You are on page 1of 24

Introduccion al diseno de experimentos ´ ˜

Luis Cayuela Mayo de 2011

´ Area de Biodiversidad y Conservaci´n, Universidad Rey Juan Carlos, o Departamental 1 – DI. 231, c/ Tulip´n s/n. E-28933 M´stoles (Madrid), a o Espa˜a. E-mail: luis.cayuela@urjc.es. n

1

Introducci´n al dise˜ o de experimentos (versi´n 1.2) o n o
Publicado por: Luis Cayuela

Se autoriza a cualquier persona a utilizar, copiar, distribuir y modificar esta obra con las siguientes condiciones: (1) que se reconozca la autor´ de la misma; ıa (2) que no se utilice con fines comerciales; y (3) que si se altera la obra original, el trabajo resultante sea distribuido bajo una licencia similar a ´sta. e

Para cualquier comentario o sugerencia por favor remitirse al autor de la obra.

2

. . . . . . . . . . 4. . ANOVA de medidas repetidas . . . . .4. . n 3. . . . . Dise˜ os de investigaci´n n o 1. . Modelos mixtos 4. . . . . . . o 4. . . . . . . 3. . . Modelos mixtos ¿una alternativa para representar y analizar otros dise˜os de experimentos? .1. . . Supuestos de los dise˜os factoriales . . . Otros dise˜ os de experimentos n 3. . . . . . . . . . . . . . . . . n 5. . . . . Dise˜ o factorial o ANOVA n 2. . . ¿Efectos fijos o aleatorios? . . . 1. . . . . . . . 3. .1. . . . . . . . . . . . .1.2. . . . . . . . . . . . . ANOVA anidado o jerarquizado .´ Indice 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Pseudorreplicaci´n . . . . . . .1. . . . . . . Referencias 4 4 5 5 7 7 9 9 11 13 16 16 19 21 21 23 24 3 . . .2. . . . .3. . . . . . . . . . . . . . Split-plot . . . . . . . . . . . Dise˜o por bloques aleatorizados . o o 2. . . . Ejercicios 6. o 1. . . Factores de confusi´n .3. . . . . . . . . Replicaci´n y aleatorizaci´n . . 3. . . . . .1. . . . . . . . . . . . . . El supuesto de independencia . . . . . . . . . . .2.4. . . . n 3. . . . . . . . . . .

contribuyendo al error de tipo II (aceptaci´n incorrecta de una hip´tesis nula falsa). lo que podr´ provocar. y un error de tipo I (rechazo incorrecto de una hip´tesis o nula cierta). Independencia en este contexto se refiere al hecho de que las observaciones hechas en una determinada r´plica no tienen una influencia e sobre las observaciones hechas en otra r´plica. Sin embargo. El supuesto de independencia La mayor´ de los an´lisis estad´ ıa a ısticos asumen que las r´plicas son e independientes. la no independencia podr´ disminuir ıa las diferencias aparentes entre los tratamientos. La mejor manera para salvaguardarnos de la no independencia de las r´plicas e es asegurarnos de que las r´plicas dentro y entre tratamientos est´n separadas e a unas de otras en espacio y tiempo lo suficiente como asegurarnos de que unas no tengan un efecto sobre las otras. Esto implica seleccionar o o desarrollar un dise˜o de investigaci´n y aplicarlo al contexto particular de su n o estudio. se marchan inmediatamente. entre otras cosas. Dise˜ os de investigaci´n n o Una vez definido el tipo de estudio a realizar y establecer las hip´tesis de o investigaci´n. En la parcela control estimas un e promedio de 10 visitas por hora. Tu variable respuesta es el n´mero de visitas de los colibr´ a las u ıes flores. diferencia entre ellas. la no o o independencia de las muestras aumenta o disminuye tanto el p-valor como el poder estad´ ıstico de maneras no previsibles. en el campo de la ecolog´ ıa. un p-valor m´s ıa a bajo de forma espuria. El dise˜o se˜ala al investigador lo que debe hacer o n n para alcanzar sus objetivos de estudio. Una parcela es la control. Por desgracia. y es por tanto muy d´ u ıficil poder establecer una distancia o un espacio que garantice la no independencia de las 4 . la manipulada estuvieran m´s separadas entre s´ en el espacio. Cuando las dos parcelas est´n pr´ximas entre s´ la no independencia de las muestras aumenta la a o ı. y los ıes mismos individuos visitan la parcela contigua (la control). el investigador debe concebir la manera pr´ctica y concreta de o a responder a las preguntas de investigaci´n. Claramente. Im´ginemos por ejemplo que e a estamos estudiando la respuesta de los colibr´ a la cantidad del n´ctar ıes e producido por las flores que ´stos polinizan. y mides ´sta en las dos parcelas. como en muchos otros campos.Luis Cayuela Introducci´n al dise˜o de experimentos o n 1. casi todo tiene un efecto sobre casi todo a m´ltiples escalas espacio-temporales. sin embargo. Mientras que recoges los datos. En otros casos. los dos grupos de observaciones no son independientes entre s´ Si la parcela control y ı. Dise˜o se refiere al plan o estrategia concebida para responder a las n preguntas de investigaci´n. las estimas del a ı n´mero de visitas promedio por hora podr´ haber sido distinta.1. observas que una vez que los colibr´ llegan a la parcela manipulada. Para medir esta respuesta e establecemos dos parcelas adyacentes de 5 x 5 m. Hay muchos tipos de dise˜os distintos: algunos son puramente n observaciones y otros manipulativos. mientras que la contigua es una parcela en d´nde se ha extraido todo el n´ctar o e de las flores. 1. comparadas con s´lo 5 visitas por hora en la o parcela manipulada. y esto podr´ u ıa ıa incluso modificar los resultados de nuestro estudio. contestar las interrogantes que se ha planteado y analizar la certeza de las hip´tesis formuladas en un contexto en o particular.

). sin darnos cuenta hemos situado la parcela control en una ladera muy soleada y la parcela manipulada en un valle fr´ El n´mero de ıo. Pero ¿por qu´ no simplemente e maximizar la distancia en tiempo o en espacio entre las muestras? Por varias razones. Queremos que nuestras o a r´plicas est´n lo suficientemente cerca como para tener un ambiente e e relativamente homog´neo pero lo suficientemente apartadas como para e asegurar que la respuesta que estamos midiendo en cada una de ellas sea independiente del resto. Por tanto no podemos discernir un efecto de otro sobre la variable respuesta. o 1.2. Cada pl´ntula estaba separada a una distancia m´ a ınima de 50 cms de la pl´ntula m´s pr´xima”. Normalmente se recurre al sentido com´n y al conocimiento biol´gico e u o que tengamos de nuestro caso de estudio. tomar muestras muy separadas unas de otras aumenta la necesidad de recursos econ´micos y humanos. facilitaci´n. es muy dif´ explicar los efectos por separado de cada uno de a ıcil ellos sobre la variable respuesta. pero ahora ya no sabemos si ´sto es debido al efecto del n´ctar o al e e hecho de que los colibr´ disminuyen su tasa de actividad a bajas ıes temperaturas. fen´menos de alelopat´ o ıa. Volvamos al ejemplo de los colibr´ Tenemos ıes. etc. Cuando lo que realmente ha guiado el dise˜o a a o n experimental es el hecho de: (1) querer disponer de 100 r´plicas en un espacio e limitado. Primero. muy raras veces es discutido en los art´ ıculos cient´ ıficos. Podr´ ıamos incluso encontrar que un efecto anula al otro si. ahora dos parcelas (una control y otra manipulada en d´nde se ha extraido el o n´ctar de las flores) separadas la una de la otra a una distancia suficientemente e razonable como para asumir que no hay ning´n tipo de dependencia entre u ellas. hubi´ramos situado la parcela control en el valle fr´ y la parcela e ıo experimental en la ladera soleada. Factores de confusi´n o Cuando en el dise˜o experimental se superponen varios factores de forma n simult´nea. al separar mucho unas o muestras de otras podemos incorporar nuevas fuentes de variaci´n debido. A pesar de la gran importancia que tiene este aspecto en el dise˜o n experimental. Los autores presuponen que como las pl´ntulas de la especie a estudiada tienen un tama˜o muy peque˜o. Segundo. y (2) no saber a ciencia cierta qu´ distancia de separaci´n entre e o pl´ntulas es la que garantizar´ una total independencia en la variable a ıa respuesta. por ejemplo. Por o o 5 . por o ejemplo. competencia por recursos. una distancia de 50 cms va a n n minimizar los efectos que tengan una sobre otra (ej. Sin embargo.Luis Cayuela Introducci´n al dise˜o de experimentos o n r´plicas. Replicaci´n y aleatorizaci´n o o La incorporaci´n de replicaci´n y aleatorizaci´n de las r´plicas dentro de o o o e nuestro dise˜o experimental puede ayudar a controlar en gran medida los n problemas de no independencia y la aparici´n de factores de confusi´n. En la secci´n de M´todos de un trabajo cient´ o e ıfico es muy posible leer frases de este tipo: “Medimos 100 pl´ntulas seleccionadas de forma aleatoria en zonas a soleadas. u visitas promedio en la parcela manipulada sigue siendo menor que en la control. a la aparici´n de nuevos h´bitats o ambientes. 1.3.

nos referimos aqu´ a la medici´n de la variable respuesta en varias o ı o muestras dentro de cada nivel del tratamiento o grupo de comparaci´n. una disposici´n aleatoria de o las muestras m´s all´ de unas distancias m´ a a ınimas pre-establecidas. tendr´ por azar una o varias parcelas de cada uno ıan de los tratamientos. y la asignaci´n del tratamiento (control o manipulaci´n) a cada o o parcela tambi´n ser´ al azar. Siempre que sea o o posible. un e o dise˜o replicado y aleatorizado nos va a permitir minimizar los efectos n confundidos de nuestro tratamiento con otras variables no medidas en nuestro estudio. asegurar´ a que las distancias entre muestras sea variable. ya que todos los tratamientos de e n´ctar ocurren bajo distintos niveles de temperatura. el factor temperatura ya no se confundir´ con ıa el factor presencia de n´ctar en las flores. si no conocemos todas las posibles fuerzas que pueden causar dependencia. o Volviendo al ejemplo anterior. Por tanto. 6 . e ıa ¿C´mo disminuye la replicaci´n y la aleatorizaci´n el problema de los factores o o o de confusi´n? Tanto la ladera soleada como el valle fr´ as´ como otras o ıo. Sin embargo. nos estamos refiriendo a la asignaci´n aleatoria de los o o tratamientos o la selecci´n de muestras. las visitas de los colibr´ a las flores de una ıes parcela podr´ no ser independientes de las visitas a las flores de otra parcela. e incluso la interacci´n entre la u ıes o temperatura y la presencia de n´ctar. Por supuesto.Luis Cayuela Introducci´n al dise˜o de experimentos o n replicaci´n. hay que usar el sentido com´n y el conocimiento del caso de estudio u para separar las r´plicas por unas distancias m´ e ınimas de cara a evitar la no independencia de las muestras. estratificado por n zonas de temperatura) para comprobar espec´ ıficamente esta hip´tesis. ıan por mucha replicaci´n y aleatorizaci´n que hayamos hecho. Por o aleatorizaci´n. Tales efectos pueden cancelarse unos a otros y pueden reducir las probabilidades de que los resultados est´n consistentemente sesgados por la no e independencia. Como un beneficio e adicional de este dise˜o experimental. ı situaciones intermedias. un m´ o ınimo de 10 por cada tratamiento). pero o desconociendo la influencia de ´ste u otros posibles factores de confusi´n. Algunas muestras estar´n muy a pr´ximas entre s´ y otras muy alejadas. establecer´ o ıamos varias parcelas control y varias parcelas manipuladas en vez de una s´la de cada (idealmente. La localizaci´n de estas parcelas en el ´rea de estudio ser´ o a ıa al azar. si sabemos a priori que la e temperatura tiene un efecto sobre la actividad de los colibr´ podr´ ıes. podr´ n ıamos comprobar de forma expl´ ıcita el efecto de la temperatura (como una covariable en el modelo) sobre el n´mero de visitas de los colibr´ a las flores. Es menos obvio como la replicaci´n y la aleatorizaci´n reducen el problema de o o no independencia de las muestras. si las parcelas est´n por e a azar muy cerca unas de otras. Despu´s de todo. si seguimos los principios de replicaci´n y o aleatorizaci´n. y no existar´n a e a en el resto. m´s d´bil en otros. ıamos haber optado por realizar un dise˜o experimental distinto (ej. El efecto de la dependencia ser´ por o ı a tanto fuerte en algunos pares de muestras.

En terminolog´ ANOVA. los tratamientos representan las diferentes manipulaciones que se llevan a cabo (ej. algunos o a a dise˜os ANOVA permiten incorporar factores que no son cruzados. A estos n dise˜os se les denomina normalmente dise˜os anidados o jerarquizados. como es el e dise˜o por bloques o el dise˜o de medidas repetidas. Mientras que en los primeros n n los tratamientos representan variaci´n en una unica variable predictora o o ´ factor. por ejemplo. necesitar´ ıamos 4 x 3 = 12 tratamientos distintos. luz y agua. bajo). Cada uno de estos factores tiene dos niveles (alto. cada r´plica debe de ser n a independiente del resto de r´plicas dentro del mismo tratamiento y entre e tratamientos. En un estudio experimental. extracci´n del n´ctar de las flores y no extracci´n o control). no debe de tener un efecto claro sobre la respuesta observada en otras r´plicas. Dise˜ o factorial o ANOVA n Si tu variable predictora es categ´rica y tu variable respuesta es continua. los tratamientos son las diferentes categor´ de las ıa ıas variables predictoras que se utilizan en el estudio. afectan al o crecimiento de una planta. Si queremos disponer de un n´mero de r´plicas m´ u e ınimo adecuado para comprobar nuestras hip´tesis (10 r´plicas por tratamiento) o e necesitar´ ıamos al menos 12 x 10 = 120 r´plicas. u e 2. se asume que los factores son cruzados. Dentro de cada tratamiento. Si por ejemplo queremos n ver el efecto de distintos niveles de nitr´geno (4 niveles) y f´sforo (3 niveles) o o sobre el crecimiento de una determinada planta. Si incluimos ahora un nuevo e factor. Un dise˜o factorial completo con dos factores se dise˜ar´ de tal manera n n ıa 7 . y cada una de estas observaciones es una r´plica. ANOVA n tambi´n se refiere al an´lisis estad´ e a ıstico de este tipo de dise˜os de n experimentos. esto es. en los dise˜os multifactoriales los tratamientos representan una n combinaci´n de los niveles de dos o m´s factores. es decir. De esta manera es posible estimar si hay una interacci´n entre dos o m´s factores. En un estudio o e o observacional. tipos de h´bitat). n n Cruzamiento Dentro del dise˜o ANOVA est´ndar.Luis Cayuela Introducci´n al dise˜o de experimentos o n 2. El n´mero de r´plicas o a u e necesarias para llevar a cabo un an´lisis multifactorial crece muy r´pidamente a a a medida que incluimos nuevos factores en el dise˜o. Como veremos m´s adelante.1. Supuestos de los dise˜ os factoriales n e Independencia En los dise˜os ANOVA est´ndar. tu o dise˜o se denomina de tipo ANOVA (Analysis Of Variance). riego o no riego (2 niveles). los tratamientos representan los diferentes grupos que se quieren comparar (ej. En los dise˜os ANOVA e o n multifactoriales est´ndar. n n Ejemplo 1 Se quiere ver c´mo dos factores. M´s adelante veremos algunos dise˜os ANOVA e a n que permiten relajar este supuesto de independencia entre r´plicas. a que todos los niveles de un factor est´n representados dentro de todos los a niveles del otro u otros factores. se puede distinguir entre n a dise˜os unifactoriales y dise˜os multifactoriales. se realizan a m´ltiples observaciones. requerir´ ıamos al menos 240 r´plicas para poder comprobar nuestras hip´tesis.

pero tambi´n se realizar´ o e ıa en la asignaci´n de tratamientos a cada una de estas plantas o parcelas. como muestra la siguiente figura.Luis Cayuela Introducci´n al dise˜o de experimentos o n que tuvi´ramos varias muestras independientes (idealmente 10. o Este dise˜o podr´ representarse de forma esquem´tica de la siguiente forma: n ıa a 8 . La aleatorizaci´n se realizar´ espacialmente para la selecci´n de las o ıa o plantas o la ubicaci´n de las parcelas de muestreo. aunque en la e figura s´lo se representan 5) en todas las combinaciones posibles de cada o uno de los dos niveles de luz y agua (tratamientos).

En un sentido estricto. Una n es que si los bloques son muy peque˜os. el dise˜o por bloques aleatorizados es un n dise˜o multifactorial. Un e bloque es un ´rea o periodo de tiempo delimitado dentro del cual las a condiciones ambientales son relativamente homog´neas. ´ e Si todos los posibles tratamientos est´n representados dentro de cada bloque el a dise˜o se denomina de bloques aleatorizados completos. al que se le denomina bloque. violando por o tanto el supuesto de independencia) y no es de inter´s para el investigador. 3. pero a a deber´ de disponer se de tal forma que las condiciones ambientales sean m´s ıan a similares dentro de los bloques que entre bloques. si el bloque est´ en una e a 9 . a Los dise˜os por bloques aleatorizados pueden tener algunas desventajas. pero el segundo factor. las r´plicas deber´n ser asignadas e a aleatoriamente a los tratamientos dentro de cada bloque. se puede introducir no independencia n de las r´plicas por factores no controlados (ej.1. Los bloques pueden e ser ubicados en el ´rea de estudio de forma aleatoria o sistem´tica. aunque en su forma m´s pura este tipo de dise˜os impone una restricci´n en la aleatorizaci´n: una a n o o unica r´plica de cada uno de los tratamientos debe ser asignada a cada bloque. n est´ incluido s´lo para controlar la variaci´n atribuible al dise˜o experimental a o o n (como consecuencia de la agregaci´n de las muestras por bloques. Una vez que se han establecido los bloques. Otros dise˜ os de experimentos n Dise˜ o por bloques aleatorizados n Una forma eficaz de incorporar la heterogeneidad ambiental en nuestro experimento es modificar el dise˜o factorial y utilizar un dise˜o por bloques n n aleatorizados.Luis Cayuela Introducci´n al dise˜o de experimentos o n 3. pero si no todos n los tratamientos est´n representados dentro de cada bloque el dise˜o se a n denominar´ de bloques aleatorizados incompletos (esto puede ocurrir con a m´s frecuencia en estudios observacionales).

imaginemos ahora que las plantas que estamos cultivando en condiciones experimentales se encuentran repartidas en cuatro fincas. o 10 . por lo que se podr´ adem´s investigar si ıa a existe una interacci´n entre el bloque y los factores principales. algunos autores sugieren que el dise˜o tradicional por bloques n aleatorizados no debe realizarse si no se lleva a cabo una replicaci´n de los o distintos tratamientos dentro de cada bloque.) o puede influir sobre la variable respuesta. o e o e Podemos pensar que la situaci´n geogr´fica de cada una de las parcelas (clima o a general. debemos esperar que si la mayor producci´n en el bloque I se observa o con los fertilizantes B > C > A. En estas situaciones. naturaleza del sustrato en d´nde hacemos crecer las plantas. Dentro de cada finca hemos aleatorizado la ubicaci´n de las r´plicas y la asignaci´n de los tratamientos a las r´plicas. si estamos investigando el efecto de tres fertilizantes (A. Por ıa ejemplo. el dise˜o por bloques aleatorizados simple va por n lo menos a captar la componente aditiva de la variaci´n ambiental. o Ejemplo 2 Siguiendo con el ejemplo anterior. Para solventar este problema se puede (y se debe) aleatorizar la ubicaci´n de las r´plicas dentro de cada bloque. y replicamos el experimento en cinco bloques distintos. etc. B y C) sobre el crecimiento de una planta. El dise˜o por bloques tiene en o n cuenta diferencias aditivas en la variable respuesta y asume que la relaci´n o entre las respuestas a cada tratamiento no var´ entre un bloque y otro. la introducimos como un bloque en el an´lisis. puede ser que esta relaci´n cambie de unos bloques a otros (tendr´ o ıamos que averiguar por qu´ se produce esta interacci´n entre el bloque y el factor). Como esta variable no es de inter´s e para el estudio pero queremos controlar como afecta a la variabilidad de la variable respuesta. A veces esta replicaci´n no es o posible.Luis Cayuela Introducci´n al dise˜o de experimentos o n pendiente las r´plicas en la parte alta de la pendiente pueden tener una e respuesta homog´nea y diferencia con respecto a las r´plicas situadas en la e e parte baja de la pendiente). Este ser´ un a ıa dise˜o por bloques aleatorizados en d´nde existir´ replicaci´n de los n o ıa o tratamientos dentro de cada bloque. Pero esto obviamente no tiene por qu´ ser as´ y en ocasiones e ı. esta misma relaci´n se observar´ en el resto o a de bloques. Otra gran o e desventaja del dise˜o por bloques aleatorizados es que se asume que no hay n interacci´n entre los bloques y los tratamientos. Por e o eso.

La parcela es sometida a los distintos tratamientos de uno de los factores. n n aleatorizados. imaginemos ahora que es muy caro llevar cisternas a cada una de las fincas para simular el riego. Hasta aqu´ el dise˜o se corresponde perfectamente con el dise˜o por bloques ı. Los o n dise˜os de tipo split-plot se originaron en el campo de la agronom´ pero hoy n ıa. Este tipo de dise˜os surgen como n consecuencia generalmente de restricciones impuestas en las condiciones de experimentaci´n. lo que impide una completa aleatorizaci´n del dise˜o.2. decidimos someter a riego a todas las r´plicas dentro de dos o e de las cuatro fincas. 11 . Por restricciones de experimentaci´n. pero los tratamientos del otro factor (agua) ser´ aplicados a bloques ıan completos.Luis Cayuela Introducci´n al dise˜o de experimentos o n 3. o o n Ejemplo 3 En el ejemplo anterior. y dejar sin riego a todas las r´plicas de las otras dos. Split-plot Los split-plot son una extensi´n de los dise˜os por bloques aleatorizados. Lo que distingue a un dise˜o de tipo split-plot de uno por n bloques aleatorizados es el hecho de que cada parcela o bloque es ahora sometido a los efectos de un segundo factor. las parcelas experimentales son divididas en varias subparcelas. permitiendo replicaci´n de estos o tratamientos entre las parcelas o bloques. ıa Todos los tratamientos del factor luz se aplicar´ por tanto dentro de cada ıan bloque. en d´ se encuentran con frecuencia en muchos otros ´mbitos. El e factor luz ser´ aplicado de forma aleatoria dentro de cada finca (bloque). Como su nombre ıa a indica.

para tener r´plicas dentro de cada grupo y poder ver el efecto e de la interacci´n entre estos dos factores necesitar´ o ıamos al menos 24 parcelas de cultivo (aunque si nos atenemos al ideal de 10 r´plicas por tratamiento. e necesitariamos al menos 120 r´plicas). En experimentaci´n agr´ e o ıcola esto supone una limitante muy importante. cada dos d´ cada tres d´ ıas. Es decir que tendr´ ıamos que asignar parcelas a un m´ ınimo de 3 x 4 = 12 grupos y. Una opci´n ser´ subdividir cada o ıa parcela de cultivo en doce subparcelas y aplicar en cada una de ellas una combinaci´n de los niveles de los dos factores investigados. eso s´ no ı. y el otro se aplica a las r´plicas dentro de e cada bloque. C. con 6 niveles). 12 . La principal diferencia es que. B. Ejemplo 4 Queremos investigar el efecto de tres frecuencias de riego (diario. cada r´plica recibe las aplicaciones de los e tratamientos resultantes de combinar los niveles de los dos factores de forma independendiente. En el dise˜o de tipo split-plot. en el dise˜o de dos factores n totalmente aleatorizados. De esta manera con o 6 parcelas tendr´ ıamos un total de 6 x 12 = 72 muestras. independientes entre s´ Una manera de analizar estos datos ser´ por medio de ı. uno de los tratamientos se n aplica a bloques enteros o parcelas. D) sobre la producci´n de alfalfa.Luis Cayuela Introducci´n al dise˜o de experimentos o n Comparemos este dise˜o con el dise˜o de dos factores totalmente aleatorizado n n del Ejemplo 1. ıa un anova factorial completo con un bloque (parcela. Bajo un dise˜o totalmente aleatorizado o n tendr´ ıamos que seleccionar parcelas de cultivo independientes entre s´ y ı someterlas a todas las posibles combinaciones de los dos factores riego x variedad. ıas) y cuatro variedades de semilla (A.

cuyo efecto se mide entre parcelas. ANOVA de medidas repetidas En todos los dise˜os que hemos visto hasta el momento. Tendr´ n ıamos ahora 6 x 4 = 24 muestras. que es el riego. Y podr´ ıamos aplicar cada tipo de riego a dos parcelas distintas. Un dise˜o de medidas repetidas se utiliza cuando se obtienen n m´ltiples observaciones de una misma r´plica en distintos momentos o u e periodos de tiempo. no independientes entre s´ pero con un grado menor de independencia que en el ı. caso anterior ya que hay un factor. en d´nde las r´plicas ser´ los bloques y a n o e ıan cada r´plica se le aplicar´ distintos tratamientos del factor principal en e ıan distintos momentos o periodos de tiempo.3. la variable respuesta n es medida para cada r´plica en un momento determinado al final del e experimento.Luis Cayuela Introducci´n al dise˜o de experimentos o n Ahora imaginemos que no podemos implementar distintos tipos de riego dentro de cada parcela. 3. El dise˜o de medidas repetidas puede concebirse como un n dise˜o por bloques aleatorizados. Los dise˜os de medidas repetidas se utilizan con mucha frecuencia en los n campos de la medicina y la psicolog´ en d´nde observaciones repetidas son ıa. o 13 . Una opci´n ser´ subdividir cada parcela en cuatro o ıa subparcelas y aplicar en cada una de ellas una variedad de semilla. Esto ser´ un ıa dise˜o de tipo split-plot.

ıa n los factores cuyos efectos se miden dentro de sujetos se denominan factores intra-sujetos. n 14 . Ejemplo 5 Imaginemos una investigaci´n dise˜ada para conocer el efecto de o n cuatro tipos de dietas sobre el engorde de los cerdos. un factor intra-sujetos. al menos. De esta manera tendremos un ´ dise˜o con un factor (tipo de dieta. podemos seleccionar un unico grupo de sujetos y someterles ´ de manera secuencial (dejando un intervalo de tiempo entre la aplicaci´n de o una dieta y otra) a los cuatros tipos de dietas distintas. En este caso seguiremos teniendo un dise˜o de un factor (tipo de dieta. con cuatro niveles) y tantos grupos de n sujetos como niveles del factor (cuatro). con cuatro niveles). En lugar de esto. En la terminolog´ de los dise˜os de medidas repetidas. Si adem´s de ıa n a un factor intra-sujetos tenemos un factor inter-sujetos tendriamos un dise˜o n equivalente al split-plot. n pero un s´lo grupo de sujetos que hacemos pasar por las cuatro condiciones o definidas por los niveles del factor (tendremos a todos los sujetos sometidos a todas las dietas). mientras que los factores cuyos efectos se miden entre sujetos se denominan factores inter-sujetos. que ser´ equivalente al bloque en el dise˜o por bloques aleatorizados. Podemos optar por seleccionar tantos grupos de sujetos como dietas disponibles (cuatro) y someter a cada grupo a un unico tipo de dieta. Es importante aleatorizar la aplicaci´n de los tratamientos o dentro de cada individuo (r´plica) al igual que hac´ e ıamos con las r´plicas dentro e de cada bloque en el dise˜o por bloques aleatorizados. En principio los dise˜os de medidas n repetidas requieren de la existencia de. Para analizar los datos n de este dise˜o podemos utilizar un ANOVA de medidas repetidas. Para analizar los datos de este dise˜o n podemos utilizar un ANOVA de un factor completamente aleatorizado.Luis Cayuela Introducci´n al dise˜o de experimentos o n tomadas en los mismos sujetos experimentales variando los tratamientos aplicados a los mismos.

pizarra) sobre el reclutamiento de percebes en granjas de producci´n acu´ o ıcola.Luis Cayuela Introducci´n al dise˜o de experimentos o n Ejemplo 6 Se quiere ver el efecto de 3 tratamientos de depuraci´n de aguas o residuales distintos sobre la producci´n de vertidos contaminantes al cauce de o un r´ Se prueban los tres tratamientos de manera consecutiva en 12 f´bricas ıo. Como se e trata de un experimento manipulativo. Podr´ n ıamos incorporar el a˜o como un factor intra-sujetos. Pasados varios meses medimos el reclutamiento de percebes. o Ejemplo 7 Se est´ investigando el efecto de distintos tipos de sustrato a (granito. Un dise˜o de un factor totalmente aleatorizado implicar´ n ıa seleccionar distintas r´plicas sobre los tres tratamientos (sustratos). e 15 . a distintas y despu´s de implementar cada uno de los tratamientos de miden la e producci´n de vertidos contaminantes. por lo que tendr´ n ıamos el equivalente a un split-plot pero en d´nde el bloque ser´ la r´plica (estructura o ıa e cuadrada muestreada) y ´stas experimentar´ los distintos niveles del factor e ıan tiempo (dise˜o de medidas repetidas)1 . cemento. n 1 Si observ´ramos que el reclutamiento de percebes sigue una tendencia (positiva o negativa) a lineal con el tiempo. Imaginemos que ahora decidimos realizar mediciones cada 12 meses durante 3 a˜os (3 mediciones). colocamos en distintos puntos de la costa 10 estructuras cuadradas de cada tipo de sustrato. tambi´n podr´ e ıamos incluir el a˜o como una variable continua (covariable) n e incorporar un factor aleatorio (muestra) para especificar que la variabilidad se produce dentro de cada r´plica.

Se requieren menos r´plicas para comprobar los efectos del factor e que un dise˜o totalmente aleatorizado. o humanos). A veces puede a ocurrir que tengamos algunos niveles de un factor combinados con unos niveles determinados de otro factor. o a su historia de vida. sin que exista una representaci´n de todas las o posibles combinaciones de los niveles de los factores.1. Los principales inconvenientes que podemos encontrar en un dise˜o de medidas n repetidas son el efecto de arrastre (carry-over effects) y el efecto de aprendizaje por la pr´ctica. Esto puede ocurrir cuando perdemos algunas r´plicas del experimento. pero sobre todo ocurre e cuando tenemos remuestreos dentro de cada r´plica. como en el Ejemplo 5. Hay dos tipos de 16 . El dise˜o de medidas repetidas (y tambi´n el dise˜o por bloques aleatorizados) n e n hace un supuesto especial: el supuesto de circularidad o esfericidad para el factor intra-sujetos (en el caso de bloques aleatorizados. edad. Por ello es conveniente aleatorizar los tratamientos dentro de cada sujeto. El primero se produce cuando se administra un a nuevo tratamiento antes de que haya terminado el efecto de otro tratamiento previamente administrado. o se incumplir´ este supuesto. animales. o 3. algo que se conoce en la e literatura cient´ ıfica con el nombre de pseudorreplicaci´n. De hecho.Luis Cayuela Introducci´n al dise˜o de experimentos o n Ventajas e inconvenientes del ANOVA de medidas repetidas Los dise˜os de medidas repetidas ofrecen varias ventajas. en los dise˜os de medidas n repetidas. y se aumentar´ el error de Tipo I para los test F. e Cuando las r´plicas representan individuos (plantas. para el bloque). Pseudorreplicaci´n o La pseudorreplicaci´n ocurre cuando analizas los datos como si tuvieras m´s o a grados de libertad de los que realmente tienes. La circularidad en este contexto significa que la varianza de las diferencias entre cada dos tratamientos dentro de cada r´plica es la misma. ANOVA anidado o jerarquizado Hasta ahora todos los dise˜os de experimentos que hemos visto son cruzados. Adem´s. El segundo ocurre cuando las respuestas de los sujetos a un tratamiento mejoran como consecuencia de los tratamientos previamente administrados bien sea como consecuencia del aprendizaje o como consecuencia de respuestas acumulativas. los dise˜os de medidas n a n repetidas permiten controlar la variabilidad debida a las diferencias que pueden existir de forma natural entre las r´plicas o sujetos experimentales. 3.4.4. todas las cuales pueden tener n un efecto importante sobre la variable respuesta. La primera es la n eficiencia. n Los dise˜os cruzados son aquellos en donde existen todas las combinaciones n posibles de los niveles de dos o m´s factores (ver Ejemplo 1). se incumple este supuesto muy frecuentemente. Si se produce e cualquiera de los dos efectos descritos anteriormente o si existe alguna correlaci´n temporal entre las observaciones hechas dentro de cada individuo. a a por lo que habr´ m´s probabilidades de rechazar incorrectamente la hip´tesis a a o nula cuando no deber´ ıamos rechazarla. e esto permite controlar de manera eficiente las diferencias entre individuos debidas al tama˜o.

La o a pregunta que hay que hacerse es la siguiente: ¿Cu´ntos grados de libertad para a los errores tiene el experimento realmente? Si un experimento de campo parece tener muchos grados de libertad. podemos acabar o sacando conclusiones equ´ ıvocas sobre la significaci´n de los resultados (con o 4998 grados de libertad para el t´rmino error. las muestras procedentes de los mismos individuos estar´n a correlacionadas unas con otras). muestras independientes que e experimentan el mismo nivel o combinaciones de los niveles de los factores) que hay en este experimento. Las 50 plantas individuales e medidas dentro de cada parcela t´mpoco son r´plicas ya que es muy probable a e que las condiciones de cada parcela sean unicas y afecten por igual a cada ´ grupo de 50 plantas muestreadas dentro de ellas independientemente de la aplicaci´n o no de la fumigaci´n. y (2) espacial. que implica re-muestreos de los mismos o individuos2 . Dentro de cada parcela hay 50 plantas. por lo general. e Contemos ahora las r´plicas (es decir. La pseudorreplicaci´n temporal o tendr´ errores no independientes porque las peculiaridades de los individuos a remuestreados quedar´n reflejadas en todas las medidas tomadas sobre ellos a (es decir. Este experimento genera 20 x 50 x 5 = 5000 valores. e Tomemos un ejemplo procedente del control de plagas de insectos en plantas. La pseudorreplicaci´n es. habr´ 9 grados de libertad dentro de cada nivel del a factor. Las muestras tomadas en puntos pr´ximos o entre s´ tendr´n errores no independientes porque las peculiaridades de la ı a localidad ser´n comunes a todas las muestras (por ejemplo. El problema es que. Hay dos a tratamientos (fumigado. as´ que debe de haber un grado de ı libertad para el factor y 4998 grados de libertad para el t´rmino error. es posible que est´ pseudorreplicado. Cada planta es medida 5 veces para asegurar que la medici´n o est´ bien hecha. existe pseudorreplicaci´n los individuos remuestreados representan un unico nivo ´ el del factor. es casi imposible no detectar e alguna diferencia estad´ ısticamente significativa). Por tanto. Los remuestreos hechos sobre las mismas plantas (las cinco muestras por planta) no son r´plicas. que implica que las muestras han sido tomadas en puntos pr´ximos entre s´ La pseudorreplicaci´n supone un problema grave o ı. los valores de crecimiento en e plantas ser´n todos muy altos y parecidos entre s´ a ı). No confundir por tanto con los dise˜os de medidas repetidas. en d´nde cada n o individuo experimenta distintos niveles del factor. si no se identifica correctamente la existencia de pseudorreplicaci´n. 2 Cuando 17 . no fumigado).Luis Cayuela Introducci´n al dise˜o de experimentos o n pseudorreplicaci´n: (1) temporal. la proporci´n del ´rea de las hojas comida por o a los insectos). y 9 x 2=18 grados de libertad para el t´rmino error en el experimento e en su conjunto. si varias muestras a proceden de una zona con suelos muy f´rtiles. bastante f´cil de distinguir. Hay varias cosas que se pueden hacer cuando tus datos est´n a pseudorreplicados: ◦ Promediar la pseudorreplicaci´n y llevar a cabo tu an´lisis estad´ o a ıstico con las medias. 10 fumigadas y 10 no fumigadas. Hay 10 parcelas fumigadas y 10 no fumigadas o o y cada parcela va a proporcionar un unico valor no independiente de la ´ variable respuesta (por ejemplo. No es dif´ encontrar ejemplos de pseudorreplicaci´n ıcil o parecidos a ´ste en la literatura cient´ e ıfica. o porque uno de los supuestos m´s importantes de la mayor´ de los an´lisis a ıa a estad´ ısticos es la independencia de los errores. Tenemos 20 parcelas.

.. como un factor anidado dentro de cada una de las combinaciones de los niveles cruzados.Factor 1 = droga (control. Se toman 8 individuos (4 hombres y 4 mujeres).Factor 2 = sexo (hombre. Se toma a cada individuo tres muestras de sangre y se mide la concentraci´n de la droga en o sangre. . Ejemplo 9 Se quiere estudiar el efecto de una droga en hombres y mujeres. tendr´ e ıamos muestras independientes entre s´ y por tanto un dise˜o ANOVA de dos factores ı n completamente aleatorizado. B. mujer) Estos dos factores son cruzados. Pero. . por tanto. o ◦ Utilizar un an´lisis de series temporales o modelos mixtos. porque tenemos una representaci´n de todos o los niveles del factor 2 (sexo) en todos los niveles del factor 1 (droga). ¡tenemos tres muestras de cada individuo¡ Cada individuo debe ser tratado. droga) . Si s´lo o hubi´ramos tomado una muestra de cada individuo. C). y al resto se les da un placebo. 9). Se quiere ver si hay diferencias en los contenidos de fluorato entre los tres pozos.. A 2 hombres y a 2 mujeres se les suministra la droga.. 18 .Factor 2 (anidado en F1) = muestra (1. a Ejemplo 8 Se toman tres muestras de agua de tres pozos distintos.Factor 1 = localidad (A.Luis Cayuela Introducci´n al dise˜o de experimentos o n ◦ Hacer un an´lisis separado para cada periodo de tiempo en el caso de la a pseudorreplicaci´n temporal. Con cada muestra se hacen dos determinaciones del contenido de fluoratos en el agua (miligramos/litro de agua). ..

En cada invernadero se toman 5 muestras de cada especie y se calcula la productividad (kg/ha). por tanto. . Se toman 4 invernaderos: 2 con luz natural. .Factor 1 = luz (2 niveles). 4. Modelos mixtos Son una expansi´n de los modelos lineales generales que permite la inclusi´n o o de variabilidad correlacionada y no constante.Factor 3 = especie (tres niveles). Los modelos mixtos proporcionan.Factor 2 (anidado en F1) = invernadero (cuatro niveles). . la flexibilidad necesaria para modelar no s´lo las o 19 .Luis Cayuela Introducci´n al dise˜o de experimentos o n Ejemplo 10 Se quiere ver el efecto de la luz artificial sobre la producci´n de o distintas especies de cereal. En cada uno de los 4 invernaderos se plantan las mismas 3 especies de cereal. y 2 con luz artificial.

Son todos aquellos factores cuyos niveles han sido definidos a priori. Los efectos fijos son constantes desconocidas que estimamos a partir de los datos. no desperdiciar grados de libertad en la estimaci´n de los par´metros de cada o a uno de los niveles del factor de agrupaci´n y. 2. Los efectos fijos son a menudo tratamientos experimentales que fueron aplicados bajo nuestra direcci´n. Las conclusiones que saquemos de nuestro estudio se refieren a todos los posibles niveles del factor. y los efectos aleatorios son variables que se distinguen o por el hecho de que no nos interesan desde el punto de vista de los par´metros a sino de la varianza que explican. Los modelos mixtos son particularmente utiles en los casos en ´ d´nde hay pseudorreplicaci´n temporal (medidas repetidas o dise˜os anidados) o o n o espacial (dise˜os anidados. por tanto. Afectan s´lo a la varianza de y. Afectan s´lo a la media de y. Los modelos mixtos a tienen en cuenta esta no-independencia de los errores al modelar la estructura de la covarianza introducida por el agrupamiento de los datos. aunque no est´n recogidos de forma expl´ e ıcita en el experimento. o A veces una variable explicativa representa una agrupaci´n en el espacio o o tiempo.Luis Cayuela Introducci´n al dise˜o de experimentos o n medias. los dise˜os de tipo n n split-plot. Factores aleatorios. extrapolarse a otros niveles del factor que no hayan o sido incluidos en el modelo. hacer uso de todas las o mediciones que hemos realizado. Una de las grandes ventajas de los modelos mixtos es que economizan grados de libertad t´ ıpicamente utilizados por los niveles del factor. Factores fijos. el modelo de efectos aleatorios estima la distribuci´n de las medias (normalmente como la desviaci´n est´ndar de las o o a diferencias de las medias de cada uno de los niveles del factor alrededor de la gran media). Otra diferencia importante entre efectos fijos y aleatorios es que los efectos fijos tienen niveles del factor informativos. Los modelos e mixtos no est´n relacionados con el dise˜o de experimentos pero s´ nos va a a n ı permitir analizar dise˜os de experimentos que incumplan el supuesto de n independencia. por bloques aleatorizados o experimentos de tipo n split-plot). los modelos mixtos nos van a permitir. Un efecto aleatorio deber´ ser considerado como que proviene de una ıa poblaci´n de posibles efectos: la existencia de esta poblaci´n de posibles o o efectos es un supuesto extra que debemos de considerar en el caso de los modelos mixtos. Este tipo de dise˜os contradice los supuestos b´sicos de los modelos n a estad´ ısticos est´ndar: la independencia de los errores. En vez de estimar una media para cada uno de los niveles del factor. Las conclusiones que saquemos de nuestro estudio no pueden. pero hacemos predicciones sobre la poblaci´n de la cual o proceden nuestros efectos aleatorios. como los dise˜os por bloques aleatorizados. Los modelos n n mixtos son llamados as´ porque incluyen dos tipos de factores: ı 1. As´ pues es m´s propio hablar de predicci´n de efectos ı a o aleatorios que de estimaci´n de efectos aleatorios. Los efectos aleatorios gobiernan la estructura de varianza-covarianza de la variable respuesta. los dise˜os de medidas repetidas o los dise˜os anidados. sino tambi´n las varianzas y covarianzas de los datos. por un lado. En definitiva. por otro. Son todos aquellos factores cuyos niveles representan una muestra aleatoria de todos los posibles niveles del factor. mientras que los efectos aleatorios 20 . Estimamos los efectos fijos a o partir de los datos.

un factor aleatorio. Para cualquier individuo que encuentres. A continuaci´n se dan algunas claves que nos pueden ayudar a decidir ´sto: o e ◦ ¿Estoy interesado en el tama˜ o del efecto? Si la respuesta es s´ entonces n ı. En el caso del sexo. En cualquier caso si a e s´lo hay 2 o 3 niveles siempre se ha de tratar un factor como fijo. ◦ ¿Son los niveles del factor simplemente etiquetas num´ricas? Si la e respuesta es s´ entonces generalmente factor aleatorio. Los efectos aleatorios tienen niveles del factor que son extraidos de una poblaci´n mayor (potencialmente muy grande) en los cuales o los individuos pueden diferir en su respuesta de muchas maneras.1. Modelos mixtos ¿una alternativa para representar y analizar otros dise˜ os de experimentos? n Los modelos mixtos ofrecen una alternativa (pero no la unica) para la ´ representaci´n y an´lisis de los dise˜os de experimentos m´s all´ de los dise˜os o a n a a n 21 . implica una gran cantidad de informaci´n sobre el individuo. 4. hembra. o ı. o ◦ ¿Son los niveles del factor informativos? Si la respuesta es s´ entonces ı. En el caso del genotipo. por ejemplo. Tomemos ahora una variable categ´rica como genotipo. En este caso. o o Si tenemos dos genotipos en una poblaci´n podr´ o ıamos etiquetarlos A y B. entonces o factor fijo. La diferencia se ve mejor con un ejemplo. el nivel del factor (A o B) no es informativo: genotipo es. la etiqueta A no recoge ninguna informaci´n o de referencia sobre el genotipo en cuesti´n. salvo que es probable que sea o diferente al genotipo B. por tanto. Sexo es por tanto un factor fijo. Zuur et al. el nivel del factor (macho o hembra) es informativo. o y esta informaci´n se desprende de la experiencia recogida de muchos otros o individuos hembra.Luis Cayuela Introducci´n al dise˜o de experimentos o n tienen niveles del factor que no son informativos. (2007) estiman que al menos son necesarios 5 niveles del factor para poder considerar un factor como aleatorio. ◦ ¿Es razonable asumir que los niveles del factor provienen de una poblaci´n de niveles? Si la respuesta es s´ entonces factor aleatorio. ı. el saber que es. ◦ ¿Hay suficientes niveles del factor a partir de los cuales estimar la varianza de los efectos de la poblaci´n? Si la respuesta es no. En los mam´ ıferos la variable categ´rica sexo tiene dos niveles: o macho y hembra. o o e 4. factor fijo. Una hembra tendr´ una serie de atributos (asociados con a el hecho de ser hembra) sin importar la poblaci´n a la que pertenezca el o individuo en cuesti´n. Si tomamos dos genotipos de otra poblaci´n diferente podr´ o ıamos etiquetarlos igualmente A y B. factor fijo. ¿Efectos fijos o aleatorios? A veces puede ser dif´ decidir si una variable explicativa categ´rica tiene un ıcil o efecto fijo (sobre la media de y) o un efecto aleatorio (sobre la varianza de y). pero en d´nde nosotros no sabemos exactamente c´mo o por qu´ difieren.2. aunque es preferible que haya m´s de 10 niveles para ´sto.

22 .Luis Cayuela Introducci´n al dise˜o de experimentos o n factoriales completamente aleatorizados. En la siguiente sesi´n se ver´ c´mo analizar este tipo de dise˜os o a o n utilizando modelos mixtos en R. tendriamos lo siguiente: e y ∼ X1 ∗ X2 + random(R´plica) e En d´nde Bloque. Cualquier factor que represente una agrupaci´n no o independiente de las r´plicas (como los dise˜os por bloques aleatorizados o los e n dise˜os de tipo split-plot) o cuya respuesta se mida dentro de los sujetos (como n en el caso de los dise˜os de medidas repetidas o los dise˜os anidados) pueden n n ser analizados considerando la existencia de un factor de agrupaci´n cuyos o efectos son aleatorios. el modelo ser´ este otro: ıa y ∼ X1 ∗ X2 + random(Individuo) Si tenemos un dise˜o anidado en d´nde queremos probar el efecto de un factor n o sobre la variable respuesta. los dise˜os de medidas repetidas y los dise˜os anidados o n n jerarquizados. el planteamiento ser´ este otro: ıa y ∼ X1 ∗ X2 + random(Bloque) Si el dise˜o es de medidas repetidas con un unico factor que opera n ´ intra-sujetos (Ejemplos 5 y 6) tendr´ ıamos un modelo te´rico de este tipo: o y ∼ X1 + random(Individuo) Si adem´s de tener un factor intra-sujetos tenemos un factor inter-sujetos a (Ejemplo 7). Si el dise˜o es por bloques aleatorizados con un unico factor el planteamiento n ´ para analizar los datos con modelos mixtos ser´ el siguiente: ıa y ∼ X1 + random(Bloque) Si el dise˜o es de tipo split-plot. es decir. pero tomamos varias muestras de una misma r´plica (Ejemplo 8). Individuo o R´plica ser´ factores ya existentes o que o e ıan tendr´ ıamos que crear con tantos niveles como bloques. si tenemos un dise˜o anidado con dos factores cruzados y varias n muestras de las r´plicas (Ejemplo 9). entonces tendr´ e ıamos un modelo de este tipo: y ∼ X1 + random(R´plica) e Finalmente. individuos o r´plicas e haya. para todos los otros dise˜os n vistos en este curso. los n split-plot. incluyendo el dise˜o por bloques aleatorizados. con un factor aleatorizado entre bloques y otro n aleatorizado dentro de bloques (Ejemplo 3).

o ¿Cu´ntos factores hay y cu´l es la naturaleza de cada uno de ellos? a a 3. En un estudio se investiga la influencia de dos factores: herbivor´ (con ıa tres niveles: un control y dos niveles de intensidad) y lluvia (con tres niveles: un control y dos niveles de riego durante los meses de verano). y a cada una de ellas se le aplica aleatoriamente uno de los dos tratamientos de irrigaci´n. El dise˜o o n experimental se plantea de la siguiente manera: se eligen cuatro parcelas agr´ ıcolas independientes entre s´ Dichas parcelas son subidividas en dos ı. a ´ cada una de estas subparcelas m´s peque˜as se las divide en tres y se a n aplica a cada una de ellas uno de los tres niveles de fertilizaci´n. umbr´ rambla) y o o ıa. Adem´s. etc). Cada parcela es subdividida en 9 subparcelas y se simulan en tres de cada 9 uno de los tres escenarios de cambio clim´tico. En un experimento se quiere ver c´mo el tipo de h´bitat (bosque. Por ultimo. la localidad (T´rbena. Crevillente) afectan al tama˜o de las hojas (en a n cm2 ) de encina. ¿C´mo es la naturaleza de cada uno de los o factores? 2. En un experimento agr´ ıcola se quiere investigar c´mo la producci´n de o o un determinado cultivo depende de tres variables: irrigaci´n (con dos o niveles: regado o no). disminuci´n de la lluvia) pueden afectar diferentes o respuestas en varias especies t´ ıpicamente mediterr´neas.Luis Cayuela Introducci´n al dise˜o de experimentos o n 5. todas pr´ximas entre s´ En cada una de ellas se instalan 8 parcelas de 2 x 2 m. Ejercicios 1. Cada una de estas subparcelas es a su vez o dividida en tres partes y se aplica a cada una de ellas de manera aleatoria uno de los tres niveles de densidad de siembra. media y alta). media y alta). n ¿Cu´ntos factores hay y cu´l es la naturaleza de cada uno de ellos? a a 23 . crecimiento. Se plantan semillas a de las plantas objeto de estudio y se miden las respuestas al cabo de un tiempo (porcentaje de germinaci´n. a aumento de la lluvia. Para ello se dispone de 9 parcelas de 2 x 2 m en dos a bloques. a n para captar la variabilidad inter-anual propia de los sistemas mediterr´neos. se repite el muestreo durante 6 a˜os consecutivos. Para ello se dise˜a un experimento en d´nde se n o seleccionan aleatoriamente 24 individuos en tres zonas de solana. umbr´ ıa y rambla respectivamente dentro de cada una de las dos localidades de estudio. A cada individuo se le miden 20 hojas para evitar datos que pudieran ser at´ ıpicos. producci´n de biomasa o o le˜osa. si bien se quiere captar la tendencia general y no la a respuesta espec´ ıfica de las plantas en cada uno de los a˜os del estudio. una de matorral y una de pastizal. pastizal) y distintos escenarios de cambio clim´tico (control. Cada una de las parcelas de cada bloque es sometida a un nivel del tratamiento resultante de combinar los factores herbivor´ y lluvia. ¿Cu´ntos factores tenemos en este estudio y c´mo son? n a o 4. El ıa muestreo de cobertura se realiza en 6 cuadrats de 25 x 25 cm dentro de cada parcela. sobre la cobertura de plantas herb´ceas perennes en una dehesa a mediterr´nea. o ı. Para ello se a selecciona una zona de bosque. o a matorral. y fertilizaci´n (con tres niveles: baja. Se quiere ver c´mo el efecto de la exposici´n (solana. densidad de siembra (con tres niveles: baja.

A..A.Luis Cayuela Introducci´n al dise˜o de experimentos o n 6. E.N. A. & Smith.F. Ellison. New York.. A. N. The R Book. & Smith. 24 . Sinauer Associates. G. A primer of ecological statistics. (2004).M. Springer. Ieno. Wiley. Massachusetts.M. Ieno.F. G.M.J.N. Walker. Mixed effects models and extensions in ecology with R. Referencias ◦ Gotelli.J. E. Sunderland. Inc. N. ◦ Zuur. New York.J. Analysing ecological data. Springer. ◦ Crawley. (2009). (2007).. Publishers... USA. A. Saveliev. ◦ Zuur. (2007). M.