You are on page 1of 23

Mdulo: DISEO EXPERIMENTAL

Ao 2013
1

Contenido
Unidad 1................................................................................................................................................ 2
1.1 LA INVESTIGACIN Y EL DISEO EXPERIMENTAL ................................................. 2
1.2 PRINCIPIOS DE LA EXPERIMENTACIN. COMPONENTES FUNDAMENTALES3
1.2.1 DEFINICIONES BSICAS ........................................................................................... 3
1.3 TIPOS DE MODELOS ESTADISTICOS EN EL DISEO DE EXPERIMENTOS ...... 6
1.3.1 Modelo I o de efectos fijos ........................................................................................... 6
1.3.2 Modelo II o de efectos aleatorios: ............................................................................... 7
1.3.3 Modelo III o modelo mixto: ........................................................................................... 7
1.4 EXPERIMENTOS SEGN NMERO DE FACTORES ................................................. 7
1.4.1 Experimento unifactorial o monofactorial: ................................................................. 7
1.4.2 Experimento factorial .................................................................................................... 7
Unidad 2................................................................................................................................................ 8
2.1 DISEO COMPLETAMENTE ALEATORIZADO ............................................................ 8
2.1.1 INTRODUCCIN .......................................................................................................... 8
2.1.2 ANALISIS DE VARIANCIA .......................................................................................... 9
2.1.3 ANLISIS DE VARIANCIA PARA UN DCA A EFECTOS FIJOS CON UN
SOLO FACTOR ........................................................................................................................... 9
2.1.4 MODELO ESTADSTICO MATEMTICO ............................................................... 10
2.1.5 SUPUESTOS DEL MODELO.................................................................................... 11
2.1.6 ANOVA CORRESPONDIENTE ............................................................................... 12
2.1.7 VALIDACIN DE LOS SUPUESTOS DEL ANOVA .............................................. 13
2.1.8 USO DETRANSFORMACIONES ............................................................................. 18
2.1.9 ESTADSTICOS QUE VERIFICAN LA CALIDAD DE LOS DATOS ................... 20
2.1.10 MODELO A EFECTOS ALEATORIOS CON UN SOLO FACTOR ................. 21


Mdulo: DISEO EXPERIMENTAL
Ao 2013
2

Unidad 1

1.1 LA INVESTIGACIN Y EL DISEO EXPERIMENTAL
Los profesionales del mbito de las ciencias agropecuarias y ambientales que llevan a cabo
una investigacin, buscan responderse preguntas acerca de la naturaleza y las variaciones
que se producen en funcin de ciertos fenmenos o manejos que actan sobre ella.
Generalmente los resultados de esa investigacin conllevan a una toma de decisiones.
Frente a preguntas como Cul es la variedad de mayor rendimiento? Qu tratamiento es
el adecuado para controlar una determinada patologa? Qu nivel de fertilizacin logra un
mejor rendimiento? Qu espaciamiento de plantacin?, la estadstica suministra mtodos
que permiten una manera adecuada de lograr las respuestas.
Veamos algunas definiciones previas:

- Investigacin: Es un trabajo ejecutado con la finalidad de esclarecer un hecho
desconocido o adquirir conocimientos sobre el mismo e involucra los siguientes pasos:

- Comprensin y planteamiento del problema.
Cul es el objeto de la investigacin? Qu quiero saber? Voy a describir el problema.
Es se? Se tienen datos? Cmo se han recogido esos datos? En qu orden? Por
quin? Hay ms datos como estos? Cunto se conoce de la teora de este fenmeno?

- Definicin de los objetivos
En cualquier investigacin es de la mayor importancia:
Definir claramente los objetivos del estudio que se va a llevar a cabo; pues enuncian que se
pondr a prueba en la investigacin y para qu; asegurarse de que todos los interesados en
el estudio estn de acuerdo con esos objetivos; estar de acuerdo en los criterios que
determinarn que los objetivos se han alcanzado; tener previsto que si los objetivos cambian,
todas las partes interesadas lo conozcan y acuerden.

- Formulacin de una hiptesis
Antes de llevar a cabo el estudio, los investigadores tienen posibles respuestas a las
preguntas que se formulan. Estas respuestas constituyen las hiptesis y son afirmaciones
sobre la realidad que deben ser verificadas, es decir puestas a prueba para saber si son
correctas o no .Estas hiptesis son primero formuladas en trminos cientficos dentro del
rea de estudio (hiptesis cientfica), y enseguida deben ser expresadas en trminos
estadsticos (hiptesis estadstica).
Debe haber una correspondencia perfecta entre las hiptesis cientfica y estadstica para
evitar ambigedades.

- Planeamiento del experimento o Diseo de la investigacin.
Poblacin objetivo (sujetos), a la que se van a referir las conclusiones
Estructura de la investigacin. Procedimientos
qu medir, cmo medir, cuando, con qu medir?
Formas de captacin de la informacin.
Propuesta de anlisis de los resultados
Tamao de muestra cuntas observaciones o repeticiones a realizar para obtener
resultados confiables?
Control de factores de confusin
Estudio piloto?
Mdulo: DISEO EXPERIMENTAL
Ao 2013
3

Logstica

- Obtencin de la informacin.
Ejecucin del experimento y/o recoleccin de los datos referentes a las variables en estudio.

- Anlisis e interpretacin de los resultados del experimento.
Deben emplearse mtodos estadsticos para analizar los datos, de modo que los resultados
y conclusiones sean objetivos ms que apreciativos. Si el experimento se dise
correctamente y si se ha realizado conforme al diseo, los mtodos estadsticos que se
requieren no son complicados y ofrecen un soporte probabilstico al investigador,
permitiendo hacer inferencias sobre el comportamiento de diferentes fenmenos de la
naturaleza con un grado de incertidumbre (margen de error) conocido.
Existen diversos paquetes estadsticos para el anlisis de datos y mtodos grficos sencillos
que son importantes en la interpretacin de tales datos.

- Conclusiones y recomendaciones o formulacin de una nueva hiptesis para
repetir el ciclo.
- Informe

Sntesis grfica:











1.2 PRINCIPIOS DE LA EXPERIMENTACIN. COMPONENTES
FUNDAMENTALES

El Diseo Estadstico de Experimentos DEE provee los pasos o etapas a seguir en un plan
o estrategia de investigacin concebido de tal manera que permita coleccionar informacin
sobre el fenmeno de inters (Capelletti, 1992).

El DEE es el proceso de planear un experimento para obtener datos apropiados, que pueden
ser analizados mediante mtodos estadsticos, con el objeto de producir conclusiones
vlidas y objetivas, (Montgomery, 1991).

1.2.1 DEFINICIONES BSICAS

- Tratamientos:
Diferentes procesos cuyos efectos sobre el material experimental van a ser medidos y
comparados.
Procedimientos o conjunto de condiciones experimentales a que se somete una unidad
experimental y cuyos efectos se quieren medir en respuesta a la hiptesis de investigacin.
validacin
validacin

Realidad


Diseo de la
investigacin
Estructura
Modelos
estadsticos
Anlisis de la
informacin
Inferencia
Conclusiones
Mdulo: DISEO EXPERIMENTAL
Ao 2013
4

Se pueden elegir sus valores libremente, con la finalidad de obtener la mejor respuesta.
Cada uno de los valores que se le asignan recibe el nombre de nivel de tratamiento.
Hay dos clases de tratamientos:
Los tratamientos cuantitativos, que se pueden medir y variar de una forma progresiva. Son
ordenados segn algn criterio numrico como: Dosis de fertilizantes (0,10, 20,.kg/ha),
dosis de herbicidas, fungicidas, espaciamiento entre plantas, densidad de sembrado, edad,
tiempo, porcentaje de materia orgnica, presin, viscosidad, temperaturas en cmara de
secado, intensidad, cota, etc.

Los tratamientos cualitativos que slo son identificables pero no medibles, Se diferencian
por sus cualidades, como: proveedores, mtodos de trabajo, formas, marcas, tipos,
especies, orgenes, textura de suelo, cultivares, mquinas etc.

- Tratamiento Testigo:
Este trmino se refiere a un tratamiento en el que no se tiene un inters particular, pero
puede servir de comparacin para revelar si los tratamientos propios del ensayoson
efectivos.Son tratamientos de referencia.

No aplicar tratamiento: permite medir la variable respuesta ante la ausencia de las
tecnologas que se estn probando.

Tecnologa tradicional: permite valorar la mejora que producen nuevas tecnologas
tomando como referencia lo que se hace de manera tradicional.

- Unidad experimental:
Mnima porcin del material experimental en la que se aplica un tratamiento una nica vez.
Objetos o individuos sobre los cuales realizamos mediciones. Ejemplo: cada rbol de una
plantacin, parcelas, macetas, cada caja de petri con x semillas en un ensayo, personas,
animales, piezas o lotes de piezas producidas en la industria. En entomologa la unidad
experimental puede ser un insecto, una colonia o toda una especie.
Las unidades experimentales pueden tener distinto tamao y forma dependiendo por
ejemplo del tipo de tratamiento a aplicar, del lugar del ensayo, etc.

- Variable respuesta:
Cmo estudiar el efecto de los tratamientos?
A travs de la medicin de una o ms variables respuestas sobre cada una de las
unidades experimentales que componen la muestra: Altura de planta, rectitud de fuste,
incidencia de plagas, porcentaje de germinacin, dimetro de tallo, peso de semillas, nmero
de hojas por planta, proporcin de rboles supervivientes, resistencia a la tensin, nivel de
dureza, ,etc..
Las variables respuestas o variables dependientes son casi siempre cuantitativas, esto es,
obtenidas por conteo (cuantitativa discreta) o medicin (cuantitativa continua.
Pueden tambin ser cualitativas o categricas, en el caso que clasifiquemos los individuos
que componen las unidades experimentales en categoras: infectados, no infectados,
bifurcado o no bifurcado, calidad del producto final etc.
No deben ser confundidas con los tratamientos que son las variables que estn siendo
comparadas.


Mdulo: DISEO EXPERIMENTAL
Ao 2013
5

- Repeticiones:
Cantidad de veces que un mismo tratamiento se aplica a diferentes unidades experimentales
independientes, en un experimento. Dado que ningn animal, planta o parcela es idntico a
otro, siempre habr alguna variacin en las respuestas que pueden deberse a factores no
controlados. Por lo tanto los resultados estn afectados no slo por los tratamientos que se
han aplicado, sino tambin por distintas causas no controladas. Estas diferencias en las
respuestas entre unidades que recibieron el mismo tratamiento que no son debidas al efecto
de los tratamientos se denomina error experimental.
Las repeticiones tienen por objeto permitir estimar el error experimental, al tiempo que
aumentar la precisin en las inferencias.
Cuando los tratamientos no se encuentran repetidos en varias unidades experimentales, no
es posible descifrar el origen de las diferencias obtenidas. Esto significa que la evaluacin
del efecto de los tratamientos ensayados puede no tener validez.

Cuando el nmero de repeticiones es igual para todos los tratamientos el diseo se
denomina balanceado, en caso contrario se dice que es desbalanceado.

Una regla til:
Cuntas repeticiones se deben tener? Es imposible determinar el nmero exacto de
repeticiones necesarias para los experimentos. Depende de factores tales como costo,
trabajo, variabilidad del material experimental, el tamao probable de las diferencias de
promedios y el nivel de significacin deseada para la prueba.
En general no es prudente usar menos de cuatro o cinco repeticiones en los trabajos de
campo y que el nmero de grados de libertad asociados al error no sea inferior a 10.

- Error experimental (o ruido):
Es la variabilidad producida por factores, tanto conocidos como desconocidos, que existe
entre las respuestas de unidades experimentales que reciben el mismo tratamiento y que no
es de inters para el estudio. Los efectos perniciosos del error experimental pueden
reducirse mucho mediante el anlisis y diseo experimental adecuados.

Se establecen dos fuentes principales de error experimental:
Variabilidad inherente al material experimental sobre el cual se aplican los tratamientos. En
general, esta variabilidad no es posible evitarla y comprende la heterogeneidad del suelo,
(topografa, historia de uso, manejo, diferencia de fertilidad, etc.), la variabilidad gentica, la
variabilidad del clima, etc.

Variabilidad resultante de cualquier falta de uniformidad en la ejecucin del experimento, es
decir, la deficiencia de poder homogeneizar la tcnica experimental, tal el caso de:
preparacin del suelo, densidad de siembra, prcticas culturales, mediciones y toma de
datos, calibrado de los instrumentos de medicin, etc.

Segn su magnitud, el error experimental producir un enmascaramiento de los verdaderos
efectos de los tratamientos, lo que a su vez producir un incremento en el riesgo de obtener
conclusiones equivocadas. Por esta razn es imperativo reducir (puesto que no es posible
eliminar), el efecto de todos aquellos factores que no son los que interesan en el estudio
Mayor error experimental equivale a menor precisin.



Mdulo: DISEO EXPERIMENTAL
Ao 2013
6

- Aleatorizacin:
Procedimiento que involucra el uso de algn mecanismo aleatorio para adjudicar los
tratamientos a las unidades experimentales. Es una manera de garantizar que ninguno de
ellos sea consistentemente favorecido (o perjudicado) en todas las repeticiones por alguna
fuente desconocida de variacin ya que evita las disposiciones sistemticas.
Cada tratamiento debe tener igual probabilidad de ser asignado a cualquier unidad
experimental.

Es la piedra angular que fundamenta el uso de mtodos estadsticos en el diseo de
experimentos.

Independencia entre unidades experimentales
Se refiere a que las unidades experimentales seleccionadas de la misma poblacin o
poblaciones diferentes no tienen ningn efecto sobre otras, de manera que el resultado de
la variable respuesta de cualquiera de los tratamientos no est afectado o influenciado por
los resultados de otras unidades experimentales.

- Control local:
Implica restringir la aleatorizacin de los tratamientos a grupos de unidades experimentales
con poca variabilidad entre s. Este principio es aplicado cuando se sabe a priori de la
existencia de variacin en el ambiente experimental, no pudindose correr el riesgo de
efectuar una aleatorizacin completa de los tratamientos entre las unidades experimentales
usadas.
Esta situacin puede y es muchas veces resuelta de forma satisfactoria a travs de un
agrupamiento de unidades experimentales homogneas entre si y, dentro de esos grupos
de unidades homogneas, tambin conocidos como bloques, es realizada la aleatorizacin.

Este procedimiento es adoptado con la finalidad de hacer ms eficiente el experimento, ya
que se separan los efectos de fuentes extraas de variacin de los efectos de los
tratamientos y de la estimacin del error experimental incrementando la sensibilidad de las
pruebas de comparacin entre tratamientos. Si esto no se puede hacer, se obtendran
estimaciones sesgadas tanto de las diferencias de tratamientos como del error experimental.

En muchos experimentos la precisin de la comparacin de tratamientos puede ser
aumentada usando variables concomitantes y/o auxiliares, este tipo de anlisis es conocido
como el anlisis de covarianza.

Todo trabajo denominado de experimento que tenga por objetivo comparar tratamientos y
sacar conclusiones sobre el comportamiento de los mismos, con un margen de error
conocido, debe seguir los principios de repeticin y aleatorizacin


1.3 TIPOS DE MODELOS ESTADISTICOS EN EL DISEO DE
EXPERIMENTOS

1.3.1 Modelo I o de efectos fijos
El modelo I es apropiado cuando los tratamientos son escogidos especficamente por el
investigador debido a su importancia, disponibilidad o comodidad en el manejo (de manera
que el experimento puede ser repetido con los mismos tratamientos). Variedades de plantas,
Mdulo: DISEO EXPERIMENTAL
Ao 2013
7

concentraciones, lugares y tiempos. En este modelo los parmetros son generalmente las
medias de los tratamientos y el objetivo es la comparacin y estimacin de estos promedios.
Las conclusiones se aplican slo a los niveles considerados en el anlisis, es decir, son
vlidas solamente para los tratamientos estudiados. No pueden hacerse extensivas a
tratamientos similares que no hayan sido especficamente considerados.

1.3.2 Modelo II o de efectos aleatorios:
En el modelo II los tratamientos son obtenidos como una muestra aleatoria de una poblacin
de tratamientos (no se puede repetir el experimento con los mismos tratamientos), por
ejemplo, animales de una especie dada, hojas de una planta, sitios de un lago, etc.
Ejemplos:
Un eclogo quiere verificar que la altura media de plantas de una cierta especie depende del
tipo de suelo en que crecen. Para esto selecciona cuatro lugares en suelos diferentes dentro
de una regin y selecciona 20 plantas de cada lugar. Tratamientos: lugares. Variable
respuesta: Altura

Un laboratorio tiene varios voltmetros. Debe controlar si los mismos manifiestan diferencias.
Del conjunto se seleccionan al azar 5 y se realizan 7 determinaciones con cada uno.
Tratamientos: voltmetros. Variable respuesta: discrepancia respecto a una entrada
constante de 100 voltios.
Las conclusiones, basadas en la muestra de tratamientos, se generalizan a todos los
tratamientos de la poblacin, ya sea que hayan sido explcitamente considerados en el
anlisis o no.

1.3.3 Modelo III o modelo mixto:
Es usado cuando hay tratamientos con niveles fijos y tratamientos con niveles aleatorios.

1.4 EXPERIMENTOS SEGN NMERO DE FACTORES
1.4.1 Experimento unifactorial o monofactorial:
Este tipo de experimento estudia solamente un factor A con a niveles, cada uno de los cuales
se considera un tratamiento. Ej. Irrigacin a travs de cuatro mtodos; determinacin de la
mejor variedad de un cultivo; comparacin de prcticas culturales para determinar la ms
eficiente; etc.
En estos experimentos otros factores se mantienen constantes o uniformes, en lo posible.
(especie, tipo de suelo, poca, nivel de abono, etc.). Su inferencia est limitada a las
condiciones mantenidas uniformes (o controladas) y ser vlida para esas condiciones.
Estos experimentos son justificados cuando el tiempo, el material o equipo son limitados.

1.4.2 Experimento factorial
Se lleva a cabo para estudiar simultneamente los efectos producidos por dos o ms
factores, cada uno con dos o ms niveles. Los tratamientos son formados por la combinacin
de los diferentes niveles de cada factor, donde cada factor puede ser de efecto fijo o
aleatorio.
Es evidente que el experimento factorial combina dos o ms experimentos sencillos de un
factor en un solo experimento, por ejemplo la relacin entre variedades, varios fertilizantes y
mtodos de la preparacin de suelo,
Los resultados obtenidos no solo son la respuesta de los diferentes factores, sino tambin al
mismo tiempo de las interacciones, es decir, la manera en que un cambio en un factor influye
o genera un cambio en otro.
Mdulo: DISEO EXPERIMENTAL
Ao 2013
8


Unidad 2

2.1 DISEO COMPLETAMENTE ALEATORIZADO

2.1.1 INTRODUCCIN
Es el diseo experimental ms simple tanto en la etapa de planeo y conduccin, como en el
anlisis numrico de sus resultados. Consiste en asignar los tratamientos completamente al
azar, en forma irrestricta, a las UE.
Por ejemplo: si se trata de llevar a cabo un ensayo con dieciocho UE que comprenda tres
tratamientos (un grupo testigo, un grupo tratamiento A y un grupo tratamiento B) se asignan
al azar los tres tratamientos entre las UE de manera de tener seis UE con cada tratamiento.
Se usa cuando las UE son esencialmente homogneas, esto es, cuando la variacin entre
las UE es irrelevante y no existe fundamento lgico que justifique organizar previamente
grupos de UE semejantes.
La homogeneidad es exigida en relacin al material, el medio ambiente, los tratamientos
culturales, en fin, a cualquier operacin realizada en el experimento. El nico componente
que puede variar deliberadamente de una UE a otra son los tratamientos.

- VENTAJAS
Permite una completa flexibilidad. Puede usarse cualquier nmero de tratamientos y
repeticiones; el nmero de UE en cada grupo experimental puede no ser igual
intencionalmente (por la falta de UE o de material), o por accidente (muerte de un animal,
planta; prdida de una parcela, material rechazado por situaciones anormales, prdidas
accidentales) lo que permite usar todo el material experimental disponible sin que eso
dificulte el anlisis. De todas maneras es preferible usar el mismo nmero de repeticiones
para todos los tratamientos (modelo equilibrado o balanceado).
Cuando se considera que algunos tratamientos son ms importantes que otros, permite
asignarles fcilmente mayor repeticin.
El anlisis estadstico es simple, aun cuando el nmero de repeticiones no sea la misma
para todos los tratamientos contrastados.
El nmero de grados de libertad para el error experimental es el mayor posible. Este hecho
implica una mayor precisin del experimento cuando las UE son uniformes.
La disminucin de la informacin debida a la prdida de datos en el transcurso de la
experiencia es de menos importancia que en cualquier otro diseo y el mtodo de anlisis
sigue siendo sencillo.

- DESVENTAJAS
Dbil poder analtico y falta de sensibilidad en comparacin con diseos experimentales ms
complejos cuando el material utilizado en el ensayo no es uniforme.
Ocurre que toda variacin que exista entre las UE, controlable o no, de fuente conocida o
desconocida, pasa a formar parte del error experimental en el anlisis de la variancia.
La exigencia de una gran homogeneidad del material experimental implica la utilizacin de
este diseo en ensayos de laboratorio donde el material experimental (suelo, sustrato,
tablas, etc.) es inicialmente homogeneizado y posteriormente dividido en porciones
(macetas, bandejas, cajas de Petri, probetas, etc.) sobre las cuales son aplicados los
tratamientos en r repeticiones. En casos de invernaderos las UE deben ser rotadas de lugar
de manera aleatoria, pues posibles variaciones en el ambiente, la localizacin en el interior
o el exterior (bordes) de la mesa, actuaran durante todo el experimento sobre las mismas
UE, aumentando el error experimental.
Mdulo: DISEO EXPERIMENTAL
Ao 2013
9

Tambin es adecuado en procesos industriales y con animales cuyas caractersticas
genticas sean conocidas, homogneas en cuanto al peso, sexo y raza y que convivan
mezclados durante el perodo experimental.
Deseamos que las diferencias significativas que encontremos sean debidas a las diferencias
entre los tratamientos, no a las UE.

- Resumiendo:
La completa aleatorizacin ser apropiada cuando:
El material experimental sea homogneo.
Sea probable que una parte importante de las UE se destruyan o no respondan.
Los experimentos sean pequeos y la mayor precisin de otros diseos no compense la
prdida de grados de libertad del error experimental.

2.1.2 ANALISIS DE VARIANCIA
Tal como se conoce hoy da, el anlisis de varianza es una tcnica de la estadstica
inferencial que permite analizar datos provenientes de un experimento aleatorio comparativo.
Sirve para probar hiptesis sobre varias medias. Este conjunto de procedimientos se ajusta
a las caractersticas del diseo experimental usado en la obtencin de datos. No es un
mtodo fijo, por el contrario, se adapta a cada diseo particular. Se aplica a diseos de
experimentos, desde el DCA hasta diseos de estructura ms compleja.

Permite descomponer la variabilidad del resultado de un experimento en componentes
independientes como ser tratamientos, bloques, covariables y error experimental. Para el
caso de comparacin de dos poblaciones a travs de sus medias utilizando muestras
independientes el anlisis de variancia es exactamente equivalente a la prueba t de Student.

Por ejemplo: podemos considerar los rendimientos de un cultivo en parcelas diferentes que
aunque trabajadas en iguales condiciones producen cosechas distintas. Esta variabilidad de
rendimientos es producida por un conjunto de factores controlados (abono, riego, etc.) donde
cada factor puede presentar diferentes niveles y tambin puede ser producida por otros
factores no controlables (humedad relativa, plagas, clima, etc.). Tericamente es posible
dividir el resultado de un experimento en dos partes: la originada por los distintos factores
que influyen directamente en el resultado del experimento, estudiados a diferentes niveles y
la producida por el resto de los factores con influencia en el resultado del experimento (error
experimental o variacin residual).


2.1.3 ANLISIS DE VARIANCIA PARA UN DCA A EFECTOS FIJOS CON UN SOLO
FACTOR

Hemos visto que el modelo unifactorial se presenta cuando tenemos un solo factor,
estudiado en sus distintos niveles, que influye sobre la variable respuesta que se mide como
resultado del experimento.

Entonces:
Nuestra experiencia involucra k tratamientos o niveles de un factor nico con r repeticiones
para cada uno, de manera que necesitamos kr = n unidades experimentales (UE). La
distribucin de los k tratamientos r veces en las n UE se realiza aleatoriamente de manera
que cada UE tenga la misma probabilidad (p=r/n) de recibir un tratamiento dado.
Mdulo: DISEO EXPERIMENTAL
Ao 2013
10

La hiptesis nula que someteremos a prueba postula que las medias poblacionales de la
variable respuesta observada, correspondientes a los distintos tratamientos ensayados son
todas iguales contra la hiptesis alternativa que alguna sea distinta:
H0 :1 = 2 = = k =
H1 :i =
De cada poblacin tenemos al azar una muestra de tamao ri, donde i= 1,2,k y los datos
obtenidos los dispondremos en tabla de la siguiente forma:

Tratamientos (niveles del Factor A)
Repeticiones 1 2 .i .. k
1 X11 X21 xi1 .. Xk1
2 X12 X22 xi2 .. Xk2
3 X13 X23 xi3 .. Xk3
: : : : : :
: : : : : :
r X1r X2r .xir .. Xkr
Totales X1. X2. .Xi. .. Xk.
Medias
1
~
x
1
~
x .
1
~
x
..
1
~
x

En esta tabla as dispuesta, la primera columna representa una muestra de tamao r extrada
de la poblacin 1; la segunda columna una muestra de tamao r extrada de la poblacin 2;
la i-sima columna una muestra extrada de la poblacin i y as sucesivamente.

2.1.4 MODELO ESTADSTICO MATEMTICO
El anlisis de un experimento est basado normalmente en un modelo matemtico para las
observaciones y este modelo matemtico est relacionado y justificado por el diseo. Se
puede asegurar que la aleatorizacin es el paso que introduce los modelos probabilsticos
para las observaciones. Este hecho fue observado inicialmente por Fisher y es considerado
actualmente como una de sus mayores contribuciones al desarrollo de la ciencia.

Para el caso particular de un DCA a efectos fijo y un solo factor el modelo estadstico
matemtico correspondiente es el modelo lineal aditivo para muestras de varias poblaciones
con medias probablemente diferentes (por ejemplo si la variable respuesta es distinta segn
el tratamiento recibido):

xij = +ti +ti i = 1,.k (^^)
j = 1,r
Donde:
xij: valor observado de la variable respuesta en el tratamiento i y la repeticin j.
: parmetro nico, comn a todos los tratamientos, denominado media global de las
poblaciones combinadas.
ti: efecto producido por el tratamiento i .
eij: variacin causada por todos los factores no controlables a la observacin
xij(componente aleatoria del error).

Esto indica que el resultado obtenido al evaluar una UE puede ser dividido en tres partes:
una constante(), el efecto del tratamiento aplicado(ti) y una variacin aleatoria(ti) que
incidi en la UE considerada.
Mdulo: DISEO EXPERIMENTAL
Ao 2013
11

Si la H0 no es verdadera, se asume que las poblaciones o algunas de ellas tienen distintas
medias y difieren en una cantidad indicada mediante el trmino ti, o sea
i =+ti
El modelo (^^) puede ser reformulado mediante una nueva parametrizacin:
Xij= + ( - i ) + eij
Donde el desvo ( - i ) = ti (efecto del i-simo tratamiento).
Por esta razn:
Eti = 0;
Surge de lo anterior que las hiptesis pueden ser escritas de esta manera:

H0 : t1 = t2 == tk (esta igualdad puede ser posible siempre y cuando los k tratamientos que
estn siendo experimentados tienen todos iguales efectos, la pertenencia a un grupo u otro
sera irrelevante y podramos considerar todas las observaciones como una muestra de una
nica poblacin).

H1 : al menos una igualdad no se cumple

Si la decisin estadstica es no rechazar H0 el modelo se reescribe:
Xij= + eij

2.1.5 SUPUESTOS DEL MODELO
Para el anlisis e interpretacin de un conjunto de datos provenientes de un experimento
mediante las tcnicas del anlisis estadstico, el modelo matemtico debe admitir los
siguientes presupuestos:
- Los diversos efectos son aditivos, esto es, se tiene una suma de efectos y estos efectos
son independientes.
- Linealidad: La relacin existente entre los factores o componentes del modelo estadstico
es del nivel lineal.
- Independencia: Los resultados observados de un experimento son independientes entre
s.
- Luego, los errores eij son variables aleatorias independientes, esto es, la probabilidad de
que el error de una observacin cualquiera tenga un determinado valor, no debe
depender de los valores de los otros errores. (no estn correlacionados)y tienen
distribucin N(0, o
2
)
- Variancias Homogneas: Todos los eij tienen igual variancia (o
2
constante)

(homocedasticidad). Si ello no fuera as se dice que hay heterocedasticidad.
La comprobacin de los supuestos es necesaria para validar los test de hiptesis,

LA TCNICA SE FUNDAMENTA ENTONCES EN QUE:
Cada tratamiento define una poblacin con distribucin normal, es decir que las k
poblaciones o tratamientos estn normalmente distribuidas, cada una con media
1 =+t1;2 =+t2; 3 =+t3,..;k =+tk y variancia oi
2

Las k poblaciones tienen igual variancia
o1
2
=o2
2
=o3
2
=.ok
2
=o
2
(homocedasticidad)
Las k muestras de tamao ri se extraen aleatoriamente.
La hiptesis nula es verdadera:
H0:1 = 2= =k =

Mdulo: DISEO EXPERIMENTAL
Ao 2013
12

2.1.6 ANOVA CORRESPONDIENTE
Como vimos, el ANOVA nos permite descomponer la variabilidad del resultado de un
experimento en componentes independientes, luego, particionamos la suma de los
cuadrados de los desvos entre cada una de las n observaciones que componen una muestra
y la media de las mismas, en sumas de cuadrados independientes. El nmero de
componentes de la particin est directamente relacionado con la estructura del modelo
estadstico construido para describir la variable respuesta segn los objetivos del
experimento.
Para un modelo completamente aleatorizado a efectos fijos ser en dos sumas de cuadrados
independientes:
















Finalmente hemos escrito:

SCT = SCTratamientos+ SCError donde la variabilidad es expresada como funcin de dos
fuentes de variacin, una debido a los tratamientos (entre) y otra debido a los errores
aleatorios (dentro de las muestras) que afectan la variable respuesta observada.
Toda la informacin sobre el ANOVA se resume en la siguiente tabla:

TABLA DE ANLISIS DE LA VARIANCIA
Fuente de
Variacin
Suma de
Cuadrados
Grados de
Libertad
Cuadrado Medio F0
Entre tratamientos

=

k
i
i
i
C
r
X
1
.
2

k-1
1 k
SC
os Tratamient


Error
os Tratamient
CM
CM
F =
0

Error(dentro de los
tratamientos)

n-k
k n
SC
Error




TOTAL
C x
k
i
r
j
ij
i

= = 1 1
2

n-1
n siempre ser el nmero total de datos .
Si tenemos igual nmero de repeticiones por tratamiento (modelo equilibrado o balanceado)
:n = r x k.

= = =

k
i
k
i
i
i
r
j
ij
r
X
x
i
1 1
2
.
1
2
| |



= =
=
= = =
= = = =
=
=
= =
= = + =
+
= + = =
k
i
i
i
r
j
ij Error
k
i
i
i
os Tratamient
ij
k
i
i
k
i
i
r
j
ij
k
i
k
i
i i ij
i i
r
j
ij
r
j
ij
r
X
x SC
n
X
r
X
SC
n
X
x SCT
C
n
X
X do consideran X X r X x SCT
X X X x
X X X x x x SCT
1
2
.
1
2
1
2
..
.
2
..
2
2
..
..
2
..
1 1
2
1
1 1
2
.. .
2
.. .
1
2
1
.. ..
~
)
~
.
~
( )
~
(
)
~ ~
( .)
~
(
)
~ ~ ~
( )
~
(
Mdulo: DISEO EXPERIMENTAL
Ao 2013
13

Si el nmero de repeticiones por tratamientos es distinto (modelo no equilibrado o
desbalanceado), cosa que permite el modelo totalmente aleatorizado, n ser la suma de los
ri (ri nmero de repeticiones por cada tratamiento). n = ri
Con los resultados del ANOVA se pueden hacer estimaciones y pruebas de hiptesis. Una
primera prueba de inters es la que, mediante el empleo de la distribucin F de Snedecor
que corresponde a un cociente entre dos estimadores de variancia, se puede demostrar si
la HIPTESIS NULA ES VERDADERA.

Sabemos que:
Error
os Tratamient
CM
CM
F =
0
Sigue una distribucin F con (k-1) y (n-k)grados de libertad.
Despus de identificada la distribucin de probabilidad, formulamos la regla de decisin:
Si Valor de F0 F crtico, Rechazar Ho.
Si Valor de F0< F crtico. No Rechazar Ho. NO HAY EVIDENCIAS PARA RECHAZARLA.
El cociente tender a ser uno o prximo a uno cuando los efectos de los tratamientos sean
nulos.

F crtico = Valor crtico de F encontrado en la tabla F de Fisher &Snedecor, considerando los
gradosde libertad de tratamientos (k-1), los grados de libertad del error (n-k) y un
determinado nivel de significancia .

2.1.7 VALIDACIN DE LOS SUPUESTOS DEL ANOVA
No se debe aplicar una tcnica estadstica sin antes verificar que los supuestos del modelo
estn razonablemente satisfechos:

La violacin o falta de apego a cualquiera de las suposiciones del mismo indica que los
resultados podran no tener validez.Los niveles de error pueden ser diferentes a los
establecidos, los errores estndar pueden subestimar o sobreestimar los verdaderos errores
poblacionales, los lmites de confianza pueden ser incorrectos, etc.

Los principales instrumentos para diagnosticar el cumplimiento de las suposiciones estn
basadas en los residuales observados o errores experimentales.

Son una herramienta que proporcionan evaluaciones visuales para las suposiciones de
homocedasticidad y distribuciones normales de las poblaciones.

Resulta fcil estimar los residuos con la ayuda de la computacin. En un diseo
completamente aleatorizado, cada observacin del tratamiento i deber desviarse con
respecto a la media de i slo en el componente aleatorio. Por lo tanto el residuo para una
unidad experimental ser entonces la diferencia entre el valor observado y la media de ese
tratamiento:




- Normalidad de los errores
Es relativamente sencillo hacer pruebas de normalidad de los residuos
Los r resultados dentro de cada tratamiento debern sumar cero. (Excepto por errores de
redondeo).Adems si estos residuos tienen que satisfacer los supuestos de normalidad,
.
~

i ij ij
i ij ij
x x e
x e
=
=
Mdulo: DISEO EXPERIMENTAL
Ao 2013
14

NID(0,
2
), debern agruparse alrededor de cero con relativamente pocos valores positivos
o negativos grandes. Valores muy grandes indican un error de registro o una anomala. Por
ejemplo una parcela que es anormal por alguna razn debida a situaciones irregulares. Por
ejemplo, al efecto de un factor externo (accidente al utilizar maquinaria, mala aplicacin de
un tratamiento qumico, etc.).
Pruebas de bondad de ajuste, como la de J-cuadrado (2), Shapiro-Wilks, Kolmogorov-
Smirnov y su modificacin conocida como la prueba de Lilliefors, pueden ser utilizadas para
examinar esta suposicin. Adems, la normalidad de los errores puede ser examinada
mediante el uso de histogramas, grficos de cajas de dispersin (box plot) y grficos de
probabilidad normal (normal probabilityplots), etc.
En general las rutinas de los software empleados calculan residuos y los representan
mediante grficos.



Distribucin acumulada de los residuos: El grfico QQplot muestra un diagrama de
dispersin de los residuales en funcin de los cuantiles tericos de una distribucin normal
estandarizada.
Consiste en la representacin grfica de la distribucin acumulada de los residuos (ojiva) en
papel de probabilidad normal. Es papel para grficos que posee una escala de ordenadas
tal que la distribucin acumulada de la distribucin normal sea una recta.
Se disponen los valores de los residuos en orden ascendente y se calculan sus puntos de
probabilidad acumulada Pk = 100(k- 0,5)/n donde:
k: nmero de orden
n: cantidad de residuos.
Observaciones que no provienen de una distribucin normal presentan una forma curva, en
tanto que observaciones normales se ajustan cercanamente a una recta de 45
o
.
En general los programas de computacin utilizados elaboran este grfico.


Mdulo: DISEO EXPERIMENTAL
Ao 2013
15

Residuos versus valores ajustados
Se representan los residuos de cada unidad experimental en el eje y, por cada valor
predicho o ajustado en cada una, en el eje x. En un DCA este valor ajustado es la media
del tratamiento en cuestin. En este grfico no debe revelarse ningn patrn inusual.
Este grfico puede identificar falta de linealidad, heterocedasticidad y presencia de valores
attpicos.



Sin embargo, no basta con la simple visualizacin de los grficos sino que se deben realizar
las pruebas estadsticas pertinentes que confirmen las conclusiones que suministran.
Un test formal para probar normalidad es la Prueba de normalidad de Shapiro Wilks,
siendo el planteo de hiptesis:

H0: F(x) es una funcin de distribucin normal; sin especificar media y variancia.
H1: F(x) no es una funcin de distribucin normal.

Para verificar que la muestra proviene de una distribucin normal se realizan los siguientes
pasos:
Se ordenan los valores de la muestra de menor a mayor,
X(1) x(2) x(3)..x(n)
Se calcula el estadstico de prueba :
2
) ( ) 1 (
1
(
1
(

=
+
=
i i n
h
i
i
x x a
D
W

Donde

=
=
n
i
i
x x D
1
2
)
~
(
;aies un valor tabulado y

=
impar n si
n
par n si
n
h
,
2
1
,
2


Se rechaza la hiptesis de normalidad,H0;a un nivel de significancia de si el valor calculado
W es mayor que el valor tabular Wt;

Mdulo: DISEO EXPERIMENTAL
Ao 2013
16

La prueba F se afecta muy poco por una no normalidad moderada, pero si los errores de los
datos son extremadamente no normales habr que apelar a transformaciones o emplear
mtodos no paramtricos.

- Aditividad del modelo
Esa condicin es impuesta por el modelo adoptado.Para cada diseo experimental existe un
modelo matemtico, denominado modelo lineal aditivo, que expresa que el valor de la
variable respuesta para cualquier unidad experimental, por ejemplo en un DCA, es la suma
de la media general el efecto del tratamiento un trmino de error caracterstico de cada
dato.

La no aditividad nos puede llevar a conclusiones y toma de decisiones incorrectas por
estimaciones viciadas de medias de tratamientos y CM del error. Esta suposicin puede ser
verificada por la prueba de Aditividad de Tukey (Tukey test foradditivity)

- Independenciade los errores
Este problema se puede manejar con un buen diseo y una adecuada aleatorizacin.

- Homogeneidad de variancias
El problema mayor con que puede encontrarse el investigador es la falta de homogeneidad
de las varianzas. En este caso no podr saber si las diferencias entre tratamientos se deben
a promedios diferentes o a variancias diferentes.


Cmo corroborar o refutar la hiptesis de homogeneidad?
Los residuales eij =xij-i son herramientas que suministran evaluaciones visuales de las
suposiciones de variancias homogneas.
Se dispone de distintos test formales. Todos ellos parten de la misma hiptesis:



H1: Al menos una difiere

Test de Bartlett
Test de Hartley
Test de Levene
En general realizando un ANOVA con STATISTICA, INFOSTAT, SPSS se obtienen estas
pruebas.

Test de Bartlett (1946)
Consiste en calcular una estadstica cuya distribucin muestral es, aproximadamente Ji
cuadrada con k-1 grados de libertad, cuando las k muestras aleatorias (o grupos) provienen
depoblaciones normales e independientes.
Sean entonces k poblaciones N (i; i2); i=1.k. Si de cada poblacin extraigo muestras
aleatorias independientes de tamao ri y se observa una caracterstica de inters xij con
j=1.ri, entonces para probar la hiptesis:




2 2
2
2
1 0
....
k
H o o o = = = =
i i H
versus H
i i
k
' = =
= = =
'
algn para :
.... :
2 2
1
2 2
2
2
1 0
o o
o o o
Mdulo: DISEO EXPERIMENTAL
Ao 2013
17

se utiliza la estadstica de prueba:








Donde: ri-1 son los grados de libertad de cada Si
2
(nmero de repeticiones -1)
Si
2
: estimador de la variancia para cada muestra.

Si la hiptesis nula es que cada S
2
i es una estimacin de la misma variancia, la razn M/C
se distribuye como un X
2
con (k-1) grados de libertad. C es un factor de correccin cuyo
clculo es el siguiente:







( )
2
1

k
C
M
T _


( ) 0
2
1
H rechazo T Si
k
>
o
_


Nota: Varios estudios indican que la prueba de Bartlett es muy sensiblea la falta de
normalidad, principalmente a curtosis positiva, en cuyo caso se desaconseja su uso. No debe
ser aplicada cuando exista alguna duda en cuanto a esta suposicin. (Montgomery, 1991).

Test de Hartley (1958)
Es una de las pruebas ms sencillas.
Se construye el estadstico de prueba F con la mayor variancia y la menor, observadas
dentro de los grupos de tratamientos.





Rechazo H0 si F0Mx.>FMax.k,(r-1)
Los valores de FMax.k, (r-1) estn tabulados.
Al igual que el anterior es muy sensible a la falta de normalidad, por lo tanto es una prueba
vlida de la homogeneidad de varianzas en los diseos totalmente aleatorizados cuando los
tamaos de las muestras son iguales y las observaciones tienen una distribucin normal.



=
=
=
=
k
i
i i
i
k
i
i
k
i
i i
i
s r
r
s r
r M
2
1
1
1
2
. log ) 1 ( ]
1
) 1 (
.[ log ) 1 ( . 3026 , 2
(
(
(
(


+ =

=
=
k
i
k
i
i
r
r k
C
1
1
1
) 1 (
1
1
1
) 1 ( 3
1
1
.
.
2
2
. 0
mn s
mx s
F
i
i
Mx
=
Mdulo: DISEO EXPERIMENTAL
Ao 2013
18

Test de Levene

En esta prueba se reemplaza cada valor observado por:








En el estadstico de prueba Levene reemplaza a la media de cada tratamiento por su
mediana en el clculo de zij. Por lo tanto xij es la j-sima observacin del i-simo tratamiento
y
i
x su mediana.
Para probar la homogeneidad de las variancias,se calcula el anlisis de variancia en un
sentido para zij y el estadstico Fo:

La hiptesis nula de igualdad de variancias se rechaza si:



O el p-valor asociado al estadstico de prueba es menor que el nivel de significancia fijado.
Esta prueba es robusta al supuesto de normalidad y adems, no se requiere que los tamaos
de muestra sean los mismos para todos los tratamientos. Segn Robert O. Kuehl (2001),
Conover, Johnson y Johnson (1981) compararon 56 pruebas y determinaron que la mejor
prueba para diseos totalmente aleatorizados era la de Levene (Med).


2.1.8 USO DETRANSFORMACIONES
Qu hacer cuando el modelo no funciona?

Un recurso es transformar la variable observada.
Transformar significa un cambio de mtrica de la variable original por una medida en otra
escala.
Por qu transformar y cundo?
Porque hay fallas en los supuestos paramtricos del ANOVA que alterarn sus propiedades
y en consecuencia carecera de sentido aplicarlo:
Asimetra extrema.
No aditividad.
La hiptesis de igualdad de variancias no se cumple.
Variancias como funciones de las medias
Presencia de errores groseros.
Las transformaciones se usan para cambiar la escala de las observaciones con el objeto de
que en la nueva mtrica cumplan mejor las suposiciones del modelo lineal y ofrezcan
inferencias vlidas mediante el ANOVA. Cuando las transformaciones son necesarias es
comn realizar el anlisis y hacer todas las inferencias en la escala de las transformaciones,
pero presentar los resmenes sobre las medias en la escala de medida original.


= =
=


= =
=
k
i
r
j
i ij
k
i
i i
e
trat
i ij ij
i
k k r z z
k z z r
CM
CM
F
x x z
1 1
2
.
1
2
.
.
0
. / )
~
(
1 / ..)
~ ~
(
) (
) )( 1 ( , 0 k rk k
F F

>
o
Mdulo: DISEO EXPERIMENTAL
Ao 2013
19

- TRANSFORMACIONES MS USADAS

Log (x): til cuando los datos crecen en sentido exponencial (una forma de falta de
aditividad) o cuando las desviaciones estndares de la muestra sean aproximadamente
proporcionales a los promedios.
Cuando hay evidencia de efectos principales multiplicativos de los tratamientos en vez de
aditivos.

Raz cuadrada:
Los datos no tienen una Distribucin normal, pero si una distribucin conocida. Es una
transformacin usualmente utilizada para datos con varianzas que cambian
proporcionalmente con la media, frecuentemente cuando la variable observada se refiere a
datos de conteo que por sus caractersticas, permiten suponer que tienen distribucin de
Poisson.





til cuando los nmeros observados son muy pequeos. Ocurren ceros o valores muy bajos.
Los acontecimientos observados son poco comunes. Tienen una baja probabilidad de
ocurrencia. Estos datos tienden a seguir una distribucin de Poisson, donde la variancia es
igual a la media.

En contra de la hiptesis basada en la distribucin normal, la variancia vara cuando lo hace
la media.

Si x se distribuye segn Poisson, la variable


Tendr una variancia constante aproximadamente igual a 0,25 para todos los valores de i.

Esta transformacin no slo estabiliza la variancia de las observaciones sino que mejora la
aproximacin de la distribucin a la normal,


Si la media es pequea: np<3entonces la transformacin
es superior que para estabilizar las varianzas (Anscombe, 1948).


Si las muestras son muy grandes no es necesaria la transformacin.
Ejemplos de variables con distribucin Poisson:

Nmero de insectos en plantas o en un rea.
Colonia de bacterias en platos.
Nmero de defectos en una superficie.
Nmero de accidentes por unidad de tiempo.
Nmero de esporas de hongos por unidad de superficie foliar o de madera en una plantacin.


1
, 5 , 0
+
+
x
x
x
8
3
+ = x x
x
Mdulo: DISEO EXPERIMENTAL
Ao 2013
20

Transformacin angular:
Otro caso a considerar es el que trata de porcentajes p= (x/n) 100 o proporciones relativas
a n observaciones por unidad experimental. Los porcentajes deben estar basados en un
denominador comn (por ejemplo, porcentaje de germinacin calculado a partir de 50
semillas bajo distintos tratamientos). En tales condiciones, los datos tienen, en general,
distribucin binomial con =p y
n
pq
=
2
o y la transformacin indicada es:




.

La transformacin arco seno tiene una variancia constante
n 4
1
2
= o para toda =p si el
ngulo se expresa en radianes, o
n
821
2
= o si se expresa en grados.
Si n es pequeo: n<50, Anscombe recomienda sustituir
4
3
8
3

n
x
p
+
+
en lugar de
n
k
p
donde k es el nmero de veces que apareci el suceso observado.

Existen tablas apropiadas para esta transformacin.

Si todas las proporciones observadas en el estudio estn entre 0,3 y 0,7 la variancia binomial
tiene una estabilidad relativa y puede no ser necesaria la transformacin.

Ejemplos de variables con distribucin binomial:
Proporcin de artculos defectuosos en un lote.
Proporcin de semillas germinadas.
Proporcin de larvas sobrevivientes en estudios de insectos.
Proporcin de plantas que florecen en una determinada seccin.
Proporcin de rboles no comerciales.


2.1.9 ESTADSTICOS QUE VERIFICAN LA CALIDAD DE LOS DATOS

Al interpretar un ANOVA es importante medir que tan bueno fue el modelo estadstico
aplicado y si el error experimental fue controlado por el diseo experimental.

Coeficiente de determinacin R
2
:
Nos dice que proporcin de la variacin total de los datos est siendo explicada por el modelo
adoptado.
0R
2
1. Cuanto ms cerca de 1 mejor funciona el diseo adoptado.

100
cos
x
eno Ar
Mdulo: DISEO EXPERIMENTAL
Ao 2013
21






Para un DCA, la SC diseo es la SC de los tratamientos.

En el caso de un DBCA la SC diseo = SC Tratamientos + SCBloques.

Para un CL (cuadrado latino), la SC diseo = SC Tratamientos + SCFilas +SCColumnas.

Coeficiente de variacin
Se aplica para medir la variacin interna de los tratamientos. Esta variacin se refleja en el
S
2
del error o CMe.exp..
Un experimento mal manejado puede presentar mucha variacin entre las repeticiones de
un mismo tratamiento. Si la variable est bien controlada el CV deber ser menor al 20%;
incluso en ensayos de laboratorio pueden exigirse CV menores al 10%.
En variables biolgicas no controladas como es una plaga o en variables sociales, es comn
que los CV sean grandes.





NOTA: Cuando el anlisis de la varianza no es aplicable debido a incumplimientos de las
suposiciones del modelo, y no se tienen transformaciones convenientes, se puede recurrir
al uso de mtodos de Estadstica no Paramtrica. El empleo de transformaciones o de
estadstica no paramtrica no elimina el problema de:

Falta de homogeneidad de las unidades experimentales
la ausencia de aleatoriedad.
Errores por un mal diseo o una mala toma de datos.

Se puede aplicar la prueba de Kruskal-Wallis para el contraste de k medianas. Esta prueba
es una ampliacin de la prueba de Mann-Whitney-Wilcoxon para dos medianas.

La prueba de Kruskal-Wallis fue propuesta por William Henry Kruskal (1919- ) y W. Allen
Wallis (1912-1998) en el artculo "Use of ranks in one-criterio on variance analysis" publicado
en el Journal of American Statistics Association en 1952


2.1.10 MODELO A EFECTOS ALEATORIOS CON UN SOLO FACTOR

Cuando los efectos del tratamiento en estudio no han sido deliberadamente fijados por el
investigador, sino que surgen aleatoriamente representando una muestra aleatoria de
niveles, se dice que estamos en presencia de un Modelo II o Modelo a efectos aleatorios.

Total
diseo
SC
SC
R =
2
100 .
~
. exp .
X
CM
CV
e
=
Mdulo: DISEO EXPERIMENTAL
Ao 2013
22

El modelo lineal general correspondiente a un ANOVA Modelo II es similar al Modelo I.
Xij= +ai +eij (i=1, 2, 3, .k; j= 1, 2, 3, ..r)
Donde:
: es una constante que afecta a todas las observaciones por igual
ai: es un efecto principal aleatorio que refleja la accin del i-simo nivel del factor sobre
la media . Esta componente ahora es una variable aleatoria distribuida normal e
independientemente con media 0 y varianza o
2
a
eij: es una componente aleatoria que representa la accin de todas las fuentes de
variacin que denominamos error experimental y que se calcula para cada grupo o
muestra. eijN(0, o
2
)

Cul es la diferencia entre ambos modelos?
El propio modelo y los tres primeros supuestos del modelo son semejantes a los del modelo
de efectos fijos. Un cuarto supuesto del modelo expresa matemticamente una importante
diferencia entre los dos. En el modelo de efectos fijos, el experimentador elige
minuciosamente los tratamientos, o niveles utilizados en el experimento. Si se replicase el
experimento se utilizaran los mismos tratamientos. Esto es,se muestrearan las mismas
poblaciones cada vez y los k efectos del tratamiento ti = i no variaran. Esto implica que
en el modelo de efectos fijos, los k trminos ti seconsideran constantes desconocidas.

En el modelo de efectos aleatorios, no es este el caso. Puesto que el primer paso en un
experimento de efectos aleatorios es seleccionar aleatoriamente k poblaciones, las
efectivamente elegidas variarn de repeticin en repeticin. De este modo, en el modelo de
efectos aleatorios los k trminos ti = i no son constantes sino que son, de hecho,
variables aleatorias cuyos valores para una determinada repeticin dependen de la eleccin
de las k poblaciones a ser estudiadas.Estas variables se suponen variables aleatorias
normales independientes con media 0 y varianza comn
2
Tr.

Si las medias poblacionales en el conjunto mayor son iguales, no variarn los efectos del
tratamiento ti = i-. Esdecir,
2
Tr ser cero. As en el modelo de efectos aleatorios, la
hiptesis de medias iguales se contrasta considerando que no hay variabilidad en los
efectos del tratamiento y por lo tanto la variancia de los tratamientos es nula.

En lugar de t aparece a, variable aleatoria N (0, o
2
a).

La principal distincin est referida a que en lugar de considerar efectos de niveles de
tratamientos fijados por el investigador, consideramos efectos aleatorios ai, diferentes de
grupo a grupo. No se comparan tratamientos sino que se analiza una variable aleatoria que
puede contribuir en la prediccin del comportamiento de la variable respuesta.

Los supuestos del modelo son los mismos que los explicados para el caso de Efectos Fijos,
excepto que se ha agregado el supuesto de normalidad de la variable ai.

En general el ANOVA sigue el mismo procedimiento de anlisis que en el caso anterior, pero
si los grupos son muestras aleatorias de una misma poblacin, podemos esperar que ambas
variancias (dentro y entre) estimen la misma variancia poblacional. Es claro entonces que
las hiptesis correspondientes a un anlisis de variancia a un criterio de clasificacin con
efectos aleatorios sern:
H0 :o
2
a = 0
H1 :o
2
a = 0
Mdulo: DISEO EXPERIMENTAL
Ao 2013
23

El rechazo de H0 nos lleva a concluir que hay contribucin estadsticamente significativa
debida a la caracterstica representada en el modelo por la variable a.
La suma de cuadrados entre muestras, dentro de muestras y total se calculan aplicando las
mismas frmulas que en el modelo anterior. Igualmente los grados de libertad y los
cuadrados medios.