INDICE

1. INTRODUCCION

El diseo del estudio y el anlisis de datos son partes cruciales en cualquier

investigacin. A menudo, el uso apropiado de diseos y anlisis estadsticos es
desafiante y frustrante para el investigador. Un primer error, todava frecuente
debido en parte a la aversin estadstica de muchos bilogos, es pensar en la
estadstica slo despus de obtener los datos. Ello, a menudo, conduce a diseos
inapropiados o subptimos, dificultades de anlisis y resultados dudosos. En los
experimentos, el investigador somete el material de estudio (unidad experimental) a
diferentes tratamientos; por ejemplo, podemos fertilizar un tramo de ro y
compararlo con un control no fertilizado. En los estudios obser- vacionales slo
observamos unidades muestrales en diferentes condiciones preestablecidas y no
podemos decidir qu nivel o tratamiento recibir una cierta unidad muestral; por
ejemplo, podemos comparar las comunidades de diatomeas o macroinvertebrados a
lo largo de un ro o en lugares con distintos grados de contaminacin, es un claro
ejemplo del cual nos podemos basar de los diseos experimentales, ya que el
objetivo fundamental de los diseos experimentales radica en el determinar si existe
una diferencia significativa entre los diferentes tratamiento del experimento y en
caso que la respuesta es afirmativa, cul sera la magnitud de esta diferencia. Una
segunda meta de los diseos experimentales es verificar la existencia de una
tendencia derivado del anlisis de los datos del experimento. La diferencia principal
entre los diseos experimentales radica en la forma en que se agrupan o clasifican
las unidades experimentales. En todos los diseos las unidades experimentales se
clasifican por tratamientos; pero en algunos, estos se clasifican preferentemente en
bloques, filas, parcelas principales y otras modalidades.

2. OBJETIVOS
2.1 OBJETIVOS GENERAL
Conocer tcnicas de anlisis multivariante y sus componentes principales
para la optimizacin de variables experimentales, diseo de parcelas
divididas y diseo complejos en series como herramientas de investigacin en
diferentes variables.
Conocer el estudio del diseo factorial y el efecto de varios factores sobre una
o varias respuestas o caractersticas de calidad, es decir, lo que se busca es
estudiar la relacin entre los factores y la respuesta, con la finalidad de
conocer mejor cmo es esta relacin y generar conocimiento que permita
tomar acciones y decisiones que mejoren el desempeo del proceso.
2.2 OBJETIVOS ESPECIFICOS
Clasificar las distintas tcnicas multivariantes, distinguiendo entre mtodos
de dependencia, interdependencia y estructurales e indicando, de forma
resumida.
Indicar cules son las etapas a seguir en la resolucin de un problema de
Anlisis Multivariante.
Determinar una combinacin de niveles de los factores en la cual el
desempeo del proceso sea mejor que en las condiciones de operacin

actuales, es decir, encontrar nuevas condiciones de operacin del proceso

que eliminen o disminuyen cierto problema de calidad en las distintas
variables.
Usar los modelos estadsticos adecuados para el anlisis de la informacin
obtenida, en las parcelas divididas y capacidad y habilidad para desarrollar
ejercicios prcticos de los mismos.

3. JUSTIFICACION

Mayor parte de la investigacin cientfica se realiza por medio de la

experimentacin, y para que un experimento tenga validez, tiene que ser realizado
mediante un mtodo objetivo, y hasta ahora, la estadstica es la nica herramienta
que cumple esa caracterstica para la realizacin y el anlisis de experimentos. El
diseo de experimentos es indispensable para realizar cualquier investigacin
cientfica, el diseo experimental es el procedimiento de planeacin y conduccin de
experimentos, as como la definicin del anlisis estadstico para evaluar los
resultados, con el objetivo de tener conclusiones vlidas y objetivas. El
procedimiento incluye la definicin de factores a modificar, la manera de su
aplicacin y el nmero de pruebas a realizar. (Mellado, J. 2010).
Para ello dentro del diseo experimental se encuentran diferentes metodologas y
herramientas para este anlisis, como lo es el ANALISIS MULTIVARIANTE es la
parte de la estadstica y del anlisis de datos que estudia, analiza, representa e
interpreta los datos que resultan de observar ms de una variable estadstica sobre
una muestra de individuos. Las variables observables son homogneas y
correlacionadas, sin que alguna predomine sobre las dems. La informacin
estadstica en AM es de carcter multidimensional, por lo tanto, la geometra, el
clculo matricial y las distribuciones multivalentes juegan un papel fundamental, y
las tcnicas multivariantes que utiliza (dependencia, interdependencia,
estructurales). (Fernndez. 2015).
DISENO FACTORIAL, en l se tienen dos o ms factores, los cuales tienen dos o
ms niveles, y se investigan todas las posibles combinaciones de los niveles de los
factores en cada ensayo completo o rplica del experimento. Estos factores se
estudian porque en principio se piensa que tienen un efecto conjunto de stos sobre
una respuesta. El efecto de un factor se define como el cambio en la respuesta
producido por un cambio en el nivel del factor. Con frecuencia, ste se conoce como
efecto principal porque se refiere a los factores de inters primordial del
experimento. (Lara Porras, A.M. 2000).
DISENO PARCELAS DIVIDIAS se utiliza frecuentemente en experimentos
factoriales cuando uno de los factores necesita, para ser evaluado, parcelas o
unidades experimentales grandes y el otro factor se puede evaluar sobre unidades
ms pequeas y donde existen restricciones de aleatorizacin que impiden la
asignacin aleatoria de los tratamientos (combinacin de factores) a las unidades
experimentales. El diseo recibe el nombre de parcelas divididas (DPD) ya que
generalmente se asocia uno de los factores a unidades experimentales de mayor

tamao (parcela principal) y dentro de cada parcela principal se identifican

subparcelas o parcelas de menor tamao sobre las cuales se asigna al azar el
segundo factor. Las parcelas pueden ser dispuestas en cualquier tipo de
delineamiento, as entre otros, se puede tener un diseo de parcelas divididas con
estructura de parcelas completamente aleatorizadas o un diseo de parcelas
divididas con estructura de parcelas en bloques al azar, o en cuadrado latino. En
caso de querer analizar un tercer factor, las subparcelas se dividen a fin de permitir
estudiar los niveles de este ltimo, este diseo se conoce como diseo de parcelas
subdivididas. (Ziga, E. 2010).

4. DESARROLLO
4.1. ANALISIS MULTIVARIANTE
4.1.1. Anlisis Multivariante -Concepto

El anlisis multivariante (AM) es la parte de la estadstica y del anlisis de datos que

estudia, analiza, representa e interpreta los datos que resultan de observar ms de una
variable estadstica sobre una muestra de individuos. Las variables observables son
homogneas y correlacionadas, sin que alguna predomine sobre las dems. La
informacin estadstica en AM es de carcter multidimensional, por lo tanto, la
geometra, el clculo matricial y las distribuciones multivalentes juegan un papel
fundamental. La informacin multivariante es una matriz de datos, pero a menudo, en
AM la informacin de entrada consiste en matrices de distancias o similaridades, que
miden el grado de discrepancia entre los individuos. (Fernndez, J. 2015).
4.1.2. Objetivos

Proporcionar mtodos cuya finalidad es el estudio conjunto de datos

multivariantes que el anlisis estadstico uni y bidimensional es incapaz de
conseguir
Ayudar al analista o investigador a tomar decisiones ptimas en el contexto en el
que se encuentre teniendo en cuenta la informacin disponible por el conjunto de
datos analizado. (Figueras, M. 2000).
4.1.3. Conceptos Bsicos

Variante: Combinacin lineal ponderada de las variables bajo estudio.

Escalas de medicin: Particin, identificacin, y medida de un conjunto de variables.
No mtricas: cualitativas

Mtricas: cuantitativas
Mediciones del error
Mediciones multivariantes
Nivel de significancia vs Potencia de la prueba. (Figueras, M. 2000).

4.1.4. Desarrollo e interpretacin de un anlisis multivariante

Establecer significancia prctica tanto como significancia estadstica.

El tamao de la muestra afecta todos los resultados.
Conozca sus datos y usar slo las variables necesarias.
Escala nominal: asigna un nmero a una caracterstica o atributo.
Escala ordinal: jerarquiza los datos en relacin a la cantidad que poseen.
Los intervalos y las razones son iguales slo que las razones tienen sentido
fsico y los intervalos pueden tener un sentido arbitrario. (Figueras, M. 2000).

4.1.5. Esquema 1. Clasificacin de las Tcnicas Multivariantes

Fuente: (Figueras, M. 2000).

4.2 Mtodos de dependencia

Se pueden clasificar en dos grandes subgrupos segn que la variable (s) dependiente
(s) sea (n) cuantitativas o cualitativas. Si la variable dependiente es cuantitativa algunas
de las tcnicas que se pueden aplicar son las siguientes:
4.2.1. Anlisis de Regresin
Es la tcnica adecuada si en el anlisis hay una o varias variables dependientes
mtricas cuyo valor depende de una o varias variables independientes mtricas. Por
ejemplo, intentar predecir el gasto anual en cine de una persona a partir de su nivel de
ingresos, nivel educativo, sexo y edad. (Figueras, M. 2000).
4.2.2. Anlisis de Supervivencia
Es similar al anlisis de regresin, pero con la diferencia de que la variable
independiente es el tiempo de supervivencia de un individuo objeto. Por ejemplo,
intentar predecir el tiempo de permanencia en el desempleo de un individuo a partir de
su nivel de estudios y de su edad. (Figueras, M. 2000).
4.2.3. Anlisis de la varianza
Se utilizan en situaciones en las que la muestra total est dividida en varios grupos
basados en una o varias variables independientes no mtricas y las variables
dependientes analizadas son mtricas. Su objetivo es averiguar si hay diferencias
significativas entre dichos grupos en cuanto a las variables dependientes se refiere. Por
ejemplo, hay diferencias en el nivel de colesterol por sexos? afecta, tambin, el tipo
de
ocupacin?
Media: Primeramente, definimos la media de una variable aleatoria X como su
esperanza, es decir, su integral respecto a la probabilidad considerada. Se denota por
E[X] o por la letra , acompaada si es necesario de un subndice aclaratorio.
Si X es un vector p-dimensional, su media es el vector p-dimensional compuesto por las
respectivas medias, y se denotara de forma idntica.
Varianza: Dada una variable aleatoria X L 2 de media , se define su varianza
mediante:
var[X] = E [(X ) 2]
denotndose tambin por la letra 2. La raz cuadrada positiva de la varianza se
denomina desviacin tpica. Ntese que la varianza est bien definida al ser X de
cuadrado integrable. De hecho, puede expresarse mediante:
var[X] = E[X 2 ] E[X] 2

Varianza total: Si X es un vector aleatorio p-dimensional de componentes X [1], . . . ,

X[p], se define la varianza total de X mediante:
varT [X] =

var X [ j]

Covarianza: Dado un vector aleatorio p-dimensional X, se define la covarianza entre

dos componentes cualesquiera X[i] y X[j] del mismo como el producto interior de sus
respectivas variabilidades totales, es decir:

cov X[i], X[j] = X[i] i , X[j] j

denotndose tambin por ij. Se trata de una generalizacin de la varianza, pues ii =

2 i, que describe, segn veremos en la prxima seccin, el grado de relacin lineal
existente entre las variabilidades totales, es decir, el grado de relacin a fin existente
entre las variables originales. Se dice que dos variables son incorreladas cuando su
covarianza es nula, es decir, cuando sus variabilidades totales son ortogonales.
(Fernndez, J. 2015).

4.2.4. Correlacin Cannica

Su objetivo es relacionar simultneamente varias variables mtricas dependientes e
independientes calculando combinaciones lineales de cada conjunto de variables que
maximicen la correlacin existente entre los dos conjuntos de variables. Por ejemplo,
analizar cmo estn relacionadas el tiempo dedicado al trabajo y al ocio de una persona
con su nivel de ingresos, su edad y su nivel de educacin. Si la variable dependiente es
cualitativa algunas de las tcnicas que se pueden aplicar son las siguientes:
Anlisis Discriminante: Esta tcnica proporciona reglas de clasificacin
ptimas de nuevas observaciones de las que se desconoce su grupo de
procedencia basndose en la informacin proporcionada los valores que en ella
toman las variables independientes. Por ejemplo, determinar las ratios
financieras que mejor permiten discriminar entre empresas rentables y poco
rentables.
Modelos de regresin logstica: Son modelos de regresin en los que la
variable dependiente es no mtrica. Se utilizan como una alternativa al anlisis
discriminante cuando no hay normalidad.
Anlisis Conjoint: Es una tcnica que analiza el efecto de variables
independientes no mtricas sobre variables mtricas o no mtricas. La diferencia
con el Anlisis de la Varianza radica en dos hechos: las variables dependientes

pueden ser no mtricas y los valores de las variables independientes no mtricas

son fijadas por el analista. En otras disciplinas se conoce con el nombre de
Diseo de Experimentos. Por ejemplo, una empresa quiere disear un nuevo
producto y para ello necesita especificar la forma del envase, su precio, el
contenido por envase y su composicin qumica. Presenta diversas
composiciones de estos cuatro factores. 100 clientes proporcionan un ranking de
las combinaciones que se le presentan. Se quiere determinar los valores ptimos
de estos 4 factores.
(Figueras, M. 2000).
4.3. Mtodos de Interdependencia
Se pueden clasificar en dos grandes grupos segn que el tipo de datos que analicen
sean mtricos o no mtricos. Si los datos son mtricos se pueden utilizar, entre otras,
las siguientes tcnicas:

4.3.1. Anlisis Factorial y Anlisis de Componentes Principales

Se utiliza para analizar interrelaciones entre un nmero elevado de variables mtricas
explicando dichas interrelaciones en trminos de un nmero menor de variables
denominadas factores (si son inobservables) o componentes principales (si son
observables).

4.3.2. Escalas Multidimensionales

Su objetivo es transformar juicios de semejanza o preferencia en distancias
representadas en un espacio multidimensional. Como consecuencia se construye un
mapa en el que se dibujan las posiciones de los objetos comparados de forma que
aqullos percibidos como similares estn cercanos unos de otros y alejados de objetos
percibidos como distintos.
4.3.3. Anlisis Cluster
Su objetivo es clasificar una muestra de entidades (individuos o variables) en un
nmero pequeo de grupos de forma que las observaciones pertenecientes a un grupo
sean muy similares entre s y muy disimilares del resto. A diferencia del Anlisis
Discriminante se desconoce el nmero y la composicin de dichos grupos.
Anlisis de Correspondencias: Se aplica a tablas de contingencia
multidimensionales y persigue un objetivo similar al de las escalas
multidimensionales, pero representando simultneamente las filas y columnas de
las tablas de contingencia.

 Modelos log-lineales: Se aplican a tablas de contingencia multidimensionales y

modelizan relaciones de dependencia multidimensional de las variables
observadas que buscan explicar las frecuencias observadas. (Figueras, M.
2000).
4.4. Mtodos estructurales
Analizan las relaciones existentes entre un grupo de variables representadas por
sistemas de ecuaciones simultneas en las que se suponen que algunas de ellas
(denominadas constructos) se miden con error a partir de otras variables observables
denominadas indicadores. Los modelos utilizados constan, por lo tanto, de dos partes:
un modelo estructural que especifica las relaciones de dependencia existente entre los
constructos latentes y un modelo de medida que especifica como los indicadores se
relacionan con sus correspondientes constructos. (Figueras, M. 2000).

4.5. Etapas del Anlisis Multivariante

4.5.1. Objetivos del anlisis
Se define el problema especificando los objetivos y las tcnicas multivariantes que se
van a utilizar. El investigador debe establecer el problema en trminos conceptuales
definiendo los conceptos y las relaciones fundamentales que se van a investigar. Se
deben establecer si dichas relaciones van a ser relaciones de dependencia o de
interdependencia. Con todo esto se determinan las variables a observar.
4.5.2. Diseo del anlisis.
Se determina el tamao muestral, las ecuaciones a estimar (si procede), las distancias
a calcular (si procede) y las tcnicas de estimacin a emplear. Una vez determinado
todo esto se proceden a observar los datos
4.5.3. Hiptesis del anlisis
Se evalan las hiptesis subyacentes a la tcnica multivariante. Dichas hiptesis
pueden ser de normalidad, linealidad, independencia, homocedasticidad, etc.
4.5.4. Realizacin del anlisis
Se estima el modelo y se evala el ajuste a los datos. En este paso pueden aparecer
observaciones atpicas (outliers) o influyentes cuya influencia sobre las estimaciones y
la bondad de ajuste se debe analizar. (Figueras, M. 2000).

4.6. Validacin del anlisis

Consiste en establecer la validez de los resultados obtenidos analizando s los
resultados obtenidos con la muestra se generalizar a la poblacin de la que procede.
Para ello se puede dividir la muestra en varias partes en las que el modelo se vuelve
a estimar y se comparan los resultados. Otras tcnicas que se pueden utilizar aqu son
las tcnicas de re muestreo (jacknife y bootstrap). (Figueras, M. 2000).

4.7. DISEOS
FACTORIALES

EXPERIMENTOS

COMPLEJOS

EN

SERIES

DISEOS

4.7.1 INTRODUCCION
Los diseos experimentales son importantes ya que le permiten al investigador mejorar
un proceso o sistema por medio de la observacin de cambios en ellos a travs de un
experimento. Para lo cual el investigador necesita herramientas estadsticas para poder
experimentar y obtener resultados que signifiquen una mejora, una correccin o una
estabilizacin en ese proceso o sistema. Un tipo de diseo es el diseo factorial, en l
se tienen dos o ms factores, los cuales tienen dos o ms niveles, y se investigan todas
las posibles combinaciones de los niveles de los factores en cada ensayo completo o
rplica del experimento. Estos factores se estudian porque en principio se piensa que
tienen un efecto conjunto de stos sobre una respuesta. El efecto de un factor se define
como el cambio en la respuesta producido por un cambio en el nivel del factor. Con
frecuencia, ste se conoce como efecto principal porque se refiere a los factores de
inters primordial del experimento. (Lara Porras, A.M. 2000).
Existen varios casos especiales del diseo factorial general que resultan importantes
porque se usan ampliamente en el trabajo de investigacin, y porque constituyen la
base para otros diseos de gran valor prctico. El caso ms importante en diseo
factorial es el 2k, en el cual se tienen k factores con dos niveles cada uno (superior,

inferior). El diseo 2k resulta muy til cuando tenemos muchos factores por investigar
ya que representa un nmero menor de corridas con las cuales se pueden estudiar k
factores en un diseo factorial completo. (Lara Porras, A.M. 2000).
4.7.2. Experimento Factorial
Es un tipo de experimento en el que hay ms de una variable independiente. Su
principal accin es que sirven para valorar el efecto de la interaccin, es decir, saber el
efecto combinado de las distintas variables. Cada variable recibe el nombre de factor y
el nmero indica los niveles de cada variable, se estudia simultneamente dos o ms
factores, y donde los tratamientos se forman por la combinacin de los diferentes
niveles de cada uno de los factores. (Bafilo, A. 2007).
4.7.3. Diseo factorial con dos factores
Diseo en el cual intervienen slo dos factores. Supongamos que hay a niveles para el
factor A y b niveles del factor B, cada rplica del experimento contiene todas las
posibles combinaciones de tratamientos, es decir contiene los ab tratamientos posible.
(AxB). (Lara Porras, A.M. 2000).

4.7.3.1. Objetivos
Contrastar si existen diferencias entre las medias de la variable respuesta en
cada uno de los niveles del factor 1.
Contrastar si existen diferencias entre las medias de la variable respuesta en
cada uno de los niveles del factor 2.
Contrastar si los dos factores interaccionan. (Lara Porras, A.M. 2000).

4.7.3.2. Ventajas
Permiten estudiar los efectos principales, efectos de interaccin de factores,
efectos simples y efectos cruzados y anidados.
Todas las unidades experimentales intervienen en la determinacin de los
efectos principales y de los efectos de interaccin de los factores, por lo que el
nmero de repeticiones es elevado para estos casos.
El nmero de grados de libertad para el error experimental es alto, comparndolo
con los grados de libertad de los experimentos simples de los mismos factores,
lo que contribuye a disminuir la varianza del error experimental, aumentando por
este motivo la precisin del experimento. (Marn, J. 2010).

4.7.3.3. Desventajas

 Los experimentos factoriales es que requiere un gran nmero de u. e., sobre

todo cuando se prueban muchos factores o muchos niveles de algunos factores,
es decir, se tiene un nmero grande de tratamientos. (factoriales fraccionales).
Como en los experimentos factoriales cada uno de los niveles de un factor se
combinan con los niveles de los otros factores; a fin de que exista un balance en
el anlisis estadstico se tendr que algunas de las combinaciones no tienen
inters prctico, pero deben incluirse para mantener el balance.
El anlisis estadstico es ms complicado que en los experimentos simples y la
interpretacin de los resultados se hace ms difcil a medida que aumenta el
nmero de factores y niveles por factor en el experimento. (Marn, J. 2010).
4.7.4. Modelo matemtico para el diseo experimental bloques al azar
Yijk=+ i+ j +ij + ijk

Donde:
= Media general
i= Efecto del Factor 1
j= Efecto del Factor 2
ij= Conocer
Interaccin
de niveles ijes ms til que conocer los efectos principales.
Interaccin:
la interaccin
ijk= Error experimental o efecto aleatorio de muestreo. (VillaGarca, T.
Una interaccin
significativa frecuentemente oscurece la significancia de los efectos
2010).

principales. Cuando hay interaccin significativa, se debern examinar los niveles de un

factor, digamos A, con los niveles del o de los otros factores fijos, para tener
conclusiones acerca del efecto principal A. Dos factores: A con a niveles y B con b
niveles. Se dice que se tiene un factorial a b, con diseo completamente al azar
(bloques, etc.). Se tienen ab tratamientos. (VillaGarca, T. 2010).

4.7.5. Tabla 1. Anova del diseo factorial con dos factores

F.V.
A
B
AB
Error
Total
Fuente:

4.7.6. Ejercicio

g.l
a-1
b-1
(a 1)
(b 1)
ab (n
1)
abn-1

SS
SSA
SSB
SSAB
SSE
SST

CM
SSA/ (a 1)
SSB/ (b 1)
SSAB/ (a 1)
(b 1)
SSE/ab (n 1)

F
CMA/ CME
CMB / CME
CMAxB/CM
E

E(CM)
2 + rb2
2 + ra2b
2 + r2ab
2

En unos laboratorios se est estudiando los factores que influyen en la resistencia de un tipo
particular de fibra. Se eligen al azar cuatro mquinas y tres operarios y se realiza un
experimento factorial usando fibras de un mismo lote de produccin. Los resultados obtenidos
se muestran en la tabla adjunta. Analizar los resultados y obtener las conclusiones apropiadas.
4.7.6.1. Tabla 1. Tipos de mquinas para el desarrollo del experimento factorial.

Operario
1

A
109
110
110
112
116
114

2
3

B
110
115
110
111
112
115

C
108
109
111
109
114
119

D
110
108
114
112
120
117

Fuente: (Lara Porras, A.M. 2000).

4.7.6.2. Tabla 2. Tipos de mquinas para el desarrollo del experimento factorial.

Fuente: (Lara Porras, A.M. 2000).

Desarrollo
SCT = (109^2 + 117^2) (2695) ^2/ 24 = 262,97
2

SCA=

879 +889 +927 2695

=12,46
6
24

SCB=

671 +673+67 0 +68 1 2695

=160,33
8
24

219 2+ .+ 237 2 26952

SAB=

12,46160,33=44,67 y SCR=45,5
2
24

4.7.6.3. Tabla 3. Anova del diseo factorial del experimento.

Fuente: (Lara Porras, A.M. 2000).

F. V
S.C
g. l
C.M
Factor A
12,46
3
4,15
Factor B
160,34
2
80,17
Interaccin
44,67
6
7,45
Residual
45,50
12
3,79
TOTAL
262,97
23

F exp
1,10
21,14
1,96

Realizando
los
contrastes al nivel de
significacin del 5 %, se
concluye
que
es
significativo el efecto
principal del operario
(factor B) (F0,05,2,12 = 3,49), pero no son significativos el efecto principal del tipo de mquina
(factor A) (F0,05,3,12 = 3,89) y la interaccin entre el tipo de mquina y operario (factor A B)
(F0,05,6,12 = 3,00).
4.7.7. Diseo factorial con tres factores
Se llaman experimentos factoriales a aquellos experimentos en los que se estudia
simultneamente dos o ms factores, y donde los tratamientos se forman por la combinacin de
los diferentes niveles de cada uno de los factores. Los experimentos factoriales en si no
constituyen un diseo experimental si no un diseo tratamiento (un arreglo de tratamiento es
una disposicin geomtrica de ellos bien en el espacio o en el tiempo y que deben ser llevados
en cualquiera de los diseos experimentales clsicos tal como el diseo completo al azar y el
diseo en bloques completos al azar). (Lara Porras, A.M. 2000).
4.7.1. Usos
Los experimentos factoriales se emplean en todos los campos de la investigacin, son muy
tiles en investigaciones exploratorias en las que poco se sabe acerca de muchos factores. Muy
frecuentemente usados en investigaciones comparativas. El tipo de experimento factorial a
aplicarse depende de los nmeros y niveles de los factores en estudio. En algunas ocasiones
se est interesado en estudiar la influencia de dos o ms factores tratamiento, para ello se
hacen un diseo de filas por columnas. En este modelo es importante estudiar la posible
interaccin entre los dos factores. Si en cada casilla se tiene una nica observacin no es
posible estudiar la interaccin entre los dos factores. Al aplicar un experimento factorial hay que
tener en cuenta las siguientes condiciones para desarrollarlo sin inconvenientes:

Que factores deben incluirse.

Que factores son fijos y que factores son al azar.
Cuantos niveles se tiene por factor.
Si son factores cuantitativos, cul debe ser el espaciamiento entre los niveles del factor.
Por ejemplo: 0%, 5%, 10% de Nitrgeno, estn a un mismo espaciamiento. (Lara Porras,
A.M. 2000).

4.7.2. Ventajas
Permiten estudiar los efectos principales, efectos de interaccin de factores y los efectos
simples.
Todas las unidades experimentales intervienen en la determinacin de los efectos
principales y de los efectos de interaccin de los factores, por lo que el nmero de
repeticiones es elevado para estos casos.
El nmero de grados de libertad para el error experimental es alto, comparndolo con
los grados de libertad de los experimentos simples de los mismos factores, lo que
contribuye a disminuir la varianza del error experimental, aumentando por este motivo la
precisin del experimento. (Diseo Experimental)
4.7.3. Desventajas
Se requiere un mayor nmero de unidades experimentales que los experimentos
simples y por lo tanto se tendr un mayor costo y trabajo en la ejecucin del
experimento.
Como en los experimentos factoriales cada uno de los niveles de un factor se combinan
con los niveles de los otros factores; a fin de que exista un balance en el anlisis
estadstico se tendr que algunas de las combinaciones no tienen inters practico, pero
deben incluirse para mantener el balance.
El anlisis estadstico es ms complicado que en los experimentos simples y la
interpretacin de los resultados se hace ms difcil a medida que aumenta el nmero de
factores y niveles por factor en el experimento.
4.7.8. Modelo lineal

Yijk=+i+ Aij+ Bij+Cij+ ABij + ACij+ BCij+ ABCij+ ijk

4.7.9. Tabla 4. Anova Modelo factorial con tres factores.

F.V
Totales
Tratamien
tos
Factor A
Factor B
Factor C

Tabla ANOVA: Modelo factorial con tres factores

g.l
S.C
C.M
F. Calculado
abcn - 1
abc - 1
a-1
b-1
c-1

SC (totales)
SC(tratamient
os)
SC (A)
SC (B)
SC (C)

SC(trat)/g.l(trat
)
SC(A)/g.l(A)
SC(B)/g.l(B)
SC(C)/g.l(C)

CM(trat)/CM(erro
r)
CM(A)/CM(error)
CM(B)/CM(error)
CM(C)/CM(error)

AxB

(a - 1) (b - 1)

SC (AB)

AxC

(a - 1) (c - 1)

SC (AC)

BxC

(b - 1)(c - 1)

SC (BC)

AxBxC

(a - 1) (b - 1)(c - 1)

SC (ABC)

Bloque

n-1
g.l(tot)-g.l(trat)g.l(bloq)

SC (bloque)

Error

SC (error)

CM(AB)/CM(error
)
CM(AC)/CM(error
SC(AC)/g.l(AC) )
CM(BC)/CM(error
SC(BC)/g.l(BC) )
SC(ABC)/g.l(AB CM(ABC)/CM(err
C)
or)
SC(bloq)/g.l(blo CM(bloq)/CM(err
q)
or)
SC(error)/g.l(er
ror)
SC(AB)/g.l(AB)

Fuente:

4.7.9. Ejercicio del diseo de parcelas divididas.

Se estn investigando los efectos sobre la resistencia del papel que
producen la concentracin de fibra de madera (factor A), la presin del
tanque (factor B) y el tiempo de coccin de la pulpa (factor C). Se
seleccionan dos niveles de la concentracin de madera ( 1, 2), tres
niveles de la presin (1 , 2 , 3 ) y dos niveles del tiempo de coccin
(1 , 2 ). Pueden considerarse todos los factores fijos. Analizar los
resultados y obtener las conclusiones apropiadas.
4.7.9.1. Tabla 5. Datos del experimento factorial con tres
factores.

Fuente: (Lara Porras, A.M. 2000).

4.7.9.2 Tabla 6. Datos del desarrollo del experimento factorial con tres factores.

AxB
B1
B2
T1
Y11. =16 Y12=43
T2
Y21. =56 Y22=62
B
Y.1. = 72 Y2=105
Fuente: (Lara Porras, A.M. 2000).

B3
Y13=0
Y23=62
Y3=62

A
Y1=59
Y2=180
Y=239

4.7.9.3. Tabla 7. Datos del desarrollo del experimento factorial con tres factores.
AxC

Y1

Y2

T1
T2
C
Fuente:

Y1.1=32
Y2.1=84
Y1=116

Y1,2=27
Y2,2=96
Y2=123

4.7.9.4. Tabla 8. Datos del desarrollo del experimento factorial con tres factores.

BxC
B1
B2
B3
Fuente:

Y1
Y11=36
Y21=48
Y 31=32

Y2
Y12=36
Y22=57
Y22=30

Desarrollo

SCT = i j , k Y 2 ijk

y2
23 92
=6513
=1752,9
abc
12

SCA=

iY 2 i y 2 59 6 2+18 0 2 23 92

=1220,08
bc
abc
6
12

SCB=

jY 2 i y 2 7 22+1 052 +6 22 23 92

=253,17
ac
abc
4
12

SCc=

k Y 2 i y 2 11 6 2+1 232 23 92

=4,083
ab
abc
6
12

SCAB=

ij Y 2 ij y 2
1 62+ ..6 22 23 92

SCASCB=

SCASCB=231,16
c
abc
2
12

jk Y 2 jk
y2
3 62 + ..3 02 23 92
SCBC =

SCBSCC=

SCBSCC=17,16
a
abc
2
12
SCAC =

ik Y 2 ik
y2
3 22 + ..9 62 23 92

SCASCC =

SCBSCC =24,38
b
abc
3
12

SCR=SCT-SCA-SCB-SCC-SC(AB)-SC(AC)-SC(BC)-SC(ABC)=3,167

4.7.9.5. Tabla 9. ANOVA resultante del experimento factorial con tres factores.
FV
Factor A

SC
1220,08

GL
1

CM
1220,08

F exp
770,579

Factor B
Factor C
AxB
AxC
BxC
Residual
TOTAL
Fuente:

253,16
4,083
231,16
24,083
17,167
3,167
1752,9

2
1
2
1
2
2
11

126,58
4,083
115,58
24,083
8,583
1,583

79,947
2,579
73,00
15,211
5,421

Realizando los contrastes al nivel de significacin del 5 %, se concluye que son significativos los
efectos de los factores A (F0,05,1,2 = 18,51), B y A B (F0,05,2,2 = 19).

4.7.10. Ejercicio 2. Diseo factorial con tres factores.

Se va a realizar un estudio de la calidad de dos tipos de fungicidas los cuales
tendrn dos dosis diferentes de aplicacin y estas se aplicarn en dos pocas del
ao, para evaluar el nmero de hojas con la presencia de determinado hongo. Con
lo cual se obtuvieron los siguientes datos:
4.7.10.1. Tabla 10. Datos del experimento factorial con tres factores.
I
1.
F1d1E1
2.
F1d1E2
3.
F1d2E1
4.
F1d2E2
5.
F2d1E1
6.
F2d1E2
7.
F2d2E1
8.
F2d2E2
Sumator
ia
Promedi
o
Fuente:

II

Sumator Promedi
ia
o

III

14

13

15

42

14

17

15

16

48

16

11

28

9,33

14

15

13

42

14

21

21

19

61

20,33

24

23

20

67

22,33

25

24

23

72

24

27

28

30

85

28,33

153

148

144

445

19,13

18,50

18,00

Desarrollo:
Realizamos los cuadros auxiliares necesarios:

Interaccin Fungicidas por Dosis:

F1
F2
Total
Medi
a

d1
90
128
218
18,1
7

Tota Medi
d2
l
a
70 160 13,33
157 285 23,75
227 445
18,9
2

Interaccin Fungicidas por pocas:

F1
F2
Total
Medi
a

E1
E2
70
90
133 152
203 242
16,9 20,1
2
7

Tota Medi
l
a
160 13,33
285 23,75
445

Interaccin pocas por Dosis:

E1
E2
Total
Medi
a

D1
D2
103 100
115 127
218 227
18,1 18,9
7
2

Tota
l
203
242
445

Medi
a
16,92
20,17

Planteamos las Hiptesis:

Ho1: El efecto de los fungicidas es nulo. x
Ha1: El efecto de los fungicidas tiene efectos distintos.
Ho2: El efecto de las dosis es nulo.
Ha2: El efecto de las dosis tiene efectos distintos. X
Ho3: El efecto de las pocas es nulo. x
Ha3: El efecto de las pocas tiene efectos distintos.
Ho4: No hay interaccin entre A x B. x
Ha4: Hay interaccin entre A x B.
Ho5: No hay interaccin entre A x C.

Ha5: Hay interaccin entre A x C. x

Ho6: No hay interaccin entre B x C. x
Ha6: Hay interaccin entre B x C.
Ho7: No hay interaccin entre A x B x C.
Ha7: Hay interaccin entre A x B x C. x
Calculamos el Factor de Correccin:
FC= y2 / abcr
FC= (445)2 / 24
FC= 8.251,04
Calculamos la suma de cuadrados totales:
SCT= ijk Y2ijk FC = 9107 8.251,04 = 855,96
Calculamos la suma de cuadrados de los tratamientos:
SC trat = T2k / n FC
SC trat = (422 + 482 + 282 + 422 + 612 + 672 + 722 + 852 /3) - 8.251,04 = 827,29
Calculamos la suma de cuadrados de los bloques:
SC bloq = (1532 + 1482 + 1442 / 8) - 8.251,04 = 5,085
Calculamos la suma de cuadrados del factor A (fungicidas):
SCA = i Yi2 / bcr FC
SCA= (1602 + 2852/ 12) - 8.251,04 = 651,04
Calculamos la suma de cuadrados del factor B (dosis):
SCB = j Yj2 / acr FC
SCB= (2182 + 2272/ 12) - 8.251,04 = 3,38
Calculamos la suma d cuadrados del factor C (pocas):
SCC= k Yk2 / abr FC
SCC= (2032 + 2422/ 12) - 8.251,04 = 63,38
Calculamos la suma de cuadrados de la interaccin A x B:
SC(AB)= ij Yij2 / cr FC SCA - SCB
SC(AB)= (902 + 702 + 1282 + 1572/ 6) - 8.251,04 - 651,04 - 3,38 = 100,04
Calculamos la suma de cuadrados de la interaccin A x C:
SC(AC)= ik Yik2 / br FC SCA SCC

SC(AC)= (702 + 902 + 1332 + 1522/ 6) - 8.251,04 - 651,04 - 63,38 = 0,04

Calculamos la suma de cuadrados de la interaccin de B x C:
SC(BC)= jk Yjk2 / ar FC SCB SCC
SC(BC)= (1032 + 1002 + 1152 + 1272/ 6) - 8.251,04 - 3,38 63,38 = 9,37
Calculamos la suma de cuadrados de la interaccin de A x B x C:
SC(ABC)= SCtrat SCA SCB SCC- SC(AB) SC(AC) SC(BC) = 0,04
Calculamos la suma de cuadrados del error:
SCE= SCTot SCTrat SCBloq = 23,59

4.7.10.2. Tabla 11. ANOVA Modelo factorial con tres factores.

Tabla ANOVA: Modelo factorial con tres factores
F.
F
F.V
g.l
S.C
C.M
F 0,05
Calculado
0,10
23
22,09
Totales
855,96
37,22
4,28
Tratamient
7
70,14
827,29
os
118,18
4,6 **
8,86
1
386,37
Factor A
651,04
651,04
4,6 **
8,86
1
2,01 4,6 ns
Factor B
3,38
3,38
8,86
1
37,61
Factor C
63,38
63,38
4,6 **
8,86
1
59,37
AxB
100,04
100,04
4,6 **
8,86
1
0,02
AxC
0,04
0,04
4,6 ns
8,86
1
5,56
BxC
9,37
9,37
4,6 *
8,86
1
0,02 4,6 ns
AxBxC
0,04
0,04
8,86
2
1,51 3,74 ns 6,51
Bloque
5,085
2,54
14
Error
23,59
1,69
Fuente:
Interpretacin: Con los datos obtenidos se puede concluir que la factor A
(fungicidas), factor C (pocas) y la interaccin de A x B, tiene alta significancia, es
decir, que tienen efecto en el nmero de hojas con dicho hongo ; la interaccin de B
x C es significante de la misma manera tienen efecto en el nmero de hojas con
dicho hongo; el factor B (dosis), la interaccin A x C, la interaccin de A x B x C y los
bloques no muestran significancia, es decir no muestran efecto en el nmero de
hojas con dicho hongo.
Nota: De acuerdo al anlisis comparativo con el F calculado y el F tabulado se
aceptan o rechazan las Ho Ha, como se ha realizado en la parte superior.
Realizamos las pruebas de significancia:
DMS para A (Fungicidas)

= 0,05
SCM= 1,69

DMS=

0,05 2 ( 1,69 )
(
)
2
12

DMS= 1,14

n= 12
gl= 14
trat
F2
F1

Medi
a
Rango
23,75
a
13,3
b

trat
D2
D1

Medi
a
Rango
18,92
a
18,17
a

trat
E2
E1

Medi
a
Rango
20,17
a
16,92
b

DMS para B (Dosis)

DMS para C (pocas)

Tukey para (A x B)
= 0,05
SCM= 1,69

tukey=

4,11 (

( 1,69 )
)
6

DMS= 2,18

n= 6
gl= 14
Medi Ran
trat
a
go
A2B2 26,16
a
A2B1 21,33
b
A1B1
15
c

A1B2

11,6

Tukey para (B x C)
Medi Ran
trat
a
go
B2C2 21,16
a
B1C2 19,16 ab
B1C1 17,16 bc
B2E1 16,66
c

4.8. DISENO EN PARCELAS DIVIDIDAS

Este tipo de diseos se utiliza frecuentemente en experimentos factoriales cuando uno de los
factores necesita, para ser evaluado, parcelas o unidades experimentales grandes y el otro
factor se puede evaluar sobre unidades ms pequeas y donde existen restricciones de
aleatorizacin que impiden la asignacin aleatoria de los tratamientos (combinacin de factores)
a las unidades experimentales. El diseo recibe el nombre de parcelas divididas (DPD) ya que
generalmente se asocia uno de los factores a unidades experimentales de mayor tamao
(parcela principal) y dentro de cada parcela principal se identifican subparcelas o parcelas de
menor tamao sobre las cuales se asigna al azar el segundo factor. Las parcelas pueden ser
dispuestas en cualquier tipo de delineamiento, as entre otros, se puede tener un diseo de
parcelas divididas con estructura de parcelas completamente aleatorizadas o un diseo de
parcelas divididas con estructura de parcelas en bloques al azar, o en cuadrado latino. En caso
de querer analizar un tercer factor, las subparcelas se dividen a fin de permitir estudiar los
niveles de este ltimo, este diseo se conoce como diseo de parcelas subdivididas. (Ziga, E.
2010).

4.8.1. CARACTERISTICAS
Diseo experimental combinado que resulta til cuando al estudiar simultneamente
varios factores, alguno o algunos de ellos deben ser aplicados sobre unidades
experimentales relativamente grandes, pudindose aplicar el otro o los otros en
unidades experimentales menores, dentro de las unidades mayores. El caso ms
sencillo es aqul en el que se tienen slo dos factores, asignando los niveles de uno de
ellos a las unidades mayores y los niveles del otro a las subunidades. A las unidades
experimentales mayores suele llamrseles parcelas grandes o parcelas principales y a
las unidades experimentales menores se le llama subparcelas o subunidades. (Ziga,
E. 2010).

 Diseo de parcelas divididas tienen una herencia agrcola, ya que las parcelas
usualmente son grandes reas de terreno y las subparcelas pequeas extensiones. Por
ejemplo, algunas variedades de cultivo pueden plantarse en diferentes campos
(parcelas) una variedad por campo. Luego cada campo puede dividirse, por ejemplo, en
cuatro subparcelas, y tratarse cada una con un fertilizante diferente. A pesar de sus
antecedentes agrcolas, los DPD son muy tiles en diferentes experimentos de
horticultura, zootecnia, industrias, laboratorio, invernadero, etc. En estos diseos tanto
los efectos del factor que va en las subparcelas como las interacciones entre ambos
factores son estimados con mayor precisin que los efectos del factor que va en las
parcelas, esto se debe al menor nmero de repeticiones del factor que va en las
parcelas y al mayor tamao de las mismas, lo que ocasiona un mayor Error en las
parcelas [E(a)] que en las subparcelas. (Ziga, E. 2010).

4.8.2. USOS EN EL DISENO EN PARCELAS DIVIDIDAS

Se recomienda el uso del diseo en los siguientes casos: Cuando uno de los factores, por su
naturaleza, exige parcelas relativamente grandes, por ejemplo, sistemas de labranza, de
irrigacin, distancias entre surcos, niveles de luz o de temperatura; mientras que el otro factor
permite su aplicacin sobre unidades experimentales ms pequeas como variedades,
distancia entre plantas, dosis de fertilizantes, etc. ( Badii, M. 2007).

4.8.3. Modelo lineal para DCA

Yij= + i +k(i) +j + ij + Eij
Donde:
= Efecto de la media general
i = Efecto de la media factor A
k(i) = Efecto de la media del Error
de A
j = Efecto de la media del factor B
ij = Efecto de la media de la
interaccin entre A y B
Eij= Efecto de la media del Error de
B

4.8.4. Diseo en Parcelas Divididas con el factor A asignado a las parcelas principales,
distribuido completamente al azar.

Fuente: (Badii, M. 2007).

4.8.4.1. Modelo lineal para DBCA

Yij= +k+ i +k(i) +j + ij + Eij

Donde:
= Efecto de la media general
k= Efecto de la media de los
bloques
i = Efecto de la media factor A
k(i) = Efecto de la media del Error
de A
j = Efecto de la media del factor B
ij = Efecto de la media de la
interaccin entre A y B
Eij= Efecto de la media del Error de

4.8.5. Diseo en Parcelas Divididas con el factor A asignado a las parcelas principales,
distribuido en Bloques Completos al Azar.

Fuente: (Badii, M. 2007).

Cuando los niveles de un factor requieren de gran cantidad de material experimental por
U.E. frente a otros factores. Como ejemplo podemos tener las siguientes situaciones:
uso de riego, mtodos de aplicacin de fertilizantes, etc., seran ms factibles usarlos
como parcela principal que como subparcela.
Cuando se desea incorporar algn factor adicional, y as el alcance de la investigacin
sera mayor, como ejemplo de esta situacin, si se desea incorporar ciertos fungicidas,
para incrementar el alcance de la investigacin se puede proponer variedades que
presenten diversos tipos de resistencia a las enfermedades. En este caso el uso de
variedades como parcela principal dara ms proyeccin al experimento.
Tiene gran utilidad cuando se desea que ciertos factores sean medidos con mayor
precisin que otros, en este caso se elige como subparcelas los factores que se desea
estudiar con mayor precisin. (Badii, M. 2007).

4.8.6. Hiptesis utilizadas en el diseo de parcelas divididas

Para el factor
A
Ho=1=
=0

2.=

Para DBCA

Para el factor B
Ho=1= 2.=
=0
Ha= 1 2.
Para la Interaccin

Ho=1= 2.=
=0

Ho=1= 2.=
=0

Ha= 1 2.

Ha= 1 2.

4.8.7. Tabla 12. ANOVA de Parcelas divididas en un DBCA y DCA se representa en el

siguiente cuadro.

Niveles del Factor A Niveles del Factor A

*
Dispuestos en DBCA
Dispuestos en DCA
Fuentes Gl
Fuentes Gl
Total

rab-1

Total

rab-1

SUMA DE CUADRADOS

y 2ijk FC

CUADRA
DOS
MEDIOS

F
CALCULAD
O

-----------

ijk

a-1

Bloques

r-1

B2k / abFC
k=1

Error (a)

a(r-1)

a-1

T 2i /rbFC
i=1

b-1

Error (a)

(a-1)(r-1)

AB

(a-1)(b-1)

b-1

SCPrincipales-SCbloque-SCFactor A

L2j / raFC
j=1

Error(b)

a(r-1)(b-1)

AB

(a-1)(b-1)

T 2ij /r FCSC ASC B

ij

Error(b)

a(r-1)(b-1)

4.8.8. Ejemplos del diseo del DBCA

SCTotal-SCpp-SCB-SCAB

SC Bloq
gl Bloq

CM Bloq
CM ErrorA

SC A
gl A

CM A
CM ErrorA

SC ErrorA
gl ErrorA
SC B
gl B

CM B
CM ErrorB

SC AB
gl AB

CM AB
CM ErrorB

SC ErrorB
gl Error B

Un experimento fue diseado en parcelas divididas, para determinar condiciones favorables en

la germinacin de semillas de una especie. Se incluy un factor A a 4 niveles (4 regmenes de
temperatura) y un factor B a 2 niveles (2 condiciones de luminosidad) con 3 bloques. Realizar el
ANOVA sobre los resultados que constan en el siguiente cuadro:

4.8.8.1. Tabla 13. Porcentajes de germinacin de una especie

Tratamientos
Temperatura
T1
T1
T2
T2
T3
T3
T4
T4
Totales

Bloques
Luminosida
d
L1
L2
L1
L2
L1
L2
L1
L2

I
11
16
PC
10
14
17
15
17
15
115

II

III

Total
Tratamientos
Tij

Media

11
17

11
18

33
51

11
17

9
15
13
16
14
14
109

10
18
13
9
10
15
104

29
47
43
40
41
44
Y=328

9,7
15,7
14,3
13,3
13,7
14,7

Y ij

Y =13,7

HIPOTESIS
Factor A
Ho= La temperatura influye favorablemente en la germinacin de las semillas de la
especie en estudio
Ha= La temperatura no influye favorablemente en la germinacin de las semillas de
la especie en estudio
Factor B
Ho= La luminosidad influye favorablemente en la germinacin de las semillas de la
especie en estudio
Ha= La luminosidad no influye favorablemente en la germinacin de las semillas de
la especie en estudio
Interaccin
Ho= Hay interaccin entre mis factores en estudio es decir entre la temperatura y la
luminosidad
Ha= No hay interaccin entre mis factores en estudio es decir entre la temperatura
y la luminosidad

Bloques

Ho= Hay diferencias entre las medias de mis bloques

Ha= No hay diferencias entre las medias de mis bloques
Matrices Auxiliares
Parcelas completas (Los valores se obtuvieron de dos datos cada uno)

1 2 3 4 5 6 7 8 9 10 11 12
27 28 29 24 24 28 32 29 22 32 28 25
Clculo del factor A
Totales
Medias

T1
84
14

T2
76
12,7

T3
83
13,8

1. Calculo del factor B

Totales
Medias

L1
146
12,17

Clculos bsicos
2

328
=4482,67
24

1.

FC Y =

2.

11
( 2+11 ++15 )4482,67=195,33
SC Total =

3.

27
( 2+28 ++25 2)
4482,67=53,33
2
SC pp=

4.

115
( 2+109 +1042 )
4482,67=7,58
8
SCBloq . =

L2
182
15,17

T4
85
14,2

5.

84
( 2+76 +83 +85 2)
4482,67=8,33
6
SC A=

6.

SC Error(a)=53,337,588,33=37,42

7.

146
( 2+182 )
4482,67=54
12
SC B =

8.

33
( 2+512 ++ 412+ 442 )
4482,678,3354=57
3
SC AB=

9.

SC Y , Error =195,3353,335457=31

4.8.8.2. Tabla 14. Resultados del ANOVA del DBCA

Fuentes

gl

SC

CM

F
Calculad
o

F tabulado
0,05
0,01

Total
Bloques
Temperatura(A
)
Error(a)
Luminosidad(B
)
AB
Error(b)

23
2
3

195,33
7,58
8,33

3,790
2,780

0,61
0,45

5,14
4,76

10,92
9,78

6
1

37,42
54,00

6,240
54,000

13,94**

5,32

11,26

3
8

57,00
31,00

19,000
3,875

4,90*

4,07

7,59

CM ( a )
6,24
b
2
CV ( a )=
x 100=
x 100=12,9

13,7
Y

CV ( b )=

CM (b)
3,875
x 100=
x 100=14,4
13,7
Y

Conclusin: El ANOVA para este experimento permiti estableces diferencias altamente

significativas para el factor luminosidad y significativas para la interaccin temperaturaluminosidad.

5. CONCLUSIONES

6. BIBLIOGRAFIA
https://www.uam.es/personal_pdi/ciencias/abaillo/AmbEst/Tema2.pdf
http://www.ugr.es/~bioestad/guiaspss/practica7/ArchivosAdjuntos/Factorial%20tres
%20factores.pdf
http://halweb.uc3m.es/esp/Personal/personas/jmmarin/esp/Disenno/tema3DE.pdf
http://www.dpye.iimas.unam.mx/patricia/indexer/factoriales.pdf
http://www.est.uc3m.es/esp/nueva_docencia/leganes/ing_industrial/estadistica_II/doc_gr
upo1/archivos/Disenios%20a%20dos%20niveles.pdf
http://estadistica.260mb.com/Efrain_DPD.pdf
http://www.web.facpya.uanl.mx/rev_in/Revistas/4.2/A5.pdf
http://matematicas.unex.es/~jmf/Archivos/Manual%20de%20Estad%C3%ADstica
%20Multivariante.pdf
http://www.acmcb.es/files/425-3501-DOCUMENT/Sancho-9-14Maig12.pdf

http://ciberconta.unizar.es/leccion/anamul/inicio.html
http://www.fbbva.es/TLFU/microsites/ecologia_fluvial/pdf/cap_22.pdf