ANALISIS DE EXPERIMENTOS FACTORIALES pxq CON UN FACTOR

CUALITATIVO Y EL OTRO CUANTITATIVO

Suponga que se tiene experimento factorial p q , donde el factor A es cualitativo y el
otro factor en estudio es cuantitativo, con niveles para el factor cualitativo A:
a1 , a2 , , a p y para el factor cuantitativo B: X1 , X 2 , , X q . Luego se tiene

Yijk i j ij ijk , para; i 1,

j 1,

, p,

, q , k 1,

,r

(1)

Luego, en cada nivel del factor cualitativo se asume que existe un modelo de regresin
polinomial:

Yijk 00 10 Z 2 jk

p 10 Z pjk 01 X jk 01 X 2jk

11Z 2 jk X jk 12 Z 2 jk X 2jk

0 q 1 X jk

q 1

1 q 1 Z 2 jk X jk

p 11Z pjk X jk p 12 Z pjk X 2jk

q 1

p 1 q 1 Z pjk X jk

q 1

ijk

para j 1,

, q , k 1,

, r (2)

si i i
1
siendo: Zijk
0 de otro modo
Para poder estimar los parmetros se tiene que usar polinomios ortogonales el cual es
una reparametrizacin del modelo dado en (2)

Yijk 00 10 Z 2 jk

p 10 Z pjk 01P1 X jk

11Z 2 jk P1 X jk 12 Z 2 jk P2 X jk

1 q 1 Z 2 jk P q 1 X jk

p 11Z pjk P1 X jk p 12 Z pjk P2 X jk

,

para j 1,

, q , k 1,

,r

0 q 1 P q 1 X jk

p 1 q 1 Z pjk P q 1 X jk ijk

(3)

P0 X j 1

P1 X j X j P0 X j 1P0 X j

P2 X j X j P1 X j 2 P1 X j 1P0 X j

Ph1 X j X j Ph X j h1Ph X j h Ph1 X j

i 1, 2,

,m

(5)

con P1 X j 0 y m q 1 . Siendo

X P X
q

j 1

1h

h 1

P X
q

h 1

X h Pj X h Pj 1 X h
h 1

P X
q

h 1

P X
q

j 1

h 1
q

P X
h 1

j 1

En este caso, se puede demostrar que se cumple:

Pj X h 0 ,
q

h 1

l 1, 2,

Pj X h 0 y
h 1

P X P X 0 , para
h 0

j 1, 2,

, q 1 ,

, q 1 , y para j l .

Es decir estos polinomios son ortogonales. En este modelo se puede considerar menos
polinomios ortogonales, dependiendo de la significancia de los efectos obtenido al
realizar la prueba de F parcial.

Estimacin de Parmetro
Para cada nivel de A, i 1,
0


0
P Z111

1
P
Z
112

P
, Zi

1
P Z pqr
0


0

, p , se tiene:

P 1 Z2

Zp

P1

P q-1

Z2P1

Z2P q-1

Z p P1

Z p P q1 ,

Y111
111

Y11r
11r
Y
,

Y121
121

Ypqr
pqr
Entonces, el modelo dado en (2), puede ser escrito

Y P ,

para i 1,

, p (6)

Entonces el estimador mnimo cuadrtico de i est dado por:

1
PP PY ,

para i 1,

, p (7)

la suma de cuadrados de los errores, cuadrado medio de los errores y su grado de

libertad estn dado:

SCEMC YY PY , CMEMC

SCEMC
, gle r p 1 q 1
gle

Pruebas de Hiptesis
a) Sea H 0 : 10 20

p 10 0

Versus H1 : i 0 0 , para al menos un i

Entonces bajo H 0 el modelo se reduce a

Yijk 00 01 P1 X jk

0 q 1 P q 1 X jk

11Z 2 jk P1 X jk 12 Z 2 jk P2 X jk

1 q 1 Z 2 jk P q 1 X jk

p 11Z pjk P1 X jk p 12 Z pjk P2 X jk

,

para j 1,

, q , k 1,

,r

p 1 q 1 Z pjk P q 1 X jk ijk

(8)

Luego, sea

Q 1

P1

P q-1

Z2 P1

Entonces el modelo puede escribirse:

Z2 P q-1

Z p P q1

Y Q ,

para i 1,

,p

(9)

-1
= QQ QY y SCEMR YY - QY ,

SCA SCEMR SCEMC YY - QY YY PY PY QY

Luego la estadstica de prueba est dado por:

SCA
p 1
Fc
CMEMC

F p1, gle / H 0 es cierta

Donde CMEMC

SCEMC
, gle r p 1 q 1
gle

, q 1

b) Sea H 0 : 0l 0 versus H1 : 0l 0 , para l 1,

Entonces bajo H 0 el modelo se reduce a:

Yijk 00 10 Z 2 jk

p 10 Z pjk 01 P1 X jk

0l 1 Pl 1 X jk

0 q 1 P q 1 X jk

11Z 2 jk P1 X jk 12 Z 2 jk P2 X jk

0l 1 Pl 1 X jk

1 q 1 Z 2 jk P q 1 X jk

p 11Z pjk P1 X jk p 12 Z pjk P2 X jk

p 1 q 1 Z pjk P q 1 X jk ijk

Q1 1 Z 2

Zp

P1

Pl 1

Pl 1

P q1

Z 2P1
Z 2P q1

Z p P1
Z p P q1

Luego, el modelo puede escribirse como:

Y Q11 ,

para i 1,

, p (10)

Luego,
-1
1 = Q1Q1 Q1Y y SCEMR1 YY - 1Q1Y ,

SCBl SCEMR1 SCEMC YY - 1Q1Y YY PY PY 1Q1Y

Luego la estadstica de prueba est dado por:

Fc

SCBl
CMEMC

F1, gle / H 0 es cierta

c) Sea H 0 : 1m 2 m

p1m 0 versus

H1 : lm 0, para al menos un l 1, 2,
para m, 2,

, p 1 ,
, q 1

Entonces bajo H 0 el modelo se reduce a:

Yijk 00 10 Z 2 jk

p10 Z pjk 01P1 X jk

0l 1 Pl 1 X jk

0 q1 P q1 X jk

11Z 2 jk P1 X jk 12 Z 2 jk P2 X jk

0l 1 Pl 1 X jk

1 q1 Z 2 jk P q1 X jk

p1Z q1 jk P1 X jk p 2 Z q1 jk P2 X jk

p q1 Z pjk P q1 X jk ijk

Q2 1 Z 2

Zp

P1

P q1

Z 2P1

Z p P1

Z 2 Pl

Z p Pl

Z 2P q1

Luego, el modelo puede escribirse como:

Y Q22

(10)

Luego,
-1
2 = Q2Q2 Q2Y y SCEMR 2 YY - 2Q2Y ,

SCABl SCEMR2 SCEMC YY - 2Q2Y YY PY PY 2Q2Y

Luego la estadstica de prueba est dado por:

SCABl
p 1
Fc
CMEMC

F p1, gle / H 0 es cierta

Z p P q1

Con estos resultados se obtiene el siguiente cuadro de ANVA:

Anlisis de Variancia
Fuente de
Variacin
A
B
B1
B2
.
.
.
Bq-1
AB

SC
p-1
SC[B]
SC[B1]
SC[B2]
.
.
.
SC[Bq-1]
SC[AB]

AB1
AB2
.
.
.
ABq-1
Error
Total

SC[AB1]
SC[AB2]
.
.
.
SC[ABq-1]
SCE
SCTotal

GL

q-1

.
.
.

CM
CM[A]
CM[B]
1
SC[B1]
1
SC[B2]
.
.
.
1
SC[Bq-1]

(p-1)(q1)
p-1
SC[AB1]/(p-1)
p-1
SC[AB2]/(p-1)
.
.
.
.
.
.
p-1
SC[ABq-1]/(p-1)
pq(r-1) CME
pqr-1

Nota: Primero se empieza probando las interacciones del factor cualitativos con los
polinomios, si al menos una de las pruebas resulta significativa entonces la decisin no
se puede tomar en forma independiente, se tiene que incluir en el modelos todas las
variables indicadoras del factor cualitativos as como todos los polinomios e
interacciones de grados menor o de igual que del polinomio o interaccin de mayor
grado que contribuye significativamente sobre la variable respuesta. Si ninguna de las
pruebas sobre las interacciones de los polinomios resulta significativa, entonces la
decisin se toman en forma independiente y se incluye los polinomios de grado menor o
igual que del polinomio de mayor grado que contribuye significativa. Las variables
indicadoras se incluyen en el modelo solo si el factor contribuye significativamente
sobre la variable respuesta.
Ejemplo: En el siguiente ejemplo se presenta la duracin efectiva en horas de tres tipos
de material para bateras sometidos a tres niveles de temperaturas (en grados
Fahrenheit), los datos se muestra a continuacin:

Solucin del ejemplo con material

Z 2 1 si es material del tipo 2

Z 2 0 en otro casos

Z3 1 si es material del tipo 3

Z3 0 en otros casos
De esta forma se tiene:

Tipo de Material
1
2
3

Z2
0
1
0

Z3
0
0
1

Luego el modelo est dado por:

Y 00 10 Z2 20 Z3 01 X 02 X 2 11Z 2 X 12 Z 2 X 2 21Z3 X 22 Z3 X 2 ijk

Reparametrizando en trmino de polinomios ortogonales
Y 00 10 Z 2 20 Z3 01P1 X 02 P2 X
11Z 2 P1 X 12 Z 2 P2 X 21Z 3 P1 X 22 Z 3 P2 X ijk

P0 X j 1

P1 X j X j P0 X j 1P0 X j

P2 X j X j P1 X j 2 P1 X j 1P0 X j

con P1 X j 0 Siendo

X P X
3

j 1

1h

h 1

P X
3

h1

X P X P X P X
h1

j 1

P X
3

h1

>
>
>
>
>
>
>

j 1

h 1
3

P X
h 1

j 1

material1<-read.table("material1.txt",T)
duracion<-material1[,1]
tipo<-as.factor(material1[,2])
temp<-material1[,3]
mod<-lm(duracion~tipo+I(temp)+I(temp^2)+tipo*I(temp)+tipo*I(temp^2))
anva<-aov(mod)
summary(anva)
Df Sum Sq Mean Sq F value
Pr(>F)
tipo
2 10684
5342
7.911 0.00198 **
I(temp)
1 39043
39043 57.823 3.53e-08 ***
I(temp^2)
1
76
76
0.113 0.73975

tipo:I(temp)
2
2315
1158
1.714 0.19911
tipo:I(temp^2) 2
7299
3649
5.405 0.01061 *
Residuals
27 18231
675
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1

H 0 : 11 21 0 versus H1 : i1 0 , para al menos un i 1, 2

Como Fc 1.714 y el pvalue=0.19911, se acepta H 0

Luego, A un nivel de significacin del 10% no se ha encontrado suficiente evidencia
estadstica para afirmar que la interaccin del tipo de material con el polinomio lineal de
temperatura contribuye significativamente sobre la duracin del material.

H 0 : 12 22 0 versus H1 : i 2 0 , para al menos un i 1, 2

Como Fc 5.405 y el pvalue=0.01061, se acepta H 0
Luego, A un nivel de significacin del 5% se ha encontrado suficiente evidencia
estadstica para afirmar que la interaccin del tipo de material con el polinomio
cuadrtico de temperatura contribuye significativamente sobre la duracin del material.
> summary(mod)
Call:
lm(formula = duracion ~ tipo + I(temp) + I(temp^2) + tipo * I(temp) +
tipo * I(temp^2))
Residuals:
Min
1Q
-60.750 -14.625

Median
1.375

3Q
17.938

Max
45.250

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept)
169.380165 20.567656
8.235 7.66e-09 ***
tipo2
-9.756198 29.087058 -0.335 0.73991
tipo3
-36.617769 29.087058 -1.259 0.21884
I(temp)
-2.501446
0.755148 -3.313 0.00264 **
I(temp^2)
0.012851
0.005260
2.443 0.02139 *
tipo2:I(temp)
2.328099
1.067941
2.180 0.03815 *
tipo3:I(temp)
3.404339
1.067941
3.188 0.00361 **
tipo2:I(temp^2) -0.018512
0.007439 -2.488 0.01929 *
tipo3:I(temp^2) -0.023099
0.007439 -3.105 0.00443 **
--Signif. codes: 0 *** 0.001 ** 0.01 * 0.05 . 0.1 1
Residual standard error: 25.98 on 27 degrees of freedom
Multiple R-squared: 0.7652,
Adjusted R-squared: 0.6956
F-statistic:
11 on 8 and 27 DF, p-value: 9.426e-07

Si hacemos Z 2 tipo2 y Z3 tipo3 , entonces la ecuacin de regresin estimada est

dada por:

Duracin 169.380165 9.756198tipo2 36.617769tipo3 2.501446temperatura

0.012851temperatura 2 2.328099tipo2 temperatura
3.404339tipo3 temperatura 0.018512tipo2 temperatura 2
0.023099tipo3 temperatura 2
(11)
La ecuacin de regresin estimada para el material tipo 1 se obtiene haciendo
tipo2 tipo3 0 en la ecuacin dada en (11)

Duracin
169.380165 2.501446temperatura 0.012851temperatura 2
La ecuacin de regresin estimada para el material tipo 2 se obtiene haciendo
tipo2 1 y tipo3 0 en la ecuacin dada en (11)

Duracin
159.623967 0.173347temperatura 0.005661temperatura 2
La ecuacin de regresin estimada para el material tipo 3 se obtiene haciendo
tipo2 0 y tipo3 1 en la ecuacin dada en (11)

Duracin
132.762396 0.902893temperatura 0.0102481temperatura 2