Modelo de diseos anidados y

cruzado-anidados
Modelo de diseos anidados
En algunas situaciones no se pueden combinar todos los niveles de un factor con todos
los niveles de otro, es decir, no se pueden determinar todos los posibles tratamientos que
aparecen al cruzar los factores.
Ejemplo.
Supongamos que en un centro de formacin profesional se estudia el porcentaje de
aprobados en una materia, en los grupos de maana y de tarde. Por la maana imparten
la asignatura dos personas y por la tarde tres. Cada persona da clase a tres grupos y se
supone que estos son rplicas (no son fuente de variacin).
As,
Factor A Turno (i = 1, 2)
Factor B Persona (j = 1, . . . , 5)
yij
Porcentaje de aprobados
Maana
. &
P1 P2 P3
g1 g1 g1
g2 g2 g2
g3 g3 g3

Tarde
. &
P4 P5
g1 g1
g2 g2
g3 g3

Se dice que el factor B est anidado en el factor A, es decir B A.

Modelo matemtico
Se dice que un factor B est anidado en otro factor A (o que sus niveles estn anidados
en los de A) cuando cada nivel del factor B aparece asociado a un nico nivel del factor
A. Se denota como B A.
A1
.

&
B1
B2
B3
obs. 1 obs. 1 obs. 1
obs. 2 obs. 2 obs. 2
obs. 3 obs. 3 obs. 3

A2
.

&
B4
B5
B6
obs. 1 obs. 1 obs. 1
obs. 2 obs. 2 obs. 2
obs. 3 obs. 3 obs. 3

Aa
.

&
Bm2 Bm1
Bm
obs. 1 obs. 1 obs. 1
obs. 2 obs. 2 obs. 2
obs. 3 obs. 3 obs. 3

El modelo se expresa como

yijk = + i + j(i) + ijk
donde
i = 1, . . . , a
j = 1, . . . , b
k = 1, . . . , n
y
b
X

para cada i,

j(i) = 0

j=1

a
X

i = 0

i=1

Se observa que j(i) representa el efecto medio adicional del nivel j-simo anidado en
el nivel i.
Por otro lado, b es el nmero de niveles anidados en cada nivel i, de modo que el
nmero total de niveles de B es a b y la suma de los efectos del factor B dentro de cada
nivel de A es 0.

Estimadores por mnimos cuadrados

Se tiene que
a X
b X
n
X

2
mn = mn
yijk i j(i)

,i , j(i)

,i , j(i)

i=1 j=1 k=1

As,
XXX

= 2
yijk i j(i) = 0 =

i=1 j=1 k=1

b

= y

Para cada i fijado

XX

= 2
yijk i j(i) = 0 =
i
j=1 k=1
b

b X
n
X
j=1 k=1

yijk bn
y nbi = 0 =

i = yi y
Para cada i fijado y j fijado
X

= 2
yijk i j(i) = 0 =
j(i)
k=1
n

n
X
k=1

yijk n
y n (
yi y ) n j(i) = 0 =

j(i) = yij yi
De este modo,
yijk = y + (
yi y ) + (
yij yi ) = yij
El nmero total de observaciones es abn y el nmero total de parmetros a estimar es
1+(a1)+a(b1) = ab, luego el nmero de grados de libertad total es abnab = ab(n1).
De este modo, la estima de la varianza es
Pa Pb Pn
2

i=1

(yijk yij )2
.
ab(n 1)

j=1

k=1

Tabla ANOVA
Si se considera la suma de cuadrados total
SCT =

a X
b X
n
X
i=1 j=1 k=1

(yijk y )2

sumando y restando los trminos

yi
yij se obtiene
b X
n
a X
X
i=1 j=1 k=1

(yijk y )

b X
n
a X
X
i=1 j=1 k=1

(
yi y )2 +

b X
n
a X
X
i=1 j=1 k=1

b X
n
a X
X
i=1 j=1 k=1

(
yij yi )2 +
(yijk yij )2

entonces
SCT = SCA + SCB(A) + SCE
que puesto en trminos de totales queda

yij
yi

A1
B1 B2
y111 y121
..
..
.
.

A2
B3 B4
y211 y221
..
..
.
.

A3
B5 B5
y311 y321
..
..
.
.

y11n y12n
y11 y12
y1

y21n y22n
y21 y22
y2

y31n y32n
y31 y32
y3

SCT =
SCA =

a X
b X
n
X

2
yijk

i=1 j=1 k=1

a
1 X 2
y
bn i=1 i

1 2
y
abn

1 2
y
abn

para cada nivel i fijado se tiene

1X 2
1 2
yij yi
SCB(A)i =
n j=1
bn
b

y como SCB(A) =

Pa

i=1

SCB(A)i , entonces

1 X 2
1 XX 2
yij
y
SCB(A) =
n i=1 j=1
bn i=1 i
a

SCE = SCT SCA SCB(A)

Los contrastes de hiptesis que se realizan son:

H0 : 1 = = a = 0 (el factor A no influye)

H1 : algn i 6= 0 (el factor A influye)
en este caso
F0 =

SCA
a1
SCE
ab(n1)

MCA
MCE

de modo que se rechaza H0 a nivel si

F0 > F(a1),ab(n1),
La otra hiptesis que se contrasta es, i = 1, . . . , a

H0 : 1(i) = = b(i) = 0
H1 : algn j(i) 6= 0
en este caso,
F0 =

SCB(A)
a(b1)
SCE
ab(n1)

MCB(A)
MCE

de modo que se rechaza H0 a nivel si

F0 > Fa(b1),ab(n1),
En este caso, se contrasta la hiptesis de que todos los niveles del factor anidado B
son iguales dentro del factor A donde estn anidados.
Sin embargo, si se obtiene que son distintos a nivel global, es interesante contrastar, a
continuacin, si los niveles del factor B anidado en A son iguales entre s, dentro de cada
nivel i (de A) en el que estn anidados.
As, para cada nivel fijado de i, donde i = 1, . . . , a se contrasta si los niveles del factor
anidado son iguales o no dentro de cada uno de los niveles del factor A en el que estn
anidados de manera individual
5

H0 : 1(i) = = b(i) = 0
H1 : algn j(i) 6= 0

en este caso,
F0 =

SCB(A)i
b1
SCE
ab(n1)

MCB(A)i
MCE

de modo que se rechaza H0 a nivel si

F0 > F(b1),ab(n1) ,
La tabla ANOVA es
F. V.
Factor A

S. C.
SCA

Factor B (B A) SCB(A)
Residual
SCE
Total
SCT
Si FB(A) =

MCB(A)
MCE

G. L.
a1

M. C.
MCA =

a(b 1)
ab(n 1)
abn 1

SCA
a1
SCB(A)
MCB(A) = a(b1)
SCE
MCE = ab(n1)

F
FA =

MCA
MCE
MC
FB(A) = MCB(A)
E

resulta ser significativo, entonces el contraste se puede descomponer

en i = 1, . . . , a contrastes individuales:
FB(A)i =

MCB(A)i
.
MCE

Ejemplo.
Un gelogo estudia el contenido en trazas radiactivas de cinco tipos diferentes de suelo.
Para ello recoge cuatro muestras de contenido en sustancias radiactivas en cuatro localidades diferentes que estn situadas sobre cada tipo de suelo. Se obtienen los siguientes
datos:

yij
yi
y

A
B
1 2 3 4 5 6 7 8
6 13 1 7 10 2 4 0
2 3 10 4 9 1 1 3
0 9 0 7 7 1 7 4
8 8 6 9 12 10 9 1
16 33 17 27 38 14 21 8
93
81
402
6

9 10
0 10
0 11
5
6
5
7
10 34

C
11
8
5
0
7
20
82

12
7
2
5
4
18

yij
yi
y

SCT =

13
11
0
6
4
21

14
5
10
8
3
26

15
1
8
9
4
22
88

E
16
0
8
6
5
19

17
1
4
7
9
21

18
6
7
0
3
16

19
3
0
2
2
7
58

20
3
7
4
0
14

402

a X
b X
n
X
i=1 j=1 k=1

2
yijk

1 2
y =
abn

= (62 + 132 + + 02 )

1
4022 = 969,95
80

1 2
1 X 2
y =
yi
SCA =
bn i=1
abn
a

1
1
(932 + + 582 ) 4022 = 45,75
16
80

1 X 2
1 XX 2
yij
y =
SCB(A) =
n i=1 j=1
bn i=1 i
a

1
1 2
(16 + + 142 ) (932 + + 582 ) = 282,875
4
16

SCE = SCT SCA SCB(A) = 642

La tabla ANOVA es
F. V.
Factor A terreno

S. C.
45,75

G. L.
a1=4

M. C. F
11,269 FA =

Factor B(A) localidad 282,875 a(b 1) = 15

18,858
Residual
642
ab(n 1) = 60 10,7
Total
969,95 abn 1 = 79
Se obtiene que
F(a1),ab(n1), = F4,60,00 1 = 2,04
7

MCA
= 1,053
MCE
MCB(A)
FB(A) = MCE = 1,762

por lo cual se acepta H0 : 1 = = a = 0

As no existen diferencias significativas entre los terrenos a nivel = 0,1.
Por otro lado,
Fa(b1),ab(n1), = F15,60,00 1 = 1,6
luego se rechaza i = 1, . . . , a la hiptesis H0 : 1(i) = = b(i) = 0 a nivel = 0,1.
Estudiamos los contrastes individuales por nivel.
Se calcula para cada i
1X 2
1 2
1X 2
1 2
yij yi
=
yij yi
SCB(A)i =
n j=1
bn
4 j=1
16
b

De este modo,
i=1
i=2
i=3
i=4
i=5

SCB(A)1
SCB(A)2
SCB(A)3
SCB(A)4
SCB(A)5

=
=
=
=
=

1
(162
4
1
(382
4
1
(102
4
1
(212
4
1
(212
4

1
+ 332 + 172 + 272 ) 16
932 = 50,18
1
2
2
2
+ 14 + 21 + 8 ) 16 832 = 126,18
1
+ 342 + 202 + 182 ) 16
822 = 74,75
1
2
2
2
+ 26 + 22 + 19 ) 16 882 = 6,5
1
+ 162 + 72 + 142 ) 16
582 = 25,25

La tabla ANOVA queda como

F. V.
Factor A terreno
Factor B(A) localidad
A(1)
B(2)
C(3)
D(4)
E(5)
Residual
Total

S. C.
45,75
282,875
50,18
126,18
74,75
6,5
25,25
642
969,95

G. L. M. C.
4
11,269
15
18,858
3
16,726
3
42,06
3
24,92
3
2,16
3
8,41
60
10,7
79

F
FA = 1,053
FB(A) = 1,762
FB(A)1 = 1,56
FB(A)2 = 3,93
FB(A)1 = 2,33
FB(A)1 = 0,202
FB(A)1 = 0,786

Como
F3,60,00 1 = 2,18
existen diferencias significativas en los niveles B(2) y C(3), es decir, respecto a los terrenos
de tipo B y C las localidades tienen distinto nivel de sustancia radiactiva.

Modelos anidados de efectos aleatorios y efectos mixtos

Modelo de efectos aleatorios
El modelo es
yijk = + i + j(i) + ijk
siendo
i = 1, . . . , a
j = 1, . . . , b
k = 1, . . . , n
donde

para todo i,

i N 0, 2

j(i) N 0, 2

ijk N 0, 2

donde todas las v.a. son independientes.

As,

son v.a. independientes.

yijk N , 2 + 2 + 2

Las esperanzas de los cuadrados medios son:

E(MCA) = 2 + n 2 + bn 2
E(MCB(A)) = 2 + n 2

E(MCE) = 2

Las estimas de los componentes de la varianza son:

2

= MCE

2
MCB(A) MCE

=
n

MCA

MCB(A)

2

=
bn

Los contrastes de hiptesis son:

Si FA =

MCA
> Fa1,a(b1); se rechaza la hiptesis nula, H0 2 = 0
MCB(A)

Si FB(A) =

MCB(A)
> Fa(b1),ab(n1); se rechaza la hiptesis nula, H0 2 = 0
MCE

Modelo de efectos mixtos B A, (A fijo, B aleatorio)

El modelo es
yijk = + i + j(i) + ijk
siendo
i = 1, . . . , a
j = 1, . . . , b
k = 1, . . . , n
donde
a
X

i = 0

i=1

para todo i,

j(i) N 0, 2

ijk N 0, 2

donde todas las v.a. son independientes.

As,

son v.a. independientes.

yijk N + i , 2 + 2

Las esperanzas de los cuadrados medios son:

Xa

2i
bn

i=1
E(MCA) = 2 + n 2 +

a1
2
2

E(MCB(A))
=

+
n

E(MCE) = 2

Las estimas de los componentes de la varianza son:

2

= MCE

MCB(A) MCE

2 =

i = yi y
10

Los contrastes de hiptesis son:

Si FA =

MCA
> Fa1,a(b1); se rechaza la hiptesis nula, H0 i = 0, i
MCB(A)

Si FB(A) =

MCB(A)
> Fa(b1),ab(n1); se rechaza la hiptesis nula, H0 2 = 0
MCE

Modelo de efectos mixtos B A, (A aleatorio, B fijo)

El modelo es
yijk = + i + j(i) + ijk
siendo
i = 1, . . . , a
j = 1, . . . , b
k = 1, . . . , n
donde

para todo i,

i N 0, 2
b
X

j(i) = 0

j=1

ijk N 0, 2

donde todas las v.a. son independientes.

As,

son v.a. independientes.

yijk N + j(i) , 2 + 2

Las esperanzas de los cuadrados medios son:

E(MCA) = 2 + bn 2

Xa Xb

2j(i)
n
i=1
j=1
E(MCB(A)) = 2 +

a(b 1)

E(MCE) = 2

Las estimas de los componentes de la varianza son:

11

2 = MCE

MCA MCE

2 =

bn

= y y
ij
i
j(i)

Los contrastes de hiptesis son:

Si FA =

MCA
> Fa1,a(b1); se rechaza la hiptesis nula, H0 2 = 0
MCE

Si FB(A) =

MCB(A)
> Fa(b1),ab(n1); se rechaza la hiptesis nula, H0 i(i) = 0, i
MCE

Modelos de diseos cruzado-anidados

Se dice que dos factores estn completamente cruzados cuando aparecen todas las
posibles cobinaciones de los niveles de cada factor, como es el caso de un diseo bifactorial.
Se dice que dos factores estn cruzados cuando ninguno de ellos est anidado en el
otro, es decir, ni A B ni B A.
Por ejemplo en el ejemplo previo de turnos y personal docente, puede ser que alguno
de estos d clase en los dos turnos a la vez, con lo que se tienen dos factores cruzados
aunque no completamente cruzados.
Los diseos cruzado-anidados se caracterizan por tener tanto factores cruzados como
anidados. No existe un nico modelo matemtico, ya que depende de la disposicin de los
factores en el diseo.
Modelo 1.
Se trata de estudiar el tiempo de montaje de una serie de piezas de relojera que ha
de hacerse a mano. Se consideran 3 posiciones diferentes para montar las piezas y cuatro
tamaos diferentes de las mismas. El montaje lo efectua una serie de personas, de modo
que se ocupan dos personas distintas para cada montaje con cada tamao y posicin.
Se tiene as, como factores,
P Posicin (i = 1, 2, 3)
T Tamao (j = 1, 2, 3, 4)
I Individuo (k = 1, 2)
12

.
T1

I1
I2

P1

T2 T3

I3 I5
I4 I6

&
T4

I7
I8

P2
.

&
T1 T2 T3 T4

I9 I11 I13 I15

I10 I12 I14 I16

Se observa que todos los niveles del factor posicin se cruzan con todos los niveles del
factor tamao y que el factor individuo tiene niveles distintos para cada uno de los cruces,
es decir, trabajan personas diferentes en cada caso. El esquema es P T y I (P T ).

Modelo matemtico. En el modelo se tienen que incluir:

Los efectos principales de P y T.
Las interacciones entre P y T.
Los efectos de cada nivel k del factor I anidado en la combinacin de (i, j).

yijkl = + i + j + ()ij + k(ij) + ijkl

donde
i = 1, . . . , a
j = 1, . . . , b
k = 1, . . . , c
l = 1, . . . , n
sujeto a las restricciones
a
X
i=1

i =

b
X
j=1

a
b
X
X
j =
()ij =
()ij = 0
i=1

(i, j) fijo

j=1

c
X

k(ij) = 0

k=1

ya que el factor I tiene c niveles anidados en cada combinacin de los niveles de P y T.

Se minimiza la suma de cuadrados de los errores para obtener los estimadores, derivan-

13

do con respecto a cada uno de los parmetros e igualando a 0. Se obtiene:

= y

i = yi y
j = yj y
c ij = yij yi yj + y
()

Del mismo modo, para i, j, k fijados

2
X
c ij k(ij)
yijkl

i j ()
= 0 =
k(ij) i,j,k,l
2

n
X

yijkl yij k(ij) = 0 =

l=1

k(ij) = yijk yij

Las respectivas sumas de cuadrados y grados de libertad son:

Sumas de Cuadrados
b X
c X
n
a X
X
SCT =
(yijkl y )2

grados de libertad
=

abcn 1

(
yi y )2

a1

(
yj y )2

b1

(
yij yi yj + y )2

ab a b + 1 = (a 1)(b 1)

(
yijk yij )2

abc ab = ab(c 1)

abcn abc = abc(n 1)

i=1 j=1 k=1 l=1

a
X

SCA = bcn

SCB = acn

i=1
b
X

SCAB = cn

j=1
b
a X
X

i=1 j=1
a X
b X
c
X

SCC(AB) = n

i=1 j=1 k=1

SCE =

n
a X
b X
c X
X
i=1 j=1 k=1 l=1

(yijkl yijk )2

La tabla ANOVA es

14

F. V.
Factor A
Factor B
Interaccin A*B

S. C.
SCA
SCB
SCAB

Factor C
Residual
Total

SCC(AB)
SCE
SCT

(CAB)

G. L.
a1
b1
(a1)(b1)

M. C.
A
MCA = SC
a1
SCB
MCB = b1
SCAB
MCAB = (a1)(b1)

F
MCA
FA = MC
E
B
FB = MC
MCE
AB
FAB = MC
MCE

SC

C(AB)
MCC(AB) = ab(c1)
SCE
MCE = abc(n1)

ab(c1)
abc(n1)

FC(AB) =

MCC(AB)
MCE

abcn1

As los contrastes que se establecen son:

Si FA > Fa1,abc(n1), se rechaza H0 i = 0 a nivel .
Si FB > Fb1,abc(n1), se rechaza H0 j = 0 a nivel .
Si FAB > F(a1)(b1),abc(n1), se rechaza H0 ()ij = 0 a nivel .
Si FC(AB) > Fab(c1),abc(n1), se rechaza H0 k(ij) = 0 a nivel .
Modelo 2.
En una serie de establecimientos de una cadena de tiendas de ropa se contabilizan
las ventas realizadas de ropa de verano y de ropa de invierno. Se anotan, adems los
empleados que realizan las ventas.
Hay tres factores:
A Tienda
B Tipo de ropa
C Empleado
El esquema es el siguiente
Tienda 1
.
&
V
I

E1 E2 E1 E2

Tienda 2
.
&
V
I

E 3 E4 E 3 E4

Se observa, aqu, que el factor C (empleado) no est anidado en el cruce de los factores
A y B (AB) porque no est combinado con una nica combinacin (i, j), ya que se supone
que estn los mismos empleados en verano e invierno.
As,
Empleados T iendas = C A
Empleados Ropa = C B
T iendas Ropa = A B
15

Modelo matemtico.
yijkl = + i + j + ()ij + k(i) + ()k(i)j + ijkl
donde
i = 1, . . . , a
j = 1, . . . , b
k = 1, . . . , c
l = 1, . . . , n
sujeto a las restricciones
a
X

i =

i=1

b
X

a
b
X
X
j =
()ij =
()ij = 0

c
X

k(i) = 0

j=1

i=1

j=1

y para cada i

k=1

c
b
X
X
()k(i)j =
()k(i)j = 0
j=1

k=1

Se minimiza la suma de cuadrados de los errores para obtener los estimadores, derivando
con respecto a cada uno delo parmetros e igualando a 0. Se obtiene:

= y

i = yi y
j = yj y
c ij = yij yi yj + y
()
k(i) = yik yi

Del mismo modo, para i, j, k fijados:

2
X

c ij k(i) ()k(i)j
yijkl

i j ()
= 0 =
()k(i)j i,j,k,l
X
2

= 0
yijkl yij yik + yi ()k(i)j
()k(i)j i,j,k,l

n
X

2
yijkl yij yik + yi ()k(i)j = 0 =
l=1

16

y queda
d
()
ijk yij yik + yi
k(i)j = y

Las respectivas sumas de cuadrados y grados de libertad son:

Sumas de Cuadrados
SCT =

n
a X
b X
c X
X

SCB = acn

abcn 1

(
yi y )2

a1

(
yj y )2

b1

ab a b + 1 =
= (a 1)(b 1)

ac a = a(c 1)

abc ab ac + a =
a(b 1)(c 1)

abcn abc =
= abc(n 1)

i=1
b
X

SCAB = cn

j=1
b
a X
X

(
yij yi yj + y )2

i=1 j=1
a X
c
X

SCC(A) = bn

(yijkl y )2

i=1 j=1 k=1 l=1

a
X

SCA = bcn

(
yik yi )2

i=1 k=1
b X
c
a X
X

SCBC(A) = n

i=1 j=1 k=1

SCE =

grados de libertad

n
a X
b X
c X
X
i=1 j=1 k=1 l=1

(
yijk yij yik + yi )2

(yijkl yijk )2

Modelos de diseos cruzado-anidados con efectos mixtos

Se supone que hay 3 factores A, B y C tales que
C BA
A y B son factores fijos
C es un factor aleatorio
El modelo es

yijkl = + i + j + ()ij + k(ij) + ijkl

donde
i = 1, . . . , a
j = 1, . . . , b
k = 1, . . . , c
l = 1, . . . , n
17

sujeto a las restricciones

a
X
i=1

i =

b
X

j =

j=1

a
b
X
X
()ij =
()ij = 0
i=1

j=1

(i, j) fijo
k(ij) N(0, 2 )
ijkl N(0, 2 )
independientes entre s.
Las esperanzas de los cuadrados medios son:
Xa

2i
bcn

i=1
2
2

E[MCA] = + n +

aX
1

2j
acn

j=1
E[MCB] = 2 + n 2 +
bX
1 X
a
b

()2ij
cn

i=1
j=1

2
2

E[MCAB] = + n +

(a 1)(b 1)

2
2

E[MCC(AB)] = + n

E[MCE] = 2

Las estimas de los componentes de la varianza son:

2 = MCE
MCC(AB) MCE

2 =
n

Los contrastes de hiptesis son:

Si FA =

MCA
> Fa1,ab(c1); se rechaza la hiptesis nula, H0 i = 0, i
MCC(AB)

Si FB =

MCB
> Fb1,ab(c1); se rechaza la hiptesis nula, H0 j = 0, j
MCC(AB)

Si FAB =

MCAB
> F(a1)(b1),ab(c1); se rechaza la hiptesis nula, H0 ()ij = 0, ij
MCC(AB)

Si FC(AB) =

MCC(AB)
> Fab(c1),abc(n1); se rechaza la hiptesis nula, H0 2 = 0
MCE

18

Regla para determinar las medias de cuadrados esperadas (de Hesse)

En principio hay que diferenciar entre los factores fijos y los aleatorios. Las interacciones entre los factores fijos y los aleatorios se consideran aleatorias.
A cada factor aleatorio se le asigna su componente de la varianza 2 y a cada factor
fijo se le asigna su efecto fijo representado por la suma de cuadrados de los parmetros
asociados a ese factor entre sus grados de libertad, e.g. si A es un factor fijo se le asocia
Sa

2
i=1 i
.
a1

Se construye la siguiente tabla:

F
a
i
Pa
2
i=1 i (a 1) 0
2

a
2
1
2

1
Tipo Factor
Num. Niveles
Subndices

i
j
()ij
(ij)k

A
b
j
b
1
1
1

A
n
k
n
n
n
1

1. El trmino del error del modelo ij...m se representa como (ij...)m donde m es el
ndice de las replicaciones, es decir, fijados ij . . . se consideran m rplicas aleatorias.
2. Los subndices de cada trmino se subdividen en tres clases:
activos: estn en el trmino y no se encuentran entre parntesis.
pasivos: estn en el trmino pero se encuentran entre parntesis.
ausentes: No estn en el trmino aunque pertenecen al modelo.
3. En cada fila se escribe un 1 si uno de los subndices pasivos (tambin estn entre
parntesis los correspondientes a los anidados) del componente de la fila coincide
con el subndice de la columna.

19

Tipo Factor
Num. Niveles
Subndices

i
j
()ij
(ij)k

Pa

i=1
2
2
2

F A A
a b n
i j k

2i (a 1)

4. Si algn subndice de la fila coincide con el subndice de la columna, se escribe:

Un 1 si es un factor aleatorio
Un 0 si es un factor fijo
F A A
a b n
i j k
Pa
2
i=1 i (a 1) 0
2

1
2
1 1
2
1 1 1
Tipo Factor
Num. Niveles
Subndices

i
j
()ij
(ij)k

En los huecos restantes, se escribe el nmero de niveles que tiene la columna correspondiente. Queda as la siguiente tabla:
F
a
i
Pa
2

(a

1)
0
i=1 i
2

a
2

1
2
1
Tipo Factor
Num. Niveles
Subndices

i
j
()ij
(ij)k

A
b
j
b
1
1
1

A
n
k
n
n
n
1

5. Para obtener el valor esperado de la media de cuadrados de cualquier componente

del modelo, se hace:
a) Se tapan todas las columnas encabezadas por los subndices activos de ese
componente.
b) Se multiplican los nmeros de las filas que tienen al menos los mismos subndices que el componente, multiplicndolos a su vez por el factor fijo (suma
de cuadrados) o el factor aleatorio (varianza) obtenidos.
20

c) La suma de estos productos es el valor esperado de la media de cuadrados.

En el ejemplo, quedara:
S

i i
E[MCA] = bn a1
+ n 2 + 2
E[MCB] = an 2 + n 2 + 2
E[MCAB] = n 2 + 2
E[MCE] = 2

Por tanto, los contrastes de hiptesis son:

FA =

MCA
para H0 i = 0, i
MCAB

FB =

MCB
para H0 2 = 0
MCAB

FAB =

MCAB
para H0 2 = 0
MCE

De todas formas, no siempre se pueden construir contrastes de hiptesis para cualquier

modelo. Una posible solucin es suponer que algunas interacciones son nulas.
Ejemplo. Supongamos un modelo bifactorial con efectos aleatorios:
Tipo Factor
Num. Niveles
Subndices

i
j
()ij
(ij)k

2
2
2
2

A
a
i
1
a
1
1

A
b
j
b
1
1
1

A
n
k
n
n
n
1

Las medias de cuadrados son:

E[MCA] = bn 2 + n 2 + 2
E[MCB] = an 2 + n 2 + 2
E[MCAB] = n 2 + 2
E[MCE] = 2
Por tanto, los contrastes de hiptesis son:

21

FA =

MCA
para H0 2 = 0, i
MCAB

FB =

MCB
para H0 2 = 0
MCAB

FAB =

MCAB
para H0 2 = 0
MCE

Ejemplo. Supongamos un modelo bifactorial con efectos fijos:

F
a
i
Pa
2
i (a 1)
0
Pi=1
b
2

(b

1)
a
j
Pj=1
a Pb
2
i=1
j=1 ()ij (a 1)(b 1) 0
2
1
Tipo Factor
Num. Niveles
Subndices

i
j
()ij
(ij)k

F
b
j
b
0
0
1

A
n
k
n
n
n
1

Las medias de cuadrados son:

Sa

2
i=1 i
+ 2
a1
Sb
2j
E[MCB] = an j=1
+ 2
b1
Sa Sb
2
j=1 ()ij
E[MCAB] = n i=1
(a1)(b1)
2

E[MCA] = bn

+ 2

E[MCE] =

Por tanto, los contrastes de hiptesis son:

FA =

MCA
para H0 i = 0, i
MCE

FB =

MCB
para H0 j = 0, j
MCE

FAB =

MCAB
para H0 ()ij = 0, i, j
MCE

Ejemplo. Supongamos un modelo anidado con dos factores: B A donde B es aleatorio

y A es fijo:
yijk = + i + j(i) + ijk
siendo
i = 1, . . . , a
j = 1, . . . , b
k = 1, . . . , n
22

donde
a
X

i = 0

i=1

para todo i,

j(i) N 0, 2

ijk N 0, 2

donde todas las v.a. son independientes.

F
a
i
Pa
2
i=1 i (a 1) 0
2

1
2

1
Tipo Factor
Num. Niveles
Subndices

i
j(i)
(ij)k

A
b
j
b
1
1

A
n
k
n
n
1

Las medias de cuadrados son:

Sa

i=1 i
E[MCA] = bn a1
+ n 2 + 2
E[MCB(A)] = n 2 + 2
E[MCE] = 2

Por tanto, los contrastes de hiptesis son:

FA =

MCA
para H0 i = 0, i
MCB(A)

FB =

MCB(A)
para H0 2 = 0
MCE

Ejemplo. Supongamos un modelo por bloques aleatorizados completos con un factor

aleatorio y un bloque aleatorio:
yij = + i + j + ij
siendo
i = 1, . . . , a
j = 1, . . . , b

23

donde
i N(0, 2 )

j N 0, 2

ij N 0, 2
donde todas las v.a. son independientes.
Tipo Factor
Num. Niveles
Subndices

i
j
ij

2
2
2

A
a
i
1
a
1

A
b
j
b
1
1

F*
1
k
1
1
1

(*) En este caso no hay rplicas aleatorias y hay un slo elemento fijo (k = 1) . De
este modo, k no es una rplica por lo que se pone ij .
Las medias de cuadrados son:
E[MCA] = b 2 + 2
E[MCB] = a 2 + 2
E[MCE] = 2
Por tanto, el contraste de hiptesis es:
FA =

MCA
para H0 2 = 0
MCE

Ejemplo. Supongamos un modelo por bloques aleatorizados completos con un factor

aleatorio y un bloque fijo:
yij = + i + j + ij
siendo
i = 1, . . . , a
j = 1, . . . , b

24

donde

b
X
j=1

i N(0, 2 )
j = 0

ij N 0, 2

donde todas las v.a. son independientes.

A
a
i
2
1
Pb
2
j=1 j (b 1) a
2

1
Tipo Factor
Num. Niveles
Subndices

i
j
ij

F
b
j
b
0
1

F*
1
k
1
1
1

(*) En este caso no hay rplicas aleatorias y hay un slo elemento fijo (k = 1) . De
este modo, k no es una rplica por lo que se pone ij .
Las medias de cuadrados son:
E[MCA] = bS2 + 2
E[MCB] = a
E[MCE] = 2

b
j=1

2j
b1

+ 2

Por tanto, el contraste de hiptesis es:

FA =

MCA
para H0 2 = 0
MCE

25

Aplicacin con R
# Diseo anidado
datos <- read.table("datAnida.txt", header=T)
attach(datos)
terreno <- as.factor(terreno)
locali <- as.factor(locali)
# Dos formas de programarlo:
modelo <- aov(silice ~ terreno + terreno/locali)
# alternativamente:
modelo <- aov(silice ~ terreno + locali%in%terreno)
summary(modelo)

Aplicacin con SAS

options ls=76 nodate nonumber;
title 'ANOVA ANIDADO';
data ano;
input terreno locali silice;
cards;
1 1 6
1 1 2
1 1 0
1 1 8
1 2 13
1 2 3
1 2 9
1 2 8
1 3 1
1 3 10
1 3 0
1 3 6
1 4 7
1 4 4
1 4 7
1 4 9
2 1 10
2 1 9
2 1 7
2 1 12
2 2 2
2 2 1
2 2 1
2 2 10
2 3 4
2 3 1
2 3 7
2 3 9
2 4 0
2 4 3
2 4 4
2 4 1

26

3 1 0
3 1 0
3 1 5
3 1 5
3 2 10
3 2 11
3 2 6
3 2 7
3 3 8
3 3 5
3 3 0
3 3 7
3 4 7
3 4 2
3 4 5
3 4 4
4 1 11
4 1 0
4 1 6
4 1 4
4 2 5
4 2 10
4 2 8
4 2 3
4 3 1
4 3 8
4 3 9
4 3 4
4 4 0
4 4 8
4 4 6
4 4 5
5 1 1
5 1 4
5 1 7
5 1 9
5 2 6
5 2 7
5 2 0
5 2 3
5 3 3
5 3 0
5 3 2
5 3 2
5 4 3
5 4 7
5 4 4
5 4 0
;
proc glm;
class terreno locali;
model silice=terreno locali(terreno);
contrast 'locali(terreno_A)'
locali(terreno) 1 -1 0
0 ,
locali(terreno) 1 0 -1
0 ,
locali(terreno) 1 0 0 -1 ;
contrast 'locali(terreno_B)'
locali(terreno) 0 0 0 0 1 -1 0
locali(terreno) 0 0 0 0 1 0 -1
locali(terreno) 0 0 0 0 1 0 0

0 ,
0 ,
-1 ;

27

contrast 'locali(terreno_C)'
locali(terreno) 0 0 0 0 0 0 0 0
locali(terreno) 0 0 0 0 0 0 0 0
locali(terreno) 0 0 0 0 0 0 0 0

1 -1 0
1 0 -1
1 0 0

0 ,
0 ,
-1 ;

contrast 'locali(terreno_D)'
locali(terreno) 0 0 0 0 0 0 0 0
locali(terreno) 0 0 0 0 0 0 0 0
locali(terreno) 0 0 0 0 0 0 0 0

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

1 -1 0
1 0 -1
1 0 0

0 ,
0 ,
-1 ;

contrast 'locali(terreno_E)'
locali(terreno) 0 0 0 0 0 0 0 0
locali(terreno) 0 0 0 0 0 0 0 0
locali(terreno) 0 0 0 0 0 0 0 0

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

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

1 -1 0
1 0 -1
1 0 0

0 ,
0 ,
-1 ;

means locali(terreno);
run;
ANOVA ANIDADO
The GLM Procedure
Class Level Information
Class
terreno
locali

Levels
5
4

Values
1 2 3 4 5
1 2 3 4

Number of observations

80

ANOVA ANIDADO
The GLM Procedure
Dependent Variable: silice

Source

DF

Sum of
Squares

Mean Square

F Value

Pr > F

Model

19

327.9500000

17.2605263

1.61

0.0823

Error

60

642.0000000

10.7000000

Corrected Total

79

969.9500000

R-Square

Coeff Var

Root MSE

silice Mean

0.338110

65.09623

3.271085

5.025000

Source
terreno
locali(terreno)

DF
4
15

Type I SS
45.0750000
282.8750000

Mean Square
11.2687500
18.8583333

F Value
1.05
1.76

Pr > F
0.3876
0.0625

Source
terreno
locali(terreno)

DF
4
15

Type III SS
45.0750000
282.8750000

Mean Square
11.2687500
18.8583333

F Value
1.05
1.76

Pr > F
0.3876
0.0625

28

Contrast
locali(terreno_A)
locali(terreno_B)
locali(terreno_C)
locali(terreno_D)
locali(terreno_E)

DF
3
3
3
3
3

Contrast SS
50.1875000
126.1875000
74.7500000
6.5000000
25.2500000

Level of
locali

Level of
terreno

1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4

1
1
1
1
2
2
2
2
3
3
3
3
4
4
4
4
5
5
5
5

4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4

Mean Square
16.7291667
42.0625000
24.9166667
2.1666667
8.4166667

F Value
1.56
3.93
2.33
0.20
0.79

Pr > F
0.2076
0.0125
0.0835
0.8943
0.5061

------------silice----------Mean
Std Dev
4.00000000
8.25000000
4.25000000
6.75000000
9.50000000
3.50000000
5.25000000
2.00000000
2.50000000
8.50000000
5.00000000
4.50000000
5.25000000
6.50000000
5.50000000
4.75000000
5.25000000
4.00000000
1.75000000
3.50000000

3.65148372
4.11298756
4.64578662
2.06155281
2.08166600
4.35889894
3.50000000
1.82574186
2.88675135
2.38047614
3.55902608
2.08166600
4.57347424
3.10912635
3.69684550
3.40342964
3.50000000
3.16227766
1.25830574
2.88675135

29