01 11 1.87 2.24 2.62 3.14 1.85 2.22 2.59 3.09 1.84 2.20 2.56 3.06 1.83 2.18 2.54 3.02 1.82 2.17 2.51 2.99 1.81 2.15 2.49 2.96 1.80 2.14 2.48 2.93 1.79 2.13 2.46 2.91 1.74 2.04 2.33 2.73 1.68 1.95 2.22 2.56 1.63 1.87 2.10 2.40 12 1.84 2.20 2.57 3.07 1.83 2.18 2.54 3.03 1.82 2.16 2.51 2.99 1.81 2.15 2.49 2.96 1.80 2.13 2.47 2.93 1.79 2.12 2.45 2.90 1.78 2.10 2.43 2.87 1.77 2.09 2.41 2.84 1.71 2.00 2.29 2.66 1.66 1.92 2.17 2.50 1.60 1.83 2.05 2.34 15 1.80 2.13 2.47 2.93 1.78 2.11 2.44 2.89 1.77 2.09 2.41 2.85 1.76 2.07 2.39 2.81 1.75 2.06 2.36 2.78 1.74 2.04 2.34 2.75 1.73 2.03 2.32 2.73 1.72 2.01 2.31 2.70 1.66 1.92 2.18 2.52 1.60 1.84 2.06 2.35 1.55 1.75 1.94 2.19 20 1.74 2.05 2.36 2.78 1.73 2.03 2.33 2.74 1.72 2.01 2.30 2.70 1.71 1.99 2.28 2.66 1.70 1.97 2.25 2.63 1.69 1.96 2.23 2.60 1.68 1.94 2.21 2.57 1.67 1.93 2.20 2.55 1.61 1.84 2.07 2.37 1.54 1.75 1.94 2.20 1.48 1.66 1.82 2.03 v1 24 1.72 2.01 2.30 2.70 1.70 1.98 2.27 2.66 1.69 1.96 2.24 2.62 1.68 1.95 2.22 2.58 1.67 1.93 2.19 2.55 1.66 1.91 2.17 2.52 1.65 1.90 2.15 2.49 1.64 1.89 2.14 2.47 1.57 1.79 2.01 2.29 1.51 1.70 1.88 2.12 1.45 1.61 1.76 1.95 30 1.69 1.96 2.24 2.62 1.67 1.94 2.21 2.58 1.66 1.92 2.18 2.54 1.65 1.90 2.16 2.50 1.64 1.88 2.13 2.47 1.63 1.87 2.11 2.44 1.62 1.85 2.09 2.41 1.61 1.84 2.07 2.39 1.54 1.74 1.94 2.20 1.48 1.65 1.82 2.03 1.41 1.55 1.69 1.86 40 1.66 1.91 2.18 2.54 1.64 1.89 2.15 2.49 1.63 1.87 2.12 2.45 1.61 1.85 2.09 2.42 1.60 1.84 2.07 2.38 1.59 1.82 2.05 2.35 1.58 1.81 2.03 2.33 1.57 1.79 2.01 2.30 1.51 1.69 1.88 2.11 1.44 1.59 1.74 1.94 1.37 1.50 1.61 1.76 60 1.62 1.86 2.11 2.45 1.61 1.84 2.08 2.40 1.59 1.82 2.05 2.36 1.58 1.80 2.03 2.33 1.57 1.79 2.00 2.29 1.56 1.77 1.98 2.26 1.55 1.75 1.96 2.23 1.54 1.74 1.94 2.21 1.47 1.64 1.80 2.02 1.40 1.53 1.67 1.84 1.32 1.43 1.53 1.66 120 1.59 1.81 2.04 2.35 1.57 1.79 2.01 2.31 1.56 1.77 1.98 2.27 1.54 1.75 1.95 2.23 1.53 1.73 1.93 2.20 1.52 1.71 1.91 2.17 1.51 1.70 1.89 2.14 1.50 1.68 1.87 2.11 1.42 1.58 1.72 1.92 1.35 1.47 1.58 1.73 1.26 1.35 1.43 1.53

23

24

25

26

27

28

29

30

40

60

120

159